Mitä on data-analyysi? Tutkimus, tyypit ja esimerkki

⚡ Älykäs yhteenveto

Data-analyysi on prosessi, jossa dataa puhdistetaan, muunnetaan ja mallinnetaan, jotta organisaatio voi analysoida sitä.trachyödyllistä tietoa ja toimi sen pohjalta. Viisi tekniikkaa ja kuusivaiheinen työnkulku jäsentävät työtä.

🔘 Määritelmä: Raakadatietueiden puhdistaminen, muuntaminen ja mallintaminen liiketoimintapäätöksiä tukevaksi tiedoksi.
☑️ Viisi tekniikkaa: Teksti-, tilastollinen, diagnostinen, ennustava ja ohjaava analyysi vastaavat asteittain vaikeampiin kysymyksiin.
✅ Kysymystikkaat: Jokainen tekniikka siirtyy tapahtuneesta siihen, miksi, mikä on todennäköistä ja mitä tehdä.
🧪 Kuusi vaihetta: Vaatimusten kerääminen, kerääminen, puhdistaminen, analysointi, tulkinta ja visualisointi tapahtuvat järjestyksessä.
🛠️ työkalut: Taulukkolaskentaohjelmat, SQL, PythonR- ja liiketoimintatiedon alustat kattavat suurimman osan analyysityökuormista.
⚠️ Tiedon laatu: Kaksoiskappaleet, tyhjät kentät ja satunnaiset välilyönnit vääristävät kaikkia loppupään tuloksia.

Lue lisää

Mikä on data -analyysi?

Tietojen analysointi määritellään prosessiksi, jossa dataa puhdistetaan, muunnetaan ja mallinnetaan hyödyllisen tiedon löytämiseksi liiketoiminnan päätöksentekoa varten. Data-analyysin tarkoituksena on selvittäätrachyödyllistä tietoa datasta ja tee päätös kyseisen analyysin perusteella.

Yksinkertainen esimerkki data-analyysistä tapahtuu, kun teemme jokapäiväisessä elämässä päätöksen miettimällä, mitä tapahtui viimeksi tai mitä tapahtuu, jos valitsemme tietyn vaihtoehdon. Se ei ole muuta kuin menneisyyden tai tulevaisuuden analysointia ja päätöksentekoa sen perusteella, menneisyyden muistojen keräämistä tai tulevaisuuden odotusten keräämistä. Analyytikko tekee samaa liiketoimintatarkoituksiin, ja sitä kutsutaan data-analyysiksi.

Data-analyysi sijoittuu laajempaan kenttään data Science, joka kattaa myös datatekniikan, koneoppimisen ja käyttöönoton.

Miksi data-analyysi on tärkeää?

Kasvattaaksesi liiketoimintaasi ja jopa kasvaaksesi elämässäsi, joskus sinun tarvitsee vain analysoida.

Jos yrityksesi ei kasva, sinun on katsottava taaksepäin, tunnustettava virheesi ja tehtävä uusi suunnitelma toistamatta niitä. Ja vaikka yrityksesi kasvaisikin, sinun on katsottava eteenpäin ja pyrittävä kasvattamaan sitä lisää. Sinun tarvitsee vain analysoida liiketoimintatietojasi ja liiketoimintaprosessejasi.

Tietojen analysointityökalut

Jokainen alla kuvattu vaihe suoritetaan ohjelmistolla, ja alla oleva kuvakaappaus näyttää, millaisen käyttöliittymän analyysityökalu tarjoaa.

Data-analyysityökalun käyttöliittymä, jossa näkyy tutkittavaksi valmis datajoukko — Tietojen analysointityökalut

Data-analyysityökalut helpottavat käyttäjien datan käsittelyä ja manipulointia, datajoukkojen välisten suhteiden ja korrelaatioiden analysointia sekä tulkinnanvaraisten mallien ja trendien tunnistamista. Taulukkolaskentaohjelmat kattavat pienet datajoukot, SQL-kyselyt tietovarastolle, Python ja R käsittelevät tilastoja ja mallinnusta, ja liiketoimintatiedon alustat julkaisevat tulokset kojelautaan. Tässä on täydellinen luettelo työkalut käytetään tutkimuksessa.

