Вот несколько методов, обычно используемых в бизнес-аналитике, а также примеры кода, где это применимо:

1. Линейная регрессия.
   Линейная регрессия — это статистический метод, используемый для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Его можно реализовать с использованием различных языков программирования, например Python:

   import numpy as np
   import pandas as pd
   from sklearn.linear_model import LinearRegression
   # Load the dataset
   data = pd.read_csv('data.csv')
   # Split the data into independent and dependent variables
   X = data[['independent_var1', 'independent_var2']]
   y = data['dependent_var']
   # Create a linear regression model
   model = LinearRegression()
   # Fit the model to the data
   model.fit(X, y)
   # Predict the values
   predictions = model.predict(X)

2. Деревья решений.
   Деревья решений – это популярный алгоритм машинного обучения, который можно использовать для задач классификации или регрессии. Вот пример использования библиотеки scikit-learn в Python:

   from sklearn.tree import DecisionTreeClassifier
   # Load the dataset
   data = pd.read_csv('data.csv')
   # Split the data into independent and dependent variables
   X = data[['independent_var1', 'independent_var2']]
   y = data['dependent_var']
   # Create a decision tree classifier
   model = DecisionTreeClassifier()
   # Fit the model to the data
   model.fit(X, y)
   # Predict the values
   predictions = model.predict(X)

3. Кластеризация.
   Кластеризация – это метод, используемый для группировки схожих точек данных. Одним из популярных алгоритмов кластеризации является K-means. Вот пример на Python с использованием библиотеки scikit-learn:

   from sklearn.cluster import KMeans
   # Load the dataset
   data = pd.read_csv('data.csv')
   # Create a k-means clustering model
   model = KMeans(n_clusters=3)
   # Fit the model to the data
   model.fit(data)
   # Get the cluster labels
   labels = model.labels_

4. Анализ временных рядов.
   Анализ временных рядов используется для анализа и прогнозирования данных, собираемых с течением времени. Statsmodels библиотеки Python предоставляет различные методы анализа временных рядов, включая модели авторегрессионного интегрированного скользящего среднего (ARIMA):

   import statsmodels.api as sm
   # Load the time series data
   data = pd.read_csv('data.csv')
   # Create an ARIMA model
   model = sm.tsa.ARIMA(data, order=(1, 1, 1))
   # Fit the model to the data
   model_fit = model.fit()
   # Forecast future values
   forecast = model_fit.predict(start=len(data), end=len(data)+n-1)

5. Визуализация данных.
   Визуализация данных имеет решающее значение для понимания и передачи информации на основе данных. Python предоставляет несколько библиотек для создания визуализаций, таких как matplotlib и seaborn. Вот пример использования matplotlib:

   import matplotlib.pyplot as plt
   # Load the data
   data = pd.read_csv('data.csv')
   # Plot a line chart
   plt.plot(data['x'], data['y'])
   plt.xlabel('x')
   plt.ylabel('y')
   plt.title('Line Chart')
   plt.show()