中型企业不可能错过大数据的信号。他们无处不在, 从宣传预测分析好处的文章，到要需要存储每个字节的信息。还有刚从其它大会回来的高层管理人员的激励，他们头脑中灌满了将大规模数据集转化为可消费数字的念头。近年来, 最简单的方法是通过可视化将数据提供给员工, 但这可能只是坚实的第一步, 而不是最后休息的地方。
所见即所得
可视化是帮助企业利用大数据的能力，把它从服务器的堆栈中取出并用易于理解的图形格式呈现。有了合适的数据分析骨干, 中级IT专业人员可以梳理大量的信息, 而不是大量生产电子表格, 可以使用另一套工具来创建数据的可视化呈现。这些数据可以以信息图的形式, 图表、映射或图片 —— 显然让消息互通的任何形式。对可视化的反响很大，特别是自从它已经演变为一个协作市场。比如，不再是观察一个静态图表了解客户采购习惯, 而是用户可以与数据交互, 根据需要添加新的信息和问问题, 这些问题可以通过进一步统计分析回答。实际上, 可视化模拟自然学习模式, 而不是迫使员工在字里行间查阅，希望找到一种单一的, 相关的数据片。
这种视觉驱动导致分析工具的支出增加，并且对中层IT专业人员交付源源不断的可操作的结果寄予更多的期待。然而, 随着大数据量的增加, 它的潜力也在增加。可视化之外还有什么?
也许实验可以帮助我们
其他专家主张一种数据科学的“实验室”。在这里，专家用现实世界的实验不断扩展数据的潜能。不是依靠现有的统计模型或可视化的工作, 他们的想法是不断调整分析模型来增加商业信心, 进而增强他们的预测范围。
对于中型企业来说, 这可能需要针对特定的客户群的形式, 试图预测对新的营销活动的响应是否会好。数据分析可以提供过去对活动的响应信息，也可以用一些方便的，交互的图表说明当前的购买习惯。如果返回的值不是特别强劲或相关度很高, 有了恰当的预测分析, 一家中型企业最终用指定的补救措施在短期内增加销量, 不会导致任何客户损失; 然而，未来仍然是相对不明的。
让中型企业的IT专业人员能访问数据，并花时间进行必要的培训, 让他们从多个角度接近分析, 就有可能发现消费者之间未知的连接。这些连接可能是基于历史非结构化数据块如社交媒体文章或电子邮件。其结果是更准确的衡量客户对公司行为的响应, 反过来也能看到更远的的市场之路。
随着分析工具变得更加强大和预期的增加, 风险是最可能限制的因素。最终，高级业务利益相关者将不得不决定实验的风险是否值得奖励。现在,企业可以通过使用简单的快速挖掘数据的可视化这样做,但这不会管用很久。挖深是进一步利用大数据的下一步,这意味着放眼大局。
