分析能力谱

分析领域包括数据收集、建模和人工智能。 在他/她的职业生涯中，业务分析师的知识也会从一套技能转移到另一套技能。 不同的工具提供专业知识来解决不同类型的问题，不同的公司专注于处理不同的领域和分析功能。 将所有这些放在一起，人们可能会看到跨越范围的分析能力。 那么，那个频谱是什么，它有什么关系呢？

了解分析频谱上的当前区域对于分析专业人士和分析公司来说都很方便。 虽然公司的目标应该是在他们的产品中覆盖整个范围，但分析师应该致力于沿着这个范围移动，成为分析大师。 这篇文章将向您介绍分析能力的范围，以便您知道自己在哪里，以及想去哪里。

你在问什么问题？

当您启动业务分析项目时，您通常会在解决业务问题的背景下进行。 与学术界不同，专业的数据科学家通常会考虑最终会增加利润的目标。 该问题的解决方案通常被尝试作为对某些相关业务问题的回答。 虽然对于每个问题和项目，都可以提出许多问题，但问题本身属于分析提供区域的不同领域。

• 多少、多久、何时、谁以及其他与计数相关的问题

描述数据的问题，通常通过各种削减汇总和聚合数据，构成描述性分析。 目标是了解关于先前已知维度和任务的数据是什么，涉及计数和其他不同形式的指标（例如：数据透视表）。 这通常是业务分析的起点，并试图理解所有收集的数据。 在大多数企业中，这项任务构成了最大的分析部分，尽管由于此类任务通常是自动化的，因此花费的人力可能会或可能不会很大。

• 发生了什么，该怎么做——以及其他以原因为中心的问题

试图理解为什么在数据中发生或观察到某事的问题，形成了下一级诊断分析。 目标是找出观察数据的原因，任务涉及对各种潜在原因的假设检验，找到聚合和拆分数据的正确维度，以及查看数据中的模式。 商业理解和基本统计​​知识对于解决这类问题至关重要。 大多数分析工作主要位于这一频谱区域。

• 会怎样，谁会，什么时候会，那又怎样，如果——以及其他与未来相关的问题

试图预测或预测的问题属于预测分析领域。 预测的内容由分析师提供，并挖掘数据以根据过去对未来进行建模。 许多专业分析公司都在这部分范围内开展业务。 目标是在各种假设情景下以不同程度的信心预测未来结果。 对机器学习方法、建模假设和最佳实践、统计数据和 Excel 以外的工具（如 SAS、R、SPSS、Python）的深入了解几乎总是必要的。

• 什么是最好的，什么是正确的——以及其他寻求问题的建议

虽然预测分析可以提供不同行动下的未来一瞥，但它们本身并不建议行动。 Prescriptive Analytics超越了预测，并为从整体上考虑所有约束、业务需求和目标的多个实体推荐了一组最佳操作。 在这个分析能力领域，优化和决策算法/工具的知识变得至关重要。 只有非常利基的组织和企业才能提供和使用规范性分析。

• 可能有什么，告诉我什么——以及其他寻求问题的行动

分析的最后一个圣杯称为先发制人分析。 与试图事后解决问题的预测和处方分析不同，先发制人分析监视业务和客户的所有领域，并在问题变得明显之前不断预测和解决问题。 很少有组织可以真正声称在这个范围内运作，因为它需要完全集成的数据、反馈循环和内置到整个系统中的人工智能，并且人工干预有限。

你为谁工作？

除了在分析谱中反映的分析能力的进步，影响你技能的其他正交维度是：你的客户是谁？ 通常，分析公司可以分为为其他公司提供服务的第三方分析公司和为自己公司内的其他部门提供服务的专属分析公司。 前者通常在工作上有更多的多样性，但可能仍然有团队专长。 以后可能会为领域专业知识提供更多机会。

以其他方式，您的客户会通过提出正确的问题来影响您的分析能力。 一些客户，大多是分析新手，对信任复杂的“黑盒”模型来做出决策感到不安，而其他客户，主要是那些过去从分析中受益的客户，对新的甚至可能违反直觉的想法更持开放态度。

您是否再次（一次又一次）这样做？

最后，一些团队专注于一次又一次地为不同的客户提供类似的分析解决方案，而另一些团队则专注于提供不同类型的解决方案。

第一类团队真正深入解决问题，通常有详细的流程和项目清单，大量投资于高级分析，通常使用定制工具和部分或完全自动化的分析开发。 从事此类项目的分析师可以期望成为该领域的大师。 然而，这可能伴随着一点单调，尽管在实践中每个项目都是不同的，精明的分析师会找到学习的机会。

第二种类型的团队在工作上有更多的灵活性和多样性，这可以缓解无聊，但会带来解决不同问题、导航不同数据结构、更多自定义工作和数据探索的挑战。 通常，在这些团队中工作的分析师将更广泛地接触不同的业务领域和子领域，但深度和业务知识可能有限。

随着世界向大数据、人工智能和物联网发展，对在高级分析领域工作的经验丰富的分析专业人员的需求仍然是历史最高水平。