预测型数据分析利用各种高级统计学技术，包括利用预测模型，机器学习，数据挖掘等技术来分析当前和历史的数据，从而对未来或其他不确定的事件进行预测。

预测型数据分析

1.4 规范型数据分析

最具价值和处理复杂度的当属规范型分析。

规范型分析通过 “已经发生什么”、“为什么发生”和“什么将发生”，也就是综合运用上述提及的描述型分析、诊断型分析和预测型分析，对潜在用户进行商品/服务推荐和决策支持。

规范型数据分析

对外部数据中的分析很重要

经过上面对四种数据分析类型的描述，笔者认为现有的基于企业内部数据的数据分析实践存在如下几类特征：

大多数的数据分析仅停留在描述性数据分析上，未触及数据深层次的规律，没有最大限度的挖掘数据的潜在价值。

数据分析的对象以结构化的数值型数据为主，而对非结构化数据，尤其是文本类型的数据分析实践则较少。

对内部数据高度重视，如用户增长数据，销售数据，以及产品相关指标数据等，但没有和外部数据进行关联，导致分析的结果片面、孤立和失真，起不到问题诊断和决策支撑作用。

由此，我们必须对企业之外的外部数据引起重视，尤其是外部数据中的非结构化文本数据。

外部数据的几种常见类型

外部数据是互联网时代的产物，随着移动互联时代的兴起，外部数据的增长呈现井喷的趋势。

各个领域的外部数据从不同角度刻画了移动互联时代的商业社会，综合这些外部数据，才能俯瞰到一个“全息式”的互联网版图。

按互联网行业和领域的不同，外部数据包括且不限于：

阿里（淘宝和天猫）：电商大数据

腾讯（微信和QQ）：社交网络大数据

新浪（新浪微博和新浪博客）：社交媒体大数据

脉脉：职场社交大数据

谷歌/百度：搜索大数据

优酷：影视播放大数据

今日头条：阅读兴趣大数据

酷云EYE：收视大数据

高德地图：POI大数据

外部数据的获取和采集

随着互联网时代对于“Open Data(开放数据)”或“Data Sharing（共享数据）”的日益倡导，很多互联网巨头（部分）开放了它们所积累的外部数据。

再者一些可以抓取网络数据的第三方应用和编程工具不断出现，使得我们可以以免费或付费的方式获得大量外部数据（在获得对方允许和涉及商业目的的情况下），最终的形式包括未加工的原始数据、系统化的数据产品和定制化的数据服务。