行业专家有时感叹大规模分析和数据科学计划经常缺乏价值。虽然人们从许多努力中看到了其巨大的价值，但结果非常差的例子也屡见不鲜。专家认为，通常这些问题可以归结为一个基本的错误。也就是说，认为生成预测，预测或模拟就足够了。但事实却不是这样。
预测是出发点
高级分析或数据科学计划涉及对数据应用某种类型的算法，以找到一些模式。这些算法通常用于生成下列的一个或多个问题：
·对未来事件的预测。例如，谁最有可能对于给定的报价进行回应？
·未来结果预测。例如，人们预期即将推出的促销活动有什么样的销售额？
·各种场景的模拟。例如，如果将一部分预算从付费搜索转移到电视广告，会发生什么？
在不同类型的预测之间还存在算法和其他使用的细微差别，但是对于人们的目的而言，这三个示例足以说明其要点。
在每种情况下，输出是关于在给定一个或多个指定条件下在未来可能预期什么的信息。这些信息至关重要。然而，它本身不解决任何事情，因为实际上没有价值实现。简单地创建和存储输出的算法提供了潜在的价值，但是却很难到达终点线。
但不是终点
至少，企业必须使业务人员能够访问分析结果，与分析结果进行交互并对分析结果采取行动。换句话说，作为分析结果的结果，什么决定会得到改善？回到上述的例子：
·由于人们知道每个客户会有多大可能做出响应，营销主管可以确定适当的人群来接收报价。
·鉴于销售预测高于正常水平，主管可以要求提供一些额外的库存。
·鉴于如果一些资金从付费搜索转移到电视广告，高管可能会建议进行一些重新平衡。
关键是没有行动，结果什么都没做，只是等待实现的潜在结果。这与冰箱里的所有食物都没有太大差别，因为这有所需要的食材，很容易得到，但真正的关键是烹饪。除非花时间用心做这顿美味的晚餐，否则就是要么挨饿，要么吃三明治。
因此，任何分析计划的重要部分都必须考虑相关业务人员将如何使用结果，以确定他们想采取什么行动，然后实施这些操作。这意味着规划和提供的仪表板和交互式界面以及详细的数据输出。
进一步取得成果
请注意，在之前的部分，应该是放在一个执行互动，解释，并采取行动的结果。有时这是必要的，但它往往是一个负担，行政人员既没有经验，也没有时间来处理。要真正推动价值，需要使其分析成为规定。而许多组织仍然未能做到这些。
为了真正从分析过程中获得价值，有必要尽可能自动化结果的解释和结果操作。只是不可能扩展需要强烈手动干预的过程。即使某人必须仍然批准这些操作，具有提供建议的过程以及解释建议的支持数据将大大简化该过程。
虽然人们有着某些分析计划无法实现的担忧，但行业专家认为，如果仔细检查失败，就会发现，他们通常无法进行预测或模拟。如果不能基于这些结果采取行动，无论是通过人工交互还是自动化，都很难实现成功。
