数据分析是指使用各种技术和方法来解释、处理和理解数据的过程。在数据分析的范畴中，有各种不同的分析方法可以应用于不同类型和规模的数据集。然而，数据分析并不包括以下几种分析：

1. 故事性分析： 故事性分析是指试图让数据讲述一个故事或者支持一个特定的观点的分析。这种分析方法可能会强调数据的某些方面，忽略其他方面，以促成特定的结论或论点。在一些情况下，这种分析方法可能会夸大或歪曲事实，以满足特定的目的。

2. 主观性分析： 主观性分析是指在数据分析过程中引入个人偏见、信念或者情感的分析方式。这种分析方法可能导致对数据的错误理解或者错误解释，从而产生误导性的结论或决策。

3. 非科学性分析： 非科学性分析是指在数据分析过程中忽视科学原则和方法，仅凭个人直觉或经验做出推断和决策的分析方法。这种分析方法容易受到主观因素的干扰，导致结论的不准确性和不可信度。

4. 非数据驱动分析： 非数据驱动分析是指在数据分析过程中，忽略数据本身的内容和规律，仅凭个人喜好或偏见做出决策的分析方法。这种分析方法可能会忽视事实和客观真相，导致错误的结论或决策。

因此，数据分析应该是客观、科学、基于事实的过程，不应包括故事性分析、主观性分析、非科学性分析和非数据驱动分析等不符合科学规范的分析方法。正确的数据分析应该基于客观的数据、准确的方法和逻辑推断，以提供可靠的结论和决策支持。

数据分析不包括的是主观分析、主观判断、主观推测、试验的意图或者个人看法。数据分析是一个客观的、基于数据和事实的过程，旨在通过搜集、整理、处理和解释数据，从而提供客观、准确和可靠的结论和建议。以下是数据分析不包括的内容：

1. 主观因素：数据分析排除了主观因素的影响，不受个人的偏见、情感或经验的左右。

2. 盲目判断：数据分析不仅仅是简单地凭直觉或经验进行判断，而是通过系统性的方法和工具对数据进行分析和处理。

3. 预设结论：数据分析不会提前假定某种结论，而是基于数据的真实情况进行分析，以达到对数据的客观理解。

4. 不完整的信息：数据分析需要充分的数据支撑和准确的信息来源，不能仅凭片面或不完整的信息进行分析。

5. 抽象的概念：数据分析是基于具体的数据和事实进行分析，而非建立在抽象、主观或模糊的概念之上。

综上所述，数据分析是一种客观、系统和科学的研究方法，通过对数据的处理和解释，提供有价值的见解和决策支持，是基于事实和证据的分析过程，而不包括主观因素和主观判断。

数据分析不包括的是图表展示的分析。

数据分析的基本概念

数据分析是指通过收集、清洗、整理、分析和解释数据，以便从中提取有用信息、形成结论并支持决策的过程。在数据分析中，我们可以利用各种统计分析方法和技术来揭示数据背后的规律和关联，从而为实现组织的业务目标提供支持。

数据分析的内容

数据分析主要包括以下几个方面：

1. 描述性分析

描述性分析是通过对数据进行总结和描述，以便更好地理解数据的基本特征。常见的描述性分析方法包括：

• 统计指标：如均值、中位数、标准差、最大最小值等。
• 数据可视化：如条形图、折线图、饼图、箱线图等。

2. 探索性数据分析

探索性数据分析旨在深入了解数据的分布、关系和异常情况，为进一步分析奠定基础。常见的探索性数据分析方法包括：

• 散点图矩阵：用于展示多个变量之间的关系。
• 相关性分析：用于探究变量之间的相关性程度。
• 群集分析：用于发现数据的聚类结构。

3. 统计推断分析

统计推断分析通过从样本中推断总体的特征，从而对总体进行推断性的判断。常见的统计推断分析方法包括：

• 假设检验：用于检验样本和总体之间的差异是否显著。
• 置信区间估计：用于估计总体参数的取值范围。
• 方差分析：用于比较多组数据之间的差异。

4. 预测性分析

预测性分析是基于过去的数据和现有模式，对未来事件或趋势进行预测和预测。常见的预测性分析方法包括：

• 时间序列分析：用于分析时间相关的数据，预测未来走势。
• 回归分析：用于研究变量之间的因果关系，并进行预测。
• 机器学习：通过算法训练模型，预测未来事件。

5. 趋势分析和比较分析

趋势分析和比较分析是对数据随时间变化或在不同条件下的表现进行分析。常见的趋势分析和比较分析方法包括：

• 时间序列图：用于展示数据随时间的变化趋势。
• 动态图表：用于动态展示不同条件下的数据比较。
• SWOT分析：用于比较组织的优势、劣势、机会和威胁。

小结

数据分析是一个系统的过程，包括对数据进行总结描述、探索分析、统计推断、预测预测、趋势比较等多个方面。数据分析有助于揭示数据背后的规律和关联，为决策提供支持。虽然数据分析可以通过图表展示结果，但图表本身并不是数据分析的全部内容，只是数据分析过程中用于呈现分析结果和结论的一种形式。