【摘要】描述使用基本统计和计算方法来捕捉关键指标的直观历史趋势的模型。描述模型的主要目的不是估算值，而是洞察潜在的行为。数据分析实践的概念是什么?不，数据分析师已经换了职业。现在就思考一下有哪些数据分析实践的概念?不会这个的数据分析师都转行了。

1、数据分析实践的概念——描述性分析

让我们从最基本的描述性分析数据分析方法开始。描述性分析的目的是分析历史趋势，量化相关规律，从而对人们的行为有一个清晰的认识。描述性分析包括回答“过去发生了什么”这个问题。这是最广泛和最简单的数据分析方法，用来帮助公司大致了解他们的日常运作。

描述使用基本统计和计算方法来捕捉关键指标的直观历史趋势的模型。描述模型的主要目的不是评估价值，而是洞察潜在的行为。常用的描述性分析工具有MS EXCEL, SPSS和STATA。

对于银行业务，典型的应用程序是用户集群。通过挖掘历史数据，分析客户的消费习惯和消费能力，从而进行针对性的精准营销。这些模型是实现用户配置文件的强大工具，但是它们预测相似组中个体成员行为的能力非常有限。

2、数据分析实践的概念——预测分析

预测模型使用统计模型来确定未来事件发生的可能性。它可以回答“未来会发生什么?”.

预测模型是基于描述性模型的，因为它们不仅限于使用历史数据，而且经常使用来自不同来源的结构化和非结构化数据。它提供未来可能发生的事件的浓缩报告，使决策者能够作出知情的决定。涵盖了随机森林、GM、SVM、GLM、博弈论等各种高级统计模型和复杂数学概念。

预测模型是基于描述性模型来预测未来行为的。然而，与只有粗略描述的描述性模型不同，预测模型关注的是预测，对吧?个人顾客的行为。

此外，用于运行预测模型的工具会随着模型的复杂性而变化，但是常见的工具如RapidMiner、R、Python、SAS、Matlab、Dataiku DSS以及其他许多工具都可以在Coursera上使用。

高级动态分析是银行业的一个经典例子。它可以帮助预测客户对给定市场报价的反应，从而增加交叉销售和扩大产品销售的可能性。另一个例子是预测信用卡欺诈的可能性。

3、数据分析实践的概念——规则分析

规则分析最复杂的分析方法，使用随机优化和模拟探索一系列可能的解决方案，并为给定的情况给出最佳的解决方案。它回答了“如何?”这是个问题。

规则模型超越了描述性模型——它们只处理正在发生的事情，比预测模型更强大——并且只有在它们继续提供关于未来应该做什么的建议时，它们才能告诉我们将会发生什么。它们量化未来行动对关键业务指标的影响，并提供最佳行动方针。

规则模型将大数据与业务规则相结合，通过复杂的算法比较一系列行动后最有可能出现的结果，选择最佳的行动计划，从而促进业务目标的实现。最高级的规则模型遵循一个模拟的过程，在这个过程中，模型通过持续和自动地学习当前数据来改进其智能。

这些模型通常非常复杂，而且由于它们难以控制，只能由具有强大技术技能的大公司使用。然后，当模型被正确地实现时，它会对公司决策的有效性产生巨大的影响。

这意味着超级计算机、云计算、Hadoop HDFS、Spark、数据库运行机制、MPP架构等方面的进步，使得将结构化和非结构化规则模型部署为数据源变得更加容易。但是，运行规则模型和预测模型等工具除了需要高级基础设施之外，在其他方面也非常相似。

规则模型在零售银行中的常见应用??例如，优化银行各分行的销售人员分布，使新客户数量最大化。该模型通过整合各分公司的地理位置信息、业绩和潜力水平，得出各分公司最优销售人员的最优分配方案。

有哪些数据分析实践的概念?不会这个的数据分析师都转行了，描述模型使用基本的统计和计算方法来获得关键指标的直观历史趋势。描述模型的主要目的不是估算值，而是洞察潜在的行为，你能处理好吗?如果您还担心自己入门不顺利，可以点击本站其他文章进行学习。