作者：格雷戈里·S. 納爾遜（Gregory S. Nelson）

來(lái)源：大數(shù)據(jù)DT（ID：hzdashuju） 已授權(quán)

導(dǎo)讀：在《終于有人把AI、BI、大數(shù)據(jù)、數(shù)據(jù)科學(xué)講明白了》中，我們討論了分析以及相關(guān)的一些概念，如大數(shù)據(jù)和數(shù)據(jù)科學(xué)。現(xiàn)在我們將注意力轉(zhuǎn)向分析中使用的實(shí)用方法，包括各種分析工具。

具體來(lái)說(shuō)，在本文中，我將概述統(tǒng)計(jì)、時(shí)間序列分析、自然語(yǔ)言處理、機(jī)器學(xué)習(xí)和運(yùn)籌學(xué)中的方法。

01 應(yīng)用統(tǒng)計(jì)與數(shù)學(xué) 與前面許多已經(jīng)討論過(guò)的概念一樣，人們?nèi)绾味x統(tǒng)計(jì)以及統(tǒng)計(jì)與一般數(shù)學(xué)（mathematics）有何不同，存在著很大的差異。 有些人認(rèn)為統(tǒng)計(jì)是數(shù)學(xué)的一個(gè)分支（Merriam-Webster，2017b），而另一些人（如John Tukey（Brillinger，2002））則認(rèn)為統(tǒng)計(jì)是一門獨(dú)立的科學(xué)。大多數(shù)人認(rèn)為，就像物理學(xué)也使用數(shù)學(xué)方法但不是數(shù)學(xué)一樣，統(tǒng)計(jì)學(xué)使用數(shù)學(xué)但它并不是數(shù)學(xué)（Milley，2012）。 統(tǒng)計(jì)涉及數(shù)據(jù)的收集、組織、分析、解釋和展示。如果使用這個(gè)廣義的定義，它聽(tīng)起來(lái)和分析的概念非常像。然而，分析和數(shù)據(jù)科學(xué)都使用統(tǒng)計(jì)學(xué)的數(shù)量分析基礎(chǔ)，但它們的關(guān)注范圍比傳統(tǒng)統(tǒng)計(jì)更廣泛，而關(guān)于統(tǒng)計(jì)與其他學(xué)科之間的概念關(guān)系有幾十個(gè)觀點(diǎn)，我列舉了我所看到的這些概念之間的關(guān)系，如圖1-3所示。

▲圖1-3 統(tǒng)計(jì)與其他定量學(xué)科之間的關(guān)系 數(shù)學(xué)具有一定的絕對(duì)和可確定的性質(zhì)，而數(shù)學(xué)的教學(xué)方式（至少在美國(guó)學(xué)校是如此）灌輸了一種以確定性的方式來(lái)看待數(shù)量世界的思想。也就是說(shuō)，我們被教導(dǎo)相信，所有的事實(shí)和事件都可以被解釋清楚。 但是，統(tǒng)計(jì)則把量化數(shù)據(jù)看成概率的或隨機(jī)的。也就是說(shuō)，根據(jù)事實(shí)可能會(huì)推導(dǎo)出普遍正確的結(jié)論（除了簡(jiǎn)單的隨機(jī)性），但必須承認(rèn)，存在一些無(wú)法準(zhǔn)確預(yù)測(cè)的隨機(jī)概率分布或模式。

拓展學(xué)習(xí) 想要學(xué)習(xí)更多的統(tǒng)計(jì)學(xué)歷史及它如何改變科學(xué)，請(qǐng)閱讀David Salsburg的書(shū)The Lady Tasting Tea。

如圖1-4所示，數(shù)學(xué)思維是演繹性的（即，它通過(guò)應(yīng)用一般定律或原則來(lái)推斷某一特定實(shí)例），而統(tǒng)計(jì)推理是歸納性的（即，它從具體實(shí)例中提煉出一般規(guī)律）。

