一般而言，描述性分析是在某種意義上或?yàn)閿?shù)據(jù)集添加某些結(jié)構(gòu)的過程，有時(shí)這可能非常大。因此，大多數(shù)在業(yè)務(wù)中提及“分析”的討論實(shí)際上都是在談?wù)撁枋鲂苑治觯˙ertolucci，2013）。最明顯的例子是當(dāng)我們?cè)谘芯块_始時(shí)進(jìn)行描述性統(tǒng)計(jì)，并查看諸如范圍，均值，中位數(shù)，四分位數(shù)，偏斜和峰度之類的數(shù)據(jù)時(shí)。我們正在了解數(shù)據(jù)如何分解。在某些情況下，這實(shí)際上可能是我們要尋找的全部內(nèi)容，但是在大多數(shù)情況下，我們將希望進(jìn)一步深入了解數(shù)據(jù)。例如，當(dāng)我們運(yùn)行諸如k-means之類的聚類算法時(shí)，它使我們能夠?qū)?shù)據(jù)組織成看起來似乎彼此相同的組。

　　另一方面，預(yù)測(cè)分析還可以查看數(shù)據(jù)的形狀，但是它也使我們能夠識(shí)別趨勢(shì)并對(duì)未來事件進(jìn)行數(shù)學(xué)預(yù)測(cè)。簡而言之，您正在分析過去（也許是最近的過去，如“實(shí)時(shí)”數(shù)據(jù)中的，但仍然是過去），以預(yù)測(cè)未來。理解這一點(diǎn)的最簡單方法可能是考慮回歸技術(shù)，即在數(shù)據(jù)中確定趨勢(shì)線時(shí)，它的基本數(shù)學(xué)公式使您可以預(yù)測(cè)在類似條件下將來會(huì)發(fā)生什么。掌握代數(shù)的任何人都可以理解其原理-一旦確定了模型的公式及其系數(shù)，您只需插入因變量，并獲得結(jié)果的預(yù)測(cè)值。

　　當(dāng)我們將“推論”引入組合時(shí)，這會(huì)讓人感到困惑，這是由Merriam-Webster定義的，涉及“ 通常以計(jì)算出的確定性程度將統(tǒng)計(jì)樣本數(shù)據(jù)傳遞給一般化（根據(jù)總體參數(shù)的值）” 。換句話說，我們正在根據(jù)我們?cè)跀?shù)據(jù)中看到的信息，對(duì)未來可能發(fā)生的情況進(jìn)行有根據(jù)的猜測(cè)。這種推論廣泛應(yīng)用于可 預(yù)測(cè)的數(shù)據(jù)分析以及 描述性數(shù)據(jù)分析。。例如，如果Netflix根據(jù)共同的喜好使用某種形式的聚類來將用戶分組（例如喜歡外國電影的人），那么他們非常會(huì)使用該描述性數(shù)據(jù)來告知電影他們“推薦”給您的電影。實(shí)際上，他們是根據(jù)描述性數(shù)據(jù)進(jìn)行預(yù)測(cè)。它可能沒有附加數(shù)學(xué)方程式（或者也許有，因?yàn)樗麄兛赡苡懈呒?jí)的技巧），但這只是一個(gè)預(yù)測(cè)。另一方面，如果Netflix使用回歸模型，則它可能會(huì)發(fā)現(xiàn)一組變量與另一組變量之間的相關(guān)性，并對(duì)某事進(jìn)行量化預(yù)測(cè)。

　　總而言之，描述性和預(yù)測(cè)性技術(shù)之間似乎有些重疊，但是其定義可能類似于有監(jiān)督和無監(jiān)督的學(xué)習(xí)，其中一種涉及基于過去的場(chǎng)景進(jìn)行預(yù)測(cè)，在這種情況下我們可以確定已知的結(jié)果，而另一種則基于涉及經(jīng)歷并規(guī)劃過去發(fā)生的事情。