數(shù)據(jù)分析基礎(chǔ)內(nèi)容介紹 — 模型、工具、統(tǒng)計(jì)、挖掘與展現(xiàn)

1. 數(shù)據(jù)分析多層模型介紹

這個(gè)金字塔圖像是數(shù)據(jù)分析的多層模型，從下往上一共有六層：

底下第一層稱為Data Sources 元數(shù)據(jù)層。

比如說在生產(chǎn)線上，在生產(chǎn)的數(shù)據(jù)庫(kù)里面，各種各樣的數(shù)據(jù)，可能是銀行的業(yè)務(wù)數(shù)據(jù)，也可能是電信運(yùn)營(yíng)商在交換機(jī)里面采集下來的數(shù)據(jù)等等，然后這些生產(chǎn)的數(shù)據(jù)通過ETL，是英文 Extract-Transform-Load 的縮寫，用來描述將數(shù)據(jù)從來源端經(jīng)過抽取（extract）、轉(zhuǎn)換（transform）、加載（load）至目的端的過程，通過這個(gè)過程，我們可以把需要的數(shù)據(jù)放到數(shù)據(jù)倉(cāng)庫(kù)里面，那這個(gè)數(shù)據(jù)倉(cāng)庫(kù)就是多層模型中的第二層。

數(shù)據(jù)倉(cāng)庫(kù)主要是給我們需要存放的數(shù)據(jù)提供一個(gè)物理基礎(chǔ)，我們對(duì)數(shù)據(jù)進(jìn)行分析，原材料都放在這個(gè)數(shù)據(jù)倉(cāng)庫(kù)里面，這幾年以來，除了數(shù)據(jù)倉(cāng)庫(kù)這個(gè)概念，還興起了數(shù)據(jù)集市這個(gè)概念，數(shù)據(jù)集市其實(shí)就是部門級(jí)的數(shù)據(jù)倉(cāng)庫(kù)，規(guī)模比較小一點(diǎn)的數(shù)據(jù)倉(cāng)庫(kù)。

再上面一層是Data Exploration，這層主要做統(tǒng)計(jì)分析的事情，比如我們算均值、標(biāo)準(zhǔn)差、方差、排序、求最小\大值、中位數(shù)、眾數(shù)等等，這些統(tǒng)計(jì)學(xué)比較常用的指標(biāo)，另外還有些SQL查詢語(yǔ)句，總的來說主要是做一些目標(biāo)比較明確，計(jì)算方法比較清楚的事情。

第四層是Data Mining數(shù)據(jù)挖掘層，數(shù)據(jù)挖掘與數(shù)據(jù)分析（統(tǒng)計(jì)分析）有什么區(qū)別呢，數(shù)據(jù)分析往往是統(tǒng)計(jì)量和算法比較清楚，數(shù)據(jù)挖掘往往是目標(biāo)不是很清楚，在實(shí)現(xiàn)目標(biāo)的過程中采用什么方法不能確定，所以數(shù)據(jù)挖掘比數(shù)據(jù)分析難度要高很多。

第五層是數(shù)據(jù)展現(xiàn)層，把數(shù)據(jù)分析和數(shù)據(jù)挖掘得出來的結(jié)果通過數(shù)據(jù)展現(xiàn)層的圖表、報(bào)表把他展現(xiàn)出來，也可以稱為數(shù)據(jù)可視化。

最后把這些圖表、報(bào)表交給決策者，以這個(gè)為基礎(chǔ)做一些決策。

2. 數(shù)據(jù)分析工具簡(jiǎn)介

常用的數(shù)據(jù)分析工具，包括一些廠商的數(shù)據(jù)庫(kù)產(chǎn)品，包括IBM的DB2、甲骨文的Oracle數(shù)據(jù)庫(kù)。這些廠商的數(shù)據(jù)庫(kù)本身帶有一些統(tǒng)計(jì)分析的包，里面有些標(biāo)準(zhǔn)的功能可以做數(shù)據(jù)分析工作，但用這些自帶的數(shù)據(jù)分析工具功能相對(duì)不夠?qū)I(yè)。主要反映在缺乏標(biāo)準(zhǔn)的統(tǒng)計(jì)函數(shù)，比如做一個(gè)線性回歸模型，需要寫一大堆SQL語(yǔ)句，甚至要寫一個(gè)plsql程序才能完成。但是在專業(yè)的統(tǒng)計(jì)軟件只需要寫一個(gè)簡(jiǎn)單的函數(shù)就可以完成。