▲圖1-4 歸納推理與演繹推理的比較 這種差異在分析的環(huán)境下是很重要的，因?yàn)槲覀儗w納推理和演繹推理應(yīng)用于分析解決不同的問(wèn)題。因此，將數(shù)學(xué)和統(tǒng)計(jì)都應(yīng)用到分析領(lǐng)域是適當(dāng)?shù)暮捅匾?。如果開(kāi)展分析是一種全面的策略，那么統(tǒng)計(jì)和數(shù)學(xué)就是在眾所周知的分析工具箱中幫助我們實(shí)現(xiàn)該策略的兩個(gè)工具。 線性規(guī)劃（linear programming）可用于支持我們分析解決一類特定的優(yōu)化問(wèn)題。例如，迪士尼公司在其數(shù)據(jù)科學(xué)類工作中使用線性、非線性、混合整數(shù)和動(dòng)態(tài)規(guī)劃，來(lái)解決諸如優(yōu)化餐廳座位安排、減少公園之間乘車的等待時(shí)間、安排工作人員（如演員）時(shí)間表等方面的問(wèn)題。 請(qǐng)注意，為了討論的方便，我在這里不嚴(yán)格區(qū)分運(yùn)籌學(xué)（operation research）、數(shù)學(xué)最優(yōu)化（mathematical optimization）、決策科學(xué)（decision science）或精算科學(xué)（actuarial science）之間的區(qū)別，因?yàn)樵谖铱磥?lái)，它們都是我們分析工具箱中眾多分析工具的組成部分而已，可以根據(jù)思考和解決問(wèn)題的需要而靈活使用。

線性規(guī)劃 線性規(guī)劃是解決問(wèn)題的一個(gè)數(shù)學(xué)方法，其輸出是一個(gè)線性模型函數(shù)。例如，我們可能想通過(guò)調(diào)節(jié)幾個(gè)關(guān)鍵因素，比如外科手術(shù)的復(fù)雜度、需要醫(yī)務(wù)人員的數(shù)量、可能出現(xiàn)的并發(fā)癥等，來(lái)優(yōu)化急救部門的效能。

02 預(yù)測(cè)和時(shí)間序列 在討論支持分析的方法時(shí)，預(yù)測(cè)和時(shí)間序列往往被一起提及，并不是因?yàn)樗鼈兪峭环N方法，而是因?yàn)樗鼈兌坚槍?duì)同一類問(wèn)題，即基于歷史信息對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行特征提煉和預(yù)測(cè)。 預(yù)測(cè)和時(shí)間序列分析是指對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行分析、從數(shù)據(jù)中提煉有意義特征的方法。很多時(shí)候，預(yù)測(cè)被描述為通過(guò)歷史數(shù)據(jù)對(duì)趨勢(shì)進(jìn)行判斷，并通過(guò)可視化手段進(jìn)行直觀展現(xiàn)的方法，有些還提供了關(guān)于未來(lái)的預(yù)測(cè)。 而時(shí)間序列分析不同于預(yù)測(cè)，雖然你需要時(shí)間序列數(shù)據(jù)來(lái)進(jìn)行預(yù)測(cè)，但并非所有的時(shí)間序列分析都是用來(lái)進(jìn)行預(yù)測(cè)的。例如，時(shí)間序列分析可用于在多個(gè)時(shí)間序列中發(fā)現(xiàn)模式或相似的特征，或執(zhí)行統(tǒng)計(jì)過(guò)程控制。類似地，季節(jié)性的分析也可以用來(lái)識(shí)別模式。 時(shí)間序列分析采用了多種方法，既有定量的，也有定性的。時(shí)間序列分析的目的是在歷史數(shù)據(jù)（或時(shí)間序列數(shù)據(jù)）中找出一種模式，然后推測(cè)未來(lái)趨勢(shì)。通常有四大類時(shí)間序列分析方法，如圖1-5所示。

▲圖1-5 預(yù)測(cè)和時(shí)間序列分析的方法

一般而言，定量方法是最常見(jiàn)的預(yù)測(cè)方法。但是，當(dāng)無(wú)法獲得定量的歷史數(shù)據(jù)時(shí)，或者廣泛存在不確定性時(shí)，使用定性分析和決策分析方法也很普遍。 03 自然語(yǔ)言處理 自然語(yǔ)言處理（Natural Language Process，NLP）是指通過(guò)計(jì)算機(jī)來(lái)理解和生成“自然語(yǔ)言”的方法。 當(dāng)前，NLP是一個(gè)專注于人類語(yǔ)言和計(jì)算機(jī)之間相互交互的研究領(lǐng)域，處于計(jì)算機(jī)科學(xué)、人工智能和計(jì)算語(yǔ)言學(xué)的交叉領(lǐng)域。文本挖掘和文本分析技術(shù)通常可以互換使用，既是NLP的前置活動(dòng)也可以是NLP本身的應(yīng)用。 NLP的目標(biāo)是理解計(jì)算機(jī)文本中的自然語(yǔ)言，NLP用于文本的分類、提取和總結(jié)，我們?cè)诶斫夂图夹g(shù)方面的進(jìn)步正迅速將NLP推向分析和其他許多領(lǐng)域應(yīng)用的前沿。

