數(shù)據(jù)分析第2篇｜深入理解：探究四種常見(jiàn)的數(shù)據(jù)分析類型

科技閻羅

登錄/注冊(cè)后可看大圖

在【數(shù)據(jù)分析第一篇｜概念掃盲】，通過(guò)三個(gè)故事簡(jiǎn)單給大家掃盲了一下數(shù)據(jù)分析的概念，讓你可以快速理解數(shù)據(jù)分析的本質(zhì)。但真實(shí)的數(shù)據(jù)分析肯定是要復(fù)雜的多。
?我們提到數(shù)據(jù)分析就是從數(shù)據(jù)中提取有價(jià)值的信息的過(guò)程，目的是用于決策。數(shù)據(jù)分析是一個(gè)過(guò)程，是一個(gè)我們通過(guò)數(shù)據(jù)理解世界的一個(gè)過(guò)程。
在劉慈欣的科幻小說(shuō)《三體》中，智子是一種超級(jí)人工智能，其能力和智慧遠(yuǎn)超人類。故事中三體人通過(guò)智子 鎖死了人類科技。
其鎖死人類科技的核心就是在微觀層面干擾人類科學(xué)實(shí)結(jié)果，從而使人類科學(xué)家不能正確地開(kāi)展數(shù)據(jù)分析，無(wú)法對(duì)物質(zhì)深層的結(jié)構(gòu)進(jìn)行有效探索，失去了理解世界的能力，從而無(wú)法產(chǎn)生突破性的科學(xué)發(fā)展。
由此可見(jiàn)數(shù)據(jù)分析的重要性。這篇文章，我們就來(lái)聊一聊數(shù)據(jù)分析的四種類型，了解一下如何利用數(shù)據(jù)來(lái)幫助我們更好地理解世界。
第一類：描述型數(shù)據(jù)分析

我們都知道，所謂的數(shù)據(jù)是對(duì)事實(shí)的描述，比如說(shuō)你的身高、體重、籍貫等等。對(duì)這些數(shù)據(jù)的描述本身也是一種分析。
舉一個(gè)例子：最近我在看房子，每天會(huì)關(guān)注成都市二手房的成交量，比如說(shuō){2023年2月27日成都二手房成交了465套}
這就是描述型分析，如果你寫過(guò)實(shí)證分析相關(guān)的論文，這個(gè)就是對(duì)數(shù)據(jù)的描述，比如說(shuō)我上面提到的畢業(yè)論文，在完成數(shù)據(jù)處理后會(huì)做一個(gè)描述型統(tǒng)計(jì)分析：

2012年，國(guó)有企業(yè)控制下的上市公司數(shù)量達(dá)到了1176家，占比超過(guò)50%，到2016年，這個(gè)數(shù)字下降到了1015家，占比降至不到50%。與此同時(shí)，民營(yíng)企業(yè)控制下的上市公司數(shù)量在同期內(nèi)從978家增加到了1183家……

第二類：探索性數(shù)據(jù)分析

探索性數(shù)據(jù)分析，有個(gè)英文名叫Exploratory Data Analysis，簡(jiǎn)稱EDA。我們所說(shuō)的一般意義上的數(shù)據(jù)分析就是指探索性分析。
所謂的探索性分析就是提出一個(gè)問(wèn)題，然后通過(guò)數(shù)據(jù)的特征、規(guī)律、分布和異常等情況，給出問(wèn)題的答案，輔助決策。
這也是一般企業(yè)里數(shù)據(jù)分析師的核心工作：比如說(shuō)探究什么用戶注冊(cè)數(shù)變少了？為什么公司的GMV下滑了？等用戶運(yùn)營(yíng)或者產(chǎn)品運(yùn)營(yíng)層面的問(wèn)題。
講一個(gè)故事：
2021年我在一家公司金融小貸部門做數(shù)據(jù)產(chǎn)品經(jīng)理，主要做貸前的反欺詐產(chǎn)品。
有一天運(yùn)營(yíng)部門的同事突然發(fā)現(xiàn)，當(dāng)天下午的3點(diǎn)-6點(diǎn)，申請(qǐng)貸款的用戶暴增，而且比過(guò)往的每天平均客戶數(shù)多了2倍多，而且還在持續(xù)增長(zhǎng)，于是立刻匯報(bào)給了部門領(lǐng)導(dǎo).
部門領(lǐng)導(dǎo)就給數(shù)據(jù)分析的同事拋出來(lái)一個(gè)問(wèn)題：是什么原因?qū)е掠脩魯?shù)驟增？
數(shù)據(jù)分析的同學(xué)接到任務(wù)，立刻著手進(jìn)行數(shù)據(jù)分析，拉出當(dāng)天3~6點(diǎn)申請(qǐng)貸款的客戶的全部信息：性別、年齡、籍貫、手機(jī)號(hào)、婚姻狀態(tài)，駕照信息、申請(qǐng)地點(diǎn)等等……
經(jīng)過(guò)幾個(gè)小時(shí)的分析，最終得出結(jié)論：這是一起無(wú)組織的集體擼貸行為。
原因也很簡(jiǎn)單：這些客戶分散在全國(guó)各地，申請(qǐng)時(shí)間高度集中，而且申請(qǐng)的貸款流程中約50%的人上傳的都是同一個(gè)駕照信息。
作為一名優(yōu)秀的數(shù)據(jù)分析師，并不會(huì)甘于只做探索性分析，而是會(huì)給出指導(dǎo)和改進(jìn)的建議。
比如說(shuō)我上面講的的故事里，我們部門在發(fā)現(xiàn)了這個(gè)問(wèn)題后，給業(yè)務(wù)部門提出了優(yōu)化建議：建議在貸款流程中加入駕照身份核驗(yàn)，必須要身份信息和駕照信息一致才能申請(qǐng)貸款。
因?yàn)橛袛?shù)據(jù)支撐，業(yè)務(wù)部門也很快采納了我們的建議。
第三類：指導(dǎo)性數(shù)據(jù)分析

