分析

分析使用数据和数学来回答业务问题、发现关系、预测未知结果并自动化决策。它是计算机科学的一个广泛领域，被用于在数据中找到有意义的模式，以及基于应用数学、统计、预测建模和机器学习技术发现新知识。

• 历史
•     
• 当今世界
•     
• 用户群体
•     
• 工作方式
•     
• 下一步

分析的历史

在过去，数据存储和处理速度限制了分析。如今，这些限制不复存在，这开了通向更复杂的机器学习和深度学习算法的大门，这些算法可以处理多个通道中的大量数据。

因此，分析的标准描述性、说明性和预测性功能通过学习和自动化得到了增强，从而迈入了人工智能时代。

这意味着我们已经从询问发生了什么和应该发生什么变成了让我们的机器自动进行自动化并从数据中学习，甚至是告诉我们应该问什么问题。

如今，大多数组织都将分析视为一种战略资产，而分析对于许多职能角色和技能来说至关重要。

由机器学习推动的分析的一个正在发展的领域是自然语言处理。计算机使用 NLP 来解释语音和文本。聊天机器人使用 NLP 通过在线聊天窗口回答客户服务问题或提供投资建议。它们还可以向现场呼叫中心员工提供建议脚本。

机器学习和人工智能还为我们带来了有用的应用，例如自动驾驶汽车和推荐引擎，这些应用可以保证在我们横扫根据我们口味推荐的下一部电视连续剧的同时帮我们打车。

当然，分析改变的不仅仅是我们的休闲时光。有了速度更快、功能更强大的计算机，就会有很多使用分析和人工智能的机会。无论是确定信贷风险、开发新药、寻找更有效的方式来交付产品和服务、预防欺诈、发现网络威胁还是留住最有价值的客户，分析都可以帮助您了解推动组织成功的因素以及其对于周遭世界的重要性。

分析如何工作

每项业务都是分析业务。每个流程都是分析流程，为改进做好了准备。每位员工在某种程度上都可以成为分析用户。无论您打算利用分析实现什么目标，所有分析项目首先需要的都是数据。获得数据后，您需要对其进行分析。然后，您需要部署分析结果以推动决策。组织越快完成分析生命周期，就能越快从分析投资中获得有形价值。

在 SAS，我们将数据、发现和部署这三个类别视为分析生命周期的迭代步骤。无论您项目的范围或规模如何，都应包括所有这三个步骤。让我们更详细地看看每个步骤。

分析生态系统

分析正在蓬勃发展。分析生态系统中有数百家公司提供技术和服务，帮助组织存储、访问、分析和呈现数据。范围涵盖从数据管理和可视化到高级分析和预制分析解决方案，包括许多开源分析选项。

SAS 处于独特位置，可与生态系统中的每个参与者集成。SAS 平台可在任何供应商的硬件上运行，可摄取所有类型的数据，比较来自不同语言的模型，并提供跨分析生态系统的数据、发现和部署阶段的一致监控。

您要将数据存储在AWS 还是 Hadoop 中？从 Twitter 或 Google Analytics 中提取数据？在 Python 和 SAS 中分析数据？在英特尔或 NVIDIA 芯片上运行程序？将结果部署到台式电脑或 IoT 设备上？

SAS 平台可以处理所有这些，以及您已经采用的任何其他旧有解决方案。结果？从数据科学家到 IT 再到决策者，每个人都可以在同一分析系统中和谐地工作。此外，您还将受益于模型管理、模型监控、模型透明度、数据沿袭以及跨分析项目和包的集成。

通过协调分析生态系统中的所有元素，分析平台可帮助加快分析生命周期，将您从数据转移到有形结果。最终提高您在分析（数据、技术和人员）方面所有投资的投资回报率，并助您获得成功。