資料分析概觀
您必須讓資料先通過某個程序以使資料得以用於詮釋，才能夠詮釋資料。 資料分析是識別、清理、轉換和模型化資料以探索有意義且有用資訊的程序。 接著，透過報告製作供分析事件的資料，以支援重要的決策程序。
隨著世界日益重視資料導向，透過資料分析詮釋資料也逐漸成為各大小企業的重要元件和方向。 這是組織持續雇用資料分析師的原因。
受資料驅動的企業會根據所詮釋資料來進行決策，但在現今的資料驅動世界中，資料並未充分發揮潛能，這是大部分企業所面臨的挑戰。 資料分析是且應該是所有組織協助判斷業務影響因素的重要方向，包括評估客戶情感、執行市場和產品研究，以及識別趨勢或其他資料見解。
雖然資料分析的程序著重在清理、模型化及視覺化資料的工作，但不應低估資料分析概念及其對商務的重要性。 分析的核心元件會分成下列類別，以分析資料：
- 描述性
- 診斷
- 預測性
- 指導性
- 認知
描述性分析
描述性分析會根據歷程記錄資料來協助回答有關發生何事的問題。 描述性分析技術摘要說明大型語意模型，以描述專案關係人的結果。
透過開發關鍵效能指標 (KPI)，這些策略有助於追蹤關鍵目標的成功或失敗。 投資報酬率 (ROI) 之類的計量用於許多產業，特定產業會開發追蹤績效的特製化計量。
描述性分析範例包括產生可檢視組織銷售和財務資料的報表。
診斷分析
診斷分析可協助回答事件發生的原因。 診斷分析技術針對基本的描述性分析加以補充，使用描述性分析的結果來探索這些事件成因。 接著，會進一步調查績效指標來探索這些事件改善或惡化的原因。 這個程序通常分為三個步驟：
識別資料中的異常。 這些異常可能是計量或特定市場中的非預期變更。
收集與這些異常相關的資料。
使用統計技術來探索可說明這些異常的關聯性和趨勢。
預測性分析
預測性分析可協助回答未來會發生什麼事的問題。 預測性分析技術會使用歷程記錄資料來識別趨勢，並判斷其是否可能重複發生。 預測性分析工具可供深入了解未來可能發生的情況。 這些技術包括各種統計和機器學習技術，例如類神經網路、決策樹和迴歸。
指導性分析
指導性分析可協助回答有關應採取哪些動作以達成目的或目標的問題。 藉由使用規範性分析的深入解析，組織就可以做出數據驅動決策。 這項技術可供企業在面臨不確定性時根據已知情況來制定決策。 規範性分析技術依賴機器學習作為其中一種策略，以尋找大型語意模型中的模式。 藉由分析過去的決策和事件，組織可預估不同結果的可能性。
認知分析
認知分析會嘗試從現有資料和模式中得出推論，根據現有知識庫來導出結論，然後將這些結果新增回知識庫，以供未來推斷之用，這是一種自我學習的回饋迴圈。 認知分析可協助了解當環境變更時可能發生的情況，以及判斷您可能如何處理這些情況。
推斷不是以規則資料庫為基礎的結構化查詢，而是收集自數個來源，以不同信心程度表示的非結構化假設。 有效的認知分析會依賴機器學習演算法，且會使用數種自然語言處理概念，讓話務中心交談記錄和產品評論等先前未利用的資料來源變得有意義。
範例
零售業藉由啟用報表和資料視覺效果來使用描述性分析，以查看過去幾年的購買模式，其可判斷下一年可能熱賣的產品。 公司也可能查看支援的資料來了解特定產品受歡迎原因，以及該趨勢是否會持續，這將有助於判斷是否繼續備貨。
企業可能會判斷某一種產品在特定時間範圍內受歡迎。 然後，其可使用此分析來判斷特定的行銷投入或線上社群活動是否有助於增加銷售。
資料分析的基礎面向是企業需要信任其資料。 在實務上，資料分析程序會從受信任的來源擷取資料，並將其塑造成可取用、有意義且容易了解的項目，以協助決策程序。 資料分析可讓企業透過資料驅動的程序和決策全面了解其資料，讓企業對自己的決策有信心。
隨著資料量成長，對資料分析師的需求也隨之增加。 資料分析師知道如何組織資訊，並能擷取出相關且可理解的內容。 資料分析師知道如何收集正確的資料，以及如何處理資料，換句話說，讓超載的資料變得有意義。