快到星期二晚餐时间了，但是食品室空了，这意味着要去商店。你可以出发并期待灵感会突然降临，抓住原料，希望一切都可以恰到好处。这是一种昂贵的购物方式，一种不太有条理的烹饪方式，并且结果是不确定的。或者，你可以选择一个食谱，从货架上选择合适的原料，按照说明，做一顿晚餐。效率高，浪费少，而且结果或多或少都是肯定的。 也许数据分析似乎和星期二晚上的晚餐相差甚远，但请听我说完。从本质上讲，许多企业面临着类似的问题，例如保持客户满意。为什么每个人从一开始都必须通过数据分析来解决这些问题？这就是产品化数据分析方案背后的想法。例如，如果您需要关于客户放弃购物的分析，那么如何知道需要什么数据呢？一些公司试图自己弄清楚，其他公司则采取更直接的途径，去找那些以前做过这种事情的人，找出相关的原料和方法。例如，您需要支付历史记录、下载历史记录、意向简介、订阅者信息和营销联系历史。这些数据元素与业内验证的算法相结合产生了结果。 换句话说，这些重要的数据分析可以作为完全产品化的“开箱即用”的解决方案，能够加快实现价值的时间，降低风险，减少资源需求。当你知道配料和配方时，你对自己及时获得结果的能力就更有信心。 顾客满意度是数据分析的很好例证，它对很多企业来说都非常珍贵，也是更加需要产品化数据分析的领域。通过整合一套预设的多类型分析，你可以探索他们对顾客情绪的正面和负面影响。你不需要创造这个系统来获得每个客户的可操作的满意度指数。 通过观察客户在企业所提供的所有渠道中都会体验到的事件，将开启一个试验过的真正的方法。顾客在他们的移动设备上购物吗？他们去购物中心买东西了吗？是否有一个事件促使他们向呼叫中心投诉？客户的电话掉线了吗？客户是否与网站互动，以何种方式访问支持信息或产品信息，或阅读有关终止订阅的常见问题？ 这是一个在许多行业出现的类似的模式。客户通过不同的渠道进行交互，创造出数以百万计、甚至数十亿的事件，从这些事件中，企业可以动态地衡量顾客满意度，并发现负面或积极的趋势。这些满意度指数，反过来也可以补充传统的、季度性等指标，如净推荐值。 实时的、产品化的分析通过整合正确的数据，以及文本、路径、图形和统计分析等算法的数据模型，能够使企业快速扩展理解。这些分析可以每天大规模地运行来揭示独特的模式，而这些模式可以直接投入业务活动中以减少顾客流失，使您能够完成销售、交叉销售，并且扩大业务。 最重要的是，这些分析以前已经做过了，并且可供咨询参考。 “大”经常是数据分析，例如大数据、大项目、大见识、大动作中的可操作词。虽然也可以假设企业希望看到大的结果，但我们并不总是需要大的努力和大的实验。快速结果经常更可取。如果你能找出成功与具体的业务效益实现明确的标准，产品化的分析方法可能是成功的秘诀。最重要的是，它使企业有机会了解这些复杂的分析并同时得出结果。产品化的分析不仅是你安装的产品，这种分析提供通过分析解决具体问题的方法。当你在数据分析的厨房中变得更加熟悉和灵巧时，就可以开始把这个基础推向新的方向。