原文：
www.kdnuggets.com/2023/04/data-analytics-four-approaches-analyzing-data-effectively.html
图片来自 Leeloo Thefirst
你是否曾希望拥有一个水晶球，能告诉你企业的未来？虽然我们不能承诺你看到未来的神秘景象，但我们确实有下一个最佳选择：数据分析。
1. Google 网络安全证书 - 快速进入网络安全职业。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你所在组织的 IT 工作
在今天这个数据驱动的世界中，企业收集和生成大量数据变得轻而易举。然而，仅仅拥有数据是不够的。
作为企业，你需要能够理解数据并以一种能够帮助你做出更好决策的方式使用它。这就是数据分析的作用。数据分析指的是检查数据以提取洞察和做出明智决策的过程。
根据统计数据，数据分析市场正在快速增长，预计到 2029 年将达到超过 6500 亿美元。这显示了数据分析在企业和全球经济中日益增长的重要性。
未来是数据驱动的。从预测客户行为到识别优化领域，数据分析可以帮助企业揭示隐藏在数据中的秘密，并推动更好的结果。但面对如此众多的工具和技术，知道从哪里开始可能会让人感到不知所措。
这篇文章将带你了解数据分析，并探讨分析数据的四种方法。通过阅读这篇文章，你将掌握利用数据的力量和做出明智决策的知识，这将使你的企业达到新的高度。
图片来自 HBS
描述性分析是一种数据分析类型，它专注于描述和总结数据以获得对过去发生了什么的洞察。它通常用于回答诸如“发生了什么？”和“多少？”的问题。
描述性分析可以帮助企业和组织理解他们的数据，并识别可以指导决策的模式和趋势。
下面是一些描述性分析的实际例子：
-
一家零售店可能会分析历史销售数据，以识别热门产品和趋势。例如，人们往往在二月份购买更多糖果。
-
患者数据可以被总结以识别常见的健康问题。例如，大多数人从十月到六月之间会得流感。
-
学生表现数据可以被分析以识别需要改进的领域。例如，大多数不及格微积分的学生经常迟到。
要有效地使用描述性分析，你需要确保数据的准确性和高质量。使用清晰简明的可视化工具以有效传达洞察也至关重要。
预测分析使用统计学和机器学习技术来分析历史数据并预测未来事件。它通常用于回答诸如“可能会发生什么？”和“如果？”的问题。
预测分析非常有用，因为它可以帮助你规划未来。它可以帮助改善业务操作、降低成本并增加收入。例如，你可以预测销售基于季节性和以前的销售数据如何表现。如果你的预测分析告诉你销售在冬季可能会减少，你可以利用这些信息为这个季节设计一个有效的营销活动。
下面是一些实际的预测分析应用例子：
-
一家银行可能会使用预测分析来评估信用风险，并决定是否向客户发放贷款。在开放银行业务中，预测分析可以帮助建立针对每个客户的高度个性化行为模型，并以新的方式识别其信用状况。对客户而言，这可能意味着更好且更便宜的访问银行账户、信用卡和抵押贷款。
-
在营销中，预测分析可以帮助识别哪些客户最有可能响应特定的优惠。
-
在医疗保健中，预测分析可以用来识别有风险发展某种疾病的患者。
-
在制造业中，预测分析可以用来预测需求和优化供应链管理。
然而，有效使用预测分析也面临一些挑战。一个挑战是获取高质量数据，这对于准确预测至关重要。另一个挑战是选择合适的建模技术来分析数据并做出准确预测。最后，将预测分析结果传达给决策者可能是具有挑战性的，因为所使用的技术可能复杂且难以理解。
处方分析是一种超越描述性和预测性分析的数据分析方法，它提供了应采取行动的建议。换句话说，这种方法涉及使用优化技术来确定最佳行动方案，考虑一组约束条件和目标。
它通常用于回答诸如“我们应该做什么？”和“我们如何改进？”的问题。
要有效实施它，需要深入理解所分析的数据以及模拟不同情景以确定最佳行动方案的能力。因此，这是四种方法中最复杂的一种。
