描述性数据分析
描述性数据分析描述发生了什么。 描述性数据分析描述了在新的大数据分析工具出现之前就已经存在的数据。 想一想您见过的每个电子表格、每个会计或财务报告、每个库存报表等。 所有这些都是描述性数据分析，它允许人们退后一步并评估发生了什么。 与以往不同的是，通过描述性数据分析，可以总结之前发生的事情，对过去有更深入的了解和评价。
这很有价值，原因有几个。 一方面，这种分析方法进一步揭示了一些过去了解但不在我们控制范围内，不太可能找到规律性的因素，例如恶劣的天气事件。 如果这是原因，就没有必要改变流程，惩罚表现不佳的员工，或放弃原本有效的营销活动。 另一方面，新的参数变量也可以用来分析以前没有注意到的可控事项利用大数据预测赛果，进而采取有效的措施。 因此，现代描述性数据分析不应被视为只是以新方式解决旧问题。 应对现有算法进行大修，并添加一系列新元素以获得更深入的分析。
实时或近实时的描述性数据分析描绘了现在正在发生的事情，随着大数据分析的出现，分析出现了新的变化，有助于观察比以往任何时候都更细微的细节，这也可以看出在问题发生时或之后不久看到。 然后采取适当的步骤来充分利用积极事件和/或减少不良事件的负面影响。
预测数据分析
正如您想象的那样，预测数据分析是一种对未来进行预测的分析方法。 例如，银行使用预测数据分析来预测个人在发放贷款和承担风险之前拖欠贷款的可能性。 银行还可以使用预测数据分析来检查具有共同特征的群体，并在个人层面上建立判断贷款违约可能性的标准。 这对银行来说是个好消息，银行必须保持较低的贷款违约率并保持相应的利润回报，但这种做法会导致歧视。 这说明建立相似的标准不利于公司治理和公共关系的提升。 因此，预测数据分析应该从更广泛的角度来使用，而不仅仅是可操作的数据。 在采取行动之前，审查分析的结果必须考虑到潜在的负面影响，同时考虑到法院、监管机构和公众的不满。
以前，预测数据分析有巨大的机会，它可以根据过去的事件预测未来，以便提前做好准备或产生新的见解。 但如今的预测数据分析比以往任何时候都更加准确，只需几分钟即可得出结果。 随着更少的被动决策和更主动的决策，公司突然对未来更有信心，但不幸的是，在撰写本文时，很少有公司使用预测数据分析工具，许多公司专注于更快地掌握新趋势。 描述性分析工具。 随着越来越多的公司熟练使用大数据，这种情况有望在短期内得到改善。
规范性数据分析
在新兴技术的帮助下，规范性数据分析处于数据分析的前沿。 在这类分析中，当数据分析结果产生时，会自动显示产生的决策，或者针对每一种可能的分析结果推荐一系列的决策建议。 用户或商家可先选择后直接使用。
例如，杂货店通常会在结账时分发他们最喜欢的品牌的优惠券。 选择使用优惠券是被动的。 规范的数据分析可以确定消费者喜欢的类型和品牌，以及他们何时可能再次购买类似的产品。 票据打印机根据不同的需要，打印出合适的优惠券给消费者。 规范性数据分析可帮助企业将数据转化为决策行动。
另一个例子是脸书。 Facebook 使用规范的数据分析推荐社交好友。 例如，如果你和吉姆有很多共同的朋友，那么你们两个的共同朋友将比已经是朋友的人多。 当Facebook交叉引用你所有好友的好友列表时，规范的数据分析可以准确定位这些人中哪些人有可能成为你的好友，即使你目前不是他的好友，Facebook也会自动推荐给你好友。 但是，是否添加好友取决于您和 Facebook 用户。 这种情况下的规范性数据分析不会自动将双方连接为朋友。
规定性数据分析在其他实体中的发生方式大致相同，例如 Neth，它使用规定性数据分析根据用户的观看习惯推荐电影和电视节目：亚马逊（Amazon）自动推荐客户可能想要购买的其他商品。 在这两个示例中，规范性数据分析会自动提供选择并提出建议。
规范性数据分析并不总是自动提出决策建议。 例如，规范性数据分析常用于道路、供水和有线电视系统等大型社会项目的维护。 当需要拓宽道路，根据实际和预期的车流量等因素在路口加装红灯时，规范性数据分析可以为维护良好交通秩序的人提供指导和提出一系列决策建议。
在城市排水系统中，由于实际使用率高而因磨损而需要更换的部件，或者比净水系统效果更好的溢流系统，规范的数据分析可以帮助市政当局针对上述问题提出维护计划，使整个排水系统 回到最佳工作状态。 规范性数据分析的工作方式类似于有线电视系统，从更换组件到信号故障和维修，为负责保持系统以最佳性能运行的人员提供解决方案建议。 在这种情况下，推荐的解决方案并不是自动生成的，而是向能够实现该解决方案的人提出的。
本章和前几章的讨论重点是对能够解释和处理大数据结果（输出）的人的需求很高。 尽管有规范性数据分析的帮助，但对这类人才的需求仍然很大，因为规范性数据分析还远未成熟，至少目前还不能用来分析更复杂的业务问题。
到目前为止，规范性数据分析涉及的问题还比较初级，分析应用也处于初级阶段，而传统的“处理方法”或措施逻辑性强、易于识别、可操作性强。 总之，规范的数据分析并不是用机器炮制出一些有创意、有创意的方案那么简单。 现在真的不能这么说。
又如交通和能源电力的数据分析利用大数据预测赛果，主要采用规范的数据分类方法。 数据分析有助于总结过去发生的事情并预测未来可能发生的事情。 基于历史上（以前使用的）效果良好的处理方法，提出了一系列新的解决方案。 这些新的解决方案很可能会改善这个问题。
规范性数据分析将推荐一系列选项来解决交通拥堵问题，包括安装交通信号灯和鼓励提高票价。 鼓励改道，在某些专用车道上对每辆车施加最低客流量，增加车道数量或修建新道路。 这些措施是常识和熟悉的，但也是最司空见惯的。
相比之下，人们可能会创建一个解决方案列表，其中包含一些更有创意的替代方案。 比如制造一辆完全不接触路面，甚至可能走空中路线的汽车：开发一种可以沿着或滑行于建筑物“道路”之间的磁力车，用到的一些新发明，因为据我们所知要知道，预测数据分析提出的逻辑解决方案主要基于过去的成功，没有创意，也从不尝试新领域，因此有时会使用户处于劣势，尤其是当竞争对手正在开发更具创意的解决方案时。 在使用规范性数据分析的任何地方都会出现类似的情况和缺点。
在大数据时代，规范性数据分析主要限于维修、物流、折扣点、定价决策、客户追加销售等常见问题。 公司甚至希望在不花费太多时间和精力的情况下监控（并验证这些决策）。 换句话说，在不直接与竞争优势本身建立联系的情况下，加快管理决策的规范人性化是一件好事。 规范性数据分析有望在未来能够处理更复杂的问题，但要实现这一目标，我们还有很长的路要走。
无论目前正在探索、使用或计划使用哪种数据分析方法，分析的结果都是多样的，需要人们采取不同的行动（做出不同的反应），直到达到最终目标。 现在的措施。