下载掌阅APP，畅读海量书库
立即打开
Power BI的功能十分强大且易上手。但是要挖掘出数据的价值，除有好的工具外，还需要有正确的数据挖掘理论指引。下面介绍在Power BI报表开发过程中可以指导数据挖掘的方法论，供读者参考。
在笔者的第一本书《商业智能数据分析：基于Power BI和Tableau》中，曾经介绍了CRISP-DM（跨行业数据挖掘标准流程）模型，如图1.4.1所示。该模型具有普遍性，适用于不同的开发报表场景。模型外围的圆圈代表流程可周而复始地自我迭代，增量开发新的需求。该模型中包括6个步骤：
● 商业理解（Business Understanding） ：要解决什么商业分析问题。
● 数据理解（Data Understanding） ：有什么数据可以支持分析。
● 数据准备（Data Preparation） ：准备结构化数据并导入。
● 建立模型（Modeling） ：建立数据表关系、度量和字段。
● 模型评估（Evaluation） ：评估数据模型是否满足分析需求。
● 结果部署（Deployment） ：将开发应用部署和分享。
虽然说CRISP-DM模型具有普遍性和学术性，但对没有数据分析背景的用户来说，“数据准备”和“模型评估”这类词还是稍显陌生。
图1.4.1
图1.4.2是基于CRISP-DM模型改良的Power BI可视化分析流程，更为通俗易懂，也更加贴近Power BI的报表开发步骤。
图1.4.2
无论是CRISP-DM模型还是Power BI可视化分析流程，二者的核心思想都是高度一致的：结果必须满足业务分析的需求。
那么探索性分析也可以按以上步骤进行吗？开发者可能最初不了解需要挖掘的结果。即使是探索性分析，分析人员也会对分析目的先做假设，再通过分析印证假设的真实性。所以，以上步骤仍然有效。
CRISP-DM模型只是告诉了分析人员做什么，但是没有具体说明怎么做，还有更多落地的方法吗。CRISP-DM模型只是框架，告诉分析人员要做什么（What to do）。接下来的内容将介绍如何去做（How to do）。