例如，在分析過(guò)程中，我們獲取過(guò)去的描述信息（如文本、文檔、推文、演講），并對(duì)它們進(jìn)行語(yǔ)義分類或情緒理解。 情緒分析對(duì)于理解人們?nèi)绾慰创?a target="_blank">產(chǎn)品或服務(wù)特別有用。在醫(yī)療保健領(lǐng)域，情緒分析被用來(lái)衡量患者的情緒，以及識(shí)別那些有心力衰竭風(fēng)險(xiǎn)的患者。然后，這些文本摘要將作為分析過(guò)程的輸入，用于預(yù)測(cè)建模、決策分析、搜索或回答問(wèn)題的機(jī)器人。 圖1-6概述了這樣一個(gè)自然語(yǔ)言處理的普遍過(guò)程。

▲圖1-6 自然語(yǔ)言處理過(guò)程示意圖 NLP的一個(gè)非常實(shí)際的應(yīng)用是在市場(chǎng)營(yíng)銷領(lǐng)域，文本用于理解客戶對(duì)某商品（通常指品牌或產(chǎn)品）的整體“情感”。這里的情感指的是如何理解客戶的情緒并對(duì)情緒進(jìn)行提煉與歸類。除了情感分析，NLP還可以有多種應(yīng)用，比如：

語(yǔ)法檢查

實(shí)體提取

翻譯

搜索

標(biāo)準(zhǔn)化

回答問(wèn)題

拓展學(xué)習(xí) 欲了解更多自然語(yǔ)言處理中使用的技術(shù)，請(qǐng)閱讀Matthew Mayo的文章： https://www.kdnuggets.com/2017/02/natural-language-processing-key-terms-explained.html

自然語(yǔ)言生成（Natural Language Generation，NLG）是人工智能和NLP研究的一個(gè)子集，它指自動(dòng)從結(jié)構(gòu)化數(shù)據(jù)中生成有意義的、可閱讀的文本。與NLP不同，NLG走的是另一條研究道路。 也就是說(shuō)，NLG以數(shù)據(jù)或其他形式的信息作為輸入，以文本作為輸出。 NLG已經(jīng)被廣泛應(yīng)用于各種聊天機(jī)器人，從客戶服務(wù)（見(jiàn)Pathania和Guzma，Chatbots in Customer Service）到疾病癥狀診斷。聊天機(jī)器人只是NLG的一種應(yīng)用，其他應(yīng)用還包括自動(dòng)化完成下列事項(xiàng)：

把商業(yè)智能報(bào)表歸納成完整的分析報(bào)告（Qlik、Tableau、TIBCO、Microstrategy、Sisense、Information Builders都提供這類方法）

自動(dòng)創(chuàng)建財(cái)務(wù)報(bào)表并完成分析（Nanalyze軟件提供此類功能）

制作每日體育資訊簡(jiǎn)報(bào)（StatsMonkey提供此類功能）

自動(dòng)編制客戶服務(wù)代表的績(jī)效評(píng)估（Narrative Science公司的Quill軟件提供此類功能）

在客戶關(guān)系管理系統(tǒng)中自動(dòng)創(chuàng)建CRM話術(shù)腳本，建議銷售機(jī)會(huì)（Yseop的Savvy提供此類功能）

