半岛权威十大直营(官方)网站

之前，我们在《数据可视化：数据预测分析中的非结构化和半结构化数据问题》中提到了数据预测中的数据结构问题，接下来我们要对分析结构和影响因素进行讲解。

预期结果分析

• 描述性模式：该方法通过挖掘历史和当前数据，分析过去展现情况来决定接下来的计划步骤。描述性模式能确定许多不同客户或产品之间的关系，来决定需要采取什么方法向前发展。几乎所有的报表，如：销售、市场、操作以及财务都适用这样的模式进行事后分析，来提出这些问题：发什么什么？多少？频率如何？什么地方？何时？问题关键是什么？应该采取怎样的行动？
• 预测模式：分析过去可以知道客户可能会有的操作，这样可以预测单一用户的操作。他可以陈述这样的问题：将会发生什么？如果这个趋势持续会怎样？如果...,下一次会怎样？
• 规范模式：又叫做决定模式。这个模式阐述了所有的决定因素之间的关系，来预测决定可能带来的结果。我们可以预测这样的问题：怎样才能达到最好的效果？怎样应对变数？客户可能感兴趣的其他商品是什么？

虽然预测分析在现在数据分析中凸显，但是他还是经常以描述模式出现在传统商业智能领域。一个例子看去年的销售收入，再为下一年指定目标。回顾以前的数据，指定未来的目标，这就是数年来商业的标准模式。

更加复杂的预测、规范模式现在正在商业中扮演更加重要的角色，这是因为硬件成本的下降，大量的数据随之而来，特别是非结构化和半结构化数据。

深入理解这些模式间的关系对于正确分析预测数据至关重要。就像所有的项目，刚开始我们都要明确他的商业目标目的一样。一旦有明确的业务目标目的，任何模式或者这三个模式都可以用在BI系统中，为达到最终目标目的服务。

重复筛选(Rinse-and-Repeat )

我们不能忽略掉预测数据给我们带来的误区。大多数情况下，100%精准的数据分析师不可能的，原因如下：

1、历史数据不能准确预测未来

2、预测模式中可能会有不定因素

3、操作各种模式的时候，可能会有偏颇以及不符合实际的预测

当实践各个模式的时候，可能的错误区域应该被记录。通常表现为预测分析系统质量提高，或者说第三方因素对其的影响下降。因此，不断优化数据分析预测模式非常有必要。模式部署周期，不断优化，不断操作实践，这样可以保证他在分析预测中以最高精度运行。

推荐阅读：

数据可视化：数据预测分析中的非结构化和半结构化数据问题

在云中实现大数据分析：让M2M分析变为现实

数据可视化的下一个标准：自动化+交互性

大数据？我们真的已经迈入那个世界了吗(二)

 大数据？我们真的已经迈入那个世界了吗(一)