什么是数据分析？使用方式和实际用途

多年来，企业一直苦于收集和解读来自日益多样化数据源所产生的海量数据。如果没有全面且可扩展的数据分析战略，决策者将错失有助于改进运营、增加收入并保持竞争优势的宝贵洞察。

制定计划至关重要。借助当今的分析工具和技术，企业可以深入挖掘数据集，发现行业和客户趋势、模式和相关性，从而助力营销、销售和其他部门发挥优势。

什么是数据分析？

数据分析是收集信息并对其进行研究以生成洞察的过程。高级分析主要由数据科学家完成，但最新的数据分析平台配备了诸如基于自然语言处理的查询和自动化洞察等工具，使业务用户也能深入挖掘数据集。

数据分析实践侧重于使用工具和技术实时或近实时地探索和分析数据，以发现隐藏的模式、关联和趋势。目标是进行预测性和规范性分析，利用先进技术提供准确、动态且具有前瞻性的预测和建议。相关商业智能 (BI) 功能可帮助您从组织中收集最新数据，以表格和图形等易于理解的格式呈现数据，并及时传播由此产生的洞察。

数据分析与大数据和数据科学

数据分析通常与大数据和数据科学学科存在重叠，但三者并不相同。数据分析将大数据作为取得成功的关键要素，同时作为数据科学范畴下的一个重点领域。其他区别如下：

大数据是指生成、收集和处理海量数据。由于数据来自数据库、物联网设备、社交媒体、电子邮件以及其他多种来源，数据分析系统在集成到大数据存储中时才能发挥最佳效果。数据量越大，输入数据分析的上下文和数据点就越多。本质上，大数据是数据分析引擎的燃料。

沿用这个类比，数据科学家利用数据科学训练来调优数据分析引擎。数据科学是研究如何利用数据来提取意义和洞察的学科。数据科学家必须具备数学、统计学、编程及其他相关技能的综合能力，才能为数据分析项目构建查询和模型。

关键要点

• 数据分析是使用分析工具从数据集中获取洞察以辅助决策的实践。
• 借助数据分析，组织可以改进决策、简化运营并增加收入。
• 不过，从技术和技能角度来看，数据分析项目仍可能会占用大量资源。
• 数据分析虽与商业智能、大数据和数据科学相互关联，但三者之间存在区别。

数据分析的四大主要类型

在启动数据分析工作之前，企业需要明确目标：是否有历史数据可供挖掘，以了解趋势和规律？是否希望进行预测，甚至提出行动建议以实现预期结果？每种类型的数据分析都有其用途，并需要特定的工具和技术才能成功。

1. 预测性数据分析

预测性分析可能是最常用的数据分析类型。企业使用预测性分析来识别趋势、关联性和因果关系。该类别可以进一步细分为预测建模和统计建模，二者相辅相成。

例如，Facebook 平台上针对创意 T 恤的广告活动可应用预测性分析，以确定转化率与目标受众的地理区域、收入水平及兴趣爱好的相关程度。在此基础上，可利用预测建模分析两个或多个目标受众的统计数据，并为每个人口统计群体提供潜在的收入值。

2. 规范性数据分析

规范性分析是结合人工智能和大数据的分析方法，有助于预测结果并确定下一步操作。此类分析可分为优化和随机测试。借助机器学习 (ML) 方面的进步，规范性分析可以帮助回答诸如“如果我们尝试这个标语会怎样？”以及“对于年龄较大的受众，什么衬衫颜色最合适？”之类的问题。您可以测试变量，甚至提出可以更有可能生成正面结果的新方案。

3. 诊断性数据分析

分析过去的数据不像预测未来那样令人兴奋，但可以帮助引导业务发展。诊断性数据分析是通过检查数据来了解因果关系的过程。常见的技术包括钻取、数据探索、数据挖掘和相关性分析等技术。

诊断性数据分析有助于找到某件事情的起因。与其他类别一样，诊断性数据分析也可以细分为两个更具体的类别：发现与警报以及查询与钻取。“查询与钻取”主要用于从报表获取更多详细信息。例如，假设某位销售代表在某个月达成的交易量显著减少。通过钻取分析，可能会发现这是由于两周的休假导致工作日减少所致。

