数据分析是商业决策的关键，但错误的假设和数据质量问题可能导致数据分析出现偏差。

众所周知，数据分析已经成为一个热门词汇。无论是人力资源供应链管理还是市场融资，数据分析已成为企业业务决策的关键一环。企业缺乏数据洞察力,也就失去了市场竞争力。

企业通过分析数据提取信息可以降低成本、提高销售和简化操作，企业也可以通过分析来预测未来的事件。以前企业高管在决策时可能更多地依赖于直觉或以往的经验，但今天他们会更加重视数据分析提供的信息。

数据分析可以为公司提供相当多的客户和业务。例如，分析结果可能表明销售人员必须打多少电话才能获得潜在客户的审查服务或某种产品是否将在几个月内成功上线。

在这些数据驱动的环境中公司可能会蓬勃发展，但是也可能遇到重重阻碍。处理来自多个位置和在不同的格式的大量数据本身就是一种挑战，使用实时信息实际上更加困难。

在任何依赖数据获取信息的过程中，企业做出的决策取决于信息的质量。糟糕的或不完整的信息将会导致错误的预测和误导性的描述。

数据质量问题建立在分析模型做出的假设之上。比如某预测模型用于明年的营销预算，模型力求提高营销支出的效率，将客户分成三组：只有看到广告才购买的客户，无论如何都会购买的客户和从不购买的客户。营销者可以在第一组客户身上花费更多的时间和资源，针对其他组投入太多其实就是浪费。

但是如果客户资料不正确怎么办？比如“无论如何都会买”的这一类客户是基于错误的信息，如品牌忠诚度，并且没有竞争优势的技术？这样的错误会毁了一个营销活动，无论预测分析做得多好。

将假设纳入模型之前，应该对每一个假设进行测试。确保那些通常认为“理所当然”的商业真理确实靠谱。

关于建立模型。企业应该明确如何有效地组织自己的活动。沿用前面的示例，假设数据显示营销花费减少并且销售状况有所改善。

一个可量化的改进的确不错，但是在分析方面真正的成功应该将实际提高情况与可能的提高量比较。销售数量上升而营销成本下降说明：这个过程是朝着正确的方向前进。否则企业仍然不能进行有效的分析。

评估缺失项时，具体目标需要定义建模过程。例如，如果一个食品经销商想在未来一年将销量提高8%，首先需要参考目前销售数量并和过去做比较，例如五年预测的目标是否有可取之处。

数据质量和预测结果得以保证，分析过程也得到持续改进。