分析的复杂性可以分为三个层次：描述性分析可以使用电子表格或工业强度来实现。预测分析是关于接下来会发生什么，而规范分析是关于如何实现最佳结果。业务分析侧重于客户需求的五个关键领域：
・
信息访问：第一部分是业务分析的基础。这一切都是为了促进整个企业的知情/协作决策 – 确保决策者能够了解他们的业务领域如何做，以便他们做出明智的决策。
・
洞察力：深入了解事情发生的原因，例如，全面了解客户（交易历史，细分，情感和意见等），以做出更好的决策并实现盈利性增长。
・
预见：利用过去来预测未来的潜在结果，以便计算行动和决策，以满足业务的目标和要求。
・
业务敏捷性：在以人为中心和以流程/自动化为中心的流程中推动实时决策优化。
・
战略调整：市场的这一部分是战略性地调整业务中的每个人 – 从战略到执行。它是关于实现企业和运营可见性。它是关于记录推动决策制定的偏好，优先事项，目标和要求。
进入业务分析应用程序之旅的组织必须从将数据和信息视为战略资产的信息管理议程开始。将信息视为资产后，即可应用描述性，预测性和规范性分析。传统上，企业或组织通过检查其自动化系统生成的数据开始这一过程：企业资源规划，客户关系管理，考勤，电子商务，保修管理等。企业还可能拥有非结构化数据，例如合同，客户投诉，内部电子邮件，以及越来越多来自设施监控系统的图像数据，以及来自各种网络资源（如Facebook，Twitter和博客）的非结构化数据。结构化和非结构化数据共同建立了360度的信息视图，以改善决策制定。用于结构化数据的许多业务分析技术也可以应用于非结构化数据（Akerkar2013）。
描述性分析
大多数企业都从描述性分析开始 – 使用数据来弄清楚过去发生的事情。描述性分析准备和分析历史数据，并从样本中识别模式以报告趋势。数据建模，可视化和回归分析等技术主要存在于这一领域。
它是一组使用数据来理解和分析业务绩效的技术和流程。
描述性分析可以分为三个区域来回答某些类型的问题：
・
标准报告和仪表板：发生了什么？它与我们的计划相比如何？现在发生了什么？
・
临时报告：
有多少？多常？哪里？
・
分析/查询/深入分析：究竟是什么问题？为什么会这样？
描述性分析是最常用和最易理解的分析类型。描述性分析对数据进行分类，表征，合并和分类。描述性分析包括仪表板，报告（例如预算，销售，收入和成本）以及各种类型的查询。用于描述性分析的工具可以提供用于与企业数据源接口的机制。它们通常包括报告生成，分发功能和数据可视化工具。描述性分析技术最常应用于结构化数据，尽管通常通过创建结构化元数据和索引，已经进行了大量工作以将其范围扩展到非结构化数据。描述性分析有助于了解过去以及实时发生的事件。
许多描述性分析应用程序都是通过开箱即用的商业智能软件解决方案或电子表格工具实现的; 但是，版本控制困难可能是由于电子表格的激增造成的。描述性分析软件平台（商业智能和信息/数据管理软件）的优势在于它为底层可信信息管理系统提供的连接，以及沿多个维度处理数据以获得洞察力的能力。深入了解现在或过去发生的事情可能有助于做出有关未来的决策，但描述性分析依赖于人类对数据的审查，并且不包含有助于理解未来可能发生的事情的强大技术，
描述性分析确实提供了对业务性能的重要洞察，并使用户能够更好地监视和管理其业务流程。此外，描述性分析通常是成功应用预测性或规范性分析的第一步。有效使用描述性分析的组织通常只能对过去有一个观点，可以将注意力集中在现在，而不是协调过去的不同观点。
预测分析
预测分析使用数据来了解未来可能发生的情况。当然，它是一种更精细，更高级别的分析用法。预测分析预测未来的概率和趋势，并通过旧式分析发现数据中的关系不明确。诸如数据挖掘和预测建模之类的技术就存在于这个领域。特别是，预测分析（一种结构化数据分析）使用数据和数学技术来发现业务绩效的解释和预测模型，表示数据输入和输出之间的继承关系。
