1.什么是数据数据是一组事实可以采用多种不同的形式例如数字、图片、文字、视频、观察结果等等。数据帮助我们在日常生活和商业活动中做出决策。2.数据分析数据分析是对这些事实进行收集、转换和组织以得出结论、做出预测并推动明智的决策并推动基于充分信息的决策制定。数据会随着时间而发展变化。这意味着这种分析——或者我们所说的“分析”——能够为我们带来新的见解。在数据的整个生命周期中都需要对信息进行管理。数据分析师解读数据和数字帮助企业做出更明智的商业决策。他们负责准备、处理、分析和可视化数据从中发现模式和趋势并解答关键问题。他们的工作赋能整个团队使其能够做出更优的商业决策。电子表格、查询语言和数据可视化工具都是数据分析师工作的重要组成部分。3.最常遇到的四种数据类型数值数据由可以测量、计数或用于数学计算的数字组成的数据。例如数量、价格、高度、年龄。文本数据或字符串数据由字母、单词、句子或字母和数字的组合组成的数据用作标识符而不是用于计算。例如产品名称、客户地址、备注、身份证号码例如电话号码或社会保障号码无需对其进行数学运算。日期数据表示特定时间点的数据例如日期或时间戳。这种数据类型对于跟踪一段时间内的趋势和事件至关重要。例如订单日期、发货日期、出生日期。分类数据可以划分成组或类别的数据。这类数据通常表示标签、名称或离散的类别。例如产品颜色红色、蓝色、绿色、客户忠诚度等级金、银、铜或使用文字的评级优秀、良好、差。4.数据分析流程提出问题、准备数据、处理数据、分析数据、分享数据、采取行动。这个六个步骤适用于任何数据分析。数据分析流程由六个阶段组成询问、准备、处理、分析、分享和行动。其目的是获取洞察从而做出明智的决策。在提问阶段你需要努力理解待解决的挑战或待解答的问题。这项工作很可能由利益相关者分配给你。由于这是提问阶段你会提出许多问题来帮助你完成整个过程。接下来在准备阶段你需要查找并收集回答问题所需的数据。你需要确定数据来源收集数据并验证数据的准确性和实用性以确保其能够解答你的问题。处理阶段是指清理和整理数据。此阶段的任务包括消除数据中的不一致之处填补缺失值以及在很多情况下将数据转换为更易于处理的格式。本质上您是在确保数据准备就绪后再开始分析。分析阶段是指进行必要的数据分析以发现答案和解决方案。根据具体情况和数据这可能包括计算平均值或统计各类项目数量等任务以便分析趋势和模式。接下来是分享阶段您需要通过报告、演示文稿或数据可视化的方式向决策者展示您的研究成果。在分享阶段您需要决定使用哪种媒介来分享您的研究成果并选择要包含的数据。用于数据可视化的工具包括使用 Google Sheets 和 Tableau 制作的图表。最后是行动阶段在这个阶段你和公司其他成员需要将数据洞察付诸实践。这可能意味着实施新的业务战略、修改网站或者采取任何其他能够解决最初问题的行动。5.数据分析的历史数据分析根植于统计学而统计学本身也拥有相当悠久的历史。考古学家认为古埃及金字塔的建造标志着统计学的开端。古埃及人是数据整理的高手。他们将计算结果和理论记录在纸莎草纸一种类似纸张的材料上这些纸莎草纸如今被视为电子表格和清单的最早范例。今天的数据分析师应该感谢这些杰出的抄写员正是他们帮助创建了更加技术化和高效的流程。6.谷歌数据分析流程提问业务挑战、目标或问题准备工作数据生成、收集、存储和数据管理流程数据清洗和数据完整性分析数据探索、可视化和分析分享沟通和解读结果行动运用洞察力解决问题7.EMC数据分析流程发现数据预处理模型规划模型建造沟通结果实施EMC公司现已更名为戴尔EMC。该模型由David Dietrich创建反映了典型业务项目的周期性特点。各个阶段并非静态的里程碑每个步骤都相互关联并最终循环往复。关键问题有助于分析师检验他们是否已完成足够的工作以推进项目并确保团队在每个阶段都投入了足够的时间且不会在数据准备就绪之前就开始建模。该模型与本项目所基于的数据分析流程略有不同但有一些共同的核心理念第一阶段侧重于发现和提出问题数据必须先经过准备才能进行分析和使用然后应分享分析结果并采取行动。