上一期反响远远超出了小编的预料，大家都想尝试一下大数据分析过的旅行能，认真阅读过小伙伴们的评论之后，最终将我们此行的目的地定在了呼声最高的云南了~

对于从小生活在北方的小编，对云南还是抱着不小的憧憬呢，下面就来看看数据人员给出的官方数据吧

首先我们就来说说久负盛名的云南大理吧，先看一下数据：

看了下数据结果，小编才知道什么叫各有千秋呀，真的好难选择。除了数据采集之外，在大数据行业里有一个专有名词——数据挖掘，这才是大数据真正的独到之处，下面就由小编为大家说明一下数据挖掘的结果吧。

NO.1 天龙八部影城

人气 ：19886

得分：4.2

人均消费：51.2

作为专门建造的影视基地，相信那些慕名而来的小伙伴一定都有一个大侠梦吧。如此亲民的价格面前，到底是什么让它的得分这么低呢？

值得一说的是，天龙八部影视城东距大理古城1.5千米，北距崇圣寺三塔2千米地理位置还算不错，如果全家出游还是值得一看的。

NO.2 崇圣寺三塔

人气 ：9598

得分：4.7

人均消费：113.5

对于久负盛名的大理三塔，相信很多小伙伴已经开始摩拳擦掌了，然而高人气高评分的同时也伴随的超高的价格。事实到底怎么样呢，来看一下数据就知道了。

从数据的挖掘结果来看，大多数游客都认为是不错的，但是‘三个塔’的呼声也是很高的，准备购票的小伙伴是不是在要考虑一下呢？

NO.3 洱海

人气 ：4827

得分：4.6

人均消费：169.75

对于洱海，很多慕名而来的小伙伴多有失望，也导致洱海的评分和人气均有下滑的趋势，到底怎样还是要用事实说话。

这个结果显然不尽如人意，打算去的小伙伴一定要做好心里准备，但如果你有一颗追求浪漫的心，并且想尝试一下坐邮轮的感觉，那就可以完全忽略了。

说完大理，来我们在说一下同样具有颇高人气的旅游胜地——丽江，同样，先看数据：

真的是不看不知道，原来丽江也有这么多好玩的地方，同过专业人员的细致分析，得出来的数据，丽江的景区还真是——参差不齐。

NO.1 玉龙雪山

人气 ：17138

得分：4.4

人均消费：347.75

玉龙雪山可是远近闻名的景区，有着超高的人气。

挖掘了半天，就只有一个结果，就是贵！！！另外注意的是，雪山海拔达数千米，准备去的小伙伴一定要注意的可能会引起高原反应，影响观景体验，所以大家一定要注意自己的身体。

NO.2 老君山黎明景区

人气 ：203

得分：4.3

人均消费：91.25

注意注意，这是老君山黎明景区，同样在丽江。虽然整体来看这景区人气并不是太好，为什么仍旧排在必选之列呢，还是用数据说话。

但从挖掘而来的结果来看，还是不错的，但服务态度可能差了些，小伙伴们一定要注意方平心态，保持良好心情。

NO.3 丽江千古情

人气 ：4550

得分：4.9

人均消费：312.5

丽江千古情的表演一直拥有很高的口碑，但人气略显低迷这到底是什么原因？

依照结果来看，真的是好评如潮啊，如果是报了旅游团的小伙伴需要注意一下时间安排哦~

说完了景点，我们再来说一下其它不为人知的小秘密吧。

众所周知，云南是一个充满风土人情的地方，所以有些特色美食那是必然的，除了米线外，云南的‘饭’也是出了名的，像荷叶包饭、云腿桂花饭、香竹烤饭、森瓜饭等等的，另外还有酸角糕、调糕藉粑、烧饵钮、巍山粑饵丝……

哎呀不说了不说了，再说口水都要留下来了，有兴趣的小伙伴可以留言哦~

除美食外，云南的‘客栈’也是别具一格，什么田园风、复古风、别苑风总之各种各样的风格可以选上一阵子了。（要是有大数据分析一下就简单多了，由于篇幅限制还是留在以后分享吧）

当然，除了独特的美食和别样的住宿环境，还可以选择拍一组美美的婚纱照，毕竟谁不想来一场香格里拉式的婚礼。

大数据的力量远远超乎你的想想。如果你看腻了人山人海，厌烦了城市喧嚣，不如找一方安静寻一处慰籍，你可以去探访一下白族的千年古村——诺邓古村，真正领略一下当地最真实的风情。

怎么样，听完之后是不是有一种说走就走的冲动？

知道有很多小伙伴想去的地方没有说到，但是不要怕，我们的数据分析人员给出了下面的数据结果

如果这期没有分析到你意向中的城市，也不要伤心哦，可以先看一下上面的数据，咱们前嗅的大数据之旅才刚刚开始，日后还会给大家做些相关的数据分析，说不定下期就是你梦想中的城市呢∩_∩~

