数据分析相当广泛，但一般可分为定性分析和定量分析，定性和定量分析通常结合进行。从大的层面来说，可以分为宏观分析和微观分析。宏观分析，比如对某个行业的分析，微观分析是对某个主题非常具体的分析，比如消费者行为分析、会员分析。数据分析在企业中的主要作用是支持和指导业务发展。合格的数据分析师支持业务发展，优秀的数据分析师指导业务发展。
数据分析应用场景
1.未来预测：通过对历史数据建模，分析师可以预测数据的未来趋势，进而制定合理的应对计划。例如，对于生产企业来说，可以根据历史市场数据建立市场需求预测模型，根据未来市场来估算各种产品的需求，从而确定各种产品的产量。
2.个性化推荐：基于用户的历史行为，挖掘用户兴趣点，为用户完成个性化推荐。例如，对于电子商城，根据用户的浏览记录、购买记录等历史行为数据，可以分析出用户可能感兴趣的产品，并将这些产品推荐给用户，节省了用户搜索产品所花费的时间，增加了产品的销量。
3.历史分析：通过对历史数据(如季度销量、产品平均售价等)的统计分析。分析师可以有效地掌握过去一段时间的全部数据，进而做出更有利的决策。例如，对于一家超市，可以统计分析过去一个月不同促销活动下的各种产品的销售数据(比如哪些产品更受哪些客户的欢迎)，从而制定出增加利润的销售计划。
4.影响分析：一个结果通常是由大量的因素决定的，但有些因素的作用较小，有些因素的作用较大。通过对关键因素的分析，我们可以挖掘出那些重要的影响因素，并从重要的因素入手，有效地提高最终的结果。比如酒店管理者可以根据用户在酒店点餐网站上的评论和评分，分析影响酒店评价的关键因素，利用关键因素(如丰富的早餐、干净的房间、便利的交通等)改善酒店管理。从而进一步提高用户满意度，增加客户。
数据预处理
1.数据整理：数据整理是指将数据整理成数据建模所需的形式。例如，在构建房价预测模型时，通常需要去除无用的数据项(如房屋的身份证号)，将用于预测目标值的特征(如房屋的年龄和朝向)与目标变量(房价)分开。
2.数据清理：数据清理是指发现和处理数据中的质量问题，如数据缺失和异常。比如用户填写问卷时，没有填写“年龄”一栏的信息，那么对于用户填写的这个数据，年龄就是缺失值；异常是指虽然有值，但值明显偏离正常值范围。例如，在针对18-30岁成年人的问卷中，用户在填写问卷时错误地将年龄填写为2。含有缺失或异常值的数据必须妥善处理，否则会严重影响数据分析结果的可靠性。
数据分析/挖掘：数据挖掘是从大量数据中挖掘隐藏的、以前未知的、有潜在价值的关系、模式和趋势，并利用这些知识和规则建立决策支持模型，提供预测性决策支持的方法、工具和过程。
数据可视化/反馈：数据可视化是指将数据的统计分析和建模结果以图形化的方式展现出来，直观地展示数据模型的数据特征和性能。可视化形式包括数字图、饼图、条形图、折线图、散点图、热图、气泡图等。
数据统计与建模：数据统计是指计算数据的均值、方差等统计值，通过统计分析掌握数据特征，完成对已知数据的解释。建模是根据已有数据建立模型，对未来数据进行预测和分类，解决实际应用问题。租用服务器可咨询梦飞云idc了解。
