业务数据分析-{下拉词

大家好，今天小编关注到一个比较有意思的话题，就是关于业务数据分析的问题，于是小编就整理了2个相关介绍业务数据分析的解答，让我们一起看看吧。

1. 偏业务的数据分析与偏技术的数据分析有什么不同？
2. 偏业务的数据分析师与偏技术的数据分析师有什么区别？

偏业务的数据分析与偏技术的数据分析有什么不同？

本人的头条文章，供参考：如何挖掘数据价值？关于机器学习解决问题的2条路径的一点思考

***s://***.toutiao***/i6638514991362212359/

机器学习处理的对象是数据，机器学习可以找到已有数据的规律与特征，机器学习的最终价值是“数据规律与特征”的“价值变现”。(规律/特征未必稳定)

而“最终价值”取决于“需求”，那么机器学习能否找到“需求”？机器学习能否找到“满足需求”而需要的“特征支持”？机器学习能否从数据中找到相应的“特征”？

1.1 机器目前解决不了“深层次的需求”的问题，因为需求来源于矛盾的演进过程中，对矛盾的认识是多次、由浅而深的、动态的过程。机器学习基于统计理论，没有形成多维度分析、思考、推理、验证、小结、判断等能力。所以机器学习不能精确地、深层次地分析需求，但在现有规律、公理基础上能够预测“表层需求”的大概率***。

1.2 基于过去的数据记录，机器可以分析“数据”与“目标”的关联关系，但此种关联仅仅是“表层的现象”，而非“因果关系”。从关联性分析出必然性，依然需要人的介入分析。

1.3 如果在1.2环节中，已经找到了“数据”与“目标”的因果关系，那么已不需要再寻找“特征”。如果“特征支持”的表述是模糊的，那么从数据中寻找“特征”的行为，是一个标准的数据分析行为。另外的情形：通过分析方法得出数据的各种特征，但特征可能用途不明（浅层特征有语义特性，有可解释性，演化出新应用的可能性较高；但深层特征，可解释性不强，演化出新应用的可能性较低）。

由上可见：1.1->1.2->1.3是一个典型的工程问题的解决路径，而1.3->1.2->1.1是典型的研究成果转化的路径。

无论何种路径，问题的解决都需要领域知识与机器学习知识的结合，通常也难以做到一步到位地解决问题，随着认识的深入与全面，机器的认知能力和水平也随之而提升，一个好的解决问题的模型一定是在实践中成长（演进）出来的结果。

怎么说呢，打的比方吧，偏业务的就有些像产品经理，偏技术的就是专业的数据挖掘。前者需要数据分析偏统计，可视化，出报表和报告，需要较强的表达能力。

后者的话数据挖掘偏算法，重模型，需要很深的代码功底，要码代码，很多

一般即掌握业务知识，又掌握技术的人才非常少，所以对企业来说只能让精通业务的和精通技术的都来做数据分析，各有专长。

其实随着数据分析软件的发展，企业现在已经可以专注于自身的业务发展，将数据分析的技术部分交给专业的公司来完成，比如东软的Dat***iz（***s://cloud.neusoft***/pages/product/p_dat***iz）数据可视化分析软件，就是面向业务人员的探索式数据可视化分析工具，业务人员不需要数据分析的专业技术知识，就可以进行数据可视化分析。

偏业务的数据分析师与偏技术的数据分析师有什么区别？

首先感谢邀请，我是深度数据挖掘，欢迎大家关注和相邀相关问题。

1. 首先我们从这个文字的定义或者简单的领域区分上，可以这样认为，偏业务型的数据分析师是为了营销或者是为了营销而去做这个数据分析，先技术型的数据分析是从技术领域或从逻辑关系上去考虑数据整体和逻辑上完整性的一个创新思维的一种做法和考虑方向的问题。实际上他们在做这个数据上最大的区别就在于他们的动机和取向不同。通常来讲会由于他们的偏向不同，会导致数据结构和数据的逻辑性，在后期出现很多的一些偏向性。

2. 我们通常认为所有的数据分析最终应该是都是符合于技术，或者最终都是为了分析数据而分析，但实际上在执行的过程中远远不仅仅只是在分析数据那么简单，应当考虑的是数据变现，一是将偏业务和偏技术型进行结合，这就意味着他们在前期获，在后期的这个进一步平台定位的时候，会对数据分析会进一步的明了和明朗一些。

到此，以上就是小编对于业务数据分析的问题就介绍到这了，希望介绍关于业务数据分析的2点解答对大家有用。