1.和量化人員共事。
關于計量分析師，與他們建立緊密的工作關系，對經理人來說相當重要。你懂得商業(yè)問題；而你的「計量分析師」懂得如何收集有關那個問題的數據并加以分析。為了讓這樣的合作關系順利運作，雙方都要互相援助。你基本上算是非計量的經理人，必須幫助你的計量分析師全面了解你的問題，一個做法也許是讓他們在相關領域工作幾天。你的計量分析師必須用一般的商業(yè)語言來和你溝通，處理你的問題，努力解決它直到你滿意為止。你的分析師或許不是非常擅長和經理人應對，而你可能對計量分析心懷畏懼。但你們總是得設法找到形成共識的基礎。
2.理解不同類型的數據和它們的涵義。
最近，你會聽到許多關于大數據對你的事業(yè)多有價值的說法。但是大多數的經理人，并不真正了解數據大與小的差異，并濫用「大數據」這個詞匯。你用什么名稱來說你的數據資料，并不是那么重要，但是，知道不同類型數據的差別，卻相當重要。
小數據──盡管「小」，但很有用──指的是資料量是能被管理的規(guī)模大?。軌蛑糜趩我凰欧鲀龋?、形式已經結構化（行與列）、變動相對較不頻繁的數據。小數據最有可能來自你組織的交易系統，例如財務系統、客戶關系管理（CRM），或是訂單管理系統。你們公司大概已經分析這種類型的資料很多年了。雖然最近小數據沒有得到媒體太多關注，但是它對理解你的客戶和公司的財務表現、調整你的供應鏈，都是必要的。
大數據則難以駕馭。資料量太大無法放進單一伺服器，相對比較不結構化，而且變動快速。大數據更有可能來自你組織外的業(yè)務交易──你的顧客和潛在顧客在社群媒體上談論的內容、他們向你的電話客服中心說了什么、還有他們在你的商店里的舉動。大數據帶來非常好的機會，但是將它轉化為易于分析的結構化形式，往往是個挑戰(zhàn)。如果你想成功運用它，與你合作的計量人員可能必須是數據科學家。
3.理解不同類型的分析和它們的涵義。
許多年來，大多數的分析都是敘述性的──將過去發(fā)生的事情，總結在簡單的數字報告和數字圖表中。但那不是唯一的種類。預測分析運用統計模型，使用過去的資料預測未來。規(guī)范分析（prescriptive analytics）為人們如何在工作中做決策提出建議。大部分的經理人，需要別人催促才會采用這些不太熟悉的預測分析、規(guī)范分析，它們的價值通常遠遠高過敘述分析。幾年前，我制作了一支影片，解釋敘述、預測和規(guī)范分析的相異之處，需要多補充這方面知識的經理人，很適合看看那支影片。這些種類的分析仍然非常重要，但我日漸著重于一個新的種類：自動分析。這些分析性的決策不是由人類，而是由電腦所作。許多常見的分析性決策，完全是自動產生，例如銀行發(fā)行信用卡或是保險合約。這些現象預告了，我們在公司內組織與管理分析的方式會產生劇變，甚至可能對決策者的工作造成威脅。
4.探索分析的內部與外部運用。
最后，經理人必須知道分析的內部、外部運用有何區(qū)別。過去以來，分析幾乎只用在支援內部決策。當然，這方面仍然有用，但是公司現在也使用數據與分析，來創(chuàng)造新產品和新服務。而且不只是你預料中的Google、LinkedIn那類數位公司會這么做；主流企業(yè)像奇異（GE）、孟山都（Monsanto）和一些大型銀行，都推出這類「數據產品」。這是組織的新選項，而經理人需要理解、探索它。
掌握這些基本知識無法讓你成為分析專家，但會讓你更有效使用這項重要資源。而現代商業(yè)世界中，不懂得分析，會對你和你的公司榮景造成危險。