十多年来，我谈论过的只有三类分析法：描述（descriptive）和预测（predictive）以及规范（prescriptive）分析。这个分析法三元组在我这里工作得非常好，很多其他人也在使用。
描述分析描述发生了什么，这类方法通常使用简单的描述工具：频次分布、图表以及“中心趋向性测度”（如均值、中值）。它们只和过去有关，习惯上称这类分析法为“报告”，它占据了大约95%的历史性分析活动。
预测性分析显而易见是预测未来。这类方法使用模型描述过去的数据（遗憾的是，我们只拥有过去的数据）外推（extrapolate）将来。它们很有用，正如Eric Siegel所著《预测分析法》（Predictive Analysis）中的章节标题：去“预测谁会点击、购买、撒谎或者死亡”。
有些分析家们，比如Gartner公司的分析家们，在描述和预测之间额外加入了一类分析，并称之为诊断（diagnostic）分析，用以描述如何使用过去的数据创建模型。说这些分析家是对的，在于这一工作是预测分析的先决条件；但有人仍对此有所争论，说它只是简单的使用统计模型的描述分析法。我也犹豫于在自己的工作中使用它，因为它不是以“-tive”结尾的单词。
规范分析（又译为时效分析）是告诉你“如何做”的分析方法，多年前在这里我已写过一些文字。这类方法建议（通常是给一线工作者）最好的方式去处理给定情况。例如：产品如何定价，使用哪个版本的网页，驾驶导航线路下一个转向是什么，所有这些都是规范分析。
现在，是时候添加第四个类别——自动分析（automated analytics）。遗憾的是，无论是单词“automated”或我所能找到的其同义词，都不是已“-tive“结尾。或许，新单词”automative“可能比较恰当。无论如何，分析法正在不断变得“自动“起来。不同于规范分析给人某个推荐，自动分析会基于分析结果采取行动。它们会自动改变在线价格，自动显示最好的着陆页（landing page），自动确定给用户发送什么邮件，甚至自动驾驶车辆。
一些自动分析已存在多年。你不会认为航空公司会派人来审核座位价格的变化吧？这样做需要所有雇员，甚至更多。你不会认为银行高级职员会审核你的信用卡或个人贷款申请吧？那些都是自动的，因为银行高级职员深思熟虑的，是你意图的收费或借款是否有欺诈。如果这些不是自动的，等到有人查看可能的欺诈交易的时候，欺诈者应当早已作案多起后飞到了委内瑞拉去了。
在这个用户期望实时响应的世界，自动分析日趋必要。在现实世界中，每个市场促销都应该是量身定制和个性化的，数据无处不在并且需要被分析后使其有用。我们确实没有足够的人力去分析所有数据，做所有的决定，进而采取必要的行动。即使我们这么做了，也会花费非常长的时间才能成这些事情。
自动分析，如同我所定义的，是基于分析法如何被使用。这个术语不应混淆于以自动或半自动方式，它们是通过如机器学习为工具来实现分析的生成。这种更为常见，且其存在也部分地基于同样原因——太多数据需要分析，且没有足够的分析师。
为了能有效的工作，自动化分析特别需要被嵌入到为分析提供数据的系统中，然后在得到分析结果后采取行动。Gartner 2015战略科技列表中的“高级的、普遍存在的和不可见的分析”，以及很多其它分析将被自动化。被嵌入自动化分析的那些系统，会被归为“复杂事件处理”家族，它们被设计为实时采取行动。在其数据仓库和Hadoop集群中，组织机构也日趋进行自动化分析。这一集成意味着，自动化分析需要被紧密连接到信息技术机构和CIO；这一类分析法不再是分开的、临时的行为。
这通常是一个贯穿不同类别分析法的自然发展过程。例如，你是一个货运公司，你想最小化你的汽油消耗。第一步，应该是做音协描述性分析，看看不同线路的卡车的耗油情况，耗油量延时间是增长还是下降，甚至于是否某些司机每公里耗油比其他司机多。第二步，应当是建立一个预测模型，其特性与更大的油耗相关联，或许使用某种形式的回归分析。第三步，应该是开始告诉司机什么时候在什么地点加油，这正是哟写公司，如施奈德（Schneider National），正在做的事。第四步，将是绕过驾驶员直接告诉卡车什么时候停车加油。显然，第四步包含比现在更多的车辆自动化，但若干领导性货运公司告诉我，从技术角度讲这一步并不遥远，监管许可反而可能需要更长时间。
当然，相比规范分析，自动分析给人类提出了更多的难题。试想，当卡车司机被告知在哪个停留站加油，他们会怎么想。我猜，当由分析算法做出所有驾驶决定的时候，司机们会更加不乐意。
自动分析是一个全新的世界，我们会长期持续地评价他们可能带来的后果。但是，越早认定它们是一类有效且重要的分析方法，就可以越快开始处理它们带来的后果。
本文来源于"中国人工智能学会",原文发表时间"2015-05-27"