处方分析可以帮助解决各种问题，包括产品组合、劳动力规划、营销组合、资本预算和容量管理。
图片由Pixabay提供
处方分析的最佳示例是在高峰时段使用谷歌地图获取路线。该软件考虑了所有交通方式和交通状况，以计算最佳路线。运输公司可能以这种方式使用处方分析来优化配送路线并降低燃料成本。特别是考虑到燃料成本的上升，这一点尤为重要。例如，在加拿大，平均每人每年花费约$2,000仅用于燃料，而在美国，家庭每年将近花费 2.24%的总收入用于燃料。
然而，与预测分析一样，使用处方分析也存在一些挑战。第一个挑战是获取高质量数据，这是准确分析和优化所必需的。另一个挑战是使用的优化算法的复杂性，这可能需要专门的技能和知识才能有效实施。
诊断分析是一种超越描述性分析的数据分析类型，用于识别问题或故障的根本原因。它回答诸如“为什么会发生？”和“是什么导致的？”的问题。例如，你可以使用诊断分析来确定为什么你的 1 月销售额下降了 50%。
诊断分析涉及探索和分析数据，以识别可以帮助解释问题或故障的关系和关联。这可以通过回归分析、假设检验和因果分析等技术来完成。
真实案例包括：
-
你可以使用诊断分析来识别生产过程中质量问题的根本原因。
-
你还可以利用它来找出客户投诉背后的原因，并提供有针对性的解决方案。
-
如果出现网络威胁，你还可以利用它来识别安全漏洞的来源并防止未来的攻击。
使用诊断分析有很多好处，比如识别问题和故障的根本原因，并制定有针对性的解决方案。但与之前两种数据分析方法一样，也存在一些挑战需要考虑。首先，获取高质量的数据和确保准确分析及洞察可能比较困难。其次，分析技术可能非常复杂，实施起来可能需要专业的技能和知识。
| 方法 | 定义 | 回答的问题 |
|---|---|---|
| 描述性 | 描述和总结数据，以获取有关过去发生情况的洞察。 |
-
发生了什么？
-
多少？
|
| 诊断性 | 确定问题或故障的根本原因 |
|---|
-
为什么会发生？
-
造成了什么？
|
| 预测性 | 分析历史数据并对未来事件做出预测。 |
|---|
-
可能会发生什么？
-
如果发生了什么？
|
| 处方性 | 基于分析提供建议的行动方案。 |
|---|
-
我们应该怎么做？
-
我们如何改进？
|
虽然四种数据分析方法各有其优缺点，但为特定问题选择最合适的方法对于实现期望结果至关重要。选择方法时需要考虑的一些因素可能包括：
所处理问题的性质。不同的问题需要不同的方法。例如，你可以使用：
-
描述性分析总结客户反馈数据并识别客户需求模式
-
诊断分析用于识别影响销售业绩变化的因素
-
预测性分析预测产品的未来需求
-
处方性分析优化制造设施中的生产计划
可用数据的类型和质量。确保数据准确、完整和相关也很重要。这可能涉及清理、转换或其他准备工作，以确保数据适合所选择的方法。在许多情况下，数据准备可能是一个耗时且反复的过程，并且可能需要专业的工具或专长。
可用于分析的资源和技能。要进行有效的数据分析，还需要具备适当的技能和工具。这可能包括统计分析软件、编程语言和可视化工具。对于数据分析师，一些常见的技能可能会有用，包括数据清理、数据可视化、机器学习和统计推断。
从上面的讨论中可以看出，数据分析是一个强大的工具，可以提供有价值的见解并推动业务增长。通过了解和利用四种不同的数据分析方法，企业可以更好地理解数据，做出更明智的决策。
然而，选择分析方法时，重要的是要仔细考虑您业务的具体需求和目标，并了解每种方法的优缺点。
终极地，通过选择正确的方法并有效地实施，企业可以获得竞争优势，实现长期成功。所以，勇敢地探索数据分析的激动人心的世界吧——可能性是无穷无尽的！
Nate Rosidi 是一名数据科学家，并从事产品战略工作。他还是一名兼职教授，教授分析课程，并且是 StrataScratch，一个帮助数据科学家准备顶级公司真实面试问题的平台的创始人。通过 Twitter: StrataScratch 或 LinkedIn 与他联系。