欢迎来到我们为期一个月的“数据解密”系列的第四部分。作为数据素养月的一部分，本系列将澄清数据世界中的关键概念，回答您可能不敢问的问题，并在过程中保持趣味性。如果您想从头开始，请阅读本系列的第一篇：什么是数据集？
在本篇中，我们将从描述性到规范性，探讨不同类型的分析，识别数据可以回答的不同问题类型，列举示例，等等。
四类问题，对应四种分析
数据几乎可以用来回答无限多的问题，但我们可以将这些问题划分为四个类别。这自然对应着不同类型的数据分析：每种问题类别都对应一种分析类型。
|
问题类型
|
分析类型
|
|
发生了什么？
|
描述性分析
|
|
为什么会发生？
|
诊断性分析
|
|
将会发生什么？
|
预测性分析
|
|
我们如何让它发生？
|
规范性分析
|
这四种分析类型按复杂度递增排列。根据数据项目的范围，完成一次完整的分析可能需要组合使用多种分析方法。
在深入探讨不同类型的分析之前，我们先用一个患者看医生的真实场景来类比。首先，医生会检查患者，描述其症状。接着，医生会尝试诊断引发这些症状的医学问题。第三，医生会尝试预测症状随着时间如何变化（患者会好转还是恶化）。最后，医生会为患者开出治疗方案。
描述性分析：理解发生了什么
描述性分析回答“正在发生什么？”或“发生了什么？”这类问题。
描述性分析的主要技术是计算汇总统计和绘制数据可视化。汇总统计包括数据计数、均值和中位数等平均值，以及极差和标准差等离散程度的度量。
您可以在下一篇“数据解密：描述性统计概览”中进一步了解汇总统计。此外，您也可以查看这份可视化速查表，深入了解数据可视化。
描述性分析示例
让我们看一个示例。假设您想了解公司收入的驱动因素。您对销售数据做描述性分析，回答如下问题：
- 上个月完成了多少笔销售？（销售笔数。）
- 平均交易金额是多少？（平均销售价格。）
- 各门店总销售额之间的差异有多大？（按门店汇总销售额的标准差。）
- 每天的总销售额是多少？（日期对总销售额的折线图。）
诊断性分析：理解原因
描述性分析往往会引出新问题。在销售示例中，您可能会发现某个星期四的总销售额出人意料地低。知道“发生了什么”是有帮助的起点，但并不足以作为分析的结论。接下来显而易见的问题是：“为什么那个星期四的销售额会这么低？”
这个问题需要进行诊断性分析。一般来说，诊断性分析回答“为什么会发生某件事？”这类问题。通常，这件事是一个异常高或异常低的数值，也称为离群值。
诊断性分析通常包括以下步骤：
- 提出假设，解释异常现象发生的原因。
- 获取与可能原因相关的数据。
- 对数据子集进行描述性分析（“数据挖掘”）。
- 拟合回归等统计模型，考察原因与异常现象之间的关系。
需要注意的是，在很多情况下，您只能确定测量对象与疑似原因之间存在关系，无法证明它确实是因果关系。在即将发布的一篇“数据解密”文章中，我们将讨论相关性与因果性的陷阱。
诊断性分析示例
回到我们的销售示例，在发现上个月某个星期四的总销售额异常偏低后，您决定对销售数据进行诊断性分析。
- 提出假设：您的第一个假设是，网站宕机导致线上销售受阻，从而使销售额降低。
- 获取数据：您调取了网站性能数据。
- 描述性分析：您绘制了性能随时间变化的折线图，但没有看到那个星期四的下滑。接着，您按线上与门店分别统计总销售额，发现较低的销售额出现在某个国家地区的门店渠道。
- 提出新的假设：您想起该地区在那个星期四遇到强烈风暴，并据此假设这可能让顾客望而却步。
- 获取数据：您为每家门店调取了天气数据。
- 拟合统计模型：您为总销售数据拟合了一个时间序列模型，并将天气作为模型输入。结果显示，恶劣天气与较低销售额存在相关性。
预测性分析：理解将会发生什么
数据分析不仅能帮助您理解过去。第三类分析围绕预测展开。这些预测可以是面向未来的，此时称为预测或预报，但并不局限于此。预测也可以用于判断客户是否属于某些客户细分，或某笔交易是否欺诈。预测性分析主要依赖统计模型，不过在预测语境中，人们常称之为机器学习模型。
您可以在“数据解密”系列的第三篇中，进一步了解机器学习，以及数据科学、人工智能、机器学习与深度学习的区别。
预测性分析示例
在诊断出低销售额的问题后，您的老板开始担心下个季度，想知道未来几个月的收入会怎样。因此，您使用之前的同一时间序列模型，这次用于预测未来的销售额。
您的老板还想了解应重点触达哪些潜在客户，即哪些人最有可能购买。为此，您基于客户特征（如过往购买记录和预估收入）创建了一个机器学习模型，用于预测他们进行购买的概率。
规范性分析：我们如何让它发生？
数据分析的一大好处是可以帮助您做出更好的决策。也就是说，与其凭直觉，不如做出数据驱动的决策。规范性分析帮助您回答“我们应该怎么做？”这类问题。