最后如果有什么其它的想法可以在下方留言哦~

前嗅大数据——深度大数据专家前嗅（forenose）首个深度大数据专家。提供数据采集-分析-处理-管理-营销-应用，自主知识产权的全套大数据产品。

从先进的BI工具到机器学习，人工智能，现代企业拥有着各式各样整理分析数据的方法和途径。数据科学家和企业领导人都关注着这些新技术的巨大潜力，然而，当我们将焦点放在分析工具身上时，我们也可能忽略了数据本身的重要性。毕竟如果没有正确的数据，视觉化和预测分析也没有任何用处。

每一个企业需要将他们的基础数据进行分析和甄别，在此基础上，对数据进行不同层次和结构的分类。原因如下:

数据深度融入在商业的各个环节

现代企业逐渐意识到，纷繁复杂的数据固然重要，而这些数据是否真的被企业职工运用，并对其工作产生了相关性的影响，才是企业领导所看重的。不同的层级岗位和职位角色都需要做出正确的决策，而良好的决策必须是基于用户数据所提出的。因此，不仅仅是数据科学团队，从产品部门到客户服务部门，再到销售等各个部门都应该获得这些数据资源和信息。

在现代企业中，对数据的处理还仅仅是在每个月的全体会议上查看各项指标还远远不够。组织必须要将数据驱动纳入到决策制定中。以现代营销团队为例。营销人员有大量的丰富的数据可供他们自由支配，尤其是在智能手机，平板电脑，社交媒体平台爆炸式普及的今天，这样，一个品牌可以远距离地与观众互动，并了解顾客的相关信息。如果所有的这些数据被收集到一个中心位置，进行数据分析，那么对客户的长期行为分析并进行消费预判则成为了可能。同样地，根据这样的方法，其他部门，如销售、产品和客户服务部门也能获得前所未有的数据量。

零碎数据共同形成宏观趋势判断

如今，数据在各个行业和企业扮演着越来越重要的角色，企业应该将数据视为机会。每个数据集——CRM、CMS、ERP、营销软件，都包含大量信息和基础数据。现在或许看起来很微小，可是对数据深入的挖掘和分析将会给企业带来巨大的财富。而在现实生活当中，由于不可能预先知道哪些数据很重要，所以企业需要收集尽可能多的数据，这样即使市场环境发生大的改变，企业也能够做出合理的预判和尽可能贴近市场的决策。

基础数据和数据分析同样重要

数据质量是重中之重，倾斜的数据会导致错误的结果。如果你的判断来源于不完整的数据基础，你的决策便会产生一定的偏差甚至产生错误，而这最终将会侵蚀在数据驱动文化背景下人们对数据分析的信心。因此，简洁、完整和正确的数据是有效决策产生的必要前提。

2016年美国总统大选的预测分析，很好地证明了数据质量的重要性。在当时的预测中，大多数数据是基于州级和国家级的电话投票进行的。但是电话调查中很容易出现无人接听的现象，而各州无人接听的占比率也存在着很大的区别，这会很大程度上影响选举团的预测（选举团制度是美国特有的一种选举方式， 选民在大选日投票时，不仅要在总统候选人当中选择，而且要选出代表50个州和华盛顿特区的538名选举人，以组成选举团。当选的选举人必须宣誓在选举团投票时把票投给在该州获胜的候选人。美国总统由选举团选举产生，并非由选民直接选举产生，获得半数以上选举人票者当选总统），结果就是，倾斜的数据产生错误的预测。

如今，机器学习已经受到了大量的炒作。而机器依据大数据分析出来的预判，是否真的能符合事实情况，很大程度上决定于是否拥有坚实的数据基础：一个将数据驱动纳入到组织文化的企业，采集到的简介、完整和正确的数据。”数据驱动”一词已存在多年，但在今天快节奏和迅猛发展的数字经济中，它将成为当代企业的文化使命。

大数据本身是没有价值的，而如何对数据进行加工和分析，使其变成有用的信息资源，帮助企业发现需求、进行决策和盈利是人们关注的重点。我们从以下几个方面来分析影响大数据分析成功的几个重要因素。

清晰的业务需求（愿景和战略的一致性）

大数据的投入应该以确切的商业目标为导向，而不仅仅是追求科技的进步，因此，大数据分析的驱动因素应该是具体的商业业务需求及企业明确的发展战略规划，而不是盲目的跟风。

强有力、坚定的支持（负责人）

企业对大数据的投入需要有强有力的支持，否则很难成功，如果大数据分析的范围是少量的应用，则可能需要部门级的支持，如果大数据的分析涉及到整个企业的战略性转型及核心业务的调整，则需要企业最高领导人的支持。

立足事实的企业文化

企业的具体决策应该以数据为基础架构，而不是凭感觉和过往的经验来驱动决策的过程，这就要求企业要有事实求是的企业文化，同时要求企业高级经理要意识到有些员工并不愿意做调整，要说服他们并将激励和报酬与期望的行为联系起来。

