本文主要講述數據挖掘分析領域中，最常用的四種數據分析方法：描述型分析、診斷型分析、預測型分析和指令型分析。

當剛涉足數據挖掘分析領域的分析師被問及，數據挖掘分析人員最重要的能力是什么時，他們給出了五花八門的答案。

其實我想告訴他們的是，數據挖掘分析領域最重要的能力是：能夠將數據轉化為非專業(yè)人士也能夠清楚理解的有意義的見解。

使用一些工具來幫助大家更好的理解數據分析在挖掘數據價值方面的重要性，是十分有必要的。其中的一個工具，叫做四維分析法。

簡單地來說，分析可被劃分為4種關鍵方法。

下面會詳細介紹這四種方法。

1.描述型分析：發(fā)生了什么？

這是最常見的分析方法。在業(yè)務中，這種方法向數據分析師提供了重要指標和業(yè)務的衡量方法。

例如，每月的營收和損失賬單。數據分析師可以通過這些賬單，獲取大量的客戶數據。了解客戶的地理信息，就是“描述型分析”方法之一。利用可視化工具，能夠有效的增強描述型分析所提供的信息。

2.診斷型分析：為什么會發(fā)生？

描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據，診斷分析工具能夠讓數據分析師深入地分析數據，鉆取到數據的核心。

良好設計的BI dashboard能夠整合：按照時間序列進行數據讀入、特征過濾和鉆取數據等功能，以便更好的分析數據。

3.預測型分析：可能發(fā)生什么？

預測型分析主要用于進行預測。事件未來發(fā)生的可能性、預測一個可量化的值，或者是預估事情發(fā)生的時間點，這些都可以通過預測模型來完成。

預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。

在充滿不確定性的環(huán)境下，預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。

4.指令型分析：需要做什么？

數據價值和復雜度分析的下一步就是指令型分析。指令模型基于對“發(fā)生了什么”、“為什么會發(fā)生”和“可能發(fā)生什么”的分析，來幫助用戶決定應該采取什么措施。通常情況下，指令型分析不是單獨使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

例如，交通規(guī)劃分析考量了每條路線的距離、每條線路的行駛速度、以及目前的交通管制等方面因素，來幫助選擇最好的回家路線。

結論

最后需要說明，每一種分析方法都對業(yè)務分析具有很大的幫助，同時也應用在數據分析的各個方面。

End.

眾所周知，現如今，大數據越來越受到大家的重視，也逐漸成為各個行業(yè)研究的重點。正所謂“工欲善其事必先利其器”，大數據想要搞的好，使用的工具必須合格。而大數據行業(yè)因為數據量巨大的特點，傳統(tǒng)的工具已經難以應付，因此就需要我們使用更為先進的現代化工具，那么大數據常用的軟件工具有哪些呢？

首先，對于傳統(tǒng)分析和商業(yè)統(tǒng)計來說，常用的軟件工具有Excel、SPSS和SAS。

Excel是一個電子表格軟件，相信很多人都在工作和學習的過程中，都使用過這款軟件。Excel方便好用，容易操作，并且功能多，為我們提供了很多的函數計算方法，因此被廣泛的使用，但它只適合做簡單的統(tǒng)計，一旦數據量過大，Excel將不能滿足要求。

SPSS和SAS都是商業(yè)統(tǒng)計才會用到的軟件，為我們提供了經典的統(tǒng)計分析處理，能讓我們更好的處理商業(yè)問題。同時，SPSS更簡單，但功能相對也較少，而SAS的功能就會更加豐富一點。

第二，對于數據挖掘來說，由于數據挖掘在大數據行業(yè)中的重要地位，所以使用的軟件工具更加強調機器學習，常用的軟件工具就是SPSS Modeler。

SPSS Modeler主要為商業(yè)挖掘提供機器學習的算法，同時，其數據預處理和結果輔助分析方面也相當方便，這一點尤其適合商業(yè)環(huán)境下的快速挖掘，但是它的處理能力并不是很強，一旦面對過大的數據規(guī)模，它就很難使用。

第三，大數據可視化。在這個領域，最常用目前也是最優(yōu)秀的軟件莫過于TableAU了。

TableAU的主要優(yōu)勢就是它支持多種的大數據源，還擁有較多的可視化圖表類型，并且操作簡單，容易上手，非常適合研究員使用。不過它并不提供機器學習算法的支持，因此不難替代數據挖掘的軟件工具。