预测分析使用对过去的理解来对未来做出“预测”。预测分析实时应用以影响操作流程（通过聊天消息进行实时保留操作或实时识别可疑交易）和批量生成（针对网站上的新客户或直接邮件推动交叉销售/上传） – 然后，预测流失等）。这些预测是通过检查有关过去的数据，检测此数据中的模式或关系，然后及时推断这些关系来做出的。例如，属于过去已经证明令人担忧的类别（模式）的保险索赔可能会被标记为进行更密切的调查。
预测分析可分为六类：
・
数据挖掘：哪些数据与其他数据相关？
・
模式识别和警报：我应该何时采取措施纠正或调整过程或设备？
・
蒙特卡罗模拟：会发生什么？
・
预测：如果这些趋势继续下去怎么办？
・
根本原因分析：为什么会发生什么？
・
预测建模：接下来会发生什么？
描述性分析可以从提供过去的静态视图开始，但随着更多实例在记录过去经验的数据源中累积，评估，分类和分类的步骤可以通过快速算法重复执行，从而赋予整个工作流程适应性的衡量标准。随着描述性分析达到支持预期行动的阶段，阈值将传递到预测分析领域。预测分析应用先进的技术来检查场景，并帮助检测大量数据中的隐藏模式，以便预测未来事件。它使用将数据（事务，个人，事件等）分段和分组为相干集的技术，以预测行为和检测趋势。它利用聚类等技术，专家规则，决策树和神经网络。预测分析最常用于以允许以下方式计算潜在行为的方式：
・
检查时间序列，评估过去的数据和趋势，以预测未来的需求（水平，趋势，季节性）。先进的方法包括识别周期性模式，隔离外部事件（例如，天气）的影响，表征固有的可变性和检测趋势。
・
确定两个或更多时间序列之间的“因果关系”关系，例如，通过考虑历史使用率和乘客需求的已知，预测或季节性变化来预测市政公交车维修设施中的更换部件的需求。
・
通过数据挖掘从大数据量中提取模式，以预测通过其他方法无法识别的非线性行为。这种预测的行为可用于创建自动化将来采取的行动的政策; 例如，通过对过去的保险索赔进行分类，如果未来的索赔很可能具有欺诈性，则可以将其标记为可供调查。在操作方面，预测分析可以作为回答问题的指南，例如：
o
谁是我最好的客户，最好的目标是什么？
o
哪些患者最有可能对特定治疗有反应？
o
该保险申请可能被拒绝吗？
o
这是可疑交易可能是欺诈性的吗？
正是在这个层面上，“高级分析”一词更适用。包括用于预测建模和模拟以及预测的技术。在模拟中，创建了系统模型; 通过在各种情景下运用模型来估计或预测系统的未来行为。模拟需要能够构建算法或数学结构，以提供系统的可观察行为的足够精确的表示。这反过来可用于在系统实施之前评估对系统的建议更改，从而最小化成本和风险。
许多业务流程建模都属于这一类。预测是预测分析的一部分，可以通过多种方式应用，其中最重要的是预测工作量，这通常会转化为所需的资源，包括人力资源。预测活动建立了期望的最终状态，随后将详细信息转换为商定的运营计划（进入企业计划活动），并将描述性，高级分析，企业计划和最终里程关闭/合并/合规活动结合在一起形成闭环绩效在企业内一次又一次地重复的管理系统。
预测建模技术也可用于检查数据以评估假设。如果每个数据点（或观察）由多个属性组成，那么理解属性子集的某些组合是否可预测其他属性的组合可能是有用的。例如，可以检查保险索赔以验证年龄，性别和邮政编码可以预测汽车保险索赔的可能性的假设。预测建模工具可以帮助验证和生成假设。当某些属性是由业务决策者确定的操作时，这尤其有用。
数据是预测分析的核心，为了推动完整视图，数据由描述性数据（属性，特征，地理/人口统计），行为数据（订单，交易，支付历史），交互数据（电子邮件，聊天记录）组合而成，网络点击流）和态度数据（意见，偏好，需求和愿望）。从全面的角度来看，客户可以实现更高的性能，例如大幅降低索赔成本，打击欺诈和最大化回报，将呼叫中心转变为利润中心，更快速，更有效地为客户提供服务，降低成本。
