数据分析第2篇｜深入理解：探究四种常见的数据分析类型
在【数据分析第一篇｜概念扫盲】，通过三个故事简单给大家扫盲了一下数据分析的概念，让你可以快速理解数据分析的本质。但真实的数据分析肯定是要复杂的多。
我们提到数据分析就是从数据中提取有价值的信息的过程，目的是用于决策。数据分析是一个过程，是一个我们通过数据理解世界的一个过程。
在刘慈欣的科幻小说《三体》中，智子是一种超级人工智能，其能力和智慧远超人类。故事中三体人通过智子 锁死了人类科技。
其锁死人类科技的核心就是在微观层面干扰人类科学实结果，从而使人类科学家不能正确地开展数据分析，无法对物质深层的结构进行有效探索，失去了理解世界的能力，从而无法产生突破性的科学发展。
由此可见数据分析的重要性。这篇文章，我们就来聊一聊数据分析的四种类型，了解一下如何利用数据来帮助我们更好地理解世界。
第一类：描述型数据分析
我们都知道，所谓的数据是对事实的描述，比如说你的身高、体重、籍贯等等。对这些数据的描述本身也是一种分析。
举一个例子：最近我在看房子，每天会关注成都市二手房的成交量，比如说{2023年2月27日成都二手房成交了465套}
这就是描述型分析，如果你写过实证分析相关的论文，这个就是对数据的描述，比如说我上面提到的毕业论文，在完成数据处理后会做一个描述型统计分析：
2012年，国有企业控制下的上市公司数量达到了1176家，占比超过50%，到2016年，这个数字下降到了1015家，占比降至不到50%。与此同时，民营企业控制下的上市公司数量在同期内从978家增加到了1183家……第二类：探索性数据分析
探索性数据分析，有个英文名叫Exploratory Data Analysis，简称EDA。我们所说的一般意义上的数据分析就是指探索性分析。
所谓的探索性分析就是提出一个问题，然后通过数据的特征、规律、分布和异常等情况，给出问题的答案，辅助决策。
这也是一般企业里数据分析师的核心工作：比如说探究什么用户注册数变少了？为什么公司的GMV下滑了？等用户运营或者产品运营层面的问题。
讲一个故事：
2021年我在一家公司金融小贷部门做数据产品经理，主要做贷前的反欺诈产品。
有一天运营部门的同事突然发现，当天下午的3点-6点，申请贷款的用户暴增，而且比过往的每天平均客户数多了2倍多，而且还在持续增长，于是立刻汇报给了部门领导.
部门领导就给数据分析的同事抛出来一个问题：是什么原因导致用户数骤增？
数据分析的同学接到任务，立刻着手进行数据分析，拉出当天3~6点申请贷款的客户的全部信息：性别、年龄、籍贯、手机号、婚姻状态，驾照信息、申请地点等等……
经过几个小时的分析，最终得出结论：这是一起无组织的集体撸贷行为。
原因也很简单：这些客户分散在全国各地，申请时间高度集中，而且申请的贷款流程中约50%的人上传的都是同一个驾照信息。
作为一名优秀的数据分析师，并不会甘于只做探索性分析，而是会给出指导和改进的建议。
比如说我上面讲的的故事里，我们部门在发现了这个问题后，给业务部门提出了优化建议：建议在贷款流程中加入驾照身份核验，必须要身份信息和驾照信息一致才能申请贷款。
因为有数据支撑，业务部门也很快采纳了我们的建议。
第三类：指导性数据分析
指导性分析，英文名叫Confirmatory Data Analysis，简称CDA。
别被它的名字给误导了，基本大多数研究生和博士生论文都是指导性分析，也就是所谓的实证分析。
它要求你在做数据分析前，先明确研究问题，并提出假设，然后通过严格的统计方法和模型验证，对数据进行检验和分析，以验证研究假设的有效性和可靠性。
和探索性分析不同，指导性分析的目标是验证数据分析中的假设和研究结论是否正确，它需要做出明确的假设，并通过统计模型和验证方法来检验假设的有效性，以确保分析结果的可靠性。
CDA通常是在EDA之后进行，当我们已经了解数据并发现有趣的关系时，需要进行进一步的验证和检验。
CDA在科学研究和数据分析中非常重要，因为它可以帮助我们确定研究结论的有效性，并排除偶然性和误差的影响。
同时，CDA也可以帮助我们发现数据中的异常和离群值，以及其他可能影响分析结论的因素。
第四类：预测性数据分析
预测性分析，又叫Predictive Analytics。这个概念有点晦涩，但却早已飞入寻常百姓家。
预测分析是指通过对历史数据和趋势的分析和建模，预测未来事件或行为的发生概率或趋势。
它的目标是利用现有的数据建立预测模型，它可以帮助决策者更好地理解未来发展趋势和可能发生的事件，以便制定更加科学的决策和策略或者让用户更加上瘾。
看到这个，你是不是想起了抖音、快手、微信视频号。没错，这类短视频工具无一例外地使用了预测性数据分析，它可以将你的注意力数据作为输入，输出你更为感兴趣的视频 ，让你越刷越想刷，越刷越停不下来。
抖音２小时，人间五分钟。就是这么来的。
预测性分析有较高的技术门槛，它需要完整的数据清洗、特征选择、模型选择和评估等步骤。
在建立预测模型时，我们需要选择合适的特征和算法，并对模型进行训练和优化，以达到最佳的预测效果。
这些从业人员也一般称之为算法工程师，而不再是数据分析师了。
-----------------------------
页:
[1]