第四，關系分析。關系分析是大數據環(huán)境下的一個新的分析熱點，其最常用的是一款可視化的輕量工具——Gephi。

Gephi能夠解決網絡分析的許多需求，功能強大，并且容易學習，因此很受大家的歡迎。但由于它是由Java編寫的，導致處理性能并不是那么優(yōu)秀，在處理大規(guī)模數據的時候顯得力不從心，所以也是有著自己的局限性。

上面四種軟件，就是筆者為大家盤點的在大數據行業(yè)中常用到的軟件工具了，這些工具的功能都是比較強大的，雖然有著不少的局限性，但由于大數據行業(yè)分工比較明確，所以也能使用。希望大家能從筆者的文章中，獲取一些幫助。

1.

Analytic

Visualizations（可視化分析）

不管是對數據分析專家還是普通用戶，數據可視化是數據分析工具最基本的要求?？梢暬梢灾庇^的展示數據，讓數據自己說話，讓觀眾聽到結果。

2.

Data

Mining

Algorithms（數據挖掘算法）

可視化是給人看的，數據挖掘就是給機器看的。集群、分割、孤立點分析還有其他的算法讓我們深入數據內部，挖掘價值。這些算法不僅要處理大數據的量，也要處理大數據的速度。

3.

Predictive

Analytic

Capabilities（預測性分析能力）

數據挖掘可以讓分析員更好的理解數據，而預測性分析可以讓分析員根據可視化分析和數據挖掘的結果做出一些預測性的判斷。

4.

Semantic

Engines（語義引擎）

由于非結構化數據的多樣性帶來了數據分析的新的挑戰(zhàn)，需要一系列的工具去解析，提取，分析數據。語義引擎需要被設計成能夠從“文檔”中智能提取信息。

5.

Data

Quality

and

Master

Data

Management（數據質量和數據管理）

數據質量和數據管理是一些管理方面的最佳實踐。通過標準化的流程和工具對數據進行處理可以保證一個預先定義好的高質量的分析結果。

本文主要講述數據挖掘分析領域中，最常用的四種數據分析方法：描述型分析、診斷型分析、預測型分析和指令型分析。

當剛涉足數據挖掘分析領域的分析師被問及，數據挖掘分析人員最重要的能力是什么時，他們給出了五花八門的答案。

其實我想告訴他們的是，數據挖掘分析領域最重要的能力是：能夠將數據轉化為非專業(yè)人士也能夠清楚理解的有意義的見解。

使用一些工具來幫助大家更好的理解數據分析在挖掘數據價值方面的重要性，是十分有必要的。其中的一個工具，叫做四維分析法。

簡單地來說，分析可被劃分為4種關鍵方法。

下面會詳細介紹這四種方法。

1.描述型分析：發(fā)生了什么?

最常用的四種大數據分析方法

這是最常見的分析方法。在業(yè)務中，這種方法向數據分析師提供了重要指標和業(yè)務的衡量方法。

例如，每月的營收和損失賬單。數據分析師可以通過這些賬單，獲取大量的客戶數據。了解客戶的地理信息，就是“描述型分析”方法之一。利用可視化工具，能夠有效的增強描述型分析所提供的信息。

2.診斷型分析：為什么會發(fā)生?

最常用的四種大數據分析方法

描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據，診斷分析工具能夠讓數據分析師深入地分析數據，鉆取到數據的核心。

良好設計的BI dashboard能夠整合：按照時間序列進行數據讀入、特征過濾和鉆取數據等功能，以便更好的分析數據。

3.預測型分析：可能發(fā)生什么?

最常用的四種大數據分析方法

預測型分析主要用于進行預測。事件未來發(fā)生的可能性、預測一個可量化的值，或者是預估事情發(fā)生的時間點，這些都可以通過預測模型來完成。

預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。

在充滿不確定性的環(huán)境下，預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。

4.指令型分析：需要做什么?

最常用的四種大數據分析方法

數據價值和復雜度分析的下一步就是指令型分析。指令模型基于對“發(fā)生了什么”、“為什么會發(fā)生”和“可能發(fā)生什么”的分析，來幫助用戶決定應該采取什么措施。通常情況下，指令型分析不是單獨使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

例如，交通規(guī)劃分析考量了每條路線的距離、每條線路的行駛速度、以及目前的交通管制等方面因素，來幫助選擇最好的回家路線。

結論

最后需要說明，每一種分析方法都對業(yè)務分析具有很大的幫助，同時也應用在數據分析的各個方面。