目前最主流的統(tǒng)計(jì)軟件有R、SAS、SPSS，R是一個(gè)免費(fèi)的開源軟件。

SAS大概是歷史最悠久的統(tǒng)計(jì)軟件，是一個(gè)商業(yè)軟件，在60年代就誕生，在70年代以后逐漸商業(yè)化，發(fā)展到現(xiàn)在SAS已經(jīng)成為國(guó)際標(biāo)準(zhǔn)。

SPSS也是一個(gè)歷史悠久的統(tǒng)計(jì)軟件，SPSS一開始是一個(gè)仿真軟件，后來演變成一個(gè)統(tǒng)計(jì)軟件，目前已經(jīng)發(fā)展成為一個(gè)數(shù)據(jù)挖掘軟件，目前被IBM收購(gòu)，變成IBM旗下的一個(gè)產(chǎn)品，在社會(huì)學(xué)研究院領(lǐng)域有很多的應(yīng)用。

其他的還有一些軟件，比如說水晶報(bào)表（Crystal Reports），在做BI和報(bào)表非常擅長(zhǎng)，另外如UCINET也是在社會(huì)學(xué)比較常用的軟件，它可以畫群體的網(wǎng)絡(luò)圖，社交關(guān)系圖非常擅長(zhǎng)。

3. 常用統(tǒng)計(jì)方法

使用統(tǒng)計(jì)方法，有目的地對(duì)收集到的數(shù)據(jù)進(jìn)行分析處理，并且解讀分析結(jié)果：

常用算法

4. 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是以查找隱藏在數(shù)據(jù)中的信息為目標(biāo)的技術(shù)，是應(yīng)用算法從大型數(shù)據(jù)庫(kù)中提取知識(shí)的過程，這些算法確定信息項(xiàng)之間的隱性關(guān)聯(lián)，并且向用戶顯示這些關(guān)聯(lián)。

數(shù)據(jù)挖掘思想來源：假設(shè)檢驗(yàn)，模式識(shí)別，人工智能，機(jī)器學(xué)習(xí)

常見數(shù)據(jù)挖掘任務(wù)：關(guān)聯(lián)分析，聚類分析，孤立點(diǎn)分析等等

例：啤酒與尿布的故事

5. 展現(xiàn)層：報(bào)表與圖形

展現(xiàn)層在數(shù)據(jù)分析中是一個(gè)很重要的組成部分，在大家的心目中數(shù)據(jù)分析軟件只是讀數(shù)據(jù)和算數(shù)據(jù)，結(jié)果算出來就OK了。但其實(shí)結(jié)果算出來以后對(duì)于數(shù)據(jù)分析還遠(yuǎn)沒有結(jié)束，還需要把結(jié)果展現(xiàn)出來，有些時(shí)候可能結(jié)果的展現(xiàn)比計(jì)算花的時(shí)間還要多。

下圖是一個(gè)比較老土的報(bào)表。

如果那這種報(bào)表給老板看，那體驗(yàn)效果肯定很差，其實(shí)人的特點(diǎn)對(duì)數(shù)字的感覺不敏感，如果你那一大堆數(shù)字組成的報(bào)表給老板看，老板肯定不是很高興。

人對(duì)圖形會(huì)比較敏感，所以在統(tǒng)計(jì)學(xué)里面通常有比較標(biāo)準(zhǔn)的圖，如餅圖、柱形圖（垂直和水平）、虛線圖、水泡圖、魚骨圖、箱線圖等等。

下面是一張?jiān)诘貓D上展現(xiàn)數(shù)據(jù)的展現(xiàn)形式

下圖是關(guān)于使用安卓手機(jī)的數(shù)據(jù)展現(xiàn)

根據(jù)信息圖顯示，Android先生的頭發(fā)有47%的可能是黑色的，戴眼鏡的幾率為37%，有36%的可能是北美人，30%的可能臉上長(zhǎng)雀斑。71%的時(shí) 間會(huì)穿T恤，下身穿牛仔褲的時(shí)間占了62%。工作只占了38%，玩游戲卻占了62%，平均每個(gè)月會(huì)用掉582MB的數(shù)據(jù)流量。這種圖稱為信息圖，在數(shù)據(jù)分析這個(gè)行業(yè)里面，是數(shù)據(jù)展現(xiàn)工作的主要組成部分。