8.SAS的迭代过程SAS是一家领先的数据分析解决方案提供商该公司创建了一种迭代式数据分析流程。该流程可用于生成可重复、可靠且具有预测性的结果问准备探索模型实施行为评价SAS模型通过将其可视化为无穷大符号来强调其循环特性。该模型的流程包含七个步骤其中许多步骤与其他模型类似例如询问、准备、建模和行动。但该流程也略有不同它在行动阶段之后增加了一个步骤旨在帮助分析师评估其解决方案并可能再次返回询问阶段。9.基于项目的数据分析流程找出问题所在设计数据需求数据预处理进行数据分析数据可视化此数据分析项目流程由Vignesh Prajapati开发。它不包含第六阶段即行动阶段。但是它仍然涵盖了许多相同的步骤。它从识别问题开始在分析之前准备和处理数据最后进行数据可视化。10.大数据分析流程Thomas Erl、Wajid Khattak 和 Paul Buhler 在他们的著作《大数据基础概念、驱动因素与技术》中提出了一个大数据分析流程。他们的流程建议将分析过程分为九个阶段商业案例评估数据识别数据采集和过滤数据提取数据验证和清理数据聚合与表示数据分析数据可视化分析结果的利用这个流程看起来比之前的模型多了三四个步骤。但实际上它只是把原本的准备和处理步骤细分成了更小的步骤。它强调了在分析阶段之前收集、准备和清理数据所需的各项具体任务。11.数据生态系统数据生态系统由各种相互交互的元素组成为了生成、管理、存储、组织、分析数据并对其进行共享。这些要素包括硬件和软件工具以及那些使用它们的人。这些数据也可以存储在所谓的“云”中云是一种存储数据的地方数据会保存在云端而不是计算机的硬盘上。云在数据生态系统中扮演着至关重要的角色。12.数据科学数据科学被定义为创造新的建模方法通过使用原始数据来理解未知的事物13.数据驱动的决策方法提出问题并明确问题所在。通过收集和存储信息来准备数据。通过清理和检查信息来处理数据。分析数据以发现模式、关系和趋势。与受众分享数据。根据数据采取行动并利用分析结果。
数据分析基础
1.什么是数据数据是一组事实可以采用多种不同的形式例如数字、图片、文字、视频、观察结果等等。数据帮助我们在日常生活和商业活动中做出决策。2.数据分析数据分析是对这些事实进行收集、转换和组织以得出结论、做出预测并推动明智的决策并推动基于充分信息的决策制定。数据会随着时间而发展变化。这意味着这种分析——或者我们所说的“分析”——能够为我们带来新的见解。在数据的整个生命周期中都需要对信息进行管理。数据分析师解读数据和数字帮助企业做出更明智的商业决策。他们负责准备、处理、分析和可视化数据从中发现模式和趋势并解答关键问题。他们的工作赋能整个团队使其能够做出更优的商业决策。电子表格、查询语言和数据可视化工具都是数据分析师工作的重要组成部分。3.最常遇到的四种数据类型数值数据由可以测量、计数或用于数学计算的数字组成的数据。例如数量、价格、高度、年龄。文本数据或字符串数据由字母、单词、句子或字母和数字的组合组成的数据用作标识符而不是用于计算。例如产品名称、客户地址、备注、身份证号码例如电话号码或社会保障号码无需对其进行数学运算。日期数据表示特定时间点的数据例如日期或时间戳。这种数据类型对于跟踪一段时间内的趋势和事件至关重要。例如订单日期、发货日期、出生日期。分类数据可以划分成组或类别的数据。这类数据通常表示标签、名称或离散的类别。例如产品颜色红色、蓝色、绿色、客户忠诚度等级金、银、铜或使用文字的评级优秀、良好、差。4.数据分析流程提出问题、准备数据、处理数据、分析数据、分享数据、采取行动。这个六个步骤适用于任何数据分析。数据分析流程由六个阶段组成询问、准备、处理、分析、分享和行动。其目的是获取洞察从而做出明智的决策。在提问阶段你需要努力理解待解决的挑战或待解答的问题。这项工作很可能由利益相关者分配给你。由于这是提问阶段你会提出许多问题来帮助你完成整个过程。接下来在准备阶段你需要查找并收集回答问题所需的数据。你需要确定数据来源收集数据并验证数据的准确性和实用性以确保其能够解答你的问题。