部署Analytics和Data Wrangling将原始数据转换为可操作的见解 - 傻瓜

将您的原始数据转化为可操作的见解是从您所获得的数据进展中的第一步收集到实际上有利于你的东西。以业务为中心的数据科学家使用数据分析来从原始数据生成洞察。

识别分析类型

下面列出了按照日益复杂的顺序，您最可能遇到的四种类型的数据分析：

<！ - 1 - >

描述性分析： 这种类型的分析回答了“发生了什么？ “描述性分析是基于历史和当前的数据。业务分析师或以业务为中心的数据科学家将现代商业智能基于描述性分析。
诊断分析： 您可以使用这种类型的分析来找到问题的答案，“为什么会发生这种特殊情况？ “或”出了什么问题？ “诊断分析有助于推断和推断任何数据驱动计划的子组件的成败。
<！ - 2 - >
预测分析： 虽然此类分析基于历史和当前数据，但预测分析比描述性分析更进一步。预测分析涉及复杂的模型建立和分析，以预测未来事件或趋势。在商业环境中，这些分析将由以业务为中心的数据科学家进行。处方分析：这种类型的分析旨在通过基于预测分析的知情操作来优化流程，结构和系统 - 基本上基于对所发生事件的明智估计来告诉您应该做什么。业务分析师和以业务为中心的数据科学家都可以生成规定性分析，但是他们的方法和数据源是不同的。
<！理想情况下，企业应该参与所有四种类型的数据分析，但规范分析是从数据洞察中产生价值的最直接和最有效的手段。 识别分析中的常见挑战
分析通常会在企业中造成至少两个挑战。首先，组织通常很难找到具有包括分析在内的特定技能的新员工。其次，即使是熟练的分析师也往往难以以管理决策者可以理解的方式传达复杂的见解。为了克服这些挑战，组织必须创建和培养一种重视和接受分析产品的文化。企业必须努力教育组织的各个层面，以便管理层有一个分析的基本概念，并通过实施它们来实现成功。相反，以业务为中心的数据科学家必须对业务有一个全面的了解，特别是对业务的深刻理解。强大的业务知识是任何以业务为中心的数据科学家的三大要求之一 - 另外两个是通过数学和统计建模具有强大的编码敏锐性和强大的定量分析能力。

将原始数据拼凑成可操作的见解

数据转换是将数据转换为洞察力所需工作的另一个重要部分。要从原始数据构建分析，几乎总是需要使用

数据处理

- 用于清理数据并将数据从一种格式和结构转换为另一种格式和结构的流程和过程，以便数据准确无误格式分析工具和脚本需要使用。

以下列表突出了一些与数据争议最相关的做法和问题：

数据提取：

以业务为中心的数据科学家必须首先确定哪些数据集与当前问题相关，然后提取足够数量的解决问题所需的数据。（这个提取过程通常被称为数据挖掘。）数据消除：数据消除涉及到清理通过数据挖掘提取的原始数据，然后将其转换为可以更方便地使用数据的格式。（Mung起初是一个破坏性的过程，在这个过程中，你可以将某些可识别的东西转换成不可识别的东西，也就是Mash until No Good或MUNG。）数据治理：

数据治理标准是使用的标准作为质量控制措施，以确保手动和自动化数据源符合现有模型的数据标准。必须应用数据治理标准，以便数据在存储并准备好使用时处于适当的粒度。

粒度是数据集详细程度的度量。数据粒度由数据分成的子分组的相对大小决定。数据架构：
IT架构是关键。如果您的数据被隔离在单独的固定存储库中 - 那些臭名昭着的 数据孤岛
大家都抱怨 - 那么只有特定业务领域的少数人才能使用这些数据。孤立的数据结构导致大多数组织数据无法由组织广泛使用的情况。（不用说，孤立的数据结构是非常浪费和低效的。）如果您的目标是从组织的业务数据中获得最大的价值和洞察力，那么您应该确保数据存储在中央数据仓库中，不在单独的筒仓。