~数据分析知识分享~

近来有一些小伙伴咨询数据分析相关的一些知识内容 我收集了一些相关信息 在这里简单做一些分享和介绍,后续有相关的内容我也会持续的更新!感谢大家的支持与陪伴!

拆解问题一个原则四类方法

数据分析工程技术

数据分析四种类型 六个方向 + 分析师层级

万能问题确认公式

数据分析认知知识点

  • 数据自身三大属性

    • 客观
    • 量化
    • 机器可处理
  • 数据建设的七个层级

    • 凭感觉
    • 看数字
    • 用表格
    • 搭系统
    • 建数仓
    • 中心化
    • 智能化
  • 数据分析实际价值

    • 个人价值
      • 效率提升
    • 公司价值

      • 映射现状,及时反馈
      • 统一认知,加强协作
      • 算法基础,自动生产
    • 时代价值
      • 数据是一切科学研究的基础
  • 数据分析的实现原理

    • 数据分析解决问题的原理

      • 业务中的数据分析是为了更好的解决现实问题
      • 传统:问题发生------结合现实------逻辑推理------得出结论
      • 数据:问题发生------结合现实------数据映射------量化分析------得出结论
    • 数据分析实现的具体流程

      • 定义问题

        • 明确范围
        • 拆解问题
      • 准备数据

        • 获取数据
        • 清洗数据
        • 处理数据
        • 验证数据
      • 分析数据

        • 分析的目的

          • 业务分析:关注数据与业务的关联性、映射关系和可解释性

            • 常规计算
            • 数据可视化
            • 归纳/演绎
          • 建模分析:关注数据的整体特征(特征决定上限,模型调参无限趋近于上限)

            • 机器学习建模
            • 深度学习挖掘
        • 分析的种类

          • 计算型分析

            • 统计学
            • 机器学习
          • 逻辑型分析

            • 归纳/演绎
            • 思维模型
      • 得出结论

        • 假设性结论
        • 初步传递结论
        • 得到新的反馈
        • 验证/推翻结论
      • 应用数据

        • 策略+实施:业务解决问题
        • 监控+预警:自动发现问题
        • 算法+部署:自动解决问题
    • 数据分析实现所需的技术

      • 埋点采集

        • (1)传感器
        • (2)系统日志采集方法
        • (3)Web爬虫
      • 传输存储

        • 传输
          • 借助网络
        • 存储

          • 借助数据库技术
          • 研究如何组织和存储数据。如何高效的获取和处理数据
          • 存储是一门大学问

            • 速度
            • 准确性
            • 最大规模
            • 数据种类
      • 提取回流

        • 提取

          • 查询
          • 导出
        • 回流
          • 数据被操作过后,怎么回到数据库,继续参与生产和建模
      • 清洗处理

        • 清晰
          • 符合数据标准
        • 处理
          • 符合实际需求
      • 连接导入

        • 怎么对接到不同的工具和软件,涉及到各种中间键和协议
      • 分析建模

        • 分析

          • 计算
          • 图表
        • 建模

          • 机器学习
          • 深度学习
      • 部署应用

        • BI监控
        • 算法平台
          • 先知
        • 工程开发
    • 数据分析的职业发展
      • 三个层级(四种类型六个方向分析师层级图)

        • 接需求 = 工具人
          • 即插即用,把工具练到极致
        • 背指标 = 对业务负责的分析师

          • 不对业务结果负责的分析本质上没有任何意义
          • 想要做好分析师就要深入业务场景,对业务负责
        • 做研究 = 数据科学家

          • 研究准确率更高的算法框架
          • 提供效率更好性能更好的数据技术
相关推荐
数据猎手小k4 小时前
AIDOVECL数据集:包含超过15000张AI生成的车辆图像数据集,目的解决旨在解决眼水平分类和定位问题。
人工智能·分类·数据挖掘
sp_fyf_20244 小时前
计算机前沿技术-人工智能算法-大语言模型-最新研究进展-2024-11-01
人工智能·深度学习·神经网络·算法·机器学习·语言模型·数据挖掘
陈燚_重生之又为程序员4 小时前
基于梧桐数据库的实时数据分析解决方案
数据库·数据挖掘·数据分析
几两春秋梦_9 小时前
符号回归概念
人工智能·数据挖掘·回归
艾派森11 小时前
大数据分析案例-基于随机森林算法的智能手机价格预测模型
人工智能·python·随机森林·机器学习·数据挖掘
武子康16 小时前
大数据-212 数据挖掘 机器学习理论 - 无监督学习算法 KMeans 基本原理 簇内误差平方和
大数据·人工智能·学习·算法·机器学习·数据挖掘
Q81375746016 小时前
数据挖掘在金融交易中的应用:民锋科技的智能化布局
人工智能·科技·数据挖掘
布说在见16 小时前
魅力标签云,奇幻词云图 —— 数据可视化新境界
信息可视化·数据挖掘·数据分析
Tianyanxiao17 小时前
如何利用探商宝精准营销,抓住行业机遇——以AI技术与大数据推动企业信息精准筛选
大数据·人工智能·科技·数据分析·深度优先·零售
FIT2CLOUD飞致云18 小时前
仪表板展示|DataEase看中国:历年双十一电商销售数据分析
数据分析·开源·数据可视化·dataease·双十一