1.5　本章小结

在很大程度上，分析是一项有弹性的工作，因为它能够影响我们的工作方式、我们所做的决策以及我们取得的成果。分析常常与大数据、数据科学、信息学，甚至商业智能放在一起讨论。

然而，分析应该被看作是一种组织战略，分析生命周期是一组最佳实践，每一种实践都有互补的过程。事实上，我在本书中从操作上将分析定义为一种全面的、由数据驱动的解决问题的策略。这个定义可能不会减少那些把分析与统计学、计算机算法、数据可视化或海量大型数据库混为一谈的人的困惑，但如果你一定要这样做，请务必相信：（1）分析与上述领域确实不是一回事；（2）尽管它们都非常有用，但它们的许多内容仍然只是工具，而不是由数据驱动的、基于事实的探索和解决问题的科学或者方法论。我认识很多没有统计博士学位的杰出分析思想家，这从另外一个角度也说明分析与统计并不是一码事。

分析应被描述为一个过程，并具有以下可以观察到的特征：

·分析不是终点，而是获得洞察力以实现变革的过程。分析是将数据转化为切实可行的措施的艺术和科学。

·分析使我们在数据中发现有意义的模式，支持使用数据来检验所得到的结论（或采取行动）。

·分析不是一种技术，虽然技术是用来支持分析过程的。

·分析不仅仅是简单地计数或使用基本的数学，而是利用我们对过去的了解来预测和优化未来。

·分析可以包括但不一定必须是计算密集型的、只能由硅谷“数据科学家”使用的算法，而是由对预测未来充满好奇心的人们——我们称之为“数据倡导者（Data Champion）”——掌握的方法。

·分析必须从创建“决策”过程的输入开始，也就是说，分析过程需要创建一个数据产品——不论其大小，不论其是否可重复使用——该数据产品将为另一个分析过程提供输入信息。

就像许多在现代分析方法出现之前建立的组织策略一样，我们将继续进化我们的思想，提高我们理解世界的能力。我们得益于以前工作所积累的知识，包括科学流程、统计学、探索性数据分析、数据挖掘、人工智能、数据可视化、计算科学、心理学和行为经济学、精益思维、六西格玛等。以上领域均对分析科学做出了独特的贡献，包括思考、学习、解决问题、决策制定和行为改变等。

探索性数据分析

探索性数据分析（Exploratory Data Analysis，EDA）是在开展分析工作之前理解数据和决定需要澄清哪些问题的过程。

在本书的第三部分，我们提供了一个将分析付诸行动（actioning）的实用视角。虽然付诸行动是一个非正式术语，我们仍使用“付诸行动”这个词，是因为它意味着通过分析成果去推动变革；也就是说，“将分析付诸行动”是一种有组织的、基于特定目标的、需要取得产出的活动。