坚实的数据基础设施

与传统的数据分析所需要数据仓库做为数据的基础设施不同，大数据分析需要新的技术来支持，大数据的成功分析需要新老技术的共同协作来创造一个整体协作的基础设施。

什么是数据分析?数据分析是指用适当的统计分析对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。数据分析的目的是什么?数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。数据分析是组织有目的地收集数据、分析数据，使之成为信息的过程。在产品的整个寿命周期，包括从市场调研到售后服务和最终处置的各个过程都需要适当运用数据分析过程，以提升有效性。在企业里面，数据分析可以帮助我们掌握企业的运营状况，商品的出售情况，用户的特征、产品的粘性、等等。数据分析的步骤?

数据分析的步骤1.首先明确分析的思路和目的：数据分析一定的带着某种业务目的的。它可能是要追踪一个新产品上线之后的用户使用情况;也可能是观察用户在某段时间的留存情况，还有可能是运营某种优惠券是否有效。带着一定的目的，确定要从哪几个角度进行分析。然后找到能够说明目的的指标。比如想要验证运营最近的一批优惠券是否有效。我们可以从优惠券的领取情况和优惠券的使用情况两个方面分析，而优惠券的领取情况的指标可以细化为领取率;使用情况可细化为：使用率、客单价等。2.数据的收集：在确定了此次数据分析的核心指标后，就要针对数据指标做数据收集。有些企业的数据准备非常充分，数据仓库、数据集市等早早就建设好。有一些企业在数据分析上比较落后，那就需要我们自己做前期大量的数据收集工作。比如使用一些自己公司的或者第三方的数据分析工具进行埋点，拿到日志。或者使用数据库中的现有数据，比如订单数据、基础的用户信息等等。3.数据处理：数据提取出来之后，要剔除脏数据(清洗)，然后数据转化。在进行最基本的数据汇总、聚合之后，我们就可以拿到比较简单的字段相对丰富的数据宽表。4.数据分析：数据分析是用适当的分析方法及工具，对处理过的数据进行分析，提取有价值的信息，形成有效结论的过程。一般公司所需要观察的数据大致分为如下几类：商业数据：付费金额，付费用户数，付费率客单价运营数据：新增用户数，日活、周活、月活(AARRR模型)产品数据：关键页面的pv、uv(漏斗模型)用户数据：用户生命周期、用户留存、用户客单价、用户类型(RFM模型…)商品数据：商品售卖情况，毛利分析….随着数据的重要性的凸显，越来越多的公司已经认识到数据对于公司的经营是十分重要的。所以绝大部分企业都有专门的BI部门进行初步的数据加工、分析，以周报表的形式汇总给管理层做为日常数据所需以及企业决策使用。在这里主要介绍两个简单的数据分析模型：AARRR模型：Acquisition(获取)、Activation(活跃)、Retention(留存)、Revenue(收益)、Refer(传播)

AARRR模型获取用户(Acquisition)如何获取用户?线上通过网站通过SEO,SEM，app通过市场首发、ASO等方式获取。还有运营活动的H5页面，自媒体等方式。线下通过地推和传单进行获取用户。提高活跃度(Activation)来了用户后，通过运营价格优惠、编辑内容等方式进行提高活跃度。把内容做多，商品做多，价格做到优惠，但需要控制在成本至上的有生长空间。这样的用户是最有价值进行活跃。产品策略上，除了提供运营模块和内容深化。进行产品会员激励机制成长体制进行活跃用户。不仅商品优惠的，VIP等标示的ICON，对于长业务流程，进行流程激励体制，产品策略更具多元化。提高留存率(Retention)提高活跃度的，有了忠实的用户，就开始慢慢沉淀下来了。运营上，采用内容，相互留言等社区用户共建UCG，摆脱初期的PCG模式。电商通过商品质量，O2O通过优质服务提高留存。这些都是业务层面的提高留存。产品模式上，通过会员机制的签到和奖励的机制去提高留存。包括app推送和短信激活方式都是激活用户，提高留存的产品方式。通过日留存率、周留存率、月留存率等指标监控应用的用户流失情况，并采取相应的手段在用户流失之前，激励这些用户继续使用应用。获取收入(Revenue)获取收入其实是应用运营最核心的一块。即使是免费应用，也应该有其盈利的模式。收入来源主要有三种：付费应用、应用内付费、以及广告。付费应用在国内的接受程度很低，包括Google Play Store在中国也只推免费应用。在国内，广告是大部分开发者的收入来源，而应用内付费目前在游戏行业应用比较多。前面所提的提高活跃度、提高留存率，对获取收入来说，是必需的基础。用户基数大了，收入才有可能上量。自传播(Refer)以前的运营模型到第四个层次就结束了，但是社交网络的兴起，使得运营增加了一个方面，就是基于社交网络的病毒式传播，这已经成为获取用户的一个新途径。这个方式的成本很低，而且效果有可能非常好;唯一的前提是产品自身要足够好，有很好的口碑。从自传播到再次获取新用户，应用运营形成了一个螺旋式上升的轨道。而那些优秀的应用就很好地利用了这个轨道，不断扩大自己的用户群体。漏斗模型：

