增强型分析：AI驱动的数据分析、业务决策与案例实践

#小曾曾读书笔记#《增强型分析》，增强型分析，顾名思义，是在现有数据分析和数据建模手段基础上，通过技术升级和技术结合，进一步提升分析的档次和level，实现智能和自动地完成数据准备、数据预处理和数据分析、输出决策的工作。在业务分析的四个层次，即描述性分析、诊断性分析、预测性分析和规范性分析过程中，都有增强型分析的影子和立足之地，当然，在预测性分析和规范性分析中，更考验增强型分析的技术和业务应用。 描述性分析，即分析过去发生了什么；诊断性分析，即分析过去发生这个事情的原因是什么；预测性分析，即基于过去的步调，未来会发生什么；规范性分析，未来应该采取的最优决策以及采取后的结果什么。 目前大多数数据分析师都是停留在前两个阶段，而增强型分析更加着眼于后面两个阶段。这算是一个“新概念”，新到其实在一二十年前就已经有很多人在研究，并且至今有了长足的发展。数据分析任重道远，学习之路慢慢，永远不要停止行走。 最后也梳理下本书的一些关键点，有些技术细节较为深刻，暂不做总结： 1、标准数据分析和数据建模四件套：（1）、大数据存储与访问（2）、数据分析流程的组件化、标准化改造（3）、提供大量的算法支持数据处理、模型构建（4）、将“模型洞见到业务决策”纳入分析范围 2、数据科学家敏捷性工作思路：积极主动地汇报分析思路、预期结果、进度等重要信息。时刻与业务人员以及管理人员保持沟通，对需求变化保持开放，将对模型的实际应用会有巨大的帮助。 3、数据探索可以有两个层面的理解：一是仅利用一些工具，对数据的特征进行查看；二是根据数据特征，感知数据价值，以决定是否需要对别的字段进行探索，或者决定如何加工这些字段以发挥数据分析的价值。 4、数值类型：区间型数据（Interval）、分类型数据（Categorical）、序数型数据（Ordinal）（1）、连续型数据：重点关注缺失率，然后是均值、中位数等指标。偏斜度是另外一个非常重要的指标，但其绝对值接近1或大于1时，必须对其进行log转换才能使用，否则该指标的价值将大打折扣。（2）、分类型数据：不平衡数据就是一个典型的与业务有关的例子。 5、在数据分析中会遵从一些规则来填补缺失值。如： 对于连续型变量，采用均值来代替缺失值；对于序数型分类型变量，采用中位数来代替缺失值；对于分类型变量，采用众数来代替缺失值。 6、数据归约（Data Reduction），在理解数据分析任务和数据本身内容的基础上，寻找依赖于发现目标的数据的有用特征，缩减数据规模，在尽可能保持数据原貌的前提下，精简数据量。 7、梯度下降（Gradient Descent）是机器学习经常使用的一种在求得拟合函数参数时“最小化损失函数”的方法。其本质上就是求得使损失函数最少（对实际观测值拟合效果最优）、能够以最快的速度达到谷底过程。 8、文本分类是一个典型的机器学习的应用场景，人们利用文本分类技术进行情感分析（如正面情绪或负面情绪的判断）、类别划分（如微博上的发言属于哪种类型）、人机对话（判断用户问题的类别）等不同的场景。

数据探索和序列规则序列预测写得好，后面有点浅谈。可能为了篇幅吧。

对算法研发人员而言，此书毫无价值；对算法使用者而言，此书扯下了算法皇帝的新装。 该书把很复杂的技术、看似高深的知识从实用角度、解决实际问题的角度讲出来，就发现厚厚的知识转化为解决问题的能力可以压缩的很薄。 多给一颗星，在书的内容之外

增强型分析是数据科学的未来，本书讲解了如何通过前沿大数据技术和AI技术实现智能的数据分析和业务决策，即增强型分析本书的三位作者是来自德勒、前华为和前IBM的资深数据科学家，在大数据和AI领域至少都有10年以上的工作经验，他们将各自多年以来在“构建数据挖掘模型，解决实际业务问题”方面积累的经验全部总结在了这本书中。

对于想要详细了解的人来说，这本书内容太少。而且标榜中吸引眼球的prescriptive的分析完全没有，只是一个现存方法的大杂烩。统计学专业的小伙伴可以把它作为一个回忆性的综述作品，其他的小伙伴可能只能把它作为一件工具书。总体而言没有太多阅读的必要。

增强分析 augmented analytics的定义完全不是这样子，这算是一本算法科普书。

很完整全面的数据分析的书，对于通用的建模、算法都有较完善的介绍。如果再多一些案例细节就更好了。