数据分析中的各种结构（数据分析的多种类型）

CPDA数据分析师学习

虽然可以使用许多类型的数据分析，以下是最知名的5种方法:

1. 统计分析

统计分析分析一组数据或数据样本，并解释过去的数据。它是通过收集、分析、解释、展示和对过去数据建模来完成的。统计分析的两个子类是描述分析和推断分析。

描述性分析分析和总结数据集的特征，以确定正在发生什么。

推论分析不同于描述性分析，因为它允许分析人员检验一个假设，并评估样本数据是否可以推广到一般人群。换句话说，推理分析允许人们通过测试一个较小的样本而不是整个总体，从数据中做出预测或推断。

例如，在会计中，审计师经常使用推断分析来确定客户财务报表中出现重大错报的风险。审计人员从客户端获取数据样本，然后确定样本的结果是否适用于整个总体。在这种情况下，审核员需要在分析样本之前删除任何高价值项目或非经常性项目(这一过程称为分层)，以减少抽样错误的风险。

2. 诊断分析

诊断分析的主要目的是确定任何统计分析后发现的结果的根本原因。诊断分析非常有用，因为它有助于识别数据中的任何模式。当业务流程中出现新问题时，可以使用诊断分析来找到类似的模式。

3.文本分析(数据挖掘)

文本分析也被称为数据挖掘，是一种最流行的数据分析方法，用于利用数据库或数据挖掘工具在大型数据集中发现模式。文本分析主要用于将原始数据转换为业务信息，具体来说，是在检查数据后派生模式，以便更好地利用数据。

4. 预测分析

预测分析用于根据先前的数据预测可能发生的事情。它可以预测未来的结果;然而，需要注意的是，这只是一个估计。可能还需要考虑其他因素，例如工业趋势或经济或整个社会的宏观经济发展。

5. 规范的分析

规范性分析是商业分析的最后阶段，包括描述性分析和预测性分析。它的目的是结合前面分析的见解，以确定应该采取哪些行动来解决当前的问题或作出决定。使用它是因为预测分析和描述性分析往往不足以提高数据性能。

虽然规范性分析可以帮助数据分析师防止欺诈、限制风险、提高效率，并满足业务目标，但它不是万无一失的。只有当涉及到的组织知道要问哪些问题以及如何在整个分析过程中回答这些问题时，它才是有效的。

规范性分析利用了最先进的技术和数据实践，因此，是一个巨大的组织承诺。因此，公司需要确保他们已经准备好并有能力承担大量的人力和财力资源。

CPDA认为人工智能(AI)是规范性分析的一个例子，因为AI系统使用大量数据进行持续学习，并利用这些信息做出明智的决定。高质量的人工智能系统能够传达决策并将其付诸行动。使用人工智能可以每天执行和优化业务流程，而不需要任何人工操作。