用户访问的路径

漏斗模型漏斗模型广泛应用于流量监控、产品目标转化等日常数据运营工作中。之所以称为漏斗，就是因为用户(或者流量)集中从某个功能点进入(这是可以根据业务需求来自行设定的)，可能会通过产品本身设定的流程完成操作。按照流程操作的用户进行各个转化层级上的监控，寻找每个层级的可优化点;对没有按照流程操作的用户绘制他们的转化路径，找到可提升用户体验，缩短路径的空间。运用漏斗模型比较典型的案例就是电商网站的转化，用户在选购商品的时候必然会按照预先设计好的购买流程进行下单，最终完成支付。需要注意的是：单一的漏斗模型对于分析来说没有任何意义，我们不能单从一个漏斗模型中评价网站某个关键流程中各步骤的转化率的好坏，所以必须通过趋势、比较和细分的方法对流程中各步骤的转化率进行分析：趋势(Trend)：从时间轴的变化情况进行分析，适用于对某一流程或其中某个步骤进行改进或优化的效果监控;比较(Compare)：通过比较类似产品或服务间购买或使用流程的转化率，发现某些产品或应用中存在的问题;细分(Segment)：细分来源或不同的客户类型在转化率上的表现，发现一些高质量的来源或客户，通常用于分析网站的广告或推广的效果及ROI。5.数据展现：数据可视化-基本的图表数据可视化是关于数据视觉表现形式的科学技术研究。其中，这种数据的视觉表现形式被定义为，一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量。图表是”数据可视化”的常用手段，其中又以基本图表—-柱状图、折线图、饼图等等—-最为常用。

数据可视化-图表有人觉得，基本图表太简单、太原始，不高端，不大气，因此追求更复杂的图表。但是，越简单的图表，越容易理解，而快速易懂地理解数据，不正是”数据可视化”的最重要目的和最高追求吗?所以，请不要小看这些基本图表。因为用户最熟悉它们，所以只要是适用的场合，就应该考虑优先使用。5.1柱状图(Bar Chart)柱状图是最常见的图表，也最容易解读。

柱状图它的适用场合是二维数据集(每个数据点包括两个值x和y)，但只有一个维度需要比较。年销售额就是二维数据，”年份”和”销售额”就是它的两个维度，但只需要比较”销售额”这一个维度。柱状图利用柱子的高度，反映数据的差异。肉眼对高度差异很敏感，辨识效果非常好。柱状图的局限在于只适用中小规模的数据集。通常来说，柱状图的X轴是时间维，用户习惯性认为存在时间趋势。如果遇到X轴不是时间维的情况，建议用颜色区分每根柱子，改变用户对时间趋势的关注。

柱状图上图是英国足球联赛某个年度各队的赢球场数，X轴代表不同球队，Y轴代表赢球数。5.2 折线图(Line Chart)数据折线图适合二维的大数据集，尤其是那些趋势比单个数据点更重要的场合。

折线图它还适合多个二维数据集的比较。

折线图上图是两个二维数据集(大气中二氧化碳浓度，地表平均气温)的折线图。5.3 饼图(Pie Chart)饼图是一种应该避免使用的图表，因为肉眼对面积大小不敏感。

饼图

柱状图上图中，左侧饼图的五个色块的面积排序，不容易看出来。换成柱状图，就容易多了。一般情况下，总是应该用柱状图替代饼图。但是有一个例外，就是反映某个部分占整体的比重，比如贫穷人口占总人口的百分比。

饼图5.4 散点图(Scatter Chart)散点图适用于三维数据集，但其中只有两维需要比较。

散点图上图是各国的医疗支出与预期寿命，三个维度分别为国家、医疗支出、预期寿命，只有后两个维度需要比较。为了识别第三维，可以为每个点加上文字标示，或者不同颜色。

散点图5.5 气泡图(Bubble Chart)气泡图是散点图的一种变体，通过每个点的面积大小，反映第三维。

气泡图上图是卡特里娜飓风的路径，三个维度分别为经度、纬度、强度。点的面积越大，就代表强度越大。因为用户不善于判断面积大小，所以气泡图只适用不要求精确辨识第三维的场合。如果为气泡加上不同颜色(或文字标签)，气泡图就可用来表达四维数据。比如下图就是通过颜色，表示每个点的风力等级。

气泡图5.6 雷达图(Radar Chart)雷达图适用于多维数据(四维以上)，且每个维度必须可以排序(国籍就不可以排序)。但是，它有一个局限，就是数据点最多6个，否则无法辨别，因此适用场合有限。下面是迈阿密热火队首发的五名篮球选手的数据。除了姓名，每个数据点有五个维度，分别是得分、篮板、助攻、抢断、封盖。

