数据分析

数据分析（Data Analytics）是用统计、编程与业务理解从数据中提炼洞见、支撑决策的应用型学科：数据从哪来、如何清洗、怎么分析、结论如何落地业务。与数据科学相比，数据分析更强调「应用与解释」，门槛更友好。香港金融、零售、物流、医疗行业数据密集，企业普遍设置数据分析团队。港校数据分析相关项目通常要求 IB 35+ / A-level AAB / AP 3-4 门 4+ 分，数学要求中等偏上（IB 数学 AA/AI HL、A-level 数学、AP 微积分或统计）。

数据分析的本质是「把业务问题变成数据问题，再把数据答案变回业务行动」。学科有三大支柱：1. 数据获取与清洗（Data Wrangling）——真实数据是脏的：缺失、重复、格式混乱，八成时间花在这里 2. 分析与建模（Analysis & Modeling）——描述性分析（发生了什么）、诊断性分析（为什么）、预测性分析（将发生什么）、规范性分析（该怎么做） 3. 可视化与沟通（Visualization & Communication）——把结论讲清楚，推动决策落地。培养的核心能力是：业务敏感度（先懂问题再碰数据）、量化工具链（Excel/SQL/Python/BI 工具）、统计素养（区分相关与因果、识别偏差）、讲故事（用图表与叙事说服决策者）。 数据分析不是「数据科学的低配版」：它有自己的价值定位——快、准、贴近业务；数据分析不是「学做 Excel 表格」：现代分析要用 SQL 取数、Python 建模、BI 工具呈现；数据分析也不是「学几个软件就够」：业务理解与统计判断才是分水岭。

数据分析的发展脉络：20 世纪中期统计质量控制（SQC）让「用数据管理工厂」成为实践；1960-70 年代决策支持系统（DSS）出现，「数据辅助决策」概念成形；1970-80 年代关系数据库（SQL）普及，取数效率大幅提升；1989 年「商业智能（Business Intelligence）」术语诞生，报表与 OLAP 成为企业标配；1990 年代数据挖掘（Data Mining）兴起，分析走向主动发现规律；2000 年代 Google 的流量实验与电商的 A/B 测试让「数据驱动决策」成为硅谷文化；2010 年代大数据与云 BI（Tableau、Power BI）普及，人人可做数据分析；2020 年代以来生成式 AI 让分析的门槛进一步降低，「AI 辅助分析」成为新常态。 香港特色：金管局推动银行数据化风控，零售与物流企业（如八达通、快递业）用数据分析优化运营；港校数据分析多以「应用型」或「跨学科」项目呈现（如 CUHK 的双主修、PolyU 的 Data Science and Analytics）。