奇異公司（GE）擁有120 年歷史，旗下各個製造事業部，目前正逐漸成為資產
與營運最佳化服務的供應商。隨著感應器從渦輪機、機車、噴射引擎和醫療
影像設備匯入資料流，奇異可為這些機器決定最有效率及成效的服務間隔（service
interval）。如今它賣技術給其他工業公司，用來管理巨量資料和分析；並依據巨量資
料的概念，創造了新的技術服務。
優比速（UPS）從1980 年代就開始追蹤包裹的移動和處理，它的巨量資料來源，
是裝在4.6 萬輛公司卡車上的車載資訊通訊（telematics）感應器，一波波傳入的資
料不僅顯示日常績效，也作為行車路線重大重新設計的參考。這個重新設計路線的
計畫稱為ORION，2011年ORION 為司機減少了8500 萬哩的行車路程，從而節省
了超過840 萬加侖油料。
這兩個實例的共同點，是公司管理階層決心用分析學來競爭，這不僅有傳統
上的意義（改善內部經營決策），也藉此創造更有價值的產品和服務。
如今，如果你的公司製造東西、運送東西、消耗東西，或是與客戶合作，你
會有愈來愈多有關這些活動的資料。你有能力分析這些資料集，為客戶與市場
帶來好處；你也有能力把分析學和最佳化（optimization），納入第一線營運人
員的每個商業決策中。這正是分析學3.0 的精髓。
所謂分析學3.0，是我們認為現已度過運用分析學的兩個時代：「分析學1.0—巨量資料之前（BBD,before big data） 和「分析學2.0—巨量資料之後」（ABD, After big data）。現在，我們察覺到另一種轉變，那是影響廣泛的根本改變，因此可以稱為「分析學3.0」。簡單來說，那是一種新的決心，要把強大的資料收集與分析方法，不只應用在公司的營運上，也用在產品與服務上，也就是把資料智慧納入顧客購買的產品與服務中。
利用分析學3.0 的10 個要件
這種策略焦點的轉變，意味著分析學在企業內有了新角色。企業必須看出許多相關的挑戰，並且以新的能力、位置和優先要務來因應。
要件1：多種類型的資料，通常是合併的
組織將需要整合公司內外的大量與少量資料，並以結構化和非結構化的格式，在預測式和規範式模型中產生見解：能告訴第一線工作人員，如何把他們的工作做到最好。例如，美國施奈德物流公司（SchneiderNational）把來自新感應器的資料，增加到物流最佳化演算法中，以便監控燃料水準、貨櫃位置和容量、司機行為等關鍵指標，穩定提高行車路線網的效率、降低燃料成本，並減少發生事故的風險。
要件2：一組新的資料管理選項
在1.0 時代，企業以資料倉儲為基礎進行分析。在2.0 時代， 他們聚焦在Hadoop 群集（cluster） 和NoSQL 資料庫。今日的技術答案是「以上都包括」：資料倉儲、資料庫和巨量資料裝置、結合傳統資料查詢做法與Hadoop 的環境（有時被稱為Hadoop 2.0）、垂直與圖形資料庫等。資訊技術架構師必須對資料管理做出選擇，這些選擇的數目與複雜度都大增，結果，幾乎每個組織都有混合的資料環境。
要件3：更快的科技和分析方法
從2.0 時期開始，巨量資料科技比前幾代的資料管理與分析技術快得多。為配合這些技術，企業運用新的「敏捷」（agile）分析法與「機器學習」技術，以更快的速度產生見解。3.0 時代面臨的挑戰，是調整營運、產品開發和決策的流程，以利用新科技與方法帶來的好處。
要件4：嵌入式分析學
分析學3.0 的各種模型，往往被嵌入營運和決策流程，大幅提高流程的速度與影響。例如，寶僑公司（P&G）正透過超過50 個「業務範圍」（businesssphere）決策室，以及5 萬多個在員工電腦上的「決策艙」（decision cockpit），來整合日常管理決策的分析。
要件5：資料的發現
若要以資料為基礎而開發產品和服務，企業需要一個有力的發現平台，進行資料探索，以及開發必要的技能和流程。對許多組織來說，資料倉儲已成為生產資料（production data）的儲存庫，發現資料平台提供的環境，讓企業不必做太多準備，就可以決定資料集應有哪些必要功能。
要件6：跨學科的資料團隊
在網路公司和巨量資料新創公司，資料科學家往往能包辦一切工作，或至少獨立性很強；然而，在較大、較傳統的公司，他們必須與其他許多不同類型的人員合作，以確保巨量資料獲得相稱的巨量分析。如今公司雇用擅長擷取並組織資訊的資料駭客（data hacker），與擅長建立模型的分析師合作。
這兩組人員都必須和資訊科技部門合作，後者提供巨量資料和分析的基礎架構，提出一些平台讓這兩組人員在其中探索資料，並將探索性分析轉化為生產能力。這些人員合組的團隊，負責完成分析所需的一切工作，成員的角色常會重疊。
要件7：設置分析長
分析學如此重要，需要高階主管的監督。企業已開始設置分析長（chief analytics o cer）的職務，以監督分析能力的建立與運用，例如美國國際集團（AIG）、歐巴馬競選連任活動、富國銀行（Wells Fargo）、美國銀行（Bank of America）等。
要件8：規範性分析
分析不外3種類型：描述性，報告過去的事；預測性，使用過去資料的模型來預測未來；規範性，運用模型來說明最佳行為與行動。雖然分析學3.0包括這3種類型，但特別強調最後一種。規範性模型需要大規模的測試和最佳化，它們提供高度的營運效益，但同時也需要高品質的規畫和執行。
要件9：產業規模的分析學
對那些主要把分析學用在內部決策流程的企業來說，分析學3.0提供機會，擴大這些流程的規模以達到產業水準的實力。例如，IBM以前在年度「需求創造」（demand generation）流程中，使用150個模型，這個流程評估哪些客戶值得銷售人員投入更多時間與精力。如今IBM的新系統，可以在沒有任何人為介入下，建立95％的模型，另外3％只需一位分析師做極小的調整，而且，這些新模型處理非常明確的產品、客戶區隔和地區。
要件10：決策與管理的新方式
若要讓分析學推動公司資料經濟的發展，你必須採用新方法來做決策和管理。許多新方法會讓你在採取行動前，確定性較高。但矛盾的是，由於巨量資料極易取得而促成的一些改變，不會產生很大的確定性。
巨量資料持續流動，因此，各項指標長期必然會有高有低。這種被稱為「數位煙霧訊號」（digital smoke signal）的資料，可作為早期預警系統，顯示有問題剛剛出現。但它們只是顯示出有狀況出現，無法證實真的有問題。因此經理人必須建立指導方針，以判斷何時應依據早期預警訊號做決策與行動。
規範性分析的使用，往往需要改變管理第一線工作人員的方式，企業將以前所未見的方式，「看到」許多人員的活動；相對的，員工一定會對這樣的監控很敏感。在分析學3.0的世界中，有時我們必須把目光移開。
在資料經濟中創造價值
分析學3.0是否代表以分析學來競爭的終極形式？也許不是。但我們應該可以肯定地說，在分析學3.0出現的時間點，參與資料經濟已成為主流。
對於歷史悠久的公司及新創公司，都需要新的能力，但無法使用分析學支援業務的舊模型，來培養這些新能力。巨量資料模型是向前邁進的一大步，但它提供的優勢持續不了多久。希望在新資料經濟中繁榮發展的企業，必須再次從根本上重新思考，資料分析如何能為自己及客戶創造價值。分析學3.0是改變的方向，也是用分析學來競爭的新模式。