雷达图画成雷达图，就是下面这样。

雷达图面积越大的数据点，就表示越重要。很显然，勒布朗·詹姆斯(红色区域)是热火队最重要的选手。需要注意的时候，用户不熟悉雷达图，解读有困难。使用时尽量加上说明，减轻解读负担。总结

阅读本文不需要技术背景。

总体介绍

首先模拟一个数据分析场景，某企业积累了如下表格所示的销售数据：

表格中每一行表示某个时间段内某种商品在某个地区的销售情况。很明显，这些数据涉及到了时间、地区、产品三个业务角度。

在对这样的数据进行分析时，不同的角色都会基于自己所感兴趣的业务角度提出问题

销售经理关心各个地区的销售情况，希望找出销售增长率在平均水平之下的地区产品总监则希望了解近期内各种产品的销量对比，以作为后期产品研发方向的参考CEO想要知道近六个月内整体销售环比信息，用以评估是否达到公司运营目标

对于表格中的数据，可以将其转换为另一种数据格式 - "三维空间立方体"，如下图所示：

相对于表格，以三维立方体形式呈现的数据结构更加直观。

在这个数据立方体中，每一个坐标轴都代表一个业务角度（时间、地区、产品），坐标轴上的坐标值则表示了某个业务角度的一个确定的值（如：北京市、3月份、手机），不同坐标轴坐标值的交叉点则表示一个具体的销售额。

实际上，此数据立方体中表示业务角度的坐标轴就是维度，类似于三维立方体的数据结构则被称为多维数据结构（也称数据立方体）。

再次回顾前文中销售经理、产品总监、CEO各自提出的问题，不难发现他们各自所关注的维度分别为：地区、产品、时间

目前我们所模拟的这个数据分析场景较为特殊，因为只有三个维度，所以可以直观的将数据想象成一个三维立方体。

实际情况中，企业进行数据分析时往往要参考更多的维度，而且提出的问题也会更加复杂，此时，已经不能将数据以经典的三维立方体结构进行呈现。

虽然无法在三维空间中呈现更多维度的数据结构，但是面对更多维度时进行数据分析的思路却完全不变，不同的角色只需要从自身所关注的维度出发并提出问题即可，他们即不需要了解十几甚至几十维的数据如何存储，也无需考虑多维数据查询的具体实现方式。

核心概念简介

在多维数据分析领域中，有几个非常重要的核心概念：

数据立方体（Cube）维度（Dimension）成员（Member），又称维度成员（Dimension Member）度量（Measure）级别（Level）

维度（Dimension）

维度就是描述数据的业务角度。在不同的数据分析场景中，会存在若干个不同的维度。

以上图为例，存在三个维度：时间、地区、产品。在这个数据分析场景中，“哪种产品销量最好？”这样的问题显然主要关注的是产品这个维度，而“哪些地区连续六个月销售额环比增长？”则同时关注了地区和日期两个维度。

在一个多维数结构中，维度可以被抽象理解成一个坐标轴，图1中所示的数据分析场景由三个维度组成，每个维度各自代表了三维空间中的一个坐标轴。

相对于三维空间，具有更多维度的空间结构显然不易于被理解，实际上，您并不需要在头脑中想象出一个更多维度的空间场景，下文中几个简单的步骤将帮助您快速理解多维空间结构：

【理解一维空间结构】

一维空间是一把尺子，只有一个坐标轴，坐标轴上的一个坐标值就能确定一个点

【理解二维空间结构】

二维空间是一个平面，具有两个坐标轴，不同坐标轴上的两个坐标值确定一个点

【理解三维空间结构】

三维空间具有长、宽、高三个坐标轴，三个坐标轴坐标值确定一个点

【理解四维空间结构】

四维空间比三维空间多出一个坐标轴，这里我们称这个新的坐标轴为“第四坐标轴”，现在如果需要确定一个点，除了长、宽、高三个轴上的坐标值外，还需要第四坐标轴上的一个坐标值

【理解N维空间结构】

N（N可以是大于零的任意整数）维空间中具有N个坐标轴，需要N个不同坐标轴上的坐标值才能确定一个点

维度成员（Dimension Member）

前文介绍维度概念时，讲到可将维度理解成表示某种业务角度的坐标轴，而维度成员则非常类似于维度坐标轴上的坐标值。

以时间维度为例，“一季度”、“1月份”、“2月份”这三个维度成员同属于时间维度，它们各自表示了时间维度下一个具体的时间段。

由下图可以看出，同一个维度下的维度成员呈现出树状结构，我们将没有子级成员的成员称为明细成员（Leaf Member，又称明细维度成员Leaf Dimension Member），其他成员称为非明细成员。