為小企業(yè)提供智能的“財(cái)務(wù)分析師”整體解決方案（Arria公司的Recount軟件提供此類功能）

歷史上，自然語(yǔ)言處理領(lǐng)域涉及規(guī)則的直接編碼，以便處理語(yǔ)言本體，定義單詞的結(jié)構(gòu)，理解內(nèi)容和上下文，以及它們?cè)谌粘ＵZ(yǔ)言中的使用方式。統(tǒng)計(jì)計(jì)算、計(jì)算語(yǔ)言學(xué)和機(jī)器學(xué)習(xí)的現(xiàn)代進(jìn)步正以前所未有的速度改變著NLP的世界。 04 文本挖掘與文本分析 一般來(lái)說(shuō)，文本分析中最令人困惑的一個(gè)方面可能是NLP和文本挖掘之間的區(qū)別。就像在數(shù)據(jù)挖掘中所做的一樣，我們?cè)噲D從數(shù)據(jù)中提取有用的信息。在文本分析情況下，數(shù)據(jù)恰好是文本，從中提取的信息包括在文本數(shù)據(jù)中發(fā)現(xiàn)的模式和趨勢(shì)。文本挖掘處理文本數(shù)據(jù)本身，我們?cè)噲D回答諸如詞匯的頻率、句子長(zhǎng)度、某些文本字符串的存在或不存在等問(wèn)題。我們可以解決概述的問(wèn)題（例如，使用NLP中的技術(shù)進(jìn)行分類）。本質(zhì)上，文本挖掘通常是NLP的前奏。

文本分析涵蓋的范圍廣泛，通常包括應(yīng)用統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)和其他一些高級(jí)分析技術(shù)，但通常被認(rèn)為等同于文本挖掘。我覺(jué)得這是個(gè)灰色地帶。 注意，在商業(yè)智能領(lǐng)域人們經(jīng)常使用文本分析這一術(shù)語(yǔ)，以表示更多的簡(jiǎn)單行動(dòng)可以通過(guò)典型的報(bào)表方式（例如詞云、詞頻分析等），以一種自動(dòng)和可視化的方式完成。 文本挖掘一般是數(shù)據(jù)科學(xué)家喜歡使用的提法，他們雖然擁有很多更先進(jìn)的方法，但那些在文本挖掘中需要做的計(jì)數(shù)、統(tǒng)計(jì)之類的基礎(chǔ)事務(wù)也是他們復(fù)雜工作的一部分。我認(rèn)為這符合我的觀點(diǎn)，即分析是商業(yè)智能（BI）的一種自然進(jìn)化。 需要特別注意的是，不同的社區(qū)、不同的場(chǎng)景，會(huì)使用不同的術(shù)語(yǔ)，這在實(shí)際工作中可能會(huì)引起一些理解的混淆。

05 機(jī)器學(xué)習(xí) 美國(guó)最大的私營(yíng)軟件公司和分析巨頭SAS公司將機(jī)器學(xué)習(xí)定義為：

一種自動(dòng)建立分析模型的數(shù)據(jù)分析方法。機(jī)器學(xué)習(xí)使用數(shù)據(jù)迭代學(xué)習(xí)的算法，使計(jì)算機(jī)能夠在無(wú)須顯式編程的情況下具有找到隱藏見(jiàn)解的洞察力。

機(jī)器學(xué)習(xí)的核心是使用算法來(lái)建立量化分析模型，幫助計(jì)算機(jī)模型從數(shù)據(jù)中“學(xué)習(xí)”。它同以人為中心的處理過(guò)程不同，它是由計(jì)算機(jī)學(xué)習(xí)和發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模式，而不是由人去直接建立模型。 一般而言，機(jī)器學(xué)習(xí)中模型建立和模型管理的概念是指能夠持續(xù)并且重復(fù)開(kāi)展后續(xù)的決策流程，而不是高度人工參與的常?；诮y(tǒng)計(jì)手段的分析。

隨著近年來(lái)計(jì)算能力的進(jìn)步，機(jī)器學(xué)習(xí)可以用來(lái)自動(dòng)地實(shí)現(xiàn)針對(duì)大數(shù)據(jù)的復(fù)雜數(shù)學(xué)計(jì)算，而這在以前是不可能實(shí)現(xiàn)的。

人類通常每周可以建立一到兩個(gè)好的模型，而機(jī)器學(xué)習(xí)每周可以創(chuàng)建數(shù)千個(gè)模型。 ——Thomas H.Davenpot，分析思想領(lǐng)袖（Davenport，2013年）

圖1-7概述了機(jī)器學(xué)習(xí)中的常見(jiàn)方法。

▲圖1-7 機(jī)器學(xué)習(xí)常用技術(shù)歸納

拓展學(xué)習(xí) 要學(xué)習(xí)更多相關(guān)知識(shí)及機(jī)器學(xué)習(xí)中的其他術(shù)語(yǔ)，請(qǐng)?jiān)L問(wèn)谷歌開(kāi)發(fā)者機(jī)器學(xué)習(xí)詞匯表，網(wǎng)址為： developers.google.com/machine-learning/glossary/

