Nyttigheten av hvilken som helst datatype eller datakilde avhenger av typen analyse som utføres. For noen virksomheter fungerer dataanalyse som et verktøy for sanntidsinnsamling og ytelsesmåling. En annen virksomhet kan bruke rent beskrivende analyser som fokuserer på profilering, segmentering og forbrukeridentifikasjon. En mer ambisiøs versjon av dataanalyse er opptatt av å transformere data til spådommer - spør ikke bare hva som er, men hva som vil være. Den raskest økende bruken av data i forretningsanalyse er kjent som optimalisering, der forskjellige typer data sammenlignes for å maksimere effektiviteten i målrettede utfall.
Data er viktig når de har blitt foredlet til et nyttig verktøy. For å sette dette i perspektiv, tenk på uraffinerte data som om det var uraffinert olje: det er mulig å samle enorme mengder data, men det må transformeres til et nyttig produkt for å være verdifullt i økonomisk forstand. Søknad må trekkes ut av dataene. Forretningsanalysenes rolle er å avgrense dataene.
Tenk på følgende eksempel: Company ABC selger lekebiler. Ledelsen bestemmer at den vil forstå det potensielle markedet, men kan ikke bestemme hvilken type data de skal samle inn. Bør det se på kjøpemønster i ekte biler? Bør det ta undersøkelser av favorittleketøyfargene for barn? Bør det se på etnisitet, religion, kjønn eller inntekt i målmarkedet?
Selskapets ABC ville sannsynligvis ikke begynne å samle inn data om forbrukerens spisevaner. Det ser ikke ut til å være mye sammenheng mellom kjøp av bespisning og lekebil. Selv om de ansatte hadde bemerkelsesverdige verktøy for statistisk modellering og kunne utføre komplekse økonometriske studier, er det usannsynlig at disse dataene er viktige.
De viktigste dataene er dataene som gir størst konkurransefortrinn. Gruvedrift og foredling av data er ikke en kostnadsfri prosess. Bedrifter bør se etter data som gir høyest avkastning på investeringen i forretningsanalyser.
