什麼是分析？
企業分析著重於資料的商業影響，以及應採取的決策和行動。
分析概覽
公司、員工和事物每天都會產生大量的資料。在 24小時內，我們總共發送了 2940 億封電子郵件和 5 億條推文。我們在 Google 中進行 35 億個搜尋，我們的互聯汽車產生四兆位元組的資料。即使是我們的手錶、冰箱和電視，也在不斷創造和分享資料。
這些資料都是可用於推動爆炸性業務成長的潛在洞察，找出這些洞察則相當具挑戰性，這也是分析技術發揮作用的地方。
分析的基本定義
分析是一個電腦科學領域，它運用數學、統計和機器學習來找出有意義的資料模式。分析（或資料分析）透過篩選大量資料集，以探索、解讀並分享新的洞察與知識。
什麼是企業分析？
簡而言之，企業分析是應用至企業資料的分析。它著重於資料的商業影響，以及應採取的決策和行動。
企業分析的重要性
如今，企業分析軟體的使用往往是區別行業贏家與失敗者的決定因素。頂尖公司運用分析功能即時監控並優化從行銷到供應鏈等各營運層面。他們使用分析技術協助他們快速制定資料導向的決策、增加營收、建立新的商業模式、提供五星級的客戶體驗、強化員工、掌握競爭優勢等。無分析能力或缺乏良好分析能力的企業，只能只憑直覺和經驗來進行決策與業務。
94
%
的企業表示分析對其成長和數位轉型很重要1
59
%
的公司目前正在使用進階和預測分析1
65
%
的全球企業計劃在 2020 年1增加分析支出
四種分析類型
基於價值和複雜性的四種分析類型
- 敘述性分析 敘述性分析能針對「發生什麼？」此問題提供解答。此簡易分析形式使用基本數學（例如平均值和百分比變更）來顯示業務中已發生的狀況。描述性分析也稱為傳統商務智慧（BI），是分析流程的第一步，建立得以進一步調查的起始點。
- 診斷性分析 診斷性分析能解答「為什麼會發生某事？」的問題。它將敘述性統計更進一步，使用資料探索、下展和相關性等技術，深入探討資料並辨識事件和行為間的根本原因。
- 預測分析 預測分析針對「未來可能發生的情況」提供答案。此進階分析使用描述性和診斷分析的發現，以及先進的預測模型、機器學習和深度學習技術來預測未來會發生什麼事。
- 指示性分析 指示性分析能回答「我們應該採取哪些行動？」的問題。此先進分析類型建立在敘述性、診斷性和預測性分析的發現之上，並使用進階的工具和技術來評估可能決策的結果，以確認情境中最佳的行動方案。
顯示不同產線銷售資料的分析軟體。
企業分析的常見元件
企業分析是有許多不同的元件和工具的廣泛領域，最常見的包括：
資料採集：資料採集使用統計分析和機器學習演算法來篩選大型資料庫、分析多角度的資料，並辨識先前未知的趨勢、模式和關係。
大數據分析：大數據分析採用包括數據採集、預測分析和機器學習等先進技術，分析資料庫、資料倉儲及 Hadoop 系統中大量結構化和非結構化資料集。
文字採集：文字採集探索用於定性和定量分析的非結構化文字資料集，例如文件、電子郵件、社群媒體文章、部落格評論、客服中心腳本和其他以文字為基礎的來源。
預報和預測分析：預報採用歷史資料來預估未來結果，預測分析則使用進階技術來判斷這些結果發生的可能性。
模擬和 what-if 分析：建立預報和預測後，模擬和 what-if 分析可先測試不同情境，並將潛在決策在執行前優化。
資料視覺化並讓數據說話：運用圖表及圖形將資料視覺化，可讓您輕鬆了解和傳遞趨勢、異常值和資料模式。這些視覺化可以相互連結，以呈現更豐富的資料洞察並引導決策。
分析軟體顯示付款逾期的前 100 名客戶。
分析範例
從零售業、醫療保健業到體育產業，所有規模的企業都能使用分析功能。許多分析解決方案都專為產業、特定目的或業務別量身打造。以下提出眾多範例中的部分範例：
財務分析
傳統上，財務分析用於產生標準報表。但現在財務部門已在企業中擔任策略性角色，因此財務分析也隨之演進為將財務和營運資料與外部資料來源結合，以因應各種業務問題。這些業務問題包羅萬象，包括「我們投資的是正確的機會嗎？」及「我們未來的利潤將如何受到我們今天所做決策的影響？」等問題。
分析軟體可用於財務結算（如上述損益表所示）。
行銷分析
行銷分析會連結社群媒體、網路、電子郵件、行動等多重管道的資料，提供行銷人員關於計畫執行的全面洞察。使用者可以採集數百萬列資料，藉此改善行銷活動的效益、將行銷訊息超個人化、分析社群媒體上的情緒、精準鎖定潛在客戶等等。
供應鏈分析
電子商務的爆發、市場波動加劇、全球化等力量使得供應鏈變得極其複雜。供應鏈分析可協助企業避免業務中斷、維持貨物流動並改善供應鏈的彈性及靈活度。它們使用各種來源的即時資料（包括物聯網感測器），從採購、生產和庫存到運輸和物流等，將各個環節最佳化。
現代分析技術
幾乎無限制的資料儲存及快速的運算速度開啟了人工智慧（AI）及機器學習的時代。這些技術都是「強化」預測分析，使其強大的功能性更勝以往。
人工智慧及機器學習分析可以偵測模式、尋找異常值，並以先前無法達到的速度及準確性將大數據資料互連。透過雲端，它們可以從更多來源（包括社群媒體和物聯網感測器）挖掘更多資料，並找出潛在的洞察、商機和風險。
機器學習演算法將分析流程中最複雜的步驟自動化，如此一來不僅是資料科學家，連相對缺乏訓練的商業使用者也能運用進階和預測分析。自然語言處理（NLP）是讓自助服務更進一步的人工智慧，使用者可透過簡易、對話的方式詢問商務問題並取得解答，就像在 Google 中輸入查詢或向 Siri 提問一樣。
當然，這些功能都適用於行動裝置，讓使用者隨時隨地都能取得在 Ad Hoc 查詢的解答。