处理阶段是指清理和整理数据。此阶段的任务包括消除数据中的不一致之处填补缺失值以及在很多情况下将数据转换为更易于处理的格式。本质上您是在确保数据准备就绪后再开始分析。分析阶段是指进行必要的数据分析以发现答案和解决方案。根据具体情况和数据这可能包括计算平均值或统计各类项目数量等任务以便分析趋势和模式。接下来是分享阶段您需要通过报告、演示文稿或数据可视化的方式向决策者展示您的研究成果。在分享阶段您需要决定使用哪种媒介来分享您的研究成果并选择要包含的数据。用于数据可视化的工具包括使用 Google Sheets 和 Tableau 制作的图表。最后是行动阶段在这个阶段你和公司其他成员需要将数据洞察付诸实践。这可能意味着实施新的业务战略、修改网站或者采取任何其他能够解决最初问题的行动。5.数据分析的历史数据分析根植于统计学而统计学本身也拥有相当悠久的历史。考古学家认为古埃及金字塔的建造标志着统计学的开端。古埃及人是数据整理的高手。他们将计算结果和理论记录在纸莎草纸一种类似纸张的材料上这些纸莎草纸如今被视为电子表格和清单的最早范例。今天的数据分析师应该感谢这些杰出的抄写员正是他们帮助创建了更加技术化和高效的流程。6.谷歌数据分析流程提问业务挑战、目标或问题准备工作数据生成、收集、存储和数据管理流程数据清洗和数据完整性分析数据探索、可视化和分析分享沟通和解读结果行动运用洞察力解决问题7.EMC数据分析流程发现数据预处理模型规划模型建造沟通结果实施EMC公司现已更名为戴尔EMC。该模型由David Dietrich创建反映了典型业务项目的周期性特点。各个阶段并非静态的里程碑每个步骤都相互关联并最终循环往复。关键问题有助于分析师检验他们是否已完成足够的工作以推进项目并确保团队在每个阶段都投入了足够的时间且不会在数据准备就绪之前就开始建模。该模型与本项目所基于的数据分析流程略有不同但有一些共同的核心理念第一阶段侧重于发现和提出问题数据必须先经过准备才能进行分析和使用然后应分享分析结果并采取行动。8.SAS的迭代过程SAS是一家领先的数据分析解决方案提供商该公司创建了一种迭代式数据分析流程。该流程可用于生成可重复、可靠且具有预测性的结果问准备探索模型实施行为评价SAS模型通过将其可视化为无穷大符号来强调其循环特性。该模型的流程包含七个步骤其中许多步骤与其他模型类似例如询问、准备、建模和行动。但该流程也略有不同它在行动阶段之后增加了一个步骤旨在帮助分析师评估其解决方案并可能再次返回询问阶段。9.基于项目的数据分析流程找出问题所在设计数据需求数据预处理进行数据分析数据可视化此数据分析项目流程由Vignesh Prajapati开发。它不包含第六阶段即行动阶段。但是它仍然涵盖了许多相同的步骤。它从识别问题开始在分析之前准备和处理数据最后进行数据可视化。10.大数据分析流程Thomas Erl、Wajid Khattak 和 Paul Buhler 在他们的著作《大数据基础概念、驱动因素与技术》中提出了一个大数据分析流程。他们的流程建议将分析过程分为九个阶段商业案例评估数据识别数据采集和过滤数据提取数据验证和清理数据聚合与表示数据分析数据可视化分析结果的利用这个流程看起来比之前的模型多了三四个步骤。但实际上它只是把原本的准备和处理步骤细分成了更小的步骤。它强调了在分析阶段之前收集、准备和清理数据所需的各项具体任务。11.数据生态系统数据生态系统由各种相互交互的元素组成为了生成、管理、存储、组织、分析数据并对其进行共享。这些要素包括硬件和软件工具以及那些使用它们的人。这些数据也可以存储在所谓的“云”中云是一种存储数据的地方数据会保存在云端而不是计算机的硬盘上。云在数据生态系统中扮演着至关重要的角色。12.数据科学数据科学被定义为创造新的建模方法通过使用原始数据来理解未知的事物13.数据驱动的决策方法提出问题并明确问题所在。通过收集和存储信息来准备数据。通过清理和检查信息来处理数据。分析数据以发现模式、关系和趋势。与受众分享数据。根据数据采取行动并利用分析结果。
