根据“Analytics 3.0”一文，作者达文波特认为：“我们已经经历了两个数据分析的时代，‘前大数据时代’和‘后大数据时代’我们亦可称之为‘分析1.0’和‘分析2.0’时代”[1]。

1. 分析1.0——商业智能时代

实践：

分析1.0是指“相对于更早的商业活动……能够客观分析和深入理解重要的商业现象，并且帮助管理者基于客观事实决策，而不是仅仅凭借直觉。”

数据：

数据源主要为公司内部的数据。“在商业实践中，生产流程、销售、客户交互乃至更多的数据，第一次被存录、整合和分析。

关键技术：

企业级数据仓库。“最开始，大公司凭借其雄厚资本可以定制数据系统；随后数据系统很快被商业化，可以由外部供应商以更通用的方式提供给更多公司。”系统：可以捕捉数据，然后利用软件进行商业智能分析，最后可以进行数据查询和结果交付。

公司的要求：

最基本的数据管理能力。“分析师花大量时间再准备数据上，只花相对少的时间用于分析活动。由于分析需要数周甚至数月的时间，过程艰难且进展缓慢，因此公司只能选择对几个非常关键的问题进行数据分析。报表系统只能描述过去所发生的事情，既无法解释过去，也无法预测未来。”公司的核心优势来自更有效的运营。分析竞争并没有收到广泛重视。

2. 分析2.0——大数据时代

实践：

分析2.0产生于2005年前后，代表是谷歌、eBay等硅谷的互联网公司和和社交网络开始大规模存储和分析新类型信息。对业务的影响：大数据被用于产品开发中，取得了革命性的效果，例如Lkinedin。

数据：

大数据明显有别于系统内部产生的交易类小数据，它是来自公司外部、互联网、传感器、各中公开发布的数据（比如人力基因组计划），还包括源于音频和视频的数据。

关键技术：

Hadoop，大数据很难在单个服务器上运行并进行快速分析，而Hadoop技术的开源软件架构，可以在众多并行服务器上进行快速批处理；NoSQL处理非结构化数据的一类新的数据库；大量的信息存储在公有云或私有云的环境中；基于内存的（in memory）或基于数据库的（in database）的快速数据处理；用于从实时动态的数据中迅速生成数据模型的机器学习；数据视觉化展示。

对公司的要求：

强大的基础平台并且雇佣高智商且高效的数据科学家。新一代的数量分析师被称为数据科学家，他们不仅要具备计算能力还要掌握分析管理。数据科学家已经不再满足于藏在公司内部，他们希望接触客户以开放新产品，并为公司出谋划策，甚至是创造新的商业形态。

3. 分析3.0——富数据产品时代（data enriched offerings）

实践：“分析竞争”不仅能够解决公司的传统问题，比如改善内部决策，也能为公司创造更有价值的产品和服务——这才是分析3.0的精髓。

数据：

  混合的多种数据类型：整合内外部、结构化和非结构化、大数据和小数据

关键技术：

  数据管理方式的新的组合：数据仓库、数据库和大数据设备；传统数据查询手段与Hadoop结合的环境（Hadoop 2.0）；IT架构选择的难度极大，混合的数据环境

  更快的分析方法和技术：敏捷分析法和机器学习技术

  嵌入式分析：分析3.0的模块直接嵌入到运营系统和决策系统中；一些公司把评分算法和基于分析学的规则把分析学嵌入到全自动分析系统当中；另一些公司把分析学融入到客户导向的产品和特征当中（以上联众做法都是为了评估业务所需的人力、交付时间、成本、流程、收益等情况以辅助决策，差别是在于公司选择的是数据导向的数据分析还是产品导向的数据分析）

  数据探索：数据探索平台（Data discovery environments）

对公司的要求

  跨学科的数据团队：涉及三个要素，数据科学家，专长是建模，但实际情况是数据科学家不得不花大量时间进行数据管理；数据黑客，专长是提取信息和结构化处理信息；IT部门，负责提供大数据和用于数据分析的基础架构，配置沙箱以提供数据分析的基础架构，数据科学家和数据黑客需要与IT部门一同工作。

  首席分析官：需要更高级别的管理者进行监管，培养和开发员工的分析能力。

  规定性分析：三种类型的分析，描述性的，用户报告过去；预测性的，用于预测未来；规定性的，用于确定最优行动，是分析3.0强调的重要内容，要求大量的测试和优化工作，然后把分析嵌入关键流程和员工行为中。

  用于实际业务的分析：分析流程从内部决策扩展到业务领域；机器学习创造更多模型

  决策和管理的新方式：数据驱动的实验和测试。 

参考文献

[1] Davenport T H. Analytics 3.0[J]. HARVARD BUSINESS REVIEW. 2013, 91(12): 64.

[1] 原文为：We might call them BBD and ABD—before big data and after big data. Or, to use a naming convention matched to the topic, we might say that Analytics 1.0 was followed by Analytics 2.0。