شما در مورد این ایده، پیشینه‌هایی را می‌خوانید، تحقیق می‌کنید و با استفاده از مخزنی از داده‌ها، یک طراحی نوآورانه خلق می‌کنید که می‌تواند مؤثر واقع شود. بعد از طی مراحل بسیار ایده اجرایی شده، لامپ‌های برقی خلق می‌شوند و آماده فروش محصول می‌شوید.با گام‌های درست بازاریابی دقیق، یک کنفرانس مطبوعاتی برگزار کرده و اطلاع‌رسانی می‌کنید. توماس ادیسون نیز هنگام اختراع لامپ می‌دانست که مسیر آسانی در پیش نخواهد داشت و با داده‌های زیاد، طرح‌ها، ایده‌ها، شکست‌ها و اصلاحات زیادی قبل از رسیدن به محصول نهایی مواجه خواهد شد.جمله‌ای در این رابطه از ادیسون معروف است که می‌گوید: «من شکست نخوردم، تنها هزاران راه را پیدا کردم که به کار نمی‌آمد.»

اجرایی کردن تک تک مراحل در دنیای امروزی، یک تجزیه و تحلیل خوب از داده‌ها تفاوت چندانی با پردازش آنچه ادیسون در عصر خودش در مورد اختراع لامپ الکتریکی انجام داد، ندارد. رسیدن به محصول نهایی یک فرآیند پیوسته از شکست‌ها، ناامیدی، یادگیری، پیشرفت‌های جانبی و در نهایت نائل شدن به موفقیت است. تحلیل به تنهایی، کسب وکار شما را تغییر نمی‌دهد، بلکه باید همراه با ابتکارات منسجم و اجرایی کردن تک تک مراحل و آزمایش‌های پیچیده و آزمون و خطا برای رسیدن به ترکیبی بهینه باشد. متخصصان در امر تحلیل می‌توانند به شما بگویند که چه داده‌ای می‌تواند در پیش‌بینی رویدادهای کسب وکار به شما کمک کند.

در این مرحله عدم تطابق یافته‌ها با مراحل اجرایی زیاد اهمیت ندارد. بسیار اتفاق افتاده که فرآیندهای کسب وکار مطابق با تحلیل‌های پیشرفته یا قوانین پیچیده کسب وکار و بدون درک عوامل مختلف و سنجش آنها و بدون طرح‌های آزمایشی ایجاد شده و به مرحله اجرا رسیده است. سپس اقدام به تغییر فرآیند کسب وکار یا تحلیل مجدد می‌کنند و باز هم بدون برنامه، تغییرات را مورد آزمایش قرار می‌دهند.

چرا داده‌ها مهم‌اند؟ به دست آوردن و حجم زیادی از داده‌ها مهم نیست، بلکه آنچه اهمیت دارد این است که با آنچه می‌کنید سازمان‌ها می‌توانند از هر منبعی داده‌های مرتبط را تهیه کرده و آن را تحلیل کنند تا پاسخ سوالاتی را بیابند که ۱) کاهش هزینه‌ها، ۲) کاهش زمان، ۳) توسعه محصولات جدید و پیشنهادات جدید و ۴) تصمیم‌گیری هوشمندانه‌تر کسب‌و‌کار را مقدور می‌سازند. برای مثال، با ترکیب Big Data و تحلیل‌های قوی، این امکان وجود دارد که علت‌های اصلی شکست‌ها، مسائل و نقص‌ها را در لحظه تعیین کرد تا سالانه تا میلیاردها دلار صرفه‌جویی کرد. در چند دقیقه تمام سبد ریسک را دوباره حساب و سریعاً مشتریانی که بیشترین اهمیت را دارند، شناسایی کرد.

آزمون A/B بزرگ‌ترین اشتباه در مورد داده‌های بزرگ این است که تصور می‌شود با اجرای تحلیل‌ها، فرآیند کسب وکار بهبود می‌یابد. در صورتی که این امر مستلزم اجرای درست این تحلیل‌ها و کنترل آنها بعد از اجراست. حتی اگر حس می‌کنید سازمان شما به تحلیل داده‌های بزرگ نیاز ندارد باید این کار را انجام دهید و همه افراد را در این کار دخیل کنید. اگر پرسیدند چه چیزی باید آزمایش شود؟ – همه چیز. چه زمان تحلیل انجام شود؟ -همیشه. هرچند وقت یکبار انجام شود؟ – به‌طور مداوم. آیا این کار آسان است؟- خیر.

