1.2　应用新技术取得规模化成果

几乎没有什么领域正经历像大数据分析这么多的创新和投资。贯穿数据分析生态系统的新工具和改进后的手段有可能取得规模化效益。在我们看来，有三方面尤其值得圈点。

首先，以数据分析为基础的软件和服务提供商开始提供有针对性的解决方案，帮助客户更直接、更快地对底层业务产生影响。一批新兴的数据分析专家针对特定使用场景建立有针对性的模型。这些模型聚焦在业务上，并且能够迅速实施。我们可以看到，它们已经成功地应用在了很多领域，比如物流、风险管理、定价、人事管理，不一而足。这些针对性的解决方案已经在几十家公司实施，也更容易部署和展开。整体来看，这些有针对性的应用会提升管理层对进一步投资数据分析获得大规模应用的信心。尽管公司仍然需要企业文化上的转变和实施上的强推，但是这些针对性的工具的出现推动整个流程前进了一大步。

其次，新的自助服务手段也使商业用户在数据分析方面增强了信心。在数据分析的世界里，低门槛“民主化”—也就是人人可用，已成为吸引眼球的热门词汇。使数据分析从统计专家的专利变成大批一线用户人人可用的工具，是规模化应用的重要手段。一线用户不需要知道其中任何一行代码，就可以通过新的技术手段连接不同的数据库（包括公司之外的数据库）进行预测分析。同时，可视化工具能够让业务部门的用户掌握分析工具，使不同维度的数据分析简单化，为解决业务问题定义数据需求，并为决策提供支持。美国运通公司、宝洁公司和沃尔玛等公司已花费不菲的投资建设这类工具，来降低数据分析的使用门槛。

实践经验（早期在专家的指导下）帮助人们逐渐习惯于运用数据。这有助于帮助他们树立信心，并且随着时间的推移，扩大利用数据解决问题和支持决策的规模和范围。比如，某个硬件技术公司部署了一套自助分析和可视化的工具，以改进销售部门的决策。这个新的平台帮助公司进行客户分析，并更好地鉴别销售和合同更新的时机。这些工具的使用已经使该技术公司从支持和售后服务合同中获得了超过一亿美元的收益。

最后，流程和决策的自动化也变得越来越容易了。技术的进步使我们在进行海量实时数据处理和分析的同时，可以获得更多的实时数据（例如，通过传感器）。这些进步为自动化和机器学习开辟了新的可能性，以前只有最领先的企业才拥有自动化和机器学习的能力。比如，某保险公司已经在利用数据分析进行索赔申请的定损方面迈出了一大步。自动化系统实时地将一个申请和数百万条的索赔记录做比较，从而自动定损，降低了人为干预，大大节约了人力资源。另一个数据分析项目能大大提高搜索引擎自动优化配置，预测对指定企业进行网络营销哪些内容类型更有效，并自动提供相关内容吸引其客户。