概述
大数据时代的到来使人类的认识变得更精确系统、更全面广泛、更快速有效。然而面对各种数据源收集来的海量数据,究竟如何对其进行归类、计算、建模和解释,却需要高超的智慧。因数据本身始终沉默,需要依赖认识主体的赋予。
为什么你的数据分析成果总是难以落地?数据分析的价值总是远远低于预期?相信看完这篇文章,每个人都能找到一个属于自己的答案。本人先后在电力、军工、金融等行业担任数据分析师,有多年行业经验。从平时的工作中总结出以下六个数据分析时要注意的原则,希望能对大家有所帮助。
1、遵循数据分析标准流程
数据分析遵循一定的流程,不仅可以保证数据分析每一个阶段的工作内容有章可循,而且还可以让分析最终的结果更加准确,更加有说服力。一般情况下,数据分析分为以下几个步骤:
1)业务理解,确定目标、明确分析需求;
2)数据理解,收集原始数据、描述数据、探索数据、检验数据质量;
3)数据准备,选择数据、清洗数据、构造数据、整合数据、格式化数据;
4)建立模型,选择建模技术、参数调优、生成测试计划、构建模型;
5)评估模型,对模型进行较为全面的评价,评价结果、重审过程;
6)成果部署,分析结果应用。
2、明确数据分析目标
在数据分析前期,要做到充分沟通、理解业务规则、关注业务痛点、了解用户需求、换位思考,明确为什么要做数据分析,要达到一个什么目标。这样才能保证后续的收集数据、确定分析主题、分析数据、分析结果应用等工作都能够围绕分析目标开展,保证最终能够从整体目标的角度去总结分析成果。
3、业务与数据结合确定分析主题
以解决业务问题为目标,以数据现状为基础,确定分析主题。前期要做好充分的准备,以业务问题为导向,以业务梳理为重点,进行多轮讨论,分析主题避免过大,针对业务痛点,实现知现状、明原因、可预测、有价值。另外,分析数据的范围除了重点关注的业务指标数据,还要尽量考虑扩展外延数据,比如经济指标数据、气象数据、财务数据等。确定分析主题之前,要进行数据支撑情况的初步判断,避免中途发现数据质量或者数据范围不能支撑分析工作的情况发生。确定分析主题之后,详细论证分析可行性,保证分析过程的清晰性,才能开始分析工作。
4、多种分析方法结合
分析过程中尽量运用多种分析方法,以提高分析的准确性和可靠性。例如,运用定性定量相结合的分析方法对于数据进行分析;融合交互式自助BI、数据挖掘、自然语言处理等多种分析方法;高级分析和可视化分析相结合等。
5、选择合适的分析工具
工欲善其事,必先利其器,数据分析过程中要选择合适的分析工具做分析。SPSS、SAS、Alteryx、美林Tempo、RapidMiner、R、Python等这几种工具都是业界比较认可的数据分析产品。它们各有其优势,SPSS较早进入国内市场,发展已经相对成熟,有大量参考书可供参考,操作上容易上手,简单易学。SAS由于其功能强大而且可以编程,很受高级用户的欢迎。Alteryx工作流打包成应用,为小企业直接提供应用,地理数据分析功能强大。美林数据的Tempo大数据分析平台功能全面,在高级分析和可视化分析相结合上具有明显优势。RapidMiner易用性和用户体验做得很好,并且内置了很多案例用户可直接替换数据源去使用。R是开源免费的,具有良好的扩展性和丰富的资源,涵盖了多种行业中数据分析的几乎所有方法,分析数据更灵活。Python,有各种各样功能强大的库,做数据处理很方便,跟MATLAB很像。
6、分析结论尽量图表化
经过严谨推导得出的结论,首先要精简明确,3-5条即可。其次要与业务问题结合,给出解决方案或建议方案。第三尽量图表化,要增强其可读性。
数据分析过程中,除了以上六条原则,还要避免以下3种情况:
1)时间安排不合理
在开始分析工作之前,一定要做一个明确的进度计划,时间分配的原则是:数据收集、整理及建模占70%,数据可视化展现及分析报告占25%,其他占5%。(数据的收集、整理和建模的过程,是反复迭代的过程)
2)数据源选择不合理
一般企业中的数据来源有很多,SAP、TMS、CRM及各部门业务系统,每个渠道的数据各有特点。这时,应该慎重考虑从哪个渠道获取数据更加快捷有效。数据源选择不合理,不仅影响结论的可靠性,而且有返工的风险。
3)沟通不充分
无论是分析人员内部的沟通还是与外部相关人员的沟通,都是至关重要的。与外部人员沟通效不顺畅,可能造成前期需求不清,中间业务逻辑混乱,最终导致数据分析结果差强人意。与内部人员沟通效率低,可能造成分析进度滞后,分析工作开展不畅等诸多问题,直接影响分析效果。
最后
以上就是忧郁巨人为你收集整理的数据分析的几大黄金法则的全部内容,希望文章能够帮你解决数据分析的几大黄金法则所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错,欢迎将靠谱客网站推荐给程序员好友。
发表评论 取消回复