C. 診斷性分析（Diagnostic Analysis）
診斷性分析 旨在探究數據中的 特定現象 或 結果 的根本原因。
此類分析通常基於敘述性分析的結果，進一步深入了解數據背後
的邏輯與影響因素。
以下為常用的分析方法：
a. 鑽取/向下分析（Drill-down Analysis）
特點與用途：從宏觀數據 逐層 深入到細節層級，
逐步鎖定 問題範圍。
應用場景： 銷售下降時，透過地區、產品類別 或 時間段分析，
確定問題發生的具體區域或品類。
b. 關聯分析（Association Analysis）
特點與用途：分析數據項目之間的共現關係或模式。
方法如Apriori 演算法，
用於分析超市購物車數據
（如「啤酒與尿布的關聯性」）。
應用場景：在推薦系統中 發掘 產品之間 的 購買關聯。
c. 因果分析（Causal Analysis）
特點與用途：透過 統計 與 實驗方法 分析變量 之間的 因果關係，
避免混淆 相關性 與 因果性。
方法如
因果圖（Causal Diagrams）、隨機試驗（A/B 測試）。
應用場景：檢驗行銷活動對銷售增長的實際影響。
D. 預測性分析（Predictive Analysis）
預測性分析 使用 歷史數據 來預測未來可能發生的事件或趨勢，
通常是基於 統計方法 與 機器學習 模型。
以下為常用的模型/方法：
a. 迴歸模型（Regression Models）
特點與用途：用於數值型 結果 的 預測。
方法：線性迴歸、多元迴歸、邏輯迴歸等。
應用場景：預測 房地產價格、銷售額、天氣變化等。
b. 分類模型（Classification Models）
特點與用途：用於將數據分為不同類別。
方法：決策樹、隨機森林、
支援向量機（Support Vector Machine, SVM）、
深度學習（如神經網路等）。
應用場景：信用風險評估、疾病診斷、用戶行為預測。
c. 時間序列模型（Time Series Models）
特點與用途：用於分析時間相關 數據，捕捉趨勢、季節性與
周期性模式。
方法：ARIMA、SARIMA、LSTM 等。
應用場景：銷售預測、需求規劃、股票價格預測。
d. 集成學習方法（Ensemble Methods）
特點與用途：結合多個模型 提高 預測準確性。
方法：
隨機森林（Random Forest）、
梯度提升機（Gradient Boosting Machine,GBM）、
極限梯度提升（eXtreme Gradient Boosting, XGBoost）
等。
發表文章
