数据分析的区别，传统分析与⾼级分析
上⼀次我们说到企业都需要⾼级分析，那这次就来说说什么是⾼级分析，它⼜⾼级在了哪⾥。
01、什么是⾼级分析
⾼级分析的核⼼之⼀是预测，说来也巧，在英⽂中predict和forecast都有着预测的意思，那他们之间的区别在哪⾥？
elecom
我们可以⽤天⽓预测来说明。假设我们已知某地区现在正在下⾬，要预测⼀个⼩时以后，这个地区是否依然会下⾬，其中⼀个⽅法是：我们通过历史的数据（例如：温度、湿度、光照强度等）去做建模，⽤统计学的⽅法，预测（predict）出⼀⼩时以后这个地区⼤概率不下⾬；
当然我们还有另⼀种预测⽅法：这⼀次，我们不仅仅通过已有数据进⾏计算，还通过卫星拿到了遥感数据，将当前该地区云层的变化考虑了进去，⼜通过当前室外的传感器得到了环境信号。同时在算法上也进⾏了升级，考虑了信号有效性可能会降低，做了信号衰减处理，同时引⼊注意⼒机制解决信息超载问题等，通过数据层⾯的扩充以及算法层⾯的升级，这⼀次我们预测（forecast）出，⼀个⼩时后，这个地⽅依然在下⾬。
从这两种预测降⾬的⽅法中我们⼤致感受到了传统的数据分析和⾼级分析的区别在哪⾥，接下来我们说说⼆者的具体区别在哪⾥。
02、传统分析与⾼级分析的区别
pla是什么意思
kxh我们来看看传统的数据分析是什么，从Gartner对于⾼级分析的定义中我们看出，⾼级分析不仅限于传统BI系统的洞察、预测（prediction）及建议⽣成，那什么是BI呢？
商业智能（BI）是利⽤技术⼿段或⽅法，将数据转化为知识，⽤以⽀撑企业决策、发掘商业价值的⼀套解决⽅案。
随着BI在国内的发展，现在⼀提到BI，不免使我们想到了了许多标签化的词语，例如“展⽰”和“可视化”，这两个最容易想到的词语揭⽰了BI的⼀项重要功能，即数据可视化。通过数据可视化将数据分析结果以更直观明了的⽅式进⾏展⽰，能为决策者提供更清晰更深⼊的见解。
同时另⼀个标签“报表”也从某种程度上反映了我国的BI建设现状。按照BI的定义，报表⼯具也是BI的⼀部分，不过并不能完全代表BI。但是我国企业信息化⽔平整体偏低，很多企业的决策⽀撑仍然以报表为主，所以报表也是BI在我国企业内的⼀个主要表现形式。
以上这些形成了我们⽬前对BI的初步印象，也就是对传统的数据分析的印象，那⾼级分析⼜是怎样的呢？
有⼈将⾼级分析作为BI的⼀部分来阐述，但这样其实是不对的，因为我们发现谈论BI会促使⼈们⽴即考虑报表和仪表板。相反，我们谈论的⾼级分析是从BI到描述性和预测性分析的滑动范围–从对过去的描述性知识到对未来的越来越多的预测。
所以我们通过对⽐能发现，⾼级决策分析与传统数据分析是有许多不同的，我们将这些不同主要归为五⼤类：
edition1、所创造的价值
传统的数据分析是将原料做归集呈现，⽽⾼级分析是尽可能的拿到所需要的数据，通过预测从⽽⽀撑决策；
2、交互操作
传统数据分析主要是“看”图表这样的被动固化感知，⽽⾼级分析更多的表现出主动性，我们可以通过实⽤⼯具去主动探究；
3、模型
传统的数据分析主要是对历史的统计进⾏描述，也就是看过去以及现在的情况，⽽⾼级分析是根据过去和现在的情况对未来进⾏预测，这也是其标志性的不同点；
erya4、组织知识
传统的数据分析⼀般存在于少数⾼⽔平业务专家头脑中，⽽⾼级分析因为通过知识图谱、专家系统、规则引擎等实现了业务知识的标准化，从⽽⽐较容易形成组织知识，这样更便于保存，不易流失；
5、使⽤数据
传统的数据分析所使⽤的主要是内部已经整理好的数据，⼀般都是有什么数据就分析什么数据，⽽⾼级分析因为其所需要解决的问题，所以要尽可能多的获取数据，包括新闻资讯、社交媒体、图⽚图像、卫星遥感、传感器等数据。
03、传统数据分析像⾼级分析转化
通过这些对⽐我们发现传统的数据分析向⾼级分析衍化是⼀个趋势：