“发现与警报”可在潜在问题发生之前发出通知；例如，关于员工工时减少的警报可能会预示成交量将下降。您还可以使用诊断性数据分析来“发现”信息，例如公司新职位的最合适候选人。

4. 描述性数据分析

描述性分析是报告的支柱—没有它，就不可能有 BI 工具和仪表盘。它回答了“多少、何时、何地以及什么”的基本问题。

同样，描述性分析可以分为两类：即席报告和预设报告。预设报告是指事先设计好的、包含特定主题信息的报告。例如，您的广告代理会发送月度报告，详细列出最新 T 恤营销工作的绩效指标。

另一方面，即席报告则是根据需求即时设计和生成的。只有需要回答特定业务问题时，才会生成这些信息。这些报告有助于针对特定查询获取更深入的信息。即席报告可以侧重于您的公司社交媒体档案，分析点赞您的页面和其他行业页面的人群类型，以及其他互动和人口统计信息。即席报告具有高度针对性，因此能够非常全面地展现特定城市在特定时间段内的社交媒体受众情况。

数据分析的优势

如今，从智能手机到汽车再到工业机械，几乎所有事物都会产生数据。单就每项数据而言，它仅提供各来源的状态更新；但综合起来，却能提供十年前难以想象的深刻洞察。

数据分析的常见优势包括：

• 明智的决策：更好地利用数据可以彻底革新组织的决策流程。现在，企业高管的直觉可以通过数据得到验证，在纳入历史背景的同时，综合考量其他直接和间接变量，从而清晰了解下一步行动方向。数据集成是实现这一优势的关键驱动力。通过整合整个组织内部的数据以及适用的外部数据集（例如来自地方政府和大学等来源的公开数据），分析可以在做出最终决策之前提供更深入的背景信息。
• 运营效率：当您拥有整个运营端到端工作流的数据时，便可以分解各个部门的步骤并考虑潜在的改进方案。例如，分析可以统计整个供应链中的指标，突出显示经常出现运输问题、库存损耗或不必要的较高价格的领域。考虑到这些数据，供应链管理团队理论上可以调整其供应商管理、质量控制或库存管理方法。
• 增强客户体验：从运营功能和客户个性化两个角度来看，分析技术都能创造更好的客户体验。从运营角度来看，分析可以揭示客户工作流中哪些环节行之有效、哪些环节会产生问题，从而突出应重点投入流程改进的领域，以最大限度提高客户满意度。在个性化方面，分析可以构建个人档案，从而通过定制化营销（例如特定折扣或定时提醒）实现更强的互动。
• 收入增长和竞争优势：组织利用的数据越多，其市场状况就越清晰——市场细分、季节性、竞争对手趋势及其他因素综合起来，可突出显示适合把握商机的领域。通过此类分析，企业可以更清晰地识别更多可付诸行动的选择，包括如何超越竞争对手、发掘服务不足的市场，以及逐步淘汰表现不佳的产品和服务。所有这些行动都会通过增加收入或降低支出，助力提升盈利能力。
• 风险管理和预测：组织的运营风险形式多样，从欺诈性财务活动到网络安全，再到流程缺陷。借助数据分析，各部门可以将风险识别转化为实际数字，从而突出最薄弱或最异常的发现。通过扩大风险识别的范围和深度，企业可以降低直接和间接财务影响。

