数据分析不是为了写一份报告

今天这篇文章的直接原因，是为了校正之前发表的“按流程进行数据分析”一文的部分观点。

文中简单描述了数据分析流程：明确分析目的；按照数据分析的目的、具体内容，收集所需数据；对数据进行初步的质量筛查；运用合理的数据分析方法进行分析；最后得到分析的结论，撰写解决问题的建议性报告。

乍读，这个流程好像没什么问题，再读，上面所讲的流程可能更适合调研性工作，提供基于数据分析的解决办法，严格来讲，这个流程遗漏了最为宝贵的环节，没有将数据分析的结论应用到实践中。换句话讲，就是为了报告而分析！

为什么要进行数据分析？肯定不是为了报告。数据分析报告仅是其中的一部分，更为重要的是将数据分析得到的模型或者建议付诸实践，在应用过程中不断的反馈并对模型进行优化调整，最终使业务得以提升，这可能是一个不断往复优化的迭代过程。

数据分析流程，严谨点来说，可以参考CRISP-DM（跨行业数据挖掘标准流程），如上图所示，它将整个数据挖掘过程分解为商业理解、数据理解、数据准备、建立模型、模型评估和结果部署6个步骤。CRISP-DM认为，数据挖掘过程是循环往复的探索过程，6个步骤在实践中并不是按照直线顺序进行，而是在实际项目中经常回到前面的步骤进行不断优化调整。

商业理解：理解项目目标和从业务的角度理解需求，同时将商业问题转化为数据挖掘问题，并制定完成目标的初步计划。

数据理解：从初始的数据收集开始，通过一预处理分析，目的是了解和掌握数据概况，识别数据的质量问题，发现数据的内部属性，或是探索有趣的数据集。

数据准备：涵盖了从原始粗糙数据中构建最终数据集（将作为建模工具的分析对象）的全部工作。数据准备工作有可能被实施多次，而且其实施顺序并不是预先规定好的。这一阶段的任务主要包括：制表，记录，数据变量的选择和转换，以及为适应建模工具而进行的数据清理等等。

构建模型：选择和应用不同的模型技术，模型参数被调整到最佳的数值。比较典型的是，对于同一个数据挖掘的问题类型，可以有多种方法选择使用。一些建模方法对数据的形式有具体的要求，因此，在这一阶段，重新回到数据准备阶段执行某些任务有时是非常必要的。

模型评估：进行最终的模型部署之前，更加彻底的评估模型，回顾在构建模型过程中所执行的每一个步骤，是非常重要的，这样可以确保这些模型是否达到了企业的目标。

模型部署：模型的创建并不是数据分析的最终目的。模型的作用是从数据中找到知识，获得的知识需要便于用户使用的方式重新组织和展现。根据需求，这个阶段可以产生简单的报告，或是实现一个比较复杂的、可重复的数据挖掘过程。在很多案例中，这个阶段是由客户而不是数据分析人员承担部署的工作。