终于有人把AI、BI、大数据、数据科学讲明白了

导读：本文概述数据、分析、商业智能、报表、大数据、数据科学、边缘分析、信息学以及人工智能和认知计算这些基本概念。

作者：格雷戈里·S. 纳尔逊（Gregory S. Nelson）

来源：大数据DT（ID：hzdashuju）

01 数据

数据几乎渗透到我们生活的每一个角落，从我们在手机中留下的数字足迹，到健康记录，再到购物历史，以及对资源（如能源）的使用情况。在当今这个数字世界里，脱离数字的生活虽然不是不可接受的，但也需要巨大的牺牲精神和不可思议的毅力才能忍受。

我们不仅是数据制造者，同时也是活跃的数据消费者，例如我们时常检查自己的在线消费习惯，监测健身程序，或者查看自己的常旅客积分是否够去加勒比度假，这些行为都是在消费数据。

但数据到底是什么？按最通用的形式来理解，数据就是被储存起来以备日后使用的信息。最早记录信息的方式可能是在动物骨头上刻蚀符号。到了20世纪50年代，人们开始在磁带上记录数字信息，然后是打孔卡片，再后来是使用磁盘。现代数据处理开始的时间并不长，但已经奠定了我们如何收集、存储、管理、使用信息的基础。

直到最近，我们对那些无法计算的信息（例如，视频和图像信息）还只能进行分类处理。但近几年来，通过大量的技术变革，无法存储的数据类型变得越来越少了。事实上，存储的信息，或者数据，就是以一种可用的编码方式，为了我们可计算的目的而建立的真实世界的模型。

数据是真实世界中所发生事情的持续记录或“模型”，这一事实是分析学的一个重要特征。被公认为“20世纪最伟大的统计学家之一”的乔治·鲍克斯（George Box）曾经说过：“所有的模型都是错误的，但有些模型是有用的。”

很多时候，我们在数据中发现一些没有意义或者完全错误的东西。请记住，数据是从真实的物理世界转化并抽象为代表真实世界的东西，即乔治所说的“模型”。就像机械速度计是测量速度的标准一样（也是衡量速率的一个很好的替代物），这个模型（指机械速度计）实际上是测量轮胎的转速，而不是速度。

总之，数据是存储的信息，是所有分析的基础。例如，在可视化分析中，我们利用可视化技术和交互界面对数据进行解析和推理，找出数据本身存在的规律。

02 分析

分析（analytics）可能是商业中使用得最多但却最难理解的术语之一。对一些人来说，它是一种用来“把数据屈打成招”（找出数据中潜藏规律）的技术或技巧，或者仅仅是商业智能与数据仓库的延伸；而对另外一些人来说，分析则是用于开发模型的统计、数学或定量方法。

Merriam-Webster字典称分析是“一种逻辑分析的方法”。Dictionary.com字典将分析定义为“逻辑分析的科学”。不幸的是，两种定义都直接使用了分析（analysis）这个词的词根，似乎存在循环解释的逻辑错误。

分析（analysis）这个词的起源可以追溯到16世纪80年代的中世纪拉丁语（anal-yticus）和希腊语（anal-ytiks），意思是“分解”（break up）或者“放松”（loosen）。我把分析（analytics）定义为一种解决数据驱动问题的结构化方法：通过对事实（数据）的仔细推敲，帮助我们解决问题的一套方法论。

关于分析的定义有很多争论。就当前讨论的问题而言，我将分析定义为：

一种全面的、基于数据驱动的解决问题的策略与方法。

我有意避免将分析定义为某个“过程”、某种“科学”或“学科”。相反，我将分析定义为一种全面的策略，正如读者将在本书第二部分中看到的那样，它是包含过程、规则、可交付物的最佳实践。

分析通过使用逻辑、归纳推理、演绎推理、批判思维、定量方法（结合数据）等手段，来检验和分析现象，从而确定其本质特征。分析植根于科学方法，包括问题的识别和理解、理论生成、假设检验和结果交流。

• 归纳推理

当积累的证据被用来支持一个结论，但结论仍带有一些不确定性的时候，就会用到归纳推理方法。也就是说，最终的结论有可能（存在一定概率）与给定前提不一致。通过归纳推理，我们基于具体的观