数据分析与数据挖掘 - 01入门介绍

一 数据分析的定义

数据分析就是用合适的方法来发挥出数据的最大价值，这是一门结合了统计学，高等数学，工程学，商业决策等知识的技能，其中高等数学，工程学和统计学这些都是硬技能，而商业决策是属于软技能，数据分析师就是具备这些技能的岗位。数据分析师也有所侧重点，有的人是商业出身，偏向于商业领域，有的人是统计学出身，偏向于统计领域，有的人是工程学出身，更偏向于it领域。企业在进行招聘的时候，他们会根据自己的需求选择合适的数据分析师。

显然，我是工程领域出身，我们的课程是偏向于it领域的，适合往it领域发展的程序员入门学习，或者商业领域，统计学领域的数据分析师补充自己。

二 数据分析的产生

在如今的互联网企业的发展中，流量的增长是一个永恒不变的话题。我们知道拉一个新用户的成本要远高于维护一个老客户的成本。既然这样，如果我们能够让老客户产生价值，推出合适的营销策略或者老带新类似这样的方案，就能够用更少的成本产生更大的价值，这也就是数据分析师存在的理由。

三 数据分析的发展

早期的数据分析是使用excel，即使现在也有很多商业领域的数据分析人员依旧在使用。除此之外，还有一些数据分析商用的软件，比如tableau，spss等等。所使用的方式是先从服务器导出数据到软件当中去，然后通过一个功能函数进行数据的处理，比如excel中可以使用vlookup函数来进行纵向查找，最后再进行可视化的处理。显然，早起的数据分析更侧重于呈现结果，然后根据结果对企业的发展作出预测。

具体的过程如下所示：

1. 分析现状-通过可视化的现状来直观描述企业经营发展中的情况
2. 发现问题-从呈现结果中预测可能问题的原因
3. 收集加工-使用更多的数据来验证问题的产生源头
4. 分析策略-结合业务场景分析用户或者商品的现状
5. 提出方案-根据商业逻辑和分析结果提出有效解决方案

我们能够预见的是，早期数据量比较少，一般都是以G为单位，类似于excel，tableau和spss这样的软件，所能够处理的数据量是有限的，当数据量达到T，TB甚至更大的量级是，这是无法处理的。这就需要it领域的知识来处理这些海量的数据，比如使用MySQL，hlive，hbase等等。

四 数据分析VS数据挖掘

除了数据分析之外，你一定还听说过数据挖掘，那么他们之间有什么异同呢？首先现在的大多数企业已经模糊了对数据分析与数据挖掘的区别，但是他们还是有所差异，具体如下：

1. 数据分析更多采用统计学的知识，对源数据进行描述性和探索性分析，从结果中发现价值信息来评估和修正现状。数据挖掘不仅仅用到统计学的知识，还要用到机器学习的知识，这里会涉及到模型的概念。数据挖掘具有更深的层次，来发现未知的规律和价值。
2. 从侧重点上来说，相比较而言，数据分析更多依赖于业务知识，数据挖掘更多侧重于技术的实现，对于业务的要求稍微有所降低。
3. 从数据量上来说，数据挖掘往往需要更大数据量，而数据量越大，对于技术的要求也就越高。
4. 从技术上来说，数据挖掘对于技术的要求更高，需要比较强的编程能力，数学能力和机器学习的能力。
5. 从结果上来说，数据分析更多侧重的是结果的呈现，需要结合业务知识来进行解读。而数据挖掘的结果是一个模型，通过这个模型来分析整个数据的规律，一次来实现对于未来的预测，比如判断用户的特点，用户适合什么样的营销活动。显然，数据挖掘比数据分析要更深一个层次。

五 机器学习的流程

上文中我们提到了数据挖掘需要用到机器学习的知识，其实数据挖掘与机器学习的流程是一样的，具体如下：

1. 数据源-企业生产中所产生的数据
2. 预处理-处理脏数据，比如有缺失值，异常值等等，修改数据的格式
3. 特征工程-把数据抽象成我们需要的指标或特征
4. 数据建模-搭建机器学习的模型，用该模型来训练数据
5. 数据验证-使用测试数据来验证我们的模型

六 数据的产生

很多时候我们会发现在浏览网站或者app时总会给我们推荐一些与我们相关的信息，这其实就是根据我们的互联网行为来进行预测的，前端获取到用户的行为数据，传输到后端，然后存储到服务器上，具体行为如下：

1. 浏览网页时或者app时，你的点击和停留行为都会被服务器所记录，最终存储到数据库上
2. 浏览购物app时，你的订单，添加购物车，收藏，关注等行为
3. 浏览快手，抖音等洗脑app时，你的关注，停留，评论，点赞，转发等行为都会被记录在服务器上

七 数据预处理

预处理就是提前处理一下，当把数据从源中读取出来之后，我们可能会发现有些数据不符合我们的要求，比如有缺失值或者异常值（年龄为0），我们的处理可能是删除，也可能是填充，我们把这些脏数据整理成干净的数据。除此之外，我们可能还需要进行数据的变换，把原始数据转化成符合模型要求的数据。

八 数据建模

数据清洗完了之后，进行可视化展示，然后我们使用一条线去拟合这些点，这条线就是一个函数，有了这个函数我们就可以进行预测，这个函数就是一个模型，这就是数据建模的过程。