机器学习与传统分析：何时使用哪种？
图片来源：编辑 | Midjourney
本文重点在于揭示传统数据分析方法与机器学习驱动方法之间的区别，并首先清晰地阐述了数据分析是什么，以及它与其他经常被互换使用的术语相比，它又是什么。在获得这种理解后，文章将提供清晰简洁的指南，说明何时使用由机器学习模型指导的数据分析方法，何时使用源自统计学的更传统方法。
数据分析与其他“数据”领域到底是什么？
有一点必须明确：数据分析与其他相关数据领域，如数据科学、大数据、商业智能，甚至数据分析（是的，数据分析 ≠ 数据分析！）之间存在很多混淆。因此，在深入探讨本文提出的核心问题之前，有必要澄清数据分析与其他数据术语的对比。
- 数据分析（Data Analysis）： 侧重于检查数据以识别趋势、模式和关系，通常使用统计学和可视化方法的结合。传统的假设检验、回归分析、方差分析和时间序列分析技术都属于数据分析的范畴。
- 数据分析（Data Analytics）： 侧重于预测性、描述性和规范性分析，即发现未来的模式和趋势以支持业务决策。本质上，数据分析是对数据分析的一种微妙的语境化和更具领域特定性的概念化：区别纯粹是语义上的和以应用为导向的，但在两个领域中底层方法几乎相同。在营销和零售业中，客户细分和客户保留分析可以归类为数据分析过程的范畴。
- 数据科学（Data Science）： 侧重于复杂数据的研究和工程过程，以获得深入的见解和知识。它通常涉及使用机器学习范畴下的高级算法和建模技术，以及数据的清理、存储和呈现。
- 大数据（Big Data）： 该术语指的是管理和分析庞大而复杂的数据集的过程，这些数据集无法通过传统的、数据处理方法有效处理。它主要侧重于使用硬件和分布式计算技术（如 Hadoop 和 Spark 等工具）来实现大规模的高效、高性能数据处理。
- 商业智能（Business Intelligence）： 涉及在组织中收集、分析（通常是从描述性角度）和可视化呈现数据以支持决策的三重过程。尽管与数据分析非常相似，但商业智能更侧重于创建报告和交互式仪表板，以向决策者提供相关信息。Power BI、Tableau 和 QlikView 是市场上著名的 BI 工具。
希望以上列表能为您消除一些与这些密切相关的领域有关的疑虑。如果未能消除，那么下面的图表一定能做到！
数据相关领域的区别与重叠
作者提供图片
数据分析与机器学习：何时使用哪种？
现在，我们更有能力比较数据分析和机器学习了。机器学习（ML） 是人工智能的一个子领域，通过它构建由数据驱动、能够自主学习以执行任务的软件模型。ML 模型通过接触用于学习的数据（即训练数据）来执行分类、回归、聚类等任务。
在某些用例中，ML 有时可作为数据分析工具用于企业，通常是预测性用例：预测销售趋势、客户流失或检测欺诈。在这些场景中，用于分类、回归和异常检测等的 ML 模型可以构成强大的数据分析工具。请记住，数据分析的概念不由使用的技术决定——无论是 ML 还是非 ML——而是由数据分析方法加上对业务决策支持的应用情境化来决定。
这意味着许多现代数据分析流程和方法使用 ML 技术作为其一部分。但并非所有都如此。在商业环境中，ML 并非总是数据分析的首选方法。这便是引起本文标题的最初问题的所在：何时使用哪种？ 现在我们对这两个术语以及其他紧密相关的术语有了扎实的理解，我们处于回答这个问题并总结文章的理想位置。
何时使用机器学习
当出现以下情况时，鼓励将 ML 用于分析目的：
- 需要对大型复杂数据集进行预测或自动化决策：例如，基于复杂的客户行为数据进行客户细分，以及根据对客户购物习惯的分析来预测和推荐客户可能需要或喜欢的产品的推荐系统等。
- 数据中隐藏的模式对于手动分析来说过于复杂：特别是涉及非结构化数据的任务，例如图像识别和分类，以及自然语言处理，例如对客户评论中的情感进行分类。
何时使用传统分析
另一方面，当目标是使用统计学方法等传统分析方法时，后者是更好的选择：
- 目标是理解历史数据、识别趋势或使用方差分析和回归分析等方法进行假设检验。
- 处理较小且数据集较简单时，重点在于清晰且可解释地解释数据变量之间的关系和相关性，例如售出的产品之间的相关性、销售趋势等。
总结
有了这些指南以及对数据分析和 ML 及其相关领域术语的理解，下次您需要将数据分析方法应用于业务案例时，您一定能很好地选择正确的行动方案。
暂无评论。