除了捕获数据，访问业务内外的可信和社交数据，以及建模和应用预测算法之外，模型的部署对于最大化分析在实时操作中的影响同样至关重要。
预测分析应用程序 预测分析可用于许多应用程序。在这里，我们举一些例子说明它产生了积极的影响。
医疗决策支持系统 专家在医疗保健中使用预测分析主要是为了确定哪些患者有患糖尿病，哮喘，心脏病和其他终身疾病等风险。
欺诈检测 欺诈行业广泛分布。欺诈案件出现在各种领域，如信用卡激活，发票，纳税申报，在线活动，保险索赔和电信呼叫活动。所有这些行业都有兴趣检测欺诈行为并使负责人以合理的成本预订和预防和监控欺诈行为。预测建模可以帮助他们实现这些目标。这也可能用于检测公司的财务报表欺诈。
保险 就像欺诈一样，意外高涨和可疑的索赔是保险公司的祸根。他们希望避免支付此类索赔。尽管目标很简单，但预测建模在消除公司高损失的这一来源方面只取得了部分成功。这是一个有前途的进一步研究领域。
健康 虽然预测建模在医疗保健中的系统应用相对较新，但基本应用与其他领域的应用相似。毕竟最小化客户风险是目标。在医疗保健领域，这是重新入院的风险，可以通过识别高风险患者并对其进行监测来降低这种风险。
财务预测 预测分析在财务预测中很有用。
分析客户关系管理（CRM） 分析客户关系管理是预测分析的常见商业应用。CRM在应用程序中使用预测分析来进行营销活动，销售和客户服务，仅举几例。
客户保留 通过频繁检查客户过去的服务使用情况，性能，支出和其他行为模式，预测模型可以确定客户希望尽快终止服务的可能性。
可以使用各种技术来构建预测分析模型：
・
神经网络可以通过评估此交易与该人过去行为预测的模式的接近程度来评估持卡人正在执行信用卡交易的可能性。
・
回归模型可以确定客户的哪些特征使他们更有可能流失或磨损，从而能够计算未来流失的风险。
・
响应模型可以根据过去提供的报价的成功或失败，预测特定人员对特定营销报价的响应程度。
・
预测记分卡可以确定某人未来一年未能为其贷款付款的可能性。
这些风险，欺诈和客户机会的预测都是从大量历史数据中创建的。要构建这些模型，您不仅需要数据，还需要随时间推移的数据。随时间变化的数据揭示了行为和模式。如上所述，我们的运营数据最多。因此，我们的运营环境是我们拥有构建预测分析模型所需数据的地方。
Prescriptive Analytics
Prescriptive analytics使用数据来规定最佳行动方案，以增加实现最佳结果的机会。Prescriptive
analytics评估和确定新的运营方式，针对业务目标并平衡所有约束。优化和模拟等技术都存在于这个领域。企业在努力提高分析成熟度时，已经表明了提升分析层次结构以优化其业务或运营流程的目标。他们将分析的规范性使用视为其业务的差异化因素，这将使他们脱离竞争对手。显然，分析会带来优化。但同样明显的是，优化取决于分析过程。
Prescriptive
analytics是“高级分析”的一部分，它基于优化的概念，可以分为两个方面：
・
优化：我们如何才能实现最佳结果？
・
随机优化：我们如何才能实现最佳结果并解决数据中的不确定性以做出更好的决策？
一旦理解了过去并且可以预测将来会发生什么，那么考虑到企业的有限资源，现在是时候考虑最佳响应或行动。这是规范分析领域。例如，许多问题只涉及太多的选择或替代方案，以供人类决策者有效地考虑，权衡和权衡 – 例如，调度或工作计划问题。过去，这些问题只能通过在特定数据集上运行算法数小时甚至数天的计算机来解决。将这种解决问题的能力嵌入决策支持系统是没有用的，因为它无法提供及时的结果。然而，现在，随着计算机的速度和内存大小的改进，以及基础数学算法的性能的相当大的进步，类似的计算可以在几分钟内完成。虽然过去可能已使用此类信息来制定政策并在一类情况下提供行动指导，但现在可以实时完成评估，以支持修改行动，分配资源等决策。