1.

Analytic

Visualizations（可視化分析）

不管是對(duì)數(shù)據(jù)分析專家還是普通用戶，數(shù)據(jù)可視化是數(shù)據(jù)分析工具最基本的要求。可視化可以直觀的展示數(shù)據(jù)，讓數(shù)據(jù)自己說話，讓觀眾聽到結(jié)果。

2.

Data

Mining

Algorithms（數(shù)據(jù)挖掘算法）

可視化是給人看的，數(shù)據(jù)挖掘就是給機(jī)器看的。集群、分割、孤立點(diǎn)分析還有其他的算法讓我們深入數(shù)據(jù)內(nèi)部，挖掘價(jià)值。這些算法不僅要處理大數(shù)據(jù)的量，也要處理大數(shù)據(jù)的速度。

3.

Predictive

Analytic

Capabilities（預(yù)測性分析能力）

數(shù)據(jù)挖掘可以讓分析員更好的理解數(shù)據(jù)，而預(yù)測性分析可以讓分析員根據(jù)可視化分析和數(shù)據(jù)挖掘的結(jié)果做出一些預(yù)測性的判斷。

4.

Semantic

Engines（語義引擎）

由于非結(jié)構(gòu)化數(shù)據(jù)的多樣性帶來了數(shù)據(jù)分析的新的挑戰(zhàn)，需要一系列的工具去解析，提取，分析數(shù)據(jù)。語義引擎需要被設(shè)計(jì)成能夠從“文檔”中智能提取信息。

5.

Data

Quality

and

Master

Data

Management（數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理）

數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理是一些管理方面的最佳實(shí)踐。通過標(biāo)準(zhǔn)化的流程和工具對(duì)數(shù)據(jù)進(jìn)行處理可以保證一個(gè)預(yù)先定義好的高質(zhì)量的分析結(jié)果。

眾所周知，現(xiàn)如今，大數(shù)據(jù)越來越受到大家的重視，也逐漸成為各個(gè)行業(yè)研究的重點(diǎn)。正所謂“工欲善其事必先利其器”，大數(shù)據(jù)想要搞的好，使用的工具必須合格。而大數(shù)據(jù)行業(yè)因?yàn)閿?shù)據(jù)量巨大的特點(diǎn)，傳統(tǒng)的工具已經(jīng)難以應(yīng)付，因此就需要我們使用更為先進(jìn)的現(xiàn)代化工具，那么大數(shù)據(jù)常用的軟件工具有哪些呢？

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

Excel是一個(gè)電子表格軟件，相信很多人都在工作和學(xué)習(xí)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(shù)計(jì)算方法，因此被廣泛的使用，但它只適合做簡單的統(tǒng)計(jì)，一旦數(shù)據(jù)量過大，Excel將不能滿足要求。

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

第二，對(duì)于數(shù)據(jù)挖掘來說，由于數(shù)據(jù)挖掘在大數(shù)據(jù)行業(yè)中的重要地位，所以使用的軟件工具更加強(qiáng)調(diào)機(jī)器學(xué)習(xí)，常用的軟件工具就是SPSS Modeler。

SPSS Modeler主要為商業(yè)挖掘提供機(jī)器學(xué)習(xí)的算法，同時(shí)，其數(shù)據(jù)預(yù)處理和結(jié)果輔助分析方面也相當(dāng)方便，這一點(diǎn)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(qiáng)，一旦面對(duì)過大的數(shù)據(jù)規(guī)模，它就很難使用。

第三，大數(shù)據(jù)可視化。在這個(gè)領(lǐng)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(shù)據(jù)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(jī)器學(xué)習(xí)算法的支持，因此不難替代數(shù)據(jù)挖掘的軟件工具。

第四，關(guān)系分析。關(guān)系分析是大數(shù)據(jù)環(huán)境下的一個(gè)新的分析熱點(diǎn)，其最常用的是一款可視化的輕量工具——Gephi。

Gephi能夠解決網(wǎng)絡(luò)分析的許多需求，功能強(qiáng)大，并且容易學(xué)習(xí)，因此很受大家的歡迎。但由于它是由Java編寫的，導(dǎo)致處理性能并不是那么優(yōu)秀，在處理大規(guī)模數(shù)據(jù)的時(shí)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(diǎn)的在大數(shù)據(jù)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(qiáng)大的，雖然有著不少的局限性，但由于大數(shù)據(jù)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。

本文主要講述數(shù)據(jù)挖掘分析領(lǐng)域中，最常用的四種數(shù)據(jù)分析方法：描述型分析、診斷型分析、預(yù)測型分析和指令型分析。

當(dāng)剛涉足數(shù)據(jù)挖掘分析領(lǐng)域的分析師被問及，數(shù)據(jù)挖掘分析人員最重要的能力是什么時(shí)，他們給出了五花八門的答案。

其實(shí)我想告訴他們的是，數(shù)據(jù)挖掘分析領(lǐng)域最重要的能力是：能夠?qū)?shù)據(jù)轉(zhuǎn)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(shù)據(jù)分析在挖掘數(shù)據(jù)價(jià)值方面的重要性，是十分有必要的。其中的一個(gè)工具，叫做四維分析法。

