描述性分析功能强大，预测分析也十分出色。至于规范分析，也许使用起来有些无聊，但却在改善企业运营上意义非凡。

描述性分析最先出现在人们的视野中，这种数据分析方法能够巧妙地分析大量与客户、产品、和财务相关的数据，让企业在这些数据上获得更为深刻的见解。而预测分析的出现可以帮助我们更好地理解“接下来要发生什么”，它具有较高的准确性和较细的粒度，让企业可以最大限度地利用时间，进行更为有效的投资规划，以达到令人满意的预期。

接下来是规范分析：一种与结果相关的技术。它不是那么直观，不那么容易使用，而且它带给企业的信息也许并不都是我们想要的。描述性和预测性分析的结果可以为企业决策提供可用数据，这无疑是一件好事，它能够帮助企业对正在发生的事情有一个明确的认知。但规范性分析结果则更进一步，它告诉我们下一步该怎么做，这使得规范性分析在推动企业发展层面与其他分析同等重要。

规范性模型不只是给参与决策过程的人提供信息，它本身就属于决策过程。它能够阐明最好的结果，对于那些不愿意将决策行为交给机器的人来说，这样的结果将更具有说服力。

在不断变化的规则下随机应变

规范性模型还需要详细的框架或规则，以产生最符合企业利益的结果。当应用规范分析时，其分析过程本身需要包括尽可能多的信息，企业需要创建一个框架，解释规范性分析的结果，该框架需要构建在业务规则上。

定义企业运营行为的业务规则能够帮助企业评估规范性推荐对企业运营、效率和利润的影响。预测结果要符合企业制度，价值观和目标。这些规则建立在既定政策、最佳实践、内部和外部约束、本地和全球目标等基础之上。它们能衡量规范性推荐和预期成果的实际效用。

构建这些规则可能是一个十分耗时费力的过程，这个过程中，企业需要十分谨慎，它需要各个部门的参与。然而，最艰难的工作还在后面。

规则必须是动态的，有组织的，在某种程度上，它应该是易变的。那些依赖分析的企业应该时刻遵循现实世界的客观数据现实。基于数据的企业必须随着数据的变化不断演变。驱动规范性流程分析的业务规则也必须随之改变。因此，规范性过程和既有的成果必须反馈到规则上，推动规则的演变。

印第安纳州南部的一家电子制造商将上述想法付诸实践，使用规范性模型来优化客户合同。虽然它的总部设在美国，但其大部分生产设施都位于其他洲。在其他国家进行生产和产品交付的能力受到了多方面因素的影响，包括原材料的波动性，经济环境对物流和雇员流动的影响等。因此，用于公司合同评审过程的业务规则对分析的准确性来说是至关重要，它必须经常调整。

数据多样性

另一个艰巨的挑战来自于规范化过程数据的多样性。描述分析和预测分析过程中使用的是精挑细选的格式化数据。规范性分析流程必须模拟来自企业内部和外部的不同事实、特征和事件。这就是所谓的环境数据，它可能十分混乱，因为这些数据可能由非结构化数据和多源数据组成，这些多元数据可能包括互联网上的帖子，视频，以及各种自由格式的文本等。

对不同的数据进行整理和分类的工作是十分繁琐且耗时的，范化分析组件可能是其中最令人厌烦的部分。捕获和格式化这种数据是实施规划化分析的主要障碍，这个过程不可或缺。它是影响建模解决方案好坏的决定性因素。

医疗保健行业一直是使用规范性建模解决方案的领导者。服务提供商对效率的需求比以往任何时候都要迫切，因为近年来医疗保健领域正在发生翻天覆地的变化。如何合理优化物流和资源，是影响医疗服务质量的关键因素。该模型包括大量的环境数据，包括细粒度的人口统计，地区人口健康趋势，以及在国家或地区的经济状况。通过使用该模型，许多医疗保健服务提供商得以调整短期和长期的投资计划，以便提供最佳的服务。

规范性分析关闭了大数据循环。它是描述分析和预测分析的终点，虽然对于规范性分析，目前众说纷纭，但肯定的是，数学上的创新，深刻的数据认知，以及锲而不舍的努力，都是实现规范性分析必不可少的要素。