数据分析、数据挖掘、数据统计、OLAP 之间的差异

作者：孙文亮

链接：https://www.zhihu.com/question/19653226/answer/12592187
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

我觉得前数据分析、数据挖掘、数据统计正好是广义数据分析的三个方向：
 
1、数据分析。
　　数据分析需要对数据的变化趋势、比较特征等作出解释，以问题为导向，从数据上去发现问题、分析问题，甚至提出解决问题的方案，一般数据分析需要形成解释性的或结论性的数据报告；
　　专注于中小网站分析优化，网站地图、结构优化，SEO。多使用第三方工具如：开源分析模块（BIRT），CNZZ，Google Analytics（以下简称GA）。通过对网站属性数据（如pv, uv, 新用户占比，搜索词，跳出率，蹦失率，访问时长，忠诚度等）的分析，对网站结构、内容进行优化。此方向更偏产品一些，极大的依赖分析经验和对数据的敏感度。

　　代表人物Justin Cutroni，网站分析领军人物，精通GA/GWO，作有博客Analytics Talk：
　　国内代表人物宋星，经营网站分析在中国：，蓝鲸，经营蓝鲸的网站分析笔记：，Joegh，经营网站数据分析：

2、数据挖掘。

　　数据挖掘主要是面向决策，从海量数据中挖掘不为人知、无法直观得出的结论。例如内容推荐、相关度计算等。此工作更注重数据内在联系，数据仓库组建，分析系统开发，挖掘算法设计，甚至很多时候要亲力而为的从ETL开始处理原始数据，因此对计算机水平有较高要求。一般广度上不及数据分析，但深度上更为深入。使用工具除海量数据库如Oracle，分布式计算Hadoop，C++，Java，Python等编程语言外，也有可能会用到第三方挖掘工具如Weka。此方向更偏技术一些，代表人物Jeff Hammerbacher，曾经的　　　　Facebook首席科学家，曾参与编写《数据之美》，部分内容如下：

延伸阅读《探索推荐引擎内部的秘密》，可以体验一下数据挖掘的魅力：

3、数据统计。

　　专注于建模及统计分析，通过概率、统计、离散等数学知识建立合理模型，充分发掘数据内容。数据统计更多的偏向于数据的处理和计算

　　例如用回归分析，充分利用网站历史数据，进行评估、预测、反向预测、发掘因素。利用贝叶斯方法建立模型来进行机器学习、聚类、垃圾邮件过滤等。常用工具如：SAS，R，SPSS。
　　此方向更偏重数学，尤其是统计学。像哈佛数学毕业的Hammerbacher在这方面也很强。数据统计不局限于互联网，像传统行业尤其是医疗、金融等领域中，用处也是极大。
4、OLAP
　　OLAP是一种数据的展现和观察方式，基于多个维度的交叉细分，能够让分析人员从多个角度、多个层面去观察和理解数据。
　　而OLAP其实是一个建立数据系统的方法，核心思想就是建立多维度的数据立方体，以维度（Dimension）和度量（Measure）为基本概念，辅以元数据，实现可以钻取、切片、切块、旋转等灵活、系统、直观的数据展现。这种思想可以被以上三种方向借用，像GA就带有这种风格，数据仓库也经常用到此种模式。
但由于互联网的数据量较大、维度众多，会导致数据爆炸。因此一般会灵活变通，综合使用。严格使用OLAP的一般都是些制造业、零售业等相对传统的行业，作为BI的延伸，对公司决策提供有力支撑。
 
 
　　广义的数据分析，应当是包含数据挖掘和统计的。数据挖掘是面对海量数据时的有效工具，而数据统计是为分析过程提供可靠模型和结果检验的 有效工具。这两个工具可以用在数据分析中，但不只用在数据分析中。数据分析就是数据到有效信息的过程。

 

posted on 2017-07-29 15:33  ostin  阅读(371)  评论(0)    收藏  举报