四種類型的數據分析模式
在這篇博文中，我們聚焦于在數據科學領域所遇到的四種類型的數據分析模式：描述型、診斷型、預測型和指導型。
當我與剛涉足數據科學領域的年輕分析師們交談時，通常，我會問他們認為什么是數據科學家最重要的能力。他們的答案相當多樣化。
我想告訴他們的是，他們最重要的能力將是能夠把數據轉化為對非專業人士而言清楚而有意義的見解。瑞典統計學家Hans Rosling在這方面很有名。這種能力往往被忽略。下面Hans Rosling的這個TedTalk談到了這些。
分析能輔助開發有價值的見解，很有必要用一些工具來讓人們了解分析所起的作用。其中一種工具是分析四維圖。
簡單地來說，分析可被劃分為4個重要的類別。下面我將詳細解釋這四個類別。
1. 描述型：發生了什么?
這是最常見的一種。在業務中，它向分析師們提供業務的重要衡量標準的概覽。
一個例子是每月的利潤和損失賬單。類似地，分析師可以獲得大批客戶的數據。了解客戶(如，30%的客戶是自雇型)的地理信息也可認為是“描述型分析”。充分利用可視化工具能增強描述型分析所帶來的信息。
2. 診斷型：為什么會發生?
這是描述型分析的下一步難題。通過評估描述型數據，診斷分析工具使得分析師們能夠深入分析問題的核心原因。
設計良好的商業信息dashboard整合了時間序列數據(譬如，在多個聯系時間點上的數據)的讀入、特征的過濾和鉆入功能，能夠用于這類分析。
3. 預測型：可能發生什么?
預測型分析主要是進行預測。某事件在將來發生的可能性，預測一個可量化的值，或者是估計事情可能發生的某個時間點，這些都可以通過預測模型完成。
預測模型通常運用各種可變數據來作出預測。數據成員的多樣化與可能預測的目標是相關聯的(如，人的年齡越大，越可能發生心臟病，我們可以說年齡與心臟病風險是線性相關的)。隨后，這些數據被放在一起，產生分數或預測。
在一個充滿不確定性因素的世界里，能夠預測允許人們作出更好的決定。預測模型在很多領域都被用到。
4. 指導型：我需要做什么?
在價值和復雜度上，下一步就是指導性模型。指導性模型基于發生了什么、為什么會發生以及一系列“可能發生什么”的分析，幫助用戶確定要采取的最好的措施。很顯然，指導性分析不是一個單獨的行為，實際上它是其他很多行為的主導。
交通應用是一個很好的例子，它幫助人們選擇最好的回家路線，考慮到了每條路線的距離、在每條路上的速度、以及很關鍵的目前的交通限制。
另一個例子是生成考試時間表，不讓任何學生的時間表發生沖突。
