数据科学-数据分析

什么是数据科学中的数据分析？

数据分析是数据科学的关键组成部分之一。数据分析被描述为清理、转换和建模数据以获得可操作的商业智能的过程。它使用统计和计算方法来获得见解并从大量数据中提取信息。数据分析的目的是从数据中提取相关信息并根据这些知识做出决策。

尽管数据分析可能包含统计过程，但它通常是一个持续的迭代过程，其中数据不断收集并同时分析。事实上，研究人员经常在整个数据收集过程中评估观察结果的趋势。特定的定性技术（实地研究、民族志内容分析、口述历史、传记、低调研究）和数据的性质决定了分析的结构。

更准确地说，数据分析将原始数据转换为有意义的见解和有价值的信息，有助于在医疗保健、教育、商业等各个领域做出明智的决策。

以下是当今数据分析至关重要的原因列表 -

准确的数据- 我们需要数据分析来帮助企业获取相关且准确的信息，他们可以使用这些信息来规划业务战略并做出与未来计划相关的明智决策并重新调整公司的愿景和目标。
更好的决策- 数据分析通过识别数据中的模式和趋势并提供有价值的见解来帮助做出明智的决策。这使得企业和组织能够做出数据驱动的决策，从而带来更好的结果和更大的成功。
提高效率- 分析数据可以帮助识别业务运营中的低效率和需要改进的领域，从而更好地分配资源并提高效率。
竞争优势- 通过分析数据，企业可以通过识别新机会、开发新产品或服务以及提高客户满意度来获得竞争优势。
风险管理- 分析数据可以帮助识别业务的潜在风险和威胁，从而能够采取主动措施来减轻这些风险。
客户洞察- 数据分析可以提供有关客户Behave和偏好的宝贵见解，使企业能够定制其产品和服务，以更好地满足客户需求。

随着企业可访问数据的复杂性和数量的增加，对数据分析的需求也随之增加，以清理数据并提取企业可以用来做出明智决策的相关信息。

通常，数据分析过程涉及许多迭代轮次。让我们更详细地研究每一个。

识别- 确定您想要解决的业务问题。公司试图解决什么问题？必须测量什么以及如何测量？
收集- 获取解决指定查询所需的原始数据集。内部来源（例如客户关系管理 (CRM) 软件）或辅助来源（例如政府记录或社交媒体应用程序编程接口）可用于收集数据 (API)。
Clean - 通过清理数据来准备分析。这通常需要删除重复和异常数据、解决不一致问题、标准化数据结构和格式以及解决空格和其他语法问题。
分析数据- 您可以开始识别通过使用不同的数据分析方法和工具转换数据来讲述叙述的模式、相关性、异常值和变化。在此阶段，您可以利用数据挖掘来识别数据库中的趋势，或利用数据可视化工具将数据转换为易于理解的图形格式。
解释- 通过解释分析结果来确定分析结果如何有效地解决您的初始查询。根据事实，可以提出哪些建议？你的结论有哪些限制？

数据可用于以多种方式回答问题并协助决策。要选择分析数据的最佳方法，您必须了解该领域广泛使用的四种数据分析类型可能会有所帮助。

我们将在以下部分详细讨论每一个 -

描述性分析是查看当前和过去的数据以发现模式和趋势的过程。它有时被称为查看数据的最简单方法，因为它显示了趋势和关系，而无需了解更多细节。

描述性分析易于使用，并且可能是几乎每个公司每天都会做的事情。Microsoft Excel 等简单统计软件或 Google Charts 和 Tableau 等数据可视化工具可以帮助分离数据、发现变量之间的趋势和关系，并直观地显示信息。

描述性分析是展示事物随时间变化的好方法。它还使用趋势作为更多分析的起点，以帮助做出决策。

这种类型的分析回答了“发生了什么？”的问题。

描述性分析的一些例子包括财务报表分析、调查报告。

诊断分析是使用数据来找出变量之间的趋势和相关性发生的原因的过程。这是使用描述性分析确定趋势之后的下一步。您可以使用算法或统计软件（例如 Microsoft Excel）手动进行诊断分析。

在进入诊断分析之前，您应该知道如何检验假设、相关性和因果关系之间的区别以及什么是诊断回归分析。

这种类型的分析回答了“为什么会发生这种情况？”的问题。

诊断分析的一些例子包括检查市场需求、解释客户Behave。

预测分析是使用数据来尝试弄清楚未来会发生什么的过程。它使用过去的数据来预测未来可能出现的情况，从而帮助制定战略决策。

这些预测可能是针对近期或未来的，例如预计当天晚些时候某台设备会发生故障，也可能是针对遥远的未来，例如预测公司明年的现金流量。

预测分析可以手动完成，也可以借助机器学习算法完成。无论哪种情况，过去的数据都用于猜测或预测未来会发生什么。

回归分析可以检测两个变量（线性回归）或三个或更多变量之间的联系，是一种预测分析方法（多元回归）。变量之间的联系以数学方程表示，可用于预测一个变量发生变化时的结果。

回归使我们能够深入了解该关系的结构，并提供数据与该关系的拟合程度的度量。这些见解对于评估过去的模式和制定预测非常有用。预测可以帮助我们制定数据驱动的计划并做出更明智的决策。

这种类型的分析回答了“未来可能发生什么？”的问题。

预测分析的一些例子包括营销-Behave目标、医疗保健-疾病或过敏反应的早期检测。

规范性分析是使用数据来找出下一步最好的做法的过程。这种类型的分析着眼于所有重要因素，并提出下一步行动的建议。这使得规范性分析成为基于数据做出决策的有用工具。

在规范性分析中，机器学习算法通常用于比人类更快、更高效地对大量数据进行排序。使用“if”和“else”语句，算法对数据进行排序并根据一组特定的要求提出建议。例如，如果数据集中至少 50% 的客户表示他们对您的客户服务团队“非常不满意”，则算法可能会建议您的团队需要更多培训。

重要的是要记住，算法可以根据数据提出建议，但它们不能取代人类的判断。规范性分析是一种应该用来帮助制定决策和制定策略的工具。您的判断很重要，需要为算法的结果提供背景和限制。

这种类型的分析回答了“我们下一步应该做什么？”的问题。

规范性分析的一些示例包括：投资决策、销售：潜在客户评分。