1.1 智能数据分析的定义

业界对“智能数据分析”并没有制定标准定义。就像一千个读者眼中有一千个哈姆雷特一样，每个人对智能数据分析都有不同的理解。接下来介绍本书中的智能数据分析到底指的是什么，以便于读者在后续阅读中达成共识。

什么是数据分析？

从分析思路讲，数据分析可以理解为通过分析技术和工具把“数据”变成“智慧”的过程。从分析方法讲，数据分析是通过商业理解确定分析目标，通过数据理解、数据准备、建模、评价等手段和方法确保分析目标实现，最终交付数据分析成果的过程。

数据分析不同于业务处理，必须遵循合规性、合法性，按章程规范行事，以数据驱动的方式探寻管理的改进措施及决策方案。Gartner在2014年提出“双模IT”的概念：模式1更关注稳定、安全，注重线下流程线上化处理；模式2注重快速响应、灵活性和探索性。

数据分析的概念相对广泛，包含对商业价值和数据价值的理解，涉及设计方案、数据采集、数据处理、数据探索、报告出具的整个过程，涵盖了应用各类分析、处理、挖掘技术实现目标的过程。通常，它遵循一定的步骤，又通过迭代的方式不断修正，试图达到最佳的效果。

那么，什么是智能数据分析？

我们将数据分析的发展划分为4个阶段：雏形时代、计算机时代、大数据时代和智能时代。本书的智能数据分析指的是智能时代的数据分析。它是建立在前3个时代的基础之上的“升级版”数据分析，不是孤立存在的。它较普通的数据分析复杂，在数据体量、数据分析思路和方法、使用的工具和技术以及对组织人员的要求上都有着独有的特点。

智能数据分析有哪些特点？

广泛化：数据无处不在，智能数据分析同样无处不在。它可以渗透到工作、生活的方方面面，如政府机构、医院、学校、企业等。

普适化：秉承“人人都是数据分析师”的理念，智能数据分析具有高普适性：人人都可以参与到分析中。

敏捷化：智能数据分析类似敏捷开发，是不断探索、迭代的过程，极少的情况能一次性达到分析目标。在分析过程中，为达到最终分析目标，数据分析师往往需要反复清理数据、审视分析方法、检查数据处理路径，等等。

智能化：机器学习、深度学习等算法的引入，人工智能的应用，让自动推荐、智能搜索以及人机对话成为可能。

生态化：虽然数据和信息是客观的事实，但采用不同的分析方法可能会得到不同的结论。这就需要数据分析师根据商业理解判定达成的最终目标，相应选择最佳的分析方法，通过数据得到最终的决策。同时，分析结果的展示形式多种多样，不是一成不变的。以生态化、高扩展的思路来构建数据分析平台，可以满足千人千面的分析需求，以适应各企业、组织不同层级、不同领域、不同岗位的要求。