Användbarheten för vilken datatyp som helst eller datakälla beror på typen av analys som utförs. För vissa företag fungerar dataanalys som ett verktyg för realtids intelligensinsamling och prestandamätning. En annan verksamhet kan använda rent beskrivande analyser som fokuserar på profilering, segmentering och identifiering av konsumenter. En mer ambitiös version av dataanalys handlar om att omvandla data till förutsägelser - frågar inte bara vad som är, men vad som kommer att bli. Den snabbast stigande tillämpningen av data i affärsanalys kallas optimering, där olika typer av data jämförs för att maximera effektiviteten i riktade resultat.
Data är viktiga när de har förfinats till ett användbart verktyg. För att sätta detta i perspektiv, tänk på orraffinerade data som om det var orraffinerade olja: det är möjligt att samla in enorma mängder data, men det måste förvandlas till en användbar produkt för att vara värdefull i ekonomisk mening. Ansökan måste extraheras ur uppgifterna. Affärsanalysens roll är att förfina data.
Tänk på följande exempel: Företag ABC säljer leksaksbilar. Ledningen beslutar att de vill förstå sin potentiella marknad, men kan inte besluta om vilken typ av data som ska samlas in. Bör det titta på köpmönster i riktiga bilar? Bör det ta undersökningar av favoritleksaker för barn? Bör det titta på etnicitet, religion, kön eller inkomst på målmarknaden?
Företag ABC skulle förmodligen inte börja samla in uppgifter om konsumentens matvanor. Det verkar inte vara så mycket samband mellan restauranger och bilköp av leksaker. Även om dess anställda hade anmärkningsvärda statistiska modelleringsverktyg och kunde utföra komplexa ekonometriska studier, är dessa uppgifter troligtvis inte viktiga.
De viktigaste uppgifterna är de uppgifter som ger den största konkurrensfördelen. Bryta och förädla data är inte en kostnadsfri process. Företag bör leta efter data som ger den högsta avkastningen på deras investeringar i affärsanalys.
