数据分析常见问题有哪些？数据分析师一定要对这些有了解

1、数据分析常见问题有哪些——数据分析比传统方法好吗

不一定，因为可靠的数据分析比传统的方法更有可能找到更多的洞察，而且通常很难达到“可靠”的指标，特别是从相关性到因果关系。

2、数据分析常见问题有哪些——做模特总比不做模特好吗

不一定。这取决于是否有必要把模型说清楚。建模比不建模更复杂。当一个简单的描述和统计可以显示相关性甚至因果关系时(例如，可以假设其他条件相同，e(y | x=1)-e(y | x=0)>0，处理效果为正，并且建立了正因果关系)，建模不一定得到更多的信息。错误的建模甚至会得到错误的信息或无效的信息，从而浪费成本。实习期间，我的上司让我做一个小组统计。我想看看这个模型是否更好。在我描述之前，我直接做了一个logit，结果很奇怪。后来，我画了一个散点图，发现数据y=1和0密集分布在每个x上(数据量很大)，所以不合适的模型没有没有没有模型视图的模型那么直。当有大量的数据时，可以从不同的角度直接得到很多有用的信息。很多时候，它可以满足需要。进一步的研究可能无助于注意力的集中，建模可能会成为一个非常低效的问题。

3、数据分析常见问题有哪些——因果关系一定要比相关性好吗

不一定，这取决于问题的焦点。当我们关注“可能是什么”时，我们需要做出更多的预测。此时，我们应该关注相关性;当我们关注“这是为什么”时，我们需要做出更多的解释。此时，我们应该关注因果关系。例如，我的毕业论文研究了电子商务平台的搜索算法如何影响消费者和生产者的决策，并建立了一个共识集(动态)结构模型的方法将消费者的选择分为两个步骤：第一步，平台推荐算法向消费者推荐商品，例如，第一页的商品通常更容易看到;第二，消费者从看到的商品中做出购买选择。第二步是基于随机效用的模型框架的离散选择模型是用于解释因果关系的标准结构模型。在第一步中，我尝试了将近一年的时间，使用参考文献中使用的概率模型来解释已经完全宣告失败的机制。在这里，我关心的是算法最有可能推荐什么，而不是非常清晰的推荐过程(因为算法本身非常复杂，简单的模型无法准确的解释机制，而概率模型有利于人们对机制的理解;本文不关注算法的机理，而是算法的影响，更好的方法是通过训练数据找到最佳的预测模型。

以上就是《数据分析常见问题有哪些？数据分析师一定要对这些有了解》的全部内容，从文字中我们可以看到本文不关注算法的机理，而是算法的影响，更好的方法是通过训练数据找到最佳的预测模型。如果你想学习更多数据分析知识，可以点击下方资料下载链接。