摘要：大数据将组群分析和回归分析等较常用的工具交到日常管理人员手中，然后他们可以使用非交易数据来做出战略性的长期的业务决定。

　　越来越多的数据流被放到网上，人们将其整合到现有的BI、CRM、ERP和其他关键业务系统，预测分析最终将成为关注的焦点。虽然大多数客户服务代表和现场销售代表还没有感受到这种影响，但IBM和Micro Strategy等公司已经开始行动。
　　
　　大数据：预测分析不再是统计学家的特权
　　
　　大数据将组群分析和回归分析等较常用的工具交到日常管理人员手中，然后他们可以使用非交易数据来做出战略性的长期的业务决定。但大数据并不是要取代传统BI工具，Gartner研究公司的BI分析师RitaSallam表示，大数据将让BI更有价值和更有利于业务发展。
　　
　　但是这具有相关性，并不存在因果关系。如果你更加仔细地查看---使用从BI工具收集到的历史交易数据，你会发现，实际上是因为最新商家定位活动造成了这样的结果，因为商家将目光都放在红色钱包上。这也是为什么IBM公司的新兴技术主管DavidBarnes更倾向于参考来自大数据技术(例如Hadoop、map/reduce等)的结果。
　　
　　分析社交媒体中的非结构数据能够获得直接回报
　　
　　社交媒体存在很大的商机。如果没有预测分析(PA)，你很可能错过这个机会。我们需要结合开源技术(大多数大数据平台都源自开源)、摩尔定律、商品硬件、云计算以及捕捉和存储大量非交易数据的能力来实现预测目的。
　　
　　通常被认为是大数据背后的驱动力的非结构化数据几乎没有参与这一过程。你可以刷博客和用户论坛，然后将这些信息与地理数据相关联，并结合现有结构化客户数据，这样你就获得了强大的预测能力。BI供应商MicroStrategy公司的行业营销主管P.K.Paleru表示，大数据已经发生了两件事情，“你可能给结合不同来源的各种类型的数据，你还可以对所有这些数据进行微优化。”
　　
　　缩短大数据分析时间
　　
　　这种分析的一个很大优势在于缩短“回答时间”(TTA)，数据科学家曾经需要花几个月时间来建立查询或者模型以回答关于供应链或生产计划的前瞻性业务问题，现在只需要几个小时就可以完成。这是因为大数据技术允许信息在被优化或者关系化之前进行分析。再加上高级分析技术，让业务经理在非常短的时间内询问和回答问题，不过，现在仍然需要IT员工和数据建模人员伸出援助之手。
　　
　　而在不久前，这几乎是不可能实现的，统计分析师需要数周甚至数月来建立单个模型。如果你销售100个产品，你的整个产品线不可能超过1000个模型，这意味着这些模型返回的信息并不是很准确。
　　
　　大数据分析的黄金时期还未到来
　　
　　虽然这一切让业务用户感到激动，但是大范围普及大数据分析技术并不会那么快发生。Hadoop虽然很强大，仍然只是用于处理海量数据集的“原始”工具。“存在大量的重复的数据，”Barth表示，如果你想要正确地进行分析，“你仍然需要聪明的分析师”，幸运的是，大数据为他们提供了非常强大的工具。
　　
　　责任编辑：余芯