簡單地來說，分析可被劃分為4種關(guān)鍵方法。

下面會(huì)詳細(xì)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(wù)中，這種方法向數(shù)據(jù)分析師提供了重要指標(biāo)和業(yè)務(wù)的衡量方法。

例如，每月的營收和損失賬單。數(shù)據(jù)分析師可以通過這些賬單，獲取大量的客戶數(shù)據(jù)。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(qiáng)描述型分析所提供的信息。

2.診斷型分析：為什么會(huì)發(fā)生？

描述性數(shù)據(jù)分析的下一步就是診斷型數(shù)據(jù)分析。通過評(píng)估描述型數(shù)據(jù)，診斷分析工具能夠讓數(shù)據(jù)分析師深入地分析數(shù)據(jù)，鉆取到數(shù)據(jù)的核心。

良好設(shè)計(jì)的BI dashboard能夠整合：按照時(shí)間序列進(jìn)行數(shù)據(jù)讀入、特征過濾和鉆取數(shù)據(jù)等功能，以便更好的分析數(shù)據(jù)。

3.預(yù)測型分析：可能發(fā)生什么？

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

預(yù)測模型通常會(huì)使用各種可變數(shù)據(jù)來實(shí)現(xiàn)預(yù)測。數(shù)據(jù)成員的多樣化與預(yù)測結(jié)果密切相關(guān)。

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

4.指令型分析：需要做什么？

數(shù)據(jù)價(jià)值和復(fù)雜度分析的下一步就是指令型分析。指令模型基于對(duì)“發(fā)生了什么”、“為什么會(huì)發(fā)生”和“可能發(fā)生什么”的分析，來幫助用戶決定應(yīng)該采取什么措施。通常情況下，指令型分析不是單獨(dú)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(jié)論

最后需要說明，每一種分析方法都對(duì)業(yè)務(wù)分析具有很大的幫助，同時(shí)也應(yīng)用在數(shù)據(jù)分析的各個(gè)方面。

End.

本文主要講述數(shù)據(jù)挖掘分析領(lǐng)域中，最常用的四種數(shù)據(jù)分析方法：描述型分析、診斷型分析、預(yù)測型分析和指令型分析。

當(dāng)剛涉足數(shù)據(jù)挖掘分析領(lǐng)域的分析師被問及，數(shù)據(jù)挖掘分析人員最重要的能力是什么時(shí)，他們給出了五花八門的答案。

其實(shí)我想告訴他們的是，數(shù)據(jù)挖掘分析領(lǐng)域最重要的能力是：能夠?qū)?shù)據(jù)轉(zhuǎn)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(shù)據(jù)分析在挖掘數(shù)據(jù)價(jià)值方面的重要性，是十分有必要的。其中的一個(gè)工具，叫做四維分析法。

簡單地來說，分析可被劃分為4種關(guān)鍵方法。

下面會(huì)詳細(xì)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(shù)據(jù)分析方法

這是最常見的分析方法。在業(yè)務(wù)中，這種方法向數(shù)據(jù)分析師提供了重要指標(biāo)和業(yè)務(wù)的衡量方法。

例如，每月的營收和損失賬單。數(shù)據(jù)分析師可以通過這些賬單，獲取大量的客戶數(shù)據(jù)。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(qiáng)描述型分析所提供的信息。

2.診斷型分析：為什么會(huì)發(fā)生?

最常用的四種大數(shù)據(jù)分析方法

描述性數(shù)據(jù)分析的下一步就是診斷型數(shù)據(jù)分析。通過評(píng)估描述型數(shù)據(jù)，診斷分析工具能夠讓數(shù)據(jù)分析師深入地分析數(shù)據(jù)，鉆取到數(shù)據(jù)的核心。

良好設(shè)計(jì)的BI dashboard能夠整合：按照時(shí)間序列進(jìn)行數(shù)據(jù)讀入、特征過濾和鉆取數(shù)據(jù)等功能，以便更好的分析數(shù)據(jù)。

3.預(yù)測型分析：可能發(fā)生什么?

最常用的四種大數(shù)據(jù)分析方法

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

預(yù)測模型通常會(huì)使用各種可變數(shù)據(jù)來實(shí)現(xiàn)預(yù)測。數(shù)據(jù)成員的多樣化與預(yù)測結(jié)果密切相關(guān)。

在充滿不確定性的環(huán)境下，預(yù)測能夠幫助做出更好的決定。預(yù)測模型也是很多領(lǐng)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(shù)據(jù)分析方法

數(shù)據(jù)價(jià)值和復(fù)雜度分析的下一步就是指令型分析。指令模型基于對(duì)“發(fā)生了什么”、“為什么會(huì)發(fā)生”和“可能發(fā)生什么”的分析，來幫助用戶決定應(yīng)該采取什么措施。通常情況下，指令型分析不是單獨(dú)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(jié)論

最后需要說明，每一種分析方法都對(duì)業(yè)務(wù)分析具有很大的幫助，同時(shí)也應(yīng)用在數(shù)據(jù)分析的各個(gè)方面。