分析能力譜

分析領域包括數據收集、建模和人工智能。 在他/她的職業生涯中，業務分析師的知識也會從一套技能轉移到另一套技能。 不同的工具提供專業知識來解決不同類型的問題，不同的公司專注於處理不同的領域和分析功能。 將所有這些放在一起，人們可能會看到跨越範圍的分析能力。 那麼，那個頻譜是什麼，它有什麼關係呢？

了解分析頻譜上的當前區域對於分析專業人士和分析公司來說都很方便。 雖然公司的目標應該是在他們的產品中覆蓋整個範圍，但分析師應該致力於沿著這個範圍移動，成為分析大師。 這篇文章將向您介紹分析能力的範圍，以便您知道自己在哪裡，以及想去哪裡。

你在問什麼問題？

當您啟動業務分析項目時，您通常會在解決業務問題的背景下進行。 與學術界不同，專業的數據科學家通常會考慮最終會增加利潤的目標。 該問題的解決方案通常被嘗試作為對某些相關業務問題的回答。 雖然對於每個問題和項目，都可以提出許多問題，但問題本身屬於分析提供區域的不同領域。

• 多少、多久、何時、誰以及其他與計數相關的問題

描述數據的問題，通常通過各種削減匯總和聚合數據，構成描述性分析。 目標是了解關於先前已知維度和任務的數據是什麼，涉及計數和其他不同形式的指標（例如：數據透視表）。 這通常是業務分析的起點，並試圖理解所有收集的數據。 在大多數企業中，這項任務構成了最大的分析部分，儘管由於此類任務通常是自動化的，因此花費的人力可能會或可能不會很大。

• 發生了什麼，該怎麼做——以及其他以原因為中心的問題

試圖理解為什麼在數據中發生或觀察到某事的問題，形成了下一級診斷分析。 目標是找出觀察數據的原因，任務涉及對各種潛在原因的假設檢驗，找到聚合和拆分數據的正確維度，以及查看數據中的模式。 商業理解和基本統計知識對於解決這類問題至關重要。 大多數分析工作主要位於這一頻譜區域。

• 會怎樣，誰會，什麼時候會，那又怎樣，如果——以及其他與未來相關的問題

試圖預測或預測的問題屬於預測分析領域。 預測的內容由分析師提供，並挖掘數據以根據過去對未來進行建模。 許多專業分析公司都在這部分範圍內開展業務。 目標是在各種假設情景下以不同程度的信心預測未來結果。 對機器學習方法、建模假設和最佳實踐、統計數據和 Excel 以外的工具（如 SAS、R、SPSS、Python）的深入了解幾乎總是必要的。

• 什麼是最好的，什麼是正確的——以及其他尋求問題的建議

雖然預測分析可以提供不同行動下的未來一瞥，但它們本身並不建議行動。 Prescriptive Analytics超越了預測，並為從整體上考慮所有約束、業務需求和目標的多個實體推薦了一組最佳操作。 在這個分析能力領域，優化和決策算法/工具的知識變得至關重要。 只有非常利基的組織和企業才能提供和使用規範性分析。

• 可能有什麼，告訴我什麼——以及其他尋求問題的行動

分析的最後一個聖杯稱為先發製人分析。 與試圖事後解決問題的預測和處方分析不同，先發製人分析監視業務和客戶的所有領域，並在問題變得明顯之前不斷預測和解決問題。 很少有組織可以真正聲稱在這個範圍內運作，因為它需要完全集成的數據、反饋循環和內置到整個系統中的人工智能，並且人工干預有限。

你為誰工作？

除了在分析譜中反映的分析能力的進步，影響你技能的其他正交維度是：你的客戶是誰？ 通常，分析公司可以分為為其他公司提供服務的第三方分析公司和為自己公司內的其他部門提供服務的專屬分析公司。 前者通常在工作上有更多的多樣性，但可能仍然有團隊專長。 以後可能會為領域專業知識提供更多機會。

以其他方式，您的客戶會通過提出正確的問題來影響您的分析能力。 一些客戶，大多是分析新手，對信任複雜的“黑盒”模型來做出決策感到不安，而其他客戶，主要是那些過去從分析中受益的客戶，對新的甚至可能違反直覺的想法更持開放態度。

您是否再次（一次又一次）這樣做？

最後，一些團隊專注於一次又一次地為不同的客戶提供類似的分析解決方案，而另一些團隊則專注於提供不同類型的解決方案。

第一類團隊真正深入解決問題，通常有詳細的流程和項目清單，大量投資於高級分析，並且通常使用定制工具和部分或完全自動化的分析開發。 從事此類項目的分析師可以期望成為該領域的大師。 然而，這可能伴隨著一點單調，儘管在實踐中每個項目都是不同的，精明的分析師會找到學習的機會。

第二種類型的團隊在工作上有更多的靈活性和多樣性，這可以緩解無聊，但會帶來解決不同問題、導航不同數據結構、更多自定義工作和數據探索的挑戰。 通常，在這些團隊中工作的分析師將更廣泛地接觸不同的業務領域和子領域，但深度和業務知識可能有限。

隨著世界向大數據、人工智能和物聯網發展，對在高級分析領域工作的經驗豐富的分析專業人員的需求仍然是歷史最高水平。