
广义的数据分析包括狭义数据分析和数据挖掘。
狭义数据分析是指根据分析目的,采用对比分析、分组分析、交叉分析和回归分析等分析方法(位于上图技术层的算法模型和通用技术),对收集的数据进行处理与分析,提取有价值的信息,发挥数据的作用,得到一个特征统计量结果的过程。

《Python数据分析与应用》曾文权、张良均主编
数据分析已经逐渐演化为一种解决问题的过程,甚至是一种方法论。虽然每个公司都会根据自身需求和目标创建最适合的数据分析流程,但是数据分析的核心步骤是一致的。

《Python数据分析与应用》曾文权、张良均主编
一)需求分析
1、需求分析基础认知
来源:源于产品设计领域
定义:从用户提出的需求出发,挖掘其内心真实意图,并转化为产品需求的过程
2、产品设计中的需求分析
地位:是产品设计的第一步,且是极为关键的一步
作用:决定产品方向
错误影响:可能导致产品在实现过程中走向错误方向,甚至给企业带来损失
3、数据分析中的需求分析
地位:是数据分析环节的第一步,至关重要
作用:决定后续的分析方向和方法
主要内容:依据业务、生产和财务等部门的需求,结合现有数据情况,提出数据分析需求的整体分析方向与分析内容,最终与需求方达成一致意见
二) 数据获取
1、数据获取基础认知
基础地位:是数据分析工作的基础
定义:根据需求分析的结果提取、收集数据
2、数据获取主要方式
获取方式:网络抓取、库表抽取、共享交换
更新方式:通过全量、增量、拉链等方式更新
3、数据获取方式选择
依据需求分析的结果而定
三)数据预处理
1、数据预处理定义
对数据进行数据合并、数据清洗、数据标准化和数据变换等操作,并将数据用于分析建模的过程总称
2、主要操作内容
数据合并:将多张互相关联的表格合并为一张
数据清洗:去除重复、缺失、异常、不一致的数据
数据标准化:去除特征间的量纲差异
数据变换:通过离散化、哑变量处理等技术满足后期分析与建模的数据要求
3、过程特点
在数据分析过程中,各个过程互相交叉,没有明确的先后顺序
四)分析与建模
1、分析与建模定义
通过对比分析、分组分析、交叉分析、回归分析等分析方法,以及聚类模型、分类模型、关联规则、智能推荐等模型与算法,发现数据中有价值的信息,并得出结论的过程
2、方法选择依据
依据需求分析的结果而定
3、按目标分类的方法与模型
描述客户行为模式:采用描述型数据分析方法,可考虑关联规则、序列规则和聚类模型等
量化未来某事件发生概率:使用两大预测分析模型
-
分类预测模型:目标特征通常为二元数据,如欺诈与否、流失与否、信用好坏等
-
回归预测模型:目标特征通常为连续型数据,常见的有股票价格预测等


五)模型评价与优化
1、模型评价
定义:对于已经建立的一个或多个模型,根据其模型的类别,使用不同的指标评价模型性能优劣的过程
常用指标
-
聚类模型:ARI 评价法(兰德系数)、AMI 评价法(互信息)、V-measure 评分、FMI 评价法和轮廓系数等
-
分类模型:准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1 值(F1 Value)、ROC 和 AUC 等
- 回归模型:平均绝对误差、均方误差、中值绝对误差和可解释方差值等
2、模型优化
定义:模型性能在经过模型评价后已达到要求,但在实际生产环境应用中发现性能不理想,继而对模型进行重构与优化的过程
与分析建模的关系:多数情况下,模型优化和分析与建模的过程基本一致
六)模型部署
部署是指将数据分析结果与结论应用至实际生产系统的过程。
根据需求的不同,部署阶段可以是一份包含了现状具体整改措施的数据分析报告,也可以是将模型部署在整个生产系统的解决方案。
在多数项目中,数据分析师提供的是一份数据分析报告或一套解决方案,实际执行与部署的是需求方。