人們通常根據(jù)計(jì)算機(jī)的“學(xué)習(xí)模式”對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行分類（記住，機(jī)器學(xué)習(xí)就是讓計(jì)算機(jī)通過(guò)分析數(shù)據(jù)中的模式來(lái)提煉規(guī)律），也就是說(shuō)，針對(duì)同樣的數(shù)據(jù)，可以有不同的機(jī)器學(xué)習(xí)算法來(lái)對(duì)真實(shí)世界（問(wèn)題）建模。 一般而言，有四種機(jī)器學(xué)習(xí)模式或者學(xué)習(xí)模型算法，它們的區(qū)別在于輸入變量扮演的角色不同，以及如何為訓(xùn)練模型準(zhǔn)備數(shù)據(jù)。 表1-1概述了不同機(jī)器學(xué)習(xí)算法的差異。 ▼表1-1 機(jī)器學(xué)習(xí)模式

06 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘 數(shù)據(jù)挖掘是在（通常是大型）數(shù)據(jù)集中發(fā)現(xiàn)和解釋規(guī)律模式，以解決業(yè)務(wù)問(wèn)題的過(guò)程。

在20世紀(jì)90年代末和21世紀(jì)初，數(shù)據(jù)挖掘作為一種分析大型數(shù)據(jù)庫(kù)以生成新的或與眾不同的信息的方法而被廣泛應(yīng)用。數(shù)據(jù)挖掘界的夢(mèng)想是“找到干草堆中的一根針”。數(shù)據(jù)挖掘與統(tǒng)計(jì)學(xué)不同的是，在數(shù)據(jù)探索之前，不一定有一個(gè)先驗(yàn)的理論驅(qū)動(dòng)假說(shuō)。

先驗(yàn) “先驗(yàn)”被定義為“從早期開(kāi)始”，或者簡(jiǎn)單地解釋為“事先”。先驗(yàn)假設(shè)是在進(jìn)行實(shí)驗(yàn)或收集數(shù)據(jù)之前陳述的假設(shè)。

數(shù)據(jù)挖掘采用傳統(tǒng)的統(tǒng)計(jì)方法以及人工智能和機(jī)器學(xué)習(xí)技術(shù)，目的是在我們擁有的數(shù)據(jù)中識(shí)別出以前未知的模式并進(jìn)行預(yù)測(cè)。 就像分析中采用的其他技術(shù)一樣，數(shù)據(jù)挖掘遵循這樣一個(gè)生命周期：通常從問(wèn)題描述開(kāi)始，然后對(duì)數(shù)據(jù)進(jìn)行理解，再進(jìn)行模型構(gòu)建，并根據(jù)結(jié)果采取相應(yīng)行動(dòng)。 一般情況下，數(shù)據(jù)挖掘人員識(shí)別出感興趣的輸出變量，然后使用各種技術(shù)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理（如聚類、主成分分析和關(guān)聯(lián)規(guī)則學(xué)習(xí)），然后將這些輸出變量作為輸入應(yīng)用到數(shù)據(jù)挖掘算法中，如回歸算法、神經(jīng)網(wǎng)絡(luò)、決策樹(shù)或支持向量機(jī)。 數(shù)據(jù)挖掘過(guò)程中的一個(gè)關(guān)鍵部分是模型評(píng)估和確保我們不會(huì)過(guò)度擬合模型。 關(guān)于作者：格雷戈里·S. 納爾遜（Gregory S. Nelson），ThotWave的創(chuàng)始人和CEO，是國(guó)際分析研究所（International Institute for Analytics）的專家，也是杜克大學(xué)?？ㄉ虒W(xué)院（Fuqua School of Business）的特約教授。

本文摘編自《數(shù)據(jù)分析即未來(lái)：企業(yè)全生命周期數(shù)據(jù)分析應(yīng)用之道》，經(jīng)出版方授權(quán)發(fā)布。

原文標(biāo)題：6種數(shù)據(jù)分析實(shí)用方法，終于有人講明白了

文章出處：【微信公眾號(hào)：工業(yè)IoT】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

責(zé)任編輯：haq