Ang pagiging kapaki-pakinabang ng anumang uri ng data o mapagkukunan ng data ay nakasalalay sa uri ng analytics na ginagawa. Para sa ilang mga negosyo, ang pag-andar ng data ay gumana bilang isang tool ng real-time na pagtitipon ng katalinuhan at pagsukat sa pagganap. Ang isa pang negosyo ay maaaring gumamit ng pulos descriptive analytics na nakatuon sa profile, pagkakabahagi at pagkakakilanlan ng consumer. Ang isang mas mapaghangad na bersyon ng data analytics ay nababahala sa pagbabago ng data sa mga hula - na hinihiling hindi lamang kung ano ang mangyayari. Ang pinakamabilis na pagtaas ng aplikasyon ng data sa negosyo analytics ay kilala bilang pag-optimize, kung saan ang iba't ibang uri ng data ay inihambing sa pag-maximize ang kahusayan sa mga target na kinalabasan.
Mahalaga ang data kapag ito ay pinino sa isang kapaki-pakinabang na tool. Upang mailagay ito sa pananaw, isipin ang hindi nilinis na data na parang hindi nilinis na langis: posible na mangolekta ng malaking halaga ng data, ngunit kailangang baguhin ito sa isang kapaki-pakinabang na produkto upang maging mahalaga sa isang pang-ekonomiyang kahulugan. Application ay dapat na nakuha sa labas ng data. Ang papel ng analytics ng negosyo ay pinuhin ang data.
Isaalang-alang ang sumusunod na halimbawa: Nagbebenta ang Company ABC ng mga laruang kotse. Nagpasiya ang pamamahala na nais nitong maunawaan ang mga potensyal na merkado nito, ngunit hindi ito maaaring magpasya tungkol sa kung aling uri ng data ang makokolekta. Dapat bang tingnan ang mga pattern ng pagbili sa totoong mga sasakyan? Dapat bang kumuha ng mga pagsisiyasat ng mga paboritong kulay ng laruan para sa mga bata? Dapat bang tingnan ang etniko, relihiyon, kasarian o kita sa target market?
Ang kumpanya ng ABC marahil ay hindi magsisimulang mangolekta ng data sa mga gawi sa pagkain ng mamimili. Mukhang hindi gaanong ugnayan sa pagitan ng mga pagbili ng pagkain at laruan ng kotse. Kahit na ang mga empleyado nito ay may kapansin-pansin na mga tool sa pagmomolde ng istatistika at maaaring magsagawa ng mga kumplikadong pag-aaral sa ekonometric, ang data na ito ay malamang na hindi mahalaga.
Ang pinakamahalagang data ay ang data na nagbibigay ng pinakadakilang kalamangan sa kompetisyon. Ang data ng pagmimina at pagpipino ay hindi isang proseso na walang bayad. Ang mga negosyo ay dapat maghanap para sa data na nagbibigay ng pinakamataas na pagbabalik sa kanilang pamumuhunan sa analytics ng negosyo.
