很久很久以前，认真处理数据并对其进行分析是决定企业生死的关键要素。然而现在，情况却已经变了。
通常来说，分析技术会对运营提供支持、推动流程的进行并对决策进行辅助。分析生成的报告能够帮助企业追踪销售表现、流失规模等等数据。对战略和战术的评估与调整对于帮助企业按照计划方向的发展来说非常关键。
但麻烦的是这些分析都是些“事后诸葛亮”，分析模型只能告诉我们过去的一段时间里都发生了什么，我们只能利用历史表现的报告作为决策制定的基础，由此决定未来的规划与投资。
这种方法在相对稳定的市场中是行得通的。但我们现在所处的世界里充满了未知与变化，企业间差异化(甚至决定企业生存)的关键还需着眼未来——尝试去预测未来的情景，做出能够带来稳定发展未来的决策、为计划上线的活动做足准备、在必要时进行重新调整。
摘掉有色眼镜
数据的质量决定着预测的质量：基于传统的交易数据源，我们只能做出有限的预测;但如果拥有除了交易数据以外的所有数据呢?例如如果有了客户流失数据，我们就能建立模型，预测客户随着时间推移将会产生的消费，了解客户的消费额是否出现了下滑或波动、了解他们目前持有多少产品。但在整个消费过程中，我们对客户交互与行为的了解还很匮乏，什么时候客户会打电话给呼叫中心或产生负面评价、客户是否会在下单前需要辗转数个平台才能完成交易……这些客户与网站的交互行为能够展现更突出的图景，它们比许多传统的客户数据更有信息量。
在具体情景中运用分析技术
那么问题就在于我们应该如何利用这些交互数据?这些数据的格式、种类五花八门、复杂程度高低不齐，一刀切地利用同一种分析技术是再也行不通的。
为了有效利用起呼叫中心记录数据，我们必须具有文本分析和语义提取技术;为了以数字化的形式解读客户旅程，我们必须具有路径分析技术;再利用归因策略进一步分析消费者在不同渠道间的切换。此外，图谱分析技术还能帮助我们了解消费者是否会被其社交网络中的其他家人或朋友所影响。
这一系列的分析技术能为我们提供有关客户行为和交互的新一组变量，这些数据最终都会流到预测模型中。现在，我们的模型已经了解了客户会被何种因素影响、客户的感受、举动及客户对品牌的体验如何。这样一来我们也就脱离了描述性的客户视图，而转向了情景式的客户洞察。
分析型的变革者
在进行分析技术和模型优化时，我们采取的传统方式通常是针对投入变量进行一次次小规模、逐渐累积的变化。这种方式能够带来的进步和改善过程是非常缓慢的，所以我们希望通过投入新的知识和分析技术改变这种局面。
多类型分析能够帮助我们从新型数据和传统数据中共同提取价值，加强我们对客户、产品、交互行为及其他关键事件的了解;相应地提升分析技术的成熟度，基于更广泛的数据带来更令人信服、更给力的分析结果。