数据立方体（Cube）

数据立方体表示由若干个维度所描述的一个数据集合，每个维度各自表示一个可对此数据集合进行观察和分析的业务角度。

之所以称为“立方体”，是因为由三个维度所描述的一个数据集，能够非常轻松的被想象成三维空间中的一个立方体结构。

需要注意的是，在多维数据分析体系中，一个数据立方体往往具有更多的维度，虽然更多维度形态并不像三维空间立方体那样直观，但维度表示某些业务角度的作用不会改变。

度量（Measure）

在一个数据立方体中，从每个维度上都选取一个确定的维度成员，这些维度成员组合所确定的一个点就是度量值。

在图 10示例中，日期维度：1月份、地区维度：河北省、产品维度：手机确定了一个最细粒度的数据方块，这个小数据方块（下文称为Data Cell）就是销售额6688这个度量值，显然，这表示“河北地区1月份手机产品的销售额是6688”。

如果仔细观察图 10，您可能会发现并没有一个Data Cell能够直接表示“北京市一季度手机产品的销售额”。由于一季度与1、2、3三个月份是父子级的关系，所以“北京市一季度手机产品的销售额”可以通过汇总计算得到，如下图所示：

图 11 - 度量值汇总

一般情况下，数据立方体中并不直接存储非明细成员所描述的度量值，而是通过对其后代成员中的全部明细成员进行汇总计算而得出。

级别（Level）

级别表示维度成员所描述业务角度的细节程度，也可理解为通过维度成员观察数据的粒度。例如日期维度中一季度、1月这两个成员，分别属于季度、月份两个不同的级别，显而易见，季度级别的维度成员描述数据的粒度较为宽泛，月级别则较为细致。

作者：CDA数据分析师

大数据分析与数据分析这几年一直都是个高频词，很多人都开始纷纷转行到这个领域，也有不少人开始跃跃欲试，想找准时机进到大数据或数据分析领域。如今大数据分析和数据分析火爆，要说时机，可谓处处都是时机，关键要明了的一点是，大数据分析和数据分析两者的根本区别在哪里，只有真正了解了，才会知晓更加适合自己的领域是大数据分析师还是数据分析师。毕竟职场如战场，时间就是生活，不容儿戏，更不容怠慢。下面我来好好告诉大家两者的本质区别到底是什么！

大数据分析：指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》 中大数据分析指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理，因此不用考虑数据的分布状态（抽样数据是需要考虑样本分布是否有偏，是否与总体一致）也不用考虑假设检验，这点也是大数据分析与一般数据分析的一个区别。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

大数据分析与数据分析最核心的区别是处理的数据规模不同，由此导致两个方向从业者的技能也是不同的。在CDA人才能力标准中从理论基础、软件工具、分析方法、业务分析、可视化五个方面对数据分析师与大数据分析师进行了定义。

【数据分析师的要求】

数据分析师的理论要求：统计学、概率论和数理统计、多元统计分析、时间序列、数据挖掘。

工具要求：必要：Excel、SQL可选：SPSS MODELER、R、Python、SAS等

分析方法要求：除掌握基本数据处理及分析方法以外，还应掌握高级数据分析及数据挖掘方法（多元线性回归法，贝叶斯，神经网络，决策树，聚类分析法，关联规则，时间序列，支持向量机，集成学习等）和可视化技术。

业务分析能力：可以将业务目标转化为数据分析目标；熟悉常用算法和数据结构，熟悉企业数据库构架建设；针对不同分析主体，可以熟练的进行维度分析，能够从海量数据中搜集并提取信息；通过相关数据分析方法，结合一个或多个数据分析软件完成对海量数据的处理和分析。

结果展现能力：报告体现数据挖掘的整体流程，层层阐述信息的收集、模型的构建、结果的验证和解读，对行业进行评估，优化和决策。

【大数据分析师的要求】

理论要求：统计学、概率论和数据库、数据挖掘、JAVA基础、Linux基础。

工具要求：必要： SQL、Hadoop、HDFS、Mapreduce、Mahout、Hive、Spark可选：RHadoop、Hbase、ZooKeeper等

分析方法要求：熟练掌握hadoop集群搭建；熟悉nosql数据库的原理及特征，并会运用在相关的场景；熟练运用mahout、spark提供的进行大数据分析的数据挖掘算法，包括聚类（kmeans算法、canopy算法）、分类（贝叶斯算法、随机森林算法）、主题推荐（基于物品的推荐、基于用户的推荐）等算法的原理和使用范围。

业务分析能力：熟悉hadoop+hive+spark进行大数据分析的架构设计，并能针对不同的业务提出大数据架构的解决思路。掌握hadoop+hive+ Spark+tableau平台上Spark MLlib、SparkSQL的功能与应用场景，根据不同的数据业务需求选择合适的组件进行分析与处理。并对基于Spark框架提出的模型进行对比分析与完善。

