Excel Data Analysis 简明教程

Data Analysis - Overview

数据分析是检查、清理、转换和建模数据的一个过程,目标是发现有用的信息,提出结论和支持决策制定

Types of Data Analysis

有多种数据分析技术涉及各个领域(例如,商业、科学、社会科学等),并有各种名称。主要数据分析方法如下 −

  1. Data Mining

  2. Business Intelligence

  3. Statistical Analysis

  4. Predictive Analytics

  5. Text Analytics

Data Mining

数据挖掘是对大量数据进行分析,以提取以前未知的、有趣的数据模式、异常数据和依赖关系。请注意,目标是从大量数据中提取模式和知识,而不是提取数据本身。

数据挖掘分析涉及计算机科学方法,方法是在人工智能、机器学习、统计和数据库系统的交叉点处。

从数据挖掘中获得的模式可以看作是输入数据的摘要,这些模式可以用于进一步分析或通过决策支持系统来获得更准确的预测结果。

Business Intelligence

商业智能技术和工具用于获取和转换大量非结构化业务数据,以帮助识别、发展和创造新的战略商业机会。

商业智能的目标是便于解释海量数据,从而发现新的机会。它有助于实施基于见解的有效策略,这些见解可以为企业提供竞争性的市场优势和长期稳定性。

Statistical Analysis

统计学是关于数据收集、分析、解释、展示和组织的研究。

在数据分析中,使用了两种主要的统计方法:

  1. Descriptive statistics − 在描述性统计中,来自整个群体或样本的数据将使用数值描述符进行汇总,例如:- 连续数据均值,标准差- 分类型数据频率,百分比

  2. Inferential statistics − 它使用样本数据中的模式来对所代表的群体或负责的随机性进行推断。这些推断可以包括:- 回答关于数据的是/否问题(假设检验)估算数据的数值特征(估算)描述数据中关联(相关)建立数据中关系的模型(例如回归分析)

Predictive Analytics

预测分析使用统计模型来分析当前和历史数据,以预测未来或其他未知事件。在商业中,预测分析用于识别辅助决策的风险和机会。

Text Analytics

文本分析,也被称为文本挖掘或文本数据挖掘是从文本中派生高质量信息的过程。文本挖掘通常涉及构建输入文本,使用统计模式学习等手段在结构化数据中派生模式,以及最终对输出进行评估和解释的过程。

Data Analysis Process

数据分析在 1961 年由统计学家 John Tukey 定义为:“分析数据的程序、解释此类程序结果的技术、规划数据收集以使其分析更为容易、更准确或更高精度的途径,以及适用于分析数据的(数学)统计的所有机制和结果。”

因此,数据分析是从各种来源获取大量非结构化数据并将其转换成有用的信息的流程:

  1. Answering questions

  2. Test hypotheses

  3. Decision-making

  4. Disproving theories

Data Analysis with Excel

Microsoft Excel 提供了几种分析和解释数据的方式和手段。数据可以来自各种来源。数据可以以多种方式进行转换和格式化。它可以使用相关 Excel 命令、函数和工具进行分析,这些工具包括条件格式,区域,表格,文本函数,日期函数,时间函数,财务函数,小计,快速分析,公式审计,查询工具,假设分析,求解器,数据模型,PowerPivot,PowerView,PowerMap,等等。

您将学习这些数据分析技术,把 Excel 分为两个部分:

  1. 使用 Excel 进行数据分析和

  2. 使用 Excel 进行高级数据分析