資料分析簡易來說，就是為了解釋「資料」成為有用的「資訊」。
而整體的「數據分析」一連串的資料清理、模組化、視覺化，搜集資料、整理資料、轉換資訊、洞察資訊、製成圖像以利解釋與分，再從成果中產出「價值」的過程。
- Tracking inventory：追蹤庫存
- Identifying purchase habits：辨識購買喜好
- Detecting user trends and patterns：偵測使用者趨勢與軌跡
- Recommending purchases：推薦購買
- Determining price optimizations：定價（價值）優化
- Identifying and stopping fraud：定義以及減少誤判
以上內容就會運用數據分析的技術，協助零售業做出更完整的判讀與優化
資料經過整理後，分類成以下五種程度的「分析」方式，循序漸進 e.g.診斷分析建構在描述性分析之上，而預測分析又構築在診斷分析上
- Descriptive (描述性分析) ：
此種分析有助於回答以 歷程記錄 為基礎的問題，舉例來說像是店鋪的 銷售 與 財務 資料就屬於此種分析技術的範疇。
-
Diagnostic（診斷分析）
診斷分析則更以 「找出原因」 為分析的重點，以描述性分析為基礎找出相關的指標發現事件成敗，並且會有以下三種步驟組成。
- 辨別資料中的異常，而這些異常可能是指標或特定市場中意想不到的改變。
- 搜集與這些異常相關的資料。
- 運用分析技術發現並解釋這些異常之間的關聯性與趨勢。
-
Predictive（預測分析）
顧名思義用來回答那些需要預測未來可能發生的事件，主要會透過歷史數據的趨勢來進行，而技術則包括各種統計、機器學習、類神經網絡、決策樹和迴歸， 提供了可能遇見的結果 。
-
Prescriptive（指導分析）
透過預測分析，來針對預想達到的目標及結果， 協助團隊做出以數據為基礎的選擇 ，而此種分析技術依賴機器學習來尋找大型資料裡的模式與軌跡，藉由分析過去的決策和事件，提供組織預估各種可能性。
-
Cognitive（認知分析）
認知分析嘗試從現有的 資料 和 模式 中得出可靠的推論，且根據現有知識庫來導出結論，再將這些結果擴充知識庫供未來所用，建立自我學習的迴圈，認知分析可以協助了解當環境產生變化後可能發生的情況，以及判斷可能如何處理這些情況。
而且認知分析不是以結構化的資料庫為基礎，而是收集自數個來源並以不同信心程度表示的非結構化假設，作為有效的認知分析多數會依賴機器學習演算法，且會使用數種自然語言處理概念，將先前未利用的資料來源變得有意義。
本段簡單介紹資料工作的分野
-
商務分析師
針對視覺化資料進行 解讀 ，相對資料的整理與模型建置等針對數據剖析的角色，為商務考量的決策提供建議。
-
資料分析師
聚焦於資料的搜集、清理、分析、轉化（ 基礎 具備的程式語言能力，統計分析：Python、R；資料庫：SQL；數據視覺化工具：Power BI、Tableau）並應用到可視化工具上，建立能應用的 模型 並會同工程師、科學家等資料工作協尋可用的資料，共同改善程序。
-
資料工程師
對於資料工程師而言，要除了兼具分析師的能力以外，更著重於雲端技術的鑽研部署內外部的資料服務及工具（例如：部署服務、串接API等），有能力輸出並轉換多個來源的資料，建立：關聯式資料庫、非關聯式資料庫，也能確保資料可以安全、順暢的跨平台整合。
-
資料科學家
執行更進階的分析作業（前大項後三級的資料分析如：預測、指導、認知分析），並從資料中擷取 價值 ，從描述性分析到預測性分析，而描述性和預測性分析只是資料科學家 的一部分工作，某些資料科學家還可能會進入深度學習的領域，透過使用自訂 演算法 反覆執行實驗以解決複雜的資料問題。
且專案的大部分工作花在 資料統整 和 特徵工程 上，尤其資料工程師利成功統整資料後，資料科學家即可加快實驗程序。
資料科學家要查看資料並 判斷需要解答的問題 ，且通常會設計一個假設或實驗，然後尋求再資料分析師的協助以處理資料視覺化和報告問題
以上來源翻譯自 PL-300認證課程公開資料-發現與分析 本篇內容僅作為個人學習筆記與翻譯使用