结果展现能力：报告能体现大数据分析的优势，能清楚地阐述数据采集、大数据处理过程及最终结果的解读，同时提出模型的优化和改进之处，以利于提升大数据分析的商业价值。

综上大数据分析与数据分析的根本区别就是分析的思维与分析所用的工具不同。大家在求职或转行过程认清自己对两者的偏好和自己的兴趣所在，以及自己的能力更适合在哪个领域发挥，还有自己所在城市对两者的职业需求，综合天时地利人和三个条件，我们才能做出更理智更客观更科学的抉择。

在网络，移动设备，传感器，社交媒体，交易应用程序，日志文件，大数据等实时数据泛滥的情况下，发现了大量垂直市场应用程序，从诈骗检测到科学研究。无论涉及重大隐私问题或企业困难的挑战如何，仅在2017年，大数据投资就获得超过570亿美元的增长势头。预计未来三年的投资将以约10％的年增长率进行增长。

大数据分析所需的基本资源

大数据咨询已成为软件开发服务提供商的可行选择。无论是营销还是品牌实施的新产品，公司都不会轻易作出决定。当提到任何重大举措时，企业都会寻找他们客户提供的数据，以确保公司正朝着观众遵循的方向发展。

从点击流数据到购物车上的信息，都有大量的材料需要筛选，这就是为什么企业支付高价值的大数据咨询服务才能理解这一切。对于新职业市场的人来说，大数据分析是一个不错的选择。 当然，必须熟悉开始处理数字所需的技能和工具。

大数据分析所需的五个资源如下：

1.完成MATLAB Mastery Bundle

MATLAB或Matrix是一个多范型数字计算空间和编程语言。用外行人的话来说，它是一种工具，它使得编写代码，运行脚本以及执行数据分析和可视化等任务变得轻松易懂，从而解决复杂问题，而这些代码还不那么复杂。

2. Python Power Code BONUS Bundle

市场上有许多重要的编程语言可供选择，数据分析师使用其日常任务和职责中的很多。但是，如果有人要先学习，那就是Python。 Python语言被誉为用户友好型以及直观性。此外，它拥有众多的功能，这使它能够处理数据争夺。 70小时的培训通过展示如何下载，提取，清理，汇总，分析和可视化数据，开始了编程教育。

3.大数据和分析主工具包

数据分析师和高级分析咨询人员使用大量的语言和工具来获取角色，这并不足为奇。这四个模块集合为数据库添加了四个重要的分析工具，即Minitab，SPSS，SAS和R Studio。

4.使用Tableau Desktop 9 Bundle进行数据可视化

通过交互式仪表板分析和呈现数据以完全挖掘信息的主要工具之一是Tableau 9.这个收集将使您了解Tableau。因此，可以开始创建自己的可视化数据。

5.完整介绍R编程包

R的核心是一种统计编程语言，它非常适合挖掘和分析数据。但是，它也具有高级图形和机器学习功能，在数据可视化和集成复杂算法方面提供了一些独特的优势。在五门课程和三本电子书中，收集指导通过要点使用R来充分发挥潜力。

大数据优势

大数据应用程序可让数据科学家，统计人员和其他分析专业人员分析越来越多的结构化数据以及其他形式的数据，而这些数据往往不被传统的商业情报和分析程序所利用。这涵盖了非结构化和半结构化数据的组合，例如互联网点击流数据，网络服务器日志以及来自客户电子邮件的文本，机器数据，社交媒体内容和通过连接的传感器到事物互联网的呼叫细节记录。

在更大的范围内，数据分析技术迎合数据集分析的手段，并最终帮助企业做出充分知情的决策。商业智能查询回答关于业务绩效和操作的基本查询。大数据是一种高级分析，涉及复杂的应用程序元素，如预测模型，统计算法等。

用数据咨询创造新的增长机会

数据分析可以创造大量新的增长机会。此外，它甚至可能会产生一个新的业务类别，例如分析和汇总行业数据的类别。大多数企业将处于大量关于服务和产品，供应商和买家，消费者偏好和意图以及更多信息流的信息中。

各行各业的企业都应该开始大力创造数据功能。除了广泛的数据外，数据的高频率和实时性也是至关重要的。通过数据分析，实践被更广泛地使用。

今天的大数据和分析应用市场真是巨大。世界各地的软件开发服务提供商提供了大量的数据咨询工作。现在，大数据体验意味着更有可能从软件开发组织获得有利可图的工作。市场很大，有一系列的项目，交易，服务和合作关系。咨询服务可能会有所不同，具体取决于组织的特定要求，以及需要利用数据分析和解决方案的功能，这些功能可以简化业务流程。

