什么是数据分析？研究、类型和示例
编辑团队
什么是数据分析？
数据分析 数据分析被定义为对数据进行清洗、转换和建模，以发现可用于商业决策的有用信息的过程。数据分析的目的是……trac从数据中提取有用信息，并根据分析结果做出决策。
数据分析的一个简单例子就是我们在日常生活中做决定时，会思考上次发生了什么，或者如果我们选择某个选项会发生什么。这其实就是分析我们的过去或未来，并以此为基础做出决定，也就是回顾过去的记忆或预测未来的预期。分析师出于商业目的也会做同样的事情，这就是数据分析。
数据分析属于更广泛的领域。 数据科学它还涵盖数据工程、机器学习和部署。
为什么数据分析很重要？
要想发展你的事业，甚至发展你的人生，有时候你只需要做分析。
如果你的企业没有增长，你需要回顾过去，承认错误，并重新制定计划，避免重蹈覆辙。即使你的企业正在增长，你也需要展望未来，让它发展得更快。你需要做的就是分析你的业务数据和业务流程。
数据分析工具
下面描述的每个阶段都是通过软件完成的，下面的屏幕截图显示了分析工具呈现的界面类型。
数据分析工具使用户能够更轻松地处理和操作数据，分析数据集之间的关系和相关性，并识别模式和趋势以供解释。电子表格适用于小型数据集，SQL 查询适用于数据仓库。 Python 和 R 处理统计和建模，商业智能平台将结果发布到仪表板。以下是完整列表： 工具 用于研究。
数据分析类型：技术和方法
有几个 数据分析类型 现有的技术均基于商业和技术。然而，主要的数据分析方法包括：
- 文本分析
- 统计分析
- 诊断分析
- 预测分析
- 规范性分析
这五个部分环环相扣。下表列出了每个部分所回答的问题，接下来的章节将分别解释它们。
| 技术 | 它解答的问题 | 典型输出 |
|---|---|---|
| 文本分析 | 非结构化文本中隐藏着哪些模式？ | 主题、关键词、挖掘规则 |
| 统计分析 | 发生了什么事？ | 仪表盘、汇总统计信息 |
| 诊断分析 | 为什么会这样？ | 根本原因、行为模式 |
| 预测分析 | 可能会发生什么？ | 预测、风险评分 |
| 规范性分析 | 我们应该怎么办？ | 建议措施 |
文字分析
文本分析也称为数据挖掘。它是数据分析方法之一，用于利用数据库或文本分析工具发现大型数据集中的模式。 数据挖掘工具它将原始数据转化为商业信息。市面上的商业智能工具用于制定战略性商业决策。总而言之，它提供了一种扩展业务的方法。tract 并检查数据，找出规律，最后解释数据。
统计分析
统计分析利用历史数据，以仪表盘的形式展现“发生了什么？”。它包括数据的收集、分析、解释、呈现和建模，既可以处理完整数据集，也可以处理样本数据。这类分析分为两类：描述性分析和推断性分析。
Descript实证分析
Descript统计分析是对完整数据或数值数据样本进行总结。它报告连续数据的均值和标准差，以及分类数据的百分比和频数。
推理分析
推断分析是对从完整数据中抽取的样本进行分析。在这种分析方法中，通过选择不同的样本，可以从同一总体中得出不同的结论。
诊断分析
诊断分析通过探究统计分析结果背后的原因，揭示“为什么会发生这种情况？”。这种分析有助于识别数据中的行为模式。如果业务流程中出现新问题，您可以参考此分析结果，寻找类似的模式，并且很有可能找到适用于新问题的类似解决方案。
预测分析
预测分析利用历史数据来预测“可能发生的事情”。一个简单的数据分析例子：如果去年我用积蓄买了两个裙子，而今年我的工资翻了一番，那么我就可以买四个裙子了。当然，实际情况并非如此简单，因为你还需要考虑其他因素——今年的服装价格可能上涨了，或者你可能想要一辆新自行车而不是裙子，又或者你可能需要买房。
因此，这种分析方法基于当前或过去的数据对未来结果进行预测。预测只是一种估计；其准确性取决于你掌握的详细信息有多少以及你对信息进行深入挖掘的程度。
规范性分析
规范性分析结合了之前所有分析的洞见，以确定针对当前问题或决策应采取的行动。大多数数据驱动型公司都采用规范性分析，因为仅靠预测性分析和描述性分析不足以提升数据绩效。他们会根据当前情况和问题分析数据并做出决策。
数据分析流程
选择一种技术可以解答你想知道的问题；下面的流程则解释了这项工作是如何进行的。 数据分析流程 就是使用合适的应用程序或工具收集信息，以便探索数据并从中发现规律。基于这些信息，您可以做出决策或得出结论。
数据分析包括以下几个阶段：
- 数据需求收集
- 数据收集
- 数据清理
- 数据分析
- 数据解释
- 数据可视化
数据需求收集
首先，思考一下你为什么要进行这项数据分析。你需要明确分析数据的目的或目标，并决定要进行哪种类型的数据分析。在这个阶段，你需要确定分析的内容、分析方法，并阐明你进行这项研究的原因以及分析将使用的具体指标。
数据收集
需求收集完成后，您应该清楚需要衡量哪些指标以及预期结果是什么。现在，是时候根据这些需求收集数据了。收集完成后，必须对数据进行处理或整理，以便进行分析。由于数据来源多样，请务必记录每个数据集的收集日期和来源。
数据清理
收集到的数据可能无用，或者与您的目标无关，因此必须进行清洗。收集到的数据可能包含重复记录、多余的空格或错误。数据必须干净且无误。此阶段必须在分析之前完成，因为数据清洗的质量决定了输出结果与预期结果的接近程度。
数据分析
数据收集、清洗和处理完成后，即可进行分析。在处理数据的过程中，您可能会发现已经掌握了所需的信息，也可能需要收集更多信息。在此阶段，您需要使用数据分析软件来理解、解释数据，并根据需求得出结论。
资料解读
数据分析完成后，终于到了解读结果的时候了。您可以选择如何表达或传达分析结果——用文字直白地描述，或者用表格或图表的形式呈现。然后，利用数据分析的结果来决定最佳的行动方案。
数据图
数据可视化在日常生活中非常普遍，通常以图表的形式呈现。换句话说，数据以图形化的方式展现，以便人脑更容易理解和处理。数据可视化常用于发现未知的事实和趋势。通过观察数据之间的关系并比较不同的数据集，我们可以挖掘出有意义的信息。
