伴随着互联网技术成熟、大数据思维变革和工业4.0时代的到来，我们将步入一个由云计算、移动互联网、物联网、两化融合、智能制造和人工智能共同构成的大数据时代。作为拥有全球最大数据源的中国，在国家大数据发展战略有利推动下，数据如同“原始石油”在不断被存储和开采。
　　一、数据分析的作用
　　在快速发展的数字信息化时代，传统意义上的管理分析和决策手段发生了微妙的变化，新的决策手段油然而生，这就是我们常说的“用数据说话”。数据的分析和统计以决策因素的身份出现在经济、管理和投资等相关领域，是数字信息化时代发展的必然结果。在竞争与机遇并存的数字信息化时代，企业若想更快更好的发展，那么数据分析这块将要加以重视，这关系到公司领导层的决策是否正确，企业发展方向是否合理可行。
　　对企业而言，数据的分析与统计可以对企业出现的一些突出问题进行收集并及时反馈出有效信息，从而有依据的提出一些新的建议和设想，能为企业领导经营管理决策提供重要依据。信息是建立在数据的基础上的，也就是说，数据是对生产、销售的直接记录，而信息则是在数据的基础上人为地反馈及判断，企业策略决策的依据，所以数据的分析统计显得极其重要。其实各个企业各个部门都有其数据分析和采集的工作要领，但分析的方法和统计整理的技巧是否能反馈出有效的信息，这就需要数据分析人员的努力了。
　　二、数据分析人员所具备的基本能力
　　第一，作为一名数据分析员，要具备基本的统计数据的能力，做数据分析，统计是基本功。
　　统计方法及手段多样化，其中最为普遍的是描述统计和推断统计。做数据分析至少需要懂得描述统计，对资料进行分析和描述就是要具备对所搜集的大量数据资料进行加工整理、综合概括，通过图示、列表和数字，绘制分布表、直方图，计算各种特征数，比如均数、中位数、众数、率等等，理解它们有什么区别。而推断统计，则是在搜集、整理观测的样本数据基础上，根据带随机性的观测样本数据以及问题的条件和假定(模型)，对有关总体作出推断。
　　其实我们往往在统计的时候容易忽略的就是对特征浅谈数据分析在企业管理中的意义的分析，主要原因在于对特征数的概念及其意义不是很了解，所以导致了我们统计分析的单一性，分析结果不全面。所以在我们对某个样本做分析时，首先要弄清楚自己需要得到什么样的结论，然后再结合自己的统计知识做相应的特征数分析，这样可以避免少走弯路。
　　第二，要有一定的管理及联系相关业务的能力。
　　如果没有联系实际业务，分析的方向就不能明确，这就造成了数据分析的失真性。数据分析为何要与管理层挂钩？因为数据分析工作做好了，可以给管理提供可靠的管理方向和决策依据，这也是做数据分析的出发点。同时，要与业务结合。如果对自己的业务不熟悉，那么做数据分析的数据来源不明确，或者说取不到有效样本，这对分析结果的影响是不可估量的。所以数据分析一定要与管理及业务相结合，如果没有，那分析就像没有根的浮萍，让人捉不着摸不透。
　　做数据分析要从公司的管理角度出发，顾全大局，切不可因小失大。故而在分析的过程中，应注意摒除异常数据，对特殊情况值不做处理，保证数据的统一和有效性。一个对自己业务不是很了解，对自己的工作职责不是很明确的人，分析出来的数据参考价值是很小的。所以我们有专业知识的同时还要在日常工作中积累实践经验，只有这样，我们才能够更好的把自己的理论知识和自己的实际业务相结合，分析出来的结果才具有参考价值。与此同时，数据分析员电脑技能这一块是不可或缺的。由于数据采集回来后，还要运用工具将其收集到一起，成立一个信息管理系统，或者是信息库。因此数据分析人员还需要懂IT。
　　目前企业数据分析人员所要求的计算机软件能力均有所不同，但大致做分析统计这一块的，可分为五个层面: 第一个层次就是懂EXCEL；第二个层次是懂EXCEL及一个统计分析软件，这个可以根据分析需求合理学习；第三个层次懂数据库、懂一些制作报表的常用工具；第四个层次是要有一个统计绘图分析软件，图表可以有效反应出事态的走势；第五个层次是懂数据架构，清晰的数据架构可以给人予清晰的逻辑思维，对数据分析大有裨益。从上述的五个层次，可以看出，数据分析的要求远远不止这些基础，而且分析的手段也不仅仅限于上述几样软件工具。数据分析主要取决于分析者的角度和思维，只要方向对了，那手段只是个过程。
　　三、数据分析过程中的一些关键因素
　　数据分析主要从分析的可行性、工作量、规模和质量四个角度着手。其中可行性和质量是反映数据分析是否具备参考价值的关键参数，同时也是管理层最关注的指标，这些数据指标，将作为管理层决策的参考依据。
　　1．可行性:工作过程中，有些数据是没办法去捕捉的，就算是采集成功，回来做数据分析的研究意义也不大，这就涉及到数据分析的可行性问题。比如说，在做团体计件工资项目时，做了系统算法工资和实际应发工资的分析对比，如果说就员工与员工之间的工资进行数据对比的话，会发现并没有分析价值，因为一个人调整的因素太大了，我们很难捕捉到调整的原因是什么，所以这个方法不可行。如果做一个整体的平均值差异对比，这明显比单一对比更合理可行。
　　2.工作量:在做数据分析之前先得估计一下数据分析的工作强度问题，其实就是常说的工作量。通常没开始分析之前，就需要有一个估算，算什么，算计划与实际工作量的比较，计划工作量，就是统计技巧和分析思维正确情况下的工作用量。实际工作量就是实际分析过程中的工作用量。
　　3.规模:数据分析的规模，从层面上就是做数据分析所涉及的范围程度，也就是波及面的大小，数据分析的角度是否多样化，分析深度是否透彻。这个指标实际是用来做分析决策的，因为对数据的分析有时候需要做单一性分析，而有时候需要做大规模的深度分析，这就需要对数据分析规模的把握得有深刻认识，只有这样才能理清分析思路，最终得到自己想要的结果。
　　4.质量:数据分析质量的高低体现了分析参考价值和意义的大小，也决定了管理层做出决策的方向是否符合实际发展需求。之前做了那么多工作最后该是检验成果了，高质量的分析结论有一定的前瞻性，可以看出事态的发展进程，对控制决策和预期估计有一定的参考价值。
　　数据分析作为挖掘和提炼“数据石油”的工具，不仅仅是一种业务与技术的结合，更是科学与艺术的凝聚。数据分析师作为开采、清洗和提炼“数据石油”的勘探者，随着“互联网+”各个行业发展，将会成为数据变革新时代的舵手。未来，谁拥有数据，谁就拥有开采权。谁拥有数据人才，谁就拥有主导权。