企业管理大数据分析方法罗列

实际上，站在企业管理角度看问题比站在管理角度看HR本身更有挑战，商业环境的复杂性超乎我们的想象，抽丝剥茧归纳出的静态结论往往仅体现了高超的归纳整合能力，缺乏预测性的理解是战略家们转型的命门所在。

前几天有一则新闻，谈到是十三五规划的启动，公开招标研究25个关键课题。第一个是国际环境变化对我国发展的影响。之后分别是经济、创新、教育、消费...，其中逻辑值得多一层思考。HR的转型突破，避免静态，需要了解从公司的动向的一阶分析中找二阶动力，企业战略的制定要从社会与经济发展中找一阶目标差距和二阶竞争力，国家亦如是。

说到二阶动向，不得不谈数据分析信息处理，科技进步推动思想进步，科技变革推动思维变革，带来管理转型。体现在商业管理中，数据与信息的价值深不可测，大数据带来的商业变化已在近两年内受到前所未有的重视，只是，从认知到行动，到结论，到商业转化，我们没有迈开步子。

数据分析的方法决定了信息本身是否有价值，分析方法的理论主要包括五个基本方面，我用通俗的语言做一个解释：

DataQualityandMasterDataManagement(数据质量和数据管理)：通过过程管理，类似考核与改进，确保好的结果，控制对最佳实践的偏离。

AnalyticVisualizations(可视化分析)：直观的展示数据，让数据自己说话，让观众自己看到结果，看所关注的信息。

SemanticEngines(语义引擎)：非结构化数据的多样性带来了数据分析的新的挑战，语义引擎需要被设计成能够从“文档”中智能提取数据和信息。

DataMiningAlgorithms(数据挖掘算法)：可视化是给人看的，数据挖掘就是给机器看的，深入数据内部挖掘价值，要有足够的数据，还有足够的数据处理速度。

PredictiveAnalyticCapabilities(预测性分析能力)：在可视化和数据挖掘基础上，作出判断和预测。

大数据处理数据时代理念有三个转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。

根据一个显而易见的流程，我们可以将大数据分析和商业能力发挥归纳为四个核心要素：

来源：从哪来很重要，会遇到诸多问题甚至是很大的难度。从那里获取以及获取的流程，这需要一个设计的过程，这样的一个转变往往要比想象的复杂，很多企业花了一到两年的时间，就是在解决数据来源的问题。我的理解是，要有广泛的来源，不能全部从定义框架中抓取，如企业内部制定50个关键数据指标，但实际上，问题往往处在你关注的内容之外。

技术：技术手段推动数据的分析能力和运算速度，必须要利用数据平台，这是企业管理信息系统产品的竞争力之一，企业在选择供应商时，需要重点注意数据分析模块以及功能，包括可定制性，或系统之外的顾问服务等增值服务。

挖掘：借助技术手段，就可以整理、提炼、分析和总结数据内容，展开价值挖掘，定义框架是很有必要的，数据和信息此时要靠边，让管理的专业人员提出数据的要求或参与数据分析，因为真正的管理结论才是重要的。

应用：这是数据价值转化的关键，我们需要将前面数据分析的三个过程，融入管理行动与改进循环。