企业数据分析流程与高级分析模型
企业数据分析流程与高级分析模型
随着移动互联网的快速发展，大数据技术变得越来越成熟，正在改变着人们的工作、生活与思维模式，进而对文化、技术等产生深远的影响。
本文选自《数据决策：企业数据的管理、分析与应用》一书，文末可了解本书详情。
在正式介绍企业数据分析流程及高级分析之前，首先介绍一些企业里常见的数据职位，以及每个职位的人在企业中承担的责任。
业务分析师（Business Analysis，BA）：这类人需要了解行业，快速理解业务痛点，能够进行基础的统计数据分析类工作（某些高级一点的职位需要熟练的SQL技能）。他们通常掌握一些基础数据处理分析技能，能够做商业洞察分析类报告。
高级统计分析建模师：一般数据科学家会拥有高级统计分析建模经验，熟悉一些统计或者机器学习算法，能够通过编程实现一些模型分析应用项目。高级统计分析建模师需要熟悉一些工作中用到的算法，如非监督学习、监督学习及聚类等。
数据分析流程
在企业中，经营的方方面面都需要数据分析。互联网公司由于业务变化快，需要实时且持续地通过数据分析，发现企业业务存在的问题，并提出改进的方法，帮助企业解决相应的业务问题。
企业数据分析一般需要以下几个步骤。
• 确定商业目标。
• 确定解决该问题所需要的数据、技术、能力。
• 确定用基本业务分析模型，还是用高级分析模型。
• 数据分析，包括数据准备、数据预处理、数据建模、分析数据并得出结果。
• 数据分析结果汇报。
• 解释结果，提出应用方案。
其中，确定清晰的商业及业务问题，并和相关业务关键人员达成共识，是数据分析类项目成功的关键。接下来的部分属于企业中数据科学家建模、执行的环节。
高级分析
下面介绍在日常工作中常用的高级分析模型—机器学习算法模型。
①监督学习：包含的算法有逻辑回归、贝叶斯法、决策树、SVM（支持向量机）。
②非监督学习：包含的算法有kNN（邻近算法）、PCA（主成分分析）、K-means（K均值聚类算法）。
下面重点看一下监督学习是如何工作的。
这是一个监督学习模型。企业采集相关数据，并将数据转化为特征向量，通过相应的机器学习模型（这里是监督模型）对特征向量进行训练，最终进行分类预测，得到期望的类型标签。
企业中高级统计分析建模的工作，需要有专门的数据科学家来协助定义问题、建模并将结果进行呈现。
一个合格的数据科学家需要哪些核心能力呢？
数据科学家需要具备的能力
要成为数据科学家，需要掌握的核心能力包括数理知识（含传统研究）、业务能力（行业领域经验）、黑客能力（在数据领域工作，尤其是数据科学家，需要通过寻找变量之间的各类关系，不断进行假设、验证，喜欢与数据打交道，能够热衷于研究数据，所以需要黑客的探索精神）等。
数据科学家需要具备的能力
由此可见，数据科学家需要具备比较综合的跨学科的素质。在具体实践中，不同的算法有不同的优缺点，也有各自适应的场景。当面对不同的问题时，应该选择不同的算法模型。然而，在什么情况下选择什么算法模型，该从什么角度去思考这个问题，是值得每一位初学者深思的问题。
图书详情
《数据决策：企业数据的管理、分析与应用》
顾生宝 著
本书是作者十年数据领域实践经验的总结，系统介绍了企业的数据战略规划和企业内外部数据的应用，并在此基础上介绍了零售、快速消费品、汽车、航空、保险等行业的实战案例及作者的思考。
本书通过与企业数据相关的理论体系、行业案例、业务领域热点等，全面介绍了不同行业的企业中数据的管理、分析与应用，对企业未来的数字化转型也做了简要介绍。相信不同类型的读者都能够从本书中获得自己想要了解的部分。本书实战案例丰富，适合想在企业中更好地利用数据的企业主、管理层、业务负责人阅读，也适合从事数据和 AI相关工作，关注数据和 AI在产业中应用的读者阅读。
▼扫码了解本书详情▼
如果喜欢本文欢迎 在看丨留言丨分享至朋友圈 三连
热文推荐
书单丨上过太空的JavaScript用着就是香！
周志华教授专著《集成学习：基础与算法》上市全方位解读语音识别的最新著作Jetpack来了：走近Google标准应用架构
▼点击阅读原文，了解本书详情。