指導(dǎo)性分析，英文名叫Confirmatory Data Analysis，簡(jiǎn)稱CDA。
別被它的名字給誤導(dǎo)了，基本大多數(shù)研究生和博士生論文都是指導(dǎo)性分析，也就是所謂的實(shí)證分析。
它要求你在做數(shù)據(jù)分析前，先明確研究問(wèn)題，并提出假設(shè)，然后通過(guò)嚴(yán)格的統(tǒng)計(jì)方法和模型驗(yàn)證，對(duì)數(shù)據(jù)進(jìn)行檢驗(yàn)和分析，以驗(yàn)證研究假設(shè)的有效性和可靠性。
和探索性分析不同，指導(dǎo)性分析的目標(biāo)是驗(yàn)證數(shù)據(jù)分析中的假設(shè)和研究結(jié)論是否正確，它需要做出明確的假設(shè)，并通過(guò)統(tǒng)計(jì)模型和驗(yàn)證方法來(lái)檢驗(yàn)假設(shè)的有效性，以確保分析結(jié)果的可靠性。
CDA通常是在EDA之后進(jìn)行，當(dāng)我們已經(jīng)了解數(shù)據(jù)并發(fā)現(xiàn)有趣的關(guān)系時(shí)，需要進(jìn)行進(jìn)一步的驗(yàn)證和檢驗(yàn)。
CDA在科學(xué)研究和數(shù)據(jù)分析中非常重要，因?yàn)樗梢詭椭覀兇_定研究結(jié)論的有效性，并排除偶然性和誤差的影響。
同時(shí)，CDA也可以幫助我們發(fā)現(xiàn)數(shù)據(jù)中的異常和離群值，以及其他可能影響分析結(jié)論的因素。
第四類：預(yù)測(cè)性數(shù)據(jù)分析

預(yù)測(cè)性分析，又叫Predictive Analytics。這個(gè)概念有點(diǎn)晦澀，但卻早已飛入尋常百姓家。
預(yù)測(cè)分析是指通過(guò)對(duì)歷史數(shù)據(jù)和趨勢(shì)的分析和建模，預(yù)測(cè)未來(lái)事件或行為的發(fā)生概率或趨勢(shì)。
它的目標(biāo)是利用現(xiàn)有的數(shù)據(jù)建立預(yù)測(cè)模型，它可以幫助決策者更好地理解未來(lái)發(fā)展趨勢(shì)和可能發(fā)生的事件，以便制定更加科學(xué)的決策和策略或者讓用戶更加上癮。
看到這個(gè)，你是不是想起了抖音、快手、微信視頻號(hào)。沒(méi)錯(cuò)，這類短視頻工具無(wú)一例外地使用了預(yù)測(cè)性數(shù)據(jù)分析，它可以將你的注意力數(shù)據(jù)作為輸入，輸出你更為感興趣的視頻 ，讓你越刷越想刷，越刷越停不下來(lái)。

登錄/注冊(cè)后可看大圖

抖音２小時(shí)，人間五分鐘。就是這么來(lái)的。
預(yù)測(cè)性分析有較高的技術(shù)門檻，它需要完整的數(shù)據(jù)清洗、特征選擇、模型選擇和評(píng)估等步驟。
在建立預(yù)測(cè)模型時(shí)，我們需要選擇合適的特征和算法，并對(duì)模型進(jìn)行訓(xùn)練和優(yōu)化，以達(dá)到最佳的預(yù)測(cè)效果。
這些從業(yè)人員也一般稱之為算法工程師，而不再是數(shù)據(jù)分析師了。

-----------------------------