Tietojen analysoinnin tyypit: tekniikat ja menetelmät

On olemassa useita data-analyysin tyypit liiketoimintaan ja teknologiaan perustuvia tekniikoita. Tärkeimmät data-analyysimenetelmät ovat kuitenkin:

Tekstianalyysi
Tilastollinen analyysi
Diagnostinen analyysi
Ennakoiva analyysi
Preskriptiivinen analyysi

Nämä viisi rakentuvat toistensa varaan. Alla oleva taulukko näyttää kysymykset, joihin kukin vastaa, ennen kuin seuraavat osiot selittävät ne erikseen.

Tekniikka	Kysymys, johon se vastaa	Tyypillinen teho
Tekstianalyysi	Mitä kaavoja piilee jäsentämättömässä tekstissä?	Teemat, avainsanat, louhitut säännöt
Tilastollinen analyysi	Mitä tapahtui?	Kojelaudat, yhteenvetotilastot
Diagnostinen analyysi	Miksi se tapahtui?	Perimmäiset syyt, käyttäytymismallit
Ennakoiva analyysi	Mitä todennäköisesti tapahtuu?	Ennusteet, riskipisteet
Preskriptiivinen analyysi	Mitä meidän pitäisi tehdä asialle?	Suositellut toimet

Tekstianalyysi

Tekstianalyysiä kutsutaan myös tiedonlouhinnaksi. Se on yksi data-analyysimenetelmistä, joita käytetään säännönmukaisuuden löytämiseen suurista tietojoukoista tietokantojen tai muiden menetelmien avulla. tiedon louhinnan työkalutSe muuntaa raakadatan liiketoimintatiedoksi. Markkinoilla saatavilla olevia liiketoimintatiedon työkaluja käytetään strategisten liiketoimintapäätösten tekemiseen. Kaiken kaikkiaan se tarjoaa keinon kokeillatracja tutkia dataa, johtaa malleja ja lopuksi tulkita dataa.

Tilastollinen analyysi

Tilastollinen analyysi osoittaa "Mitä tapahtui?" käyttämällä aiempia tietoja koontinäyttöjen muodossa. Se sisältää tiedon keräämisen, analysoinnin, tulkinnan, esittämisen ja mallintamisen, ja se toimii koko tietojoukon tai otoksen parissa. Tämän tyyppisiä analyysejä on kaksi: kuvaileva analyysi ja päättelevä analyysi.

Descriptive analyysi

DescriptIive-analyysi tiivistää täydellisen datan tai numeerisen datan otoksen. Se raportoi jatkuvan datan keskiarvon ja keskihajonnan sekä kategorisen datan prosenttiosuudet ja frekvenssit.

Päätelmäanalyysi

Päättelyanalyysi toimii otoksen perusteella, joka on otettu koko datasta. Tällaisessa analyysissä voit päästä erilaisiin johtopäätöksiin samasta populaatiosta valitsemalla erilaisia otoksia.

Diagnostinen analyysi

Diagnostinen analyysi osoittaa "Miksi se tapahtui?" löytämällä tilastollisessa analyysissä löydetyn tiedon taustalla olevan syyn. Tämä analyysi on hyödyllinen datan käyttäytymismallien tunnistamisessa. Jos liiketoimintaprosessiisi ilmenee uusi ongelma, voit tutkia tätä analyysia löytääksesi samankaltaisia malleja, ja on hyvät mahdollisuudet, että samanlainen resepti soveltuu uuteen ongelmaan.

Ennustava analyysi

Ennustava analyysi näyttää "Mitä todennäköisesti tapahtuu?" käyttämällä aiempia tietoja. Yksinkertainen esimerkki data-analyysistä: jos viime vuonna ostin kaksi mekkoa säästöilläni ja tänä vuonna palkkani kaksinkertaistuu, voin ostaa neljä mekkoa. Se ei tietenkään ole niin helppoa, koska on ajateltava muita olosuhteita – vaatteiden hinnat ovat saattaneet nousta tänä vuonna, mekkojen sijaan saatat haluta uuden pyörän tai sinun on ehkä ostettava talo.

Joten tämä analyysi tekee ennusteita tulevista tuloksista nykyisen tai menneen datan perusteella. Ennuste on vain arvio; sen tarkkuus riippuu siitä, kuinka paljon yksityiskohtaista tietoa sinulla on ja kuinka syvällisesti sitä tutkit.

Preskriptiivinen analyysi

Määräävä analyysi yhdistää kaikkien aiempien analyysien tulokset sen määrittämiseksi, mihin toimiin nykyisen ongelman tai päätöksen suhteen kannattaa ryhtyä. Useimmat datalähtöiset yritