Hvad er dataanalyse? Forskning, typer og eksempler

Af: Evelyn Clarke Evelyn Clarke
Hours Opdateret

⚡ Smart opsummering

Dataanalyse er processen med at rense, transformere og modellere data, så en organisation kantracnyttige oplysninger og handle på dem. Fem teknikker og en arbejdsgang i seks faser strukturerer arbejdet.

  • 🔘 Definition: Rensning, transformation og modellering af rå poster til information, der understøtter en forretningsbeslutning.
  • ☑️ Fem teknikker: Tekst-, statistisk, diagnostisk, prædiktiv og præskriptiv analyse besvarer gradvist vanskeligere spørgsmål.
  • ✅ Spørgsmålsstige: Hver teknik bevæger sig fra, hvad der skete, til hvorfor, til hvad der er sandsynligt, til hvad man skal gøre.
  • 🧪 Seks faser: Kravindsamling, -oprydning, -analyse, -fortolkning og -visualisering kører i rækkefølge.
  • 🛠️ Værktøj: Regneark, SQL, PythonR og business intelligence-platforme dækker de fleste analysearbejdsbyrder.
  • ⚠️ Datakvalitet: Duplikerede poster, tomme felter og tilfældige mellemrum forvrænger alle resultater, der produceres downstream.
Læs mere

Hvad er dataanalyse

Hvad er dataanalyse?

Dataanalyse defineres som en proces med at rense, transformere og modellere data for at finde nyttige oplysninger til forretningsbeslutningstagning. Formålet med dataanalyse er attracuddrage nyttige oplysninger fra data og træffe en beslutning baseret på denne analyse.

Et simpelt eksempel på dataanalyse sker, når vi træffer en beslutning i hverdagen ved at tænke over, hvad der skete sidste gang, eller hvad der vil ske, hvis vi vælger en bestemt mulighed. Det er intet andet end at analysere vores fortid eller fremtid og træffe beslutninger på baggrund af den, indsamle minder om fortiden eller forventninger til fremtiden. En analytiker gør det samme i forretningsøjemed, og det kaldes dataanalyse.

Dataanalyse ligger inden for det bredere felt af data, Science, som også dækker data engineering, maskinlæring og implementering.

Hvorfor er dataanalyse vigtig?

For at vækste din virksomhed, og endda for at vokse i dit liv, er alt, hvad du nogle gange behøver at gøre, analyse.

Hvis din virksomhed ikke vokser, er du nødt til at se tilbage, erkende dine fejl og lave en plan igen uden at gentage dem. Og selvom din virksomhed vokser, er du nødt til at se frem til at få den til at vokse mere. Alt du skal gøre er at analysere dine forretningsdata og dine forretningsprocesser.

Værktøjer til dataanalyse

Hver fase beskrevet nedenfor udføres med software, og skærmbilledet nedenfor viser den type brugerflade, et analyseværktøj præsenterer.

Dataanalyseværktøjets grænseflade, der viser et datasæt, der er klar til udforskning
Værktøjer til dataanalyse

Dataanalyseværktøjer gør det nemmere for brugerne at behandle og manipulere data, analysere relationer og korrelationer mellem datasæt og identificere mønstre og tendenser til fortolkning. Regneark dækker små datasæt, SQL-forespørger datalageret, Python og R håndterer statistik og modellering, og business intelligence-platforme offentliggør resultatet på et dashboard. Her er en komplet liste over værktøjer brugt i forskning.

Typer af dataanalyse: Teknikker og metoder

Der er flere typer af dataanalyse teknikker, der findes baseret på forretning og teknologi. De vigtigste dataanalysemetoder er dog:

  • Tekstanalyse
  • Statistisk analyse
  • Diagnostisk analyse
  • Forudsigende analyse
  • Præskriptiv analyse

De fem bygger på hinanden. Tabellen nedenfor viser det spørgsmål, som hver enkelt svarer på, før de følgende afsnit forklarer dem individuelt.

Teknik Spørgsmål det besvarer Typisk output
Tekstanalyse Hvilke mønstre gemmer sig i ustruktureret tekst? Temaer, søgeord, udvundne regler
Statistisk analyse Hvad skete der? Dashboards, opsummerende statistikker
Diagnostisk analyse Hvorfor skete det? Grundlæggende årsager, adfærdsmønstre
Forudsigende analyse Hvad vil der sandsynligvis ske? Prognoser, risikoscorer
Præskriptiv analyse Hvad skal vi gøre ved det? Anbefalede handlinger

RELATEREDE ARTIKLER

Tekstanalyse

Tekstanalyse kaldes også data mining. Det er en af ​​de metoder til dataanalyse, der bruges til at opdage et mønster i store datasæt ved hjælp af databaser eller data mining værktøjerDet omdanner rådata til forretningsinformation. Business intelligence-værktøjer, der er tilgængelige på markedet, bruges til at træffe strategiske forretningsbeslutninger. Samlet set tilbyder det en måde at ...tracog undersøge data, udlede mønstre og endelig fortolke dataene.

Statistisk analyse

Statistisk analyse viser "Hvad skete der?" ved at bruge tidligere data i form af dashboards. Den omfatter indsamling, analyse, fortolkning, præsentation og modellering af data, og den fungerer på et fuldt datasæt eller på en stikprøve. Der er to kategorier af denne type analyse - beskrivende analyse og inferentiel analyse.

Descriptive Analyse

DescriptIv analyse opsummerer komplette data eller en stikprøve af numeriske data. Den rapporterer middelværdien og standardafvigelsen for kontinuerlige data og procenter og hyppigheder for kategoriske data.

Inferentiel analyse

Inferentiel analyse fungerer på en stikprøve trukket fra de komplette data. I denne type analyse kan man nå frem til forskellige konklusioner fra den samme population ved at udvælge forskellige stikprøver.

Diagnostisk Analyse

Diagnostisk analyse viser "Hvorfor skete det?" ved at finde årsagen bag den indsigt, der findes i statistisk analyse. Denne analyse er nyttig til at identificere adfærdsmønstre i data. Hvis der opstår et nyt problem i din forretningsproces, kan du undersøge denne analyse for at finde lignende mønstre, og der er en god chance for, at en lignende opskrift vil gælde for det nye problem.

Forudsigelig analyse

Prædiktiv analyse viser "Hvad er der sandsynligt, der vil ske?" ved hjælp af tidligere data. Et simpelt eksempel på dataanalyse: Hvis jeg sidste år købte to kjoler baseret på min opsparing, og min løn fordobles i år, så kan jeg købe fire kjoler. Det er selvfølgelig ikke så nemt, fordi man er nødt til at tænke på andre omstændigheder - tøjpriserne kan være steget i år, eller i stedet for kjoler ønsker man sig måske en ny cykel, eller man skal måske købe et hus.

Så denne analyse laver forudsigelser om fremtidige resultater baseret på nuværende eller tidligere data. En prognose er kun et estimat; dens nøjagtighed afhænger af, hvor mange detaljerede oplysninger du har, og hvor dybt du dykker ned i dem.

Præskriptiv Analyse

Præskriptiv analyse kombinerer indsigten fra alle de tidligere analyser for at bestemme, hvilken handling der skal foretages på et aktuelt problem eller en aktuel beslutning. De fleste datadrevne virksomheder bruger præskriptiv analyse, fordi prædiktiv og beskrivende analyse alene ikke er nok til at forbedre datapræstationen. Baseret på aktuelle situationer og problemer analyserer de dataene og træffer beslutninger.

Dataanalyseproces

Valg af teknik besvarer det, du ønsker at vide; processen nedenfor besvarer, hvordan arbejdet udføres. dataanalyseproces indsamler information ved hjælp af en passende applikation eller et værktøj, der giver dig mulighed for at udforske dataene og finde et mønster i dem. Baseret på disse oplysninger kan du træffe beslutninger eller nå frem til konklusioner.

Dataanalyse består af følgende faser:

  • Indsamling af datakrav
  • Dataindsamling
  • Datarengøring
  • Dataanalyse
  • Datatolkning
  • Data visualisering

Indsamling af datakrav

Først og fremmest skal du tænke over, hvorfor du vil lave denne dataanalyse. Du skal finde formålet eller målet med at analysere dataene og beslutte, hvilken type dataanalyse du vil køre. I denne fase beslutter du, hvad du vil analysere, og hvordan du vil måle det, og du præciserer, hvorfor du undersøger, og hvilke målinger analysen vil bruge.

Dataindsamling

Efter kravindsamlingen vil du have en klar idé om, hvad du skal måle, og hvad dine resultater bør være. Nu er det tid til at indsamle data baseret på disse krav. Når dataene er indsamlet, skal de bearbejdes eller organiseres til analyse. Da dataene kommer fra forskellige kilder, skal du føre en log med indsamlingsdatoen og kilden til hvert datasæt.

Data Rengøring

De indsamlede data er muligvis ikke nyttige eller irrelevante for dit mål, så de skal renses. Indsamlede data kan indeholde dubletter, løse hvide mellemrum eller fejl. Dataene skal være rene og fejlfri. Denne fase skal udføres før analyse, fordi kvaliteten af ​​rensningen afgør, hvor tæt outputtet er på det forventede resultat.

Dataanalyse

Når dataene er indsamlet, renset og bearbejdet, er de klar til analyse. Efterhånden som du manipulerer dataene, kan du opdage, at du har præcis de oplysninger, du har brug for, eller du kan have brug for at indsamle flere. I denne fase bruger du dataanalysesoftware til at forstå, fortolke og udlede konklusioner baseret på kravene.

Datatolkning

Når du har analyseret dine data, er det endelig tid til at fortolke resultaterne. Du kan vælge, hvordan du vil udtrykke eller kommunikere analysen – tydeligt i ord, som en tabel eller et diagram. Brug derefter resultaterne af din dataanalyseproces til at beslutte, hvilken fremgangsmåde du bedst kan følge.

Datavisualisering

Datavisualisering er meget almindeligt i hverdagen, og det fremstår ofte som diagrammer og grafer. Med andre ord vises dataene grafisk, så den menneskelige hjerne finder det lettere at forstå og bearbejde dem. Datavisualisering bruges ofte til at opdage ukendte fakta og tendenser. Ved at observere sammenhænge og sammenligne datasæt kan man finde meningsfuld information frem.

Ofte Stillede Spørgsmål

Dataanalyse undersøger et eksisterende datasæt for at besvare et defineret spørgsmål. Dataanalyse er den bredere disciplin omkring det - indsamling, lagring, modellering og operationalisering af data. I daglig brug behandles de to udtryk ofte som synonymer.

Kvantitativ analyse arbejder med tal og besvarer hvor mange, hvor ofte og hvor meget gennem statistiske tests. Kvalitativ analyse arbejder med ord, billeder og observationer fra interviews eller åbne svar og forklarer mening og kontekst snarere end størrelsesorden.

Eksplorativ dataanalyse er det første åbne kig på et datasæt: fordelinger, manglende værdier, outliers og parvise relationer, primært gennem hurtige plots. Den former de hypoteser, du senere tester formelt, så den udføres, før nogen model tilpasses.

Reelle data ankommer med dubletter, inkonsistente koder, blandede datoformater og manglende felter, og hver kilde tilføjer sine egne særheder. Hver af disse fejl forplanter sig til resultatet, så analytikere bruger rutinemæssigt den største del af et projekt på at forberede data.

SQL til at trække data, et regneark til hurtige kontroller, Python or R til statistik og ét visualiseringsværktøj. Ud over værktøjerne har en analytiker brug for domæneviden og evnen til at forklare et fund til folk, der aldrig ser koden.

Aflæsning af korrelation som årsagssammenhæng, stikprøveudtagning af en gruppe, der ikke repræsenterer populationen, dropping ubelejlige outliers uden grund og afprøvning af mange hypoteser, indtil én ser signifikant ud. At registrere hver beslutning på forhånd beskytter mod de fleste af dem.

AI-funktioner findes nu i de fleste analyseværktøjer: de profilerer et datasæt, foreslår rensningsregler, skriver forespørgsler ud fra et letforståeligt spørgsmål og udarbejder resuméet. De accelererer. machine learning arbejde, men analytikeren ejer stadig fortolkningen.

Ja. GitHub Copilot fuldfører pandas, dplyr og SQL-sætninger fra en kommentar, der beskriver målet, hvilket fjerner det meste af standardteksten. Posit advarer om, at forslag ikke er deterministiske, så gennemgå hver genereret linje, før du stoler på et tal.

Opsummer dette indlæg med: