Introduction
大數據的發展帶來的豐富且複雜的資料，透過資料分析的技術能夠產生價值及應用。除了統計分析與商業報表的描述性分析（descriptive analytics）之外，現在更能夠利用機器學習的技術近一步做到預測及建議的分析應用。未來的發展也往深入的分析場景探索，從數據工程化到可持續自動化的分析系統。
一種新型態的分析來自於物聯網（Internet of Things，IoT）興起所帶來的資料，稱之為 Analytics of Things，AOT。接著，進一步將 Analytics of Things 根據應用分成五種類型，並說明他們的價值及現況。
描述性分析（Descriptive Analytics）
來自物聯網資料中最常見的分析方法是將描述性分析用資料視覺化。利用各種各樣的圖表，線性圖、圓餅圖等等統計學常見的呈現資料的趨勢。
然而，這樣的分析很初步，價值也有限。透過描述性分析僅而呈現過去的狀況，無法預測未來。通常需要透過大量的外力去監控，去解釋，進而去對策。資料像串流般的更新，在大部分的情況下，資料往往無法轉成有意義的轉換率。
這種分析中重要的價值可以用於警報（alerts），當數值高於或低於某些門檻值會發出通知。當地震發生時，震動播高於平常的數值時，發出通知就是一種例子。“Let me know if the value of this variable goes above or below a certain level.”
診斷性分析（Diagnostic Analytics）
基於統計模型發現資料間變數的關係稱為診斷性分析（diagnostic analytics），一般來說，會基於某種回歸模型（regression model）。
但在物聯網中，診斷模型會用於描述分析中的警示是否有效。如果只是一用一個常數做為門檻值去監控資料，容易造成錯誤或誤判。因此，透過診斷分析的方法對資料進行分類（Classification），提升對於門檻值的有效性。
預測性分析（Predictive Analytics）
預測是資料分析中一個重要的應用，在物聯網中也不例外。預測一般可以使用在物聯網本身的感測器上，或是收集到的資料中。舉例而言，能夠預測哪些感測器即將故障，或是根據病人的資料預測其發作的狀況。預測的應用是廣泛且有價值的。
建議性分析（Prescriptive Analytics）
建議分析（prescriptive analytics）可以視為是一種推薦模型，根據資料去建議策略。牽涉到模型的最佳化：什麼價格要進行股市交易、怎麼時間賣商品可以獲得最大的收益等等。建議分析提供使用者選擇的機會。比預測提供更進一步的行動，在物聯網中更為需要，因為更多更快產生的資料量。也必然需要更多的技術在背後支撐著，像是資料探勘或是機器學習等等。
自動化分析（Automating Analytics）
最後一種是自動化分析（Automating analytics），這也是工業化 4.0 的最終奧義。根據資料分析，自動化定義製造流程。無論是在金融市場，或是工業製造正在往這個方向前進。然而，這一塊的發展正在持續發展中，值得繼續看下去。
在分析方法中探索商業價值
物聯網勢必將帶來更多樣且更有趣的分析應用，也伴隨必須要更深的分析技術。然而，這不是要讓你卻步，而是要告訴你可以往哪裡前進。如果你已經開始用統計方法或視覺化的方式檢視資料，可以嘗試進一步的去預測。不然，就從開始收集資料開始。
嗨，我是維元，近期推出一個全新型態的【 Python 資料科學教學實戰營 】，結合多元教學形式及豐富課程經驗幫助你更有效地學習。新課程「 Python 程式設計基礎養成 」正在早鳥募資中，歡迎你一起加入資料領域！誠摯的邀請你跟著我們一起從 Python 入門開始，走進資料科學的世界 🙌
📍 報名頁面： https://dscareer.kolable.app/
📍 報名頁面： https://dscareer.kolable.app/
📍 報名頁面： https://dscareer.kolable.app/
License
本著作由WeiYaun (@v123582)製作，
以創用CC 姓名標示-相同方式分享 3.0 Unported授權條款釋出。