数据分析面临的挑战

数据分析为组织带来了诸多益处，但要彻底且有效地实施，仍需克服一些障碍。以下是数据分析中最常见的挑战：

• 数据质量和准确性：只有在基础数据准确、干净且相关的情况下，数据分析工作才能发挥作用。因此，识别优质数据源是任何分析项目早期的关键步骤之一。为了确保数据质量，组织必须权衡关键因素，包括数据源的相关性和准确性、可能出现的数据格式冲突，以及必要的数据准备/清洗步骤。
• 数据集成和孤岛：确定数据源后，无论是内部来源还是外部来源，都必须将相关数据集收集到统一的存储库中，以充分实现数据分析的价值。要将这些数据集放入存储库，需要制定可靠的数据集成策略。IT 团队必须为网络配备底层基础设施，以支持集成以及任何必要的转换/清洗工作。根据组织的结构方式，这可能需要与不习惯共享数据的部门进行一些协商。
• 可扩展性问题：数据分析项目可能会占用大量资源。IT 团队最好对数据管道中的各个组件进行盘点，并列出从数据集成、转换和整合，到存储库连接，再到分析应用程序本身的各项任务。这是一个需要从全局角度考虑的过程，IT 团队必须评估该项目对网络的影响。根据具体配置，资源密集型架构可能会在需求增长时导致扩展困难。
• 数据隐私和安全：仅就数据分析应用程序本身而言，并不会带来显著的安全挑战。然而，当所有环节相互连接时，分析流程可能会引入漏洞。每当数据在环境之间传输时，都会带来风险。在用户层面，必须实施基于角色的访问控制，以确保敏感数据不被泄露。区域性法规（如 GDPR ）的隐私要求带来了合规挑战。对于整个组织而言，制定基本的使用协议和指南至关重要，这有助于大家普遍理解如何在该层面上处理数据。这些要点及其他相关内容都在不断演变，这意味着 IT 团队必须及时掌握每个主题的最新风险和工具。
• 技能缺口：数据科学是一个快速发展且不断演进的领域。随着对数据分析的需求不断增长，对人才的需求也随之增加，这意味着顶尖候选人往往会被迅速高薪抢走。技能短缺要求企业在组建数据科学团队时采取战略性方法。在可行的情况下，考虑对现有员工进行技能培训，并购买能够为用户提供自助服务功能的工具。

数据分析策略和解决方案

如果您希望构建一个更富有洞察力的企业，当今市场上已有多种数据分析产品。归根结底，理想的解决方案应提供具备预测性、直观性、自学习能力和自适应性的现代化分析工具。

为了支持组织利用数据的所有方式，请牢记以下几点：

• 选择一个集分析与数据管理能力于一体的平台。此类解决方案更易于部署，能更快地创造业务价值，同时避免了传统系统中报告、探索、分析和建议功能各自为政所导致的兼容性及访问问题。
• 关键在于选择一个部署在云端、但能够访问本地和/或混合环境中数据的平台。通过快速、便捷地访问数据以及分析系统，企业中的每个人都可以获得洞察并做出明智的决策。

此外，我们建议采取以下做法：

• 端到端分析解决方案：寻找能够支持整个分析流程（从数据采集到提供洞察和建议性行动）的解决方案，并确保其具备安全性、灵活性、可靠性和速度。
• 充分利用所有数据：选择一种能够访问和分析所有可用数据集的解决方案，无论数据集规模大小、位于何处，来自应用、设备（包括物联网传感器）、部门还是第三方，无论是结构化还是非结构化数据，无论位于本地还是云端。这种全面的视角可揭示模式和相关洞察，帮助用户做出明智的数据驱动型决策，从而充分释放数据的全部价值。
• 提高工作效率和数据集成：理想的数据分析解决方案可优化数据工作流中的所有步骤。加快数据和分析过程。机器学习之类的高级内置功能可加速模型构建。理想情况下，流程中各个环节的效率都将得到提高，包括数据收集、发现洞察和改善决策。
• 受益于单一事实来源：为了获得值得信赖的分析、洞察和结果，应将数据整合到单一数据源中。这样可以确保数据、指标和洞察的一致性和准确性，并提供统一的视图。
• 加速数据洞察：选择具备增强分析能力的解决方案，例如内嵌 AI 和机器学习，以简化、加速和自动执行任务，帮助决策者更深入、更快速地探索数据。理想情况下，系统将自动从多个来源收集并整合数据，并推荐新的数据集用于分析。
• 自助式分析 — 摆脱 IT 依赖：为了充分发挥分析作为业务工具的潜力，就必须实现分析的民主化。这意味着解决方案无需 IT 协助——企业中任何具有适当授权的人都应该能够使用这个解决方案。理想的分析解决方案专为自助服务而设计，具有点击式或拖放式功能和引导式分步导航，使用户能够轻松加载和导入数据，并从任意角度进行分析。

  我们认为，优秀的数据分析解决方案应为用户提供相应功能，帮助他们基于元数据和业务情景，查找、了解、监管和跟踪整个企业的数据资产。这样一来，用户就可以加快价值实现速度，并轻松找到适合使用的数据。通过用户自定义的注释、标签和业务术语表，可以增强数据发现、协作以及内部流程。

