Η χρησιμότητα οποιουδήποτε τύπου δεδομένων ή πηγής δεδομένων εξαρτάται από τον τύπο των αναλυτικών στοιχείων που εκτελούνται. Για ορισμένες επιχειρήσεις, η ανάλυση δεδομένων λειτουργεί ως εργαλείο συλλογής πληροφοριών σε πραγματικό χρόνο και μέτρησης επιδόσεων. Μια άλλη επιχείρηση μπορεί να χρησιμοποιήσει καθαρά περιγραφικά στοιχεία ανάλυσης που επικεντρώνονται στο προσδιορισμό του προφίλ, στην κατάτμηση και στην αναγνώριση των καταναλωτών. Μια πιο φιλόδοξη εκδοχή της ανάλυσης δεδομένων ασχολείται με τη μετατροπή των δεδομένων σε προβλέψεις - ζητώντας όχι μόνο τι είναι, αλλά τι θα είναι. Η ταχύτερα αναπτυσσόμενη εφαρμογή των δεδομένων στην επιχειρησιακή ανάλυση είναι γνωστή ως βελτιστοποίηση, όπου συγκρίνονται διαφορετικοί τύποι δεδομένων για να μεγιστοποιηθεί η αποτελεσματικότητα των στοχοθετημένων αποτελεσμάτων.
Τα δεδομένα είναι σημαντικά όταν έχουν βελτιωθεί σε ένα χρήσιμο εργαλείο. Για να το θέσουμε σε προοπτική, σκεφτείτε τα μη επεξεργασμένα δεδομένα σαν να ήταν ακατέργαστο πετρέλαιο: είναι δυνατή η συλλογή τεράστιων ποσοτήτων δεδομένων, αλλά πρέπει να μετατραπεί σε χρήσιμο προϊόν για να είναι πολύτιμο από οικονομική άποψη. Η εφαρμογή πρέπει να εξαχθεί από τα δεδομένα. Ο ρόλος των επιχειρηματικών αναλυτικών στοιχείων είναι να βελτιώσουν τα δεδομένα.
Εξετάστε το ακόλουθο παράδειγμα: Η εταιρεία ABC πωλεί αυτοκίνητα παιχνιδιών. Η διοίκηση αποφασίζει ότι θέλει να κατανοήσει τη δυνητική αγορά της, αλλά δεν μπορεί να αποφασίσει ποιο είδος δεδομένων θα συλλέξει. Πρέπει να εξετάσει τα πρότυπα αγοράς σε πραγματικά αυτοκίνητα; Πρέπει να λάβει έρευνες για τα αγαπημένα χρώματα παιχνιδιών για παιδιά; Πρέπει να εξετάσει την εθνικότητα, τη θρησκεία, το φύλο ή το εισόδημα στην αγορά-στόχο;
Η εταιρεία ABC πιθανότατα δεν θα ξεκινήσει να συλλέγει δεδομένα σχετικά με τις συνήθειες των πελατών της για φαγητό. Δεν φαίνεται να υπάρχει μεγάλη συσχέτιση μεταξύ των τραπεζών και των αγορών παιχνιδιών αυτοκινήτων. Ακόμη και αν οι εργαζόμενοι της είχαν αξιόλογα εργαλεία στατιστικής μοντελοποίησης και μπορούσαν να εκτελούν σύνθετες οικονομετρικές μελέτες, τα δεδομένα αυτά είναι απίθανο να είναι σημαντικά.
Τα πιο σημαντικά δεδομένα είναι τα δεδομένα που παρέχουν το μεγαλύτερο ανταγωνιστικό πλεονέκτημα. Τα στοιχεία εξόρυξης και ραφιναρίσματος δεν είναι μια διαδικασία χωρίς κόστος. Οι επιχειρήσεις θα πρέπει να αναζητήσουν στοιχεία που να παρέχουν την υψηλότερη απόδοση στην επένδυσή τους για επιχειρηματικές αναλύσεις.
