数据分析导论
数据分析被定义为一种技术，通过对数据进行清理、转换、检查和建模等过程来执行市场分析，收集数据的隐藏洞察，从而提高生产力和业务增长，改进业务研究，并使用数据分析工具（如Tableau、Power BI、R和Python、Apache Spark等）基于可用数据生成报告。
它指的是分析数据以提高生产力和业务增长的技术。它是检查、清理、转换和建模数据的过程。
Hadoop、数据科学、统计和；其他
为什么我们需要数据分析
我们需要数据分析，主要原因如下：
- 收集隐藏的见解</李>
- 根据可用数据生成报告</李>
- 进行市场分析</李>
- 改进商业策略</李>
谁是数据分析师
数据分析师是从各种来源、结构和模型收集数据，以找到生成报告的模式的人。各个行业都试图收集一组不同的数据，从中创建一个模型。例如，制造业公司会记录各种参数，比如制造单元的队列状态，以及如何将其与质量保证、包装和存储单元等其他单元同步，以确保停机时间最小化。这里的想法是减少资源的闲置使用，这将在不影响成本的情况下提高生产率。与制造业一样，游戏业等其他行业也会跟踪用户的奖励，食品配送公司可以跟踪特定人口结构中人们的饮食习惯。
所需的基本步骤
现在我们将讨论数据分析的一些基本步骤：
 ；
第一步：这里的主要任务是分析数据。在当前的结构中，大多数传统行业甚至不知道他们已经拥有的数据，因为在早期，交互数据和事务数据之间没有明确的区别。因此，在实现机器学习或人工智能的情况下，最大的挑战是找出数据所在的位置以及数据是如何存在的。这涉及到对大量数据进行数据分析，并找出数据正确性、数据完整性、空百分比等属性，尤其是可用数据的相关性和分类。
第2步：然后我们需要使用任何非结构化数据存储方法来存储这些数据。这与通过现有的大数据基础设施处理非结构化数据是一样的。现代的存储基础设施不同于传统的RDBMS。现在，大数据基础设施可以从非结构化数据中提取信息，比如Facebook评论或通过电子邮件发送的消息。
第3步：下一步是在对数据进行分类和分组后构建模型。一旦准备好数据模型，系统将开始提取信息。
第4步：一旦数据开始流动，就可以关联和处理各种数据，如交互数据和事务数据，以建立一种模式，这种模式不仅能够创建历史数据报告，而且在输入人工智能引擎时，还能够为未来定义明确的策略。
数据分析的类型
下面将解释各种类型。
1。描述性分析
这种分析告诉企业什么是正确的，什么是错误的。例如，当一家餐厅得知，那些订购过披萨的用户继续重新订购披萨，但他们的意大利饭没有重新订购。这给了餐厅一个提示，他们应该改进意大利调味饭的配方，并将重点放在披萨上，以保持生意的运转。
2。诊断分析
这告诉你为什么会发生这样的事情，如果你以黑莓为例，数据显示，随着iPhone市场开始蓬勃发展，他们的触摸屏手机没有键盘，黑莓手机的销量下降，这家公司的市场份额大幅下降。这是一个诊断分析的实际例子。
3。预测分析
这种分析策略告诉企业可能发生什么。另一个现实生活中的例子是柯达。他们很晚才意识到电影摄影最终将灭绝，新的未来将是数字化的，因此他们的预测分析失败，尼康、佳能、索尼等公司占领了市场。柯达进军数码相机市场太晚了，对他们来说已经结束了。
4。规定性分析
该分析旨在理解和描述未来的行动方针，以发展或维持当前业务。通常，公司使用机器学习技术和算法来定义未来的业务规则。这方面的一个例子是，任何一家电信公司都知道，随着手机的计算能力越来越强，通话的优先级将降低，重点将增加对移动数据的消耗。
常用工具
让我们来看看一些广泛使用的数据分析工具，以及在这一领域处于市场领先地位的一些工具：
- 表格：连接到各种数据源后，可以创建数据可视化、仪表板和分析报告。该工具适用于非结构化数据，因此与大数据兼容</李>
- Power BI:以前它是MS Excel的扩展，后来它变成了一个单独的工具。它是轻量级的，并且经常更新</李>
- R和Python:如果你喜欢自定义编码和定制，那么R和Python就是你的选择。R更适用于统计分析，而Python内置了现成的数据分析库</李>
- Apache Spark:Apache Spark是一款快速、轻量级、大规模的数据处理器，它可以执行大数据集群中的数据，并可以快速处理大量数据</李>
结论
我们可以说，正确地使用数据可以为任何业务提供新的见解，从而确保资源的有效利用，更好地了解客户和市场，最终实现业务增长。