• 可视化数据：分析技术有望为您呈现业务全景的详细快照。为了充分发挥这一潜力，您需要一个能够自动将数据转换为可视化视图的智能解决方案，帮助您发现、查看和理解原始数据电子表格难以直观展示的模式、关联和趋势。该解决方案还能支持您创建数据混搭，以获得全新的洞察。借助智能技术，您的员工无需经过专门培训即可动手操作。
• 移动分析：您需要一款工具，让员工即使在外出途中也能访问所需信息。但并非所有移动分析解决方案都是一样的。请选择不仅支持语音访问和实时提醒，还能提供先进功能以帮助员工进一步提升工作效率的解决方案。

  这些功能包括无需编写代码，即可通过手机或平板电脑创建带有交互式可视化效果的移动分析应用程序。或者，想象一下，如果您拥有这样一个解决方案，它可以查看您的数字足迹，知道您即将参加一场出差会议，并提供洞察以帮助该会议取得成功。

自动化和 AI 如何变革数据分析

将分析流程自动化并迁移到云端，可能会带来颠覆性改变。例如，具有嵌入式 AI 和 ML 的现代分析解决方案，并配备在自主安全、自动打补丁、自动调优的自主云中运行的集成自治数据仓库，能够彻底革新决策过程。当您使用现代分析解决方案时，所有的一切都可以自动化，并且可以从多个应用、平台和云中提取数据。

选择 Oracle Analytics ，您将获得一个结合 Oracle Analytics 和 Oracle Autonomous Database 的单一集成平台。这是一个简单、可重复的解决方案，融合了分析领域的优秀要素和强大的自主数据服务。该解决方案可助您消除障碍，将数据整合到单一信息源中，并快速推出高度可行的洞察，因此是一个指导策略性业务决策的理想数据分析解决方案。

总结

如今，包括金融、医疗保健和经济在内的各个行业，每天都在使用数百万份人工制作的电子表格。而且，据 ZDNet 报道，90% 的电子表格都存在影响结果的错误。传统的分析解决方案和流程也会造成延迟，无法提供及时决策所需的洞察。自动化能提供帮助。但请记住：能够充分发挥数据分析效益的企业，绝不会仅止步于工具层面。它们还会致力于在组织内部培养一种数据驱动的文化，使决策基于事实而非直觉。其结果是实现更好的增长、更高的盈利能力和更高的客户满意度。

数据分析常见问题解答

数据分析的主要类型有哪些？

数据分析的主要类型如下：

• 预测性数据分析，可识别趋势、相关性和因果关系。
• 规范性数据分析，可预测结果并就行动方案提供建议。
• 诊断性数据分析，通过审查历史数据来量化事件发生的原因。
• 描述性数据分析，通过审查历史数据，对过去事件进行全面回顾，涵盖所有关键事实。

数据分析为何重要

由于在商业和日常生活的几乎所有方面，设备与数据库都在不断产生数据，数据分析提供了一种将这些海量数据转化为有意义信息的方法。因此，数据分析非常重要，因为它不仅可以提供可量化的依据来推动决策，还能揭示可为进一步战略提供参考的洞察。

数据分析如何改善业务决策？

在数据分析出现之前，企业只能在有限的背景信息下制定业务决策。例如，一项营销决策可能基于营销活动数据，但由于涉及的时间和精力成本，当时根本无法将销售数据、竞争数据、季节性因素及其他类型的背景数据充分纳入考量。当数据分析与全面的高质量数据仓库相连接时，所有这些信息都能被整合成对特定情况的清晰视图；数据分析不仅可以为决策提供依据，还能通过发现深藏于数据集中的模式，产生新的洞察。

大数据和数据分析有何区别？

大数据是指从各种来源生成、收集和处理海量数据。数据分析是对数据进行研究以获得洞察。虽然分析可以针对单一、封闭的数据集进行，但数据量越大，分析效果越好——事实上，数据越多，效果越好。

哪种类型的数据分析最好？

最适合企业的数据分析类型取决于其所处的发展阶段。大多数企业可能已经在使用某种分析解决方案，但这些分析所提供的洞察往往只能用于做出被动而非主动的商业决策。

企业越来越多地采用具有机器学习功能的先进数据分析解决方案，以制定更明智的业务决策，并帮助发掘市场趋势和商机。如果企业没有使用具有前瞻性、预测未来能力的数据分析，可能会因缺乏发现隐藏模式和获得意外洞察的能力而导致业务表现下滑。