数据分析术语也可能会造成理解障碍

品觉导读:“典型的亚马逊客户是谁？这样简单的问题毫无意义。他说，从少量数据点中得出重要结论是不可能的。目前，像数据分析师这样的职位需要具备合作或团队建设技能，技能更丰富的团队“80%的受访者知道市场和如何运作，他们计划在未来五年投资预测和分析，但超过40%的受访者表示，他们对投资数据科学项目最大的担忧是好处或效果不明。深度学习的下一个阶段是“元”阶段，即“算法会自动生成”。原文翻译：阿桑纳西奥斯·杰提米斯，佛罗里达理工大学数学与分析助理教授（AthanasiosGentimis）博士认为，数据分析的未来在于团队合作，主题专家和数据科学家组成团队合作，每个团队成员分别发挥自己的优势。他还认为，数据分析的未来在于依靠深度学习来发现数据的重要问题，并找到答案。阿桑纳西奥斯·杰提米斯，佛罗里达理工大学数学与分析助理教授（AthanasiosGentimis）博士认为，数据分析的未来在于团队合作，主题专家和数据科学家组成团队合作，每个团队成员分别发挥自己的优势。他还认为，数据分析的未来在于依靠深度学习来发现数据的重要问题，并找到答案。杰提米斯博士的专业领域是代数拓扑，对几何群论特别感兴趣。在最近接受Dataversity网站采访时，他谈到了数据分析的演变和未来。今天的数据是多维的“20世纪80年代，分析是基于小数据集，只包含一次调查的数据量。杰提米斯博士说：“调查人员可能只询问1000人，然后试图推断整个社会的信息。“这个过程从小样本开始，试图推断整体人口。这个过程需要更多的直觉而不是计算能力，使用的工具也是为上述特定目的创建的。但现在，考虑到数据的庞大体积和多样性，比如“典型的亚马逊客户是谁？”这样简单的问题毫无意义。他说，从少量数据点中得出重要结论是不可能的。由于数据的广度变得更加详细和复杂，演示方法也需要变得更加详细和复杂，所以使用简单的图表或幻灯片来演示：“这种方法不再可行。这些数据集变得更加复杂，因为你现在开始做的不仅仅是一个维度，你现在必须想象有四个、五个或六个属性的产品，所以旧的演示方法不再能够获得良好的演示效果。“简单的演示方法不再能够充分展示数据背后的故事，企业高管需要了解这些故事，才能有效地利用数据，达到预测和标准化的目的。2015年，凯勒·奥尼尔（KelleO’Neal）和查尔斯·罗伊一起（CharlesRoe）在Dataversity网站上发表了题为《对比商业智能与数据科学》的调查报告。他们发现，近一半的受访者将“加强对客户的理解”作为投资数据科学的主要原因：“决策的改进和对绩效的深入理解是评估预测分析/数据科学项目有效性的最重要指标。企业高管最想通过数据分析获得的是业务效率的提高、影响分析的提高、成本的降低和更准确的预测。“从数据中寻找意义：解释数据背后的故事数据分析师如何以有意义的方式与终端用户共享复杂的数据？“必须与主题专家合作。杰提米斯博士说。这可能需要一些额外的沟通和社交技能。他认为，像数据分析师这样的职位需要具备合作或团队建设技能，技能更丰富的团队“能够了解市场和如何运作”。杰蒂米斯博士承认，作为一名数学家，“我可以告诉你数据说了什么，但我无法解释它的意思，所以我需要与主题专家合作，解释数据背后的故事。他说，当然，一个人完全有可能同时掌握终端用户的视角和分析师的专业技能，但“最好的方法是让分析师与主题专家合作，组建一个团队”。了解数据背后的故事可以让企业了解以前发生了什么（描述分析），预测未来（预测分析），并制定影响未来结果（标准分析）的计划。在Dataversity网站的上述调查中，80%的受访者表示，他们计划在未来五年内进行投资预测和分析，但超过40%的受访者表示，他们最大的担忧是投资数据科学项目的好处或效果未知。他们不必知道如何解释数据背后的故事和(或)故事的真正含义。这是数据分析师和数据科学家的合作领域。关于数据分析的价值可能会导致理解障碍，一些困惑可能是由于缺乏对术语的理解。用奥尼尔和罗伊的话来说，对常用术语的解释仍然存在差异。他们给出了一些有用的定义，列出如下：·数据科学是指组织数据进行分析的程序，包括测量、收集、分类、工具应用和分析，商业智能是指在企业决策和报告中使用所有这些数据。·商业智能将存储在数据仓库和数据集市中的原始数据转化为可用的知识/信息资产。·描述分析是为了“发生了什么？”、“我们现在面临什么情况？答案包括一系列标准的终端用户报告，如特别报告、基本查询、数据仪表板和图表。·数据科学使企业能够将数据资产转化为场景。虽然描述分析也可以让人们讲述特定类型的数据场景，但它会有一个清晰的时间视角，每个场景故事都会回答一个单独的数据问题。数据科学将场景贯穿整个时间线，进入不同的数据领域，从过去延伸到未来，涉及更多的问题和答案。·预测分析主要是提出“可能发生什么？”或者“我们将面临什么情况？“利用预测、决策分析、文本分析、事务分析、趋势线、情绪分析、优化、地理位置数据、机器学习、自然语言处理技术等方法提供“可能”的结果。·标准分析的目的是回答“应该发生什么？”为了达到预期的未来效果，问题。关于规范分析是否属于预测分析，也存在一些争论，但无论如何，两者的目的都是一样的。具有经验学习能力的数据分析即将出现，找出商业智能价值的另一个关键点可能是从数据分析的经验中获得洞察力。分析软件公司RiverLogic表示：“随着企业更善于使用商业分析，他们的价值将显著增加，特别是当他们的视线从回顾过去转向展望未来时。在形成这种思维模式后，他们可以利用标准分析将数据转化为可执行的最佳解决方案。杰提米斯博士认为，下一步的合理行动是深入学习。他解释了深度学习：“你可以训练一台机器或一个机器人做你想做的任何事情，而不需要外力的帮助，然后进入某种监督学习模式。“他认为IBM是深度学习领域的先驱，因为该公司设计了相关算法，并将大量数据集输入计算机，然后教机器提出正确的问题。他认为深度学习的下一个阶段是“元”阶段，即“算法将自动生成”。他引用Facebook作为现阶段的例子，因为Facebook找到并促进了人与人之间的联系，使用的算法“超出了人们的预期，电脑本身创造了新的规则”。数据分析是实现成功的必要工具，让数据分析师与主题专家合作，逐步从数据分析的经验中获得洞察力，用机器解读数据背后的故事。总之，企业无法承受没有商业智能/数据分析项目的成本。奥尼尔和罗伊写道：“建立一个全面的商业智能/数据分析项目，将传统的描述分析与预测分析、标准分析等下一代分析技术相结合，是企业成功的必要条件。详细记录显示，可靠的商业智能和数据分析项目可以带来真正的竞争优势。事实证明，这样的项目可以带来降低企业成本、提高客户留存率、提高决策、增强机会预测能力等各种好处。这样的项目对成长型企业和成熟型企业都是不可或缺的。”