SQL的特点

SQL语言接近英语句子,完成核心功能只用

9个动词

数据定义：

CREAT，ALTER，DROP

数据操纵：

INSERT,UPDATE,DELETE

数据查询

SELECT

数据控制

GRANT，REVOKE （用于授权）

SQL是一门结构化查询语言

SQL是一种标准化的数据库操作语言

SQL支持三级模式结构

SQL三级模式结构

基本表

由SQL语言的

CREATE TABLE

命令创建

视图

是由

一个或几个基本表导出的表

若干个基本表

组成一个

存储文件

SQL的数据定义语句

SQL数据定义语句

SQL Server支持的数据类型

TINYINT 整数类型，其值按1个字节存储。

SMALLINT 整数类型，其值按2个字节存储。

INTEGER或INT

整数类型，其值按4个字节存储。

REAL 实数类型，其值按4个字节存储。

FLOAT

实数类型，其值按8个字节存储。

CHARTER(n)或CHAR(n)

长度为n

的字符类型，一个字符占一个字节,一个汉字占两个字符。

VARCHAR(n) 最大长度为n的变长字符串，所占空间与实际字符数有关。

DATETIME

日期时间类型，缺损格式为MM-DD-YYYY HH:MM:AM/PM。

TIMESTAMP 更新或插入一行时，系统自动记录的日期时间类型。

TEXT

文本类型

业务分析是巨大的！业务分析有助于决定如何使用数据，以及可以使用哪些模型来做出更好的业务决策。业务分析可以被称为“企业的数据科学”。尽管有许多模型可用于做出业务决策，但业务分析有助于识别最佳模型。

2.业务分析是一个使用组织中可用的所有统计数据达成建设性结论的程序/研究。组织雇用业务分析专家，评估公司以前的报告，以了解他们是否正确进行。过去的报告有助于他们评估即将发生的事件是否有利于组织或反对。在这两种情况下，对公司都有利。如果企业处于正确的轨道，他们仍然可以改善，如果没有，那么它可以帮助他们找到解决办法来纠正这个问题。

3.首先要掌握基础数学和统计学。了解为什么和在哪里使用平均值，中位数和模式。在你开始之前，你需要爱上你的数据，这是我的教授所说的。当你写关于女朋友的诗，你必须知道我可以从中知道什么。不要用大数据驱动我的误解或数据分析是hadoop，spark等框架。当然，他们有助于更快地获得结果，但逻辑与我们如何将数据转化为有用的信息。按照array老师的视频课程。无论你是学生还是做任何工作，如果你能知道你做什么，那就很容易根据它来找到答案。

4.

· 了解统计信息和多变量统计信息

· 学习SQL和数据库

· 学习编码（Python，R）

· 学习使用新的非结构化数据类型

· 参加MOOC课程数据科学课程（Coursera，Udacity等）

· 考虑数据科学或数据分析的研究生学位

5.您应该深入分析计算的基础知识。您应该了解可扩展性，容错能力，复制性，开放性，地理独立性等分布式编程中的问题。要分析大数据，您需要对统计信息或机器学习有较好的了解。您也可以使用Hadoop，HBase，Hive等分析大数据的工具。DBMS的基础知识也是首选。要使用任何大数据工具，如hadoop，您应该知道一种编程语言（比如Java或Python）。如果要集中精力编程大数据，从分布式计算开始，然后尝试设置一个hadoop集群（单节点，然后是多节点）。我们公司的一个java开发在学Hadoop，别人给了他一套视频，我看了看从基础入门、生态圈组件、商业项目讲解都挺详细的。需要视频的可以到他鹏you圈留言，你可以通过TBanna521找到他。

大数据时代的到来，越来越多的人选择学习大数据，那关于大数据分析的六大基本方面是哪些，一起来了解一下

可视化分析

不管是对数据分析专家还是普通用户

数据可视化是数据分析工具最基本的要求

可视化可以直观的展示数据

让数据自己说话，让观众听到结果

数据挖掘算法

可视化是给人看的，数据挖掘就是给机器看的

集群、分割、孤立点分析还有其他的算法

让我们深入数据内部，挖掘价值

这些算法不仅要处理大数据的量

也要处理大数据的速度

预测性分析能力

数据挖掘可以让分析员更好的理解数据

而预测性分析可以让分析员根据可视化分析和数据挖掘的结果

做出一些预测性的判断

语义引擎

我们知道由于非结构化数据的多样性带来了数据分析的新的挑战，我们需要一系列的工具去解析，提取，分析数据。语义引擎需要被设计成能够从"文档"中智能提取信息

数据质量和数据管理

数据质量和数据管理是一些管理方面的最佳实践

通过标准化的流程和工具对数据进行处理

可以保证一个预先定义好的高质量的分析结果

数据存储，数据仓库

数据仓库是为了便于多维分析和多角度展示数据按特定模式进行存储所建立起来的关系型数据库。在商业智能系统的设计中，数据仓库的构建是关键，是商业智能系统的基础，承担对业务系统数据整合的任务，为商业智能系统提供数据抽取、转换和加载(ETL)，并按主题对数据进行查询和访问，为联机数据分析和数据挖掘提供数据平台

成都加米谷大数据科技有限公司

个人培训 丨 企业内训

成都市高新区天府二街蜀都中心1栋705