یکی از راه‌های تحلیل، تحلیل مجدد در صورت نادرست بودن فرآیند است. هر پروژه تحلیلی نیاز به این دارد که بارها و بارها مورد آزمایش قرار گیرد. یکی دیگر از روش‌های مفید در این رابطه تحلیل A/B است. روش‌های دیگری نیز مانند سنجش موقتی داده‌ها و کنترل‌های آماری وجود دارد که نیاز به اجرای دقیق دارد. آزمون A/B همان‌گونه که از نامش پیداست، تنها با دو گروه سروکار دارد.

در حقیقت هیج محدودیتی برای تعداد موارد مورد آزمون همزمان وجود ندارد و تنها از نظر اندازه جمعیت آزمون محدودیت دارد. با استفاده از روش‌های آماری و تحلیلی خاص، دستورالعمل‌هایی برای طراحی، اندازه نمونه مورد نظر و سنجه‌های مورد نیاز و به معادله رسیدن جهت استفاده مدیران فراهم می‌شود.

روش آزمون و خطا شاید درک این رویکرد برای بعضی از مدیران سخت باشد. با توجه به فرهنگ سازمان شما، شاید قبول نکنید که راهی که در پیش گرفتید به شکست بینجامد. اما بعضی سازمان‌ها مانند سازمان تولید دارو مجبورند که از روش آزمون و خطا پیروی کنند چرا که نمی‌توانند هر ترکیبی را دارو معرفی کنند و قبل از معرفی باید آن را مورد آزمون قرار داده و به نتیجه رسیده‌باشند. همین‌طور مدیران کسب وکارهایی چون فست فودها از این روش پیروی می‌کنند، آنها نیز نمی‌توانند هرغذایی را در منوی خود بگنجانند.

هر زمان که اطلاعات جدیدی اضافه می‌شود، رویکرد جدیدی نیز برای تحلیل باید در پیش گرفته شود.طراحان، سازندگان و مدیران زیرساخت کلان داده معماری را توسعه می‌دهند تا به تجزیه و تحلیل کمک کنند و داده‌ها را به طریقی که کسب‌و‌کار نیازمند آن است، پردازش کنند و اطمینان یابند که آن سیستم‌ها به‌طور مداوم مشغول انجام کار هستند. به‌طور خلاصه، داده‌های بزرگ، پتانسیل شغلی گسترده‌ای برای متخصصان فناوری اطلاعات، مخصوصاً کسانی که از فرصت‌ها برای نشان دادن خلاقیتشان بهره می‌برند، فراهم کرده است.

کاربرد داده‌های بزرگ در سازمان داده‌های بزرگ نحوه کار سازمان‌ها و افراد را تحت‌تأثیر قرار می‌دهد. داده‌های بزرگ فرهنگی را در سازمان‌ها ایجاد می‌کند که از طریق آن کسب‌و‌کارها و مدیران فناوری اطلاعات را به سمت استفاده از تمامی ارزش‌های پنهان در داده‌ها سوق می‌دهد.

ادراک این ارزش‌ها به همه کارکنان سازمان‌ها این امکان را می‌دهد که با بینش وسیع‌تری تصمیم‌گیری کنند، نزدیکی بیشتری با مشتریان داشته باشند، فعالیت‌های خود را بهینه کنند، با تهدیدات مقابله کنند و در نهایت سرمایه‌های خود را روی منبع جدیدی از سود سرشار پنهان در داده‌ها متمرکز سازند.سازمان‌ها برای رسیدن به این مرحله نیازمند معماری جدید، ابزارهای نو و فعالیت‌ها و تلاش‌های مستمری هستند تا بتوانند از مزیت‌های چارچوب‌های مبتنی بر داده‌های بزرگ بهره‌مند شوند.