规范性分析所使用的技术基于诊断性和预测性分析中的机器学习模型，使您能够探索不同情景。此外，规范性分析还包括优化，从多种选择中找出最优方案。
规范性分析示例
您的老板进退维谷。收入预测没有达到董事会的预期，因此老板现在面临提升收入的压力。他们请您提出一个数据驱动的解决方案。
- 您与老板共同提出了一些可能的情景，包括调整门店/线上销售占比，以及调整关键产品的价格。
- 您使用预测性分析，对每种情景进行预测。
- 在发现一些有前景的情景后，您再通过优化将其打磨为最佳方案。
想要了解更多？
希望您喜欢这篇关于不同类型数据分析的简短介绍。在下一篇文章中，我们将更深入地探讨描述性分析，重点关注描述性分析中的统计技术。
欢迎来到我们为期一个月的“数据解密”系列的第四部分。作为数据素养月的一部分，本系列将澄清数据世界中的关键概念，回答您可能不敢问的问题，并在过程中保持趣味性。如果您想从头开始，请阅读本系列的第一篇：什么是数据集？
在本篇中，我们将从描述性到规范性，探讨不同类型的分析，识别数据可以回答的不同问题类型，列举示例，等等。
四类问题，对应四种分析
数据几乎可以用来回答无限多的问题，但我们可以将这些问题划分为四个类别。这自然对应着不同类型的数据分析：每种问题类别都对应一种分析类型。
问题类型
分析类型
发生了什么？
描述性分析
为什么会发生？
诊断性分析
将会发生什么？
预测性分析
我们如何让它发生？
规范性分析
这四种分析类型按复杂度递增排列。根据数据项目的范围，完成一次完整的分析可能需要组合使用多种分析方法。
在深入探讨不同类型的分析之前，我们先用一个患者看医生的真实场景来类比。首先，医生会检查患者，描述其症状。接着，医生会尝试诊断引发这些症状的医学问题。第三，医生会尝试预测症状随着时间如何变化（患者会好转还是恶化）。最后，医生会为患者开出治疗方案。
描述性分析：理解发生了什么
描述性分析回答“正在发生什么？”或“发生了什么？”这类问题。
描述性分析的主要技术是计算汇总统计和绘制数据可视化。汇总统计包括数据计数、均值和中位数等平均值，以及极差和标准差等离散程度的度量。
您可以在下一篇“数据解密：描述性统计概览”中进一步了解汇总统计。此外，您也可以查看这份可视化速查表，深入了解数据可视化。
描述性分析示例
让我们看一个示例。假设您想了解公司收入的驱动因素。您对销售数据做描述性分析，回答如下问题：
诊断性分析：理解原因
描述性分析往往会引出新问题。在销售示例中，您可能会发现某个星期四的总销售额出人意料地低。知道“发生了什么”是有帮助的起点，但并不足以作为分析的结论。接下来显而易见的问题是：“为什么那个星期四的销售额会这么低？”
这个问题需要进行诊断性分析。一般来说，诊断性分析回答“为什么会发生某件事？”这类问题。通常，这件事是一个异常高或异常低的数值，也称为离群值。
诊断性分析通常包括以下步骤：
需要注意的是，在很多情况下，您只能确定测量对象与疑似原因之间存在关系，无法证明它确实是因果关系。在即将发布的一篇“数据解密”文章中，我们将讨论相关性与因果性的陷阱。
诊断性分析示例
回到我们的销售示例，在发现上个月某个星期四的总销售额异常偏低后，您决定对销售数据进行诊断性分析。
预测性分析：理解将会发生什么
数据分析不仅能帮助您理解过去。第三类分析围绕预测展开。这些预测可以是面向未来的，此时称为预测或预报，但并不局限于此。预测也可以用于判断客户是否属于某些客户细分，或某笔交易是否欺诈。预测性分析主要依赖统计模型，不过在预测语境中，人们常称之为机器学习模型。
您可以在“数据解密”系列的第三篇中，进一步了解机器学习，以及数据科学、人工智能、机器学习与深度学习的区别。
预测性分析示例
在诊断出低销售额的问题后，您的老板开始担心下个季度，想知道未来几个月的收入会怎样。因此，您使用之前的同一时间序列模型，这次用于预测未来的销售额。
您的老板还想了解应重点触达哪些潜在客户，即哪些人最有可能购买。为此，您基于客户特征（如过往购买记录和预估收入）创建了一个机器学习模型，用于预测他们进行购买的概率。
规范性分析：我们如何让它发生？
数据分析的一大好处是可以帮助您做出更好的决策。也就是说，与其凭直觉，不如做出数据驱动的决策。规范性分析帮助您回答“我们应该怎么做？”这类问题。
规范性分析所使用的技术基于诊断性和预测性分析中的机器学习模型，使您能够探索不同情景。此外，规范性分析还包括优化，从多种选择中找出最优方案。
规范性分析示例
您的老板进退维谷。收入预测没有达到董事会的预期，因此老板现在面临提升收入的压力。他们请您提出一个数据驱动的解决方案。
想要了解更多？
希望您喜欢这篇关于不同类型数据分析的简短介绍。在下一篇文章中，我们将更深入地探讨描述性分析，重点关注描述性分析中的统计技术。