ob是什么意思•可视化功能已经属于各个⼚家的标配，且功能趋同性⽇益加强。在以往的⼀段时间⾥，我们往往可以⼀眼分辨出A产品与B产品的区别，因为在图表外观上就有明显的差异。但在最近⼀两年，如果不是业内⼈⼠，可能需要仔细才能看出来，图表的样式甚⾄默认配⾊都越来越像了。这规律与⼿机的发展是⼀样的。
•客户逐渐成熟，逐步由看热闹转为看门道。当⼤家第⼀次做数据分析项⽬时，可能很容易被图表的美观所吸引，然后才会逐渐认识到性能，权限管理等重要性。所以⾼级分析是⽤来分析问题的⽽不只是看或者打印的。⼀个3D的柱图通常不会⽐⼀个2D的柱图能带来更多的分析能⼒，更不要提3D粒⼦组件这样的内容了。
•数据的极⼤丰富，⼤数据发展了这么多年使得数据质量有了极⼤的提升，不仅仅是数据量提升明显，同时，数据的质量、数据的多样性、数据的精细程度都有了显著提升，这使得分析可使⽤的原材料变得更加的充实。
•⾼级算法应⽤普及化，随着⼈⼯智能的发展，机器学习、逻辑回归、朴素贝叶斯、神经⽹络等⾼级算法现在已经是我们⽇常就能接触到的，这些算法为我们通过⾼级分析做预测提供了极⼤地帮助。
•云计算以及硬件的发展使得算⼒获得极⼤地提升，以前处理⼤量的数据往往需要⼀个特别长的时间段，这使得这样的计算效率低下，不适⽤于⽇常⽣产经营活动。⽽现在，算⼒的提升使得这个时间在级别上得到了缩短，这也使得⾼级分析适⽤的场景更加丰富了。
04、⾼级分析技术代表
⽽正因为⾼级分析包括数据/⽂本挖掘，机器学习，模式识别，预测（forecast），可视化发现，语义分析、情感分析、⽹络及聚类分析、多变量统计、图谱分析、仿真模拟、复杂事件处理、神经⽹络建模等。所以⼈⼯智能技术在这⾥变得尤为重要，⽽下⾯的技术也成为⽀撑⾼级分析的⼏个代表性技术⼿段：
⼀、深度学习技术
深度学习是指多层的⼈⼯神经⽹络和训练它的⽅法。⼀层神经⽹络会把⼤量矩阵数字作为输⼊，通过⾮线性激活⽅法取权重，再产⽣另⼀个数据集合作为输出。这就像⽣物神经⼤脑的⼯作机理⼀样，通过合适的矩阵数量，多层组织链接⼀起，形成神经⽹络“⼤脑”进⾏精准复杂的处理，就像⼈们识别物体标注图⽚⼀样。
建筑设备安装⼆、数据准备⾃动化技术
数据整合，数据准备等数据科学⼯作将越来越⾃动化，这会⼤⼤提升数据科学家的⼯作效率。数据集
成等⼿动⼯作的⾃动化有助于提⾼专业和民间数据科学家的效率，缓解⼈⼿不⾜的问题。
三、⾃然语⾔处理技术
⾃然语⾔理解是计算机科学领域与⼈⼯智能领域中的⼀个重要⽅向，它研究如何能让计算机理解并⽣成⼈们⽇常所使⽤的语⾔，使得计算机懂得⾃然语⾔的含义。⾃然语⾔处理技术将能把数据分析的结果以叙事的⽅式表达给⽤户，便于⽤户理解。⽤户将通过搜索和⾃然语⾔的⽅式进⾏分析查询，如同siri那样的交互，⽽不必通过专家或者计算机语⾔进⾏查询。
⾃然语⾔⽣成技术可为数量⽇益庞⼤的数据集提供更多分析功能，因此发展⼗分迅猛。在虚拟个⼈助理等应⽤的推动下，搜索和⾃然语⾔处理技术的易⽤性将逐步提⾼。分别英文
四、知识图谱
知识图谱是通过将应⽤数学、图形学、信息可视化技术、信息科学等学科的理论、⽅法与计量学引⽂分析、共现分析等⽅法结合，并利⽤可视化的图谱形象地展⽰学科的核⼼结构、发展历史、前沿领域以及整体知识架构达到多学科融合⽬的的现代理论。
它把复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制⽽显⽰出来，揭⽰知识领域的动态发展规律，为学科研究提供切实的、有价值的参考。
normalmode
五、交互可视化
moves like jagger歌词传统的数据可视化，平⾯的图标往往占到绝⼤多数，这样的信息流动是单向的，⽤户只能接受每⽇传递来的信息，⽽媒体并不能接受⽤户的反馈并调整，这样就限制了信息的传递量，⽽交互可视化的实现，使得信息与受众之间形成双向关系，⽤户可以对数据进⾏特定调整，也使得数据可⽤性变得更强。
当然以上列出的仅仅是冰⼭⼀⾓，在⾼级分析中⼈⼯智能的重要性显⽽易见，所以，在之后的⽂章中，我们就要看到⼈⼯智能技术是如何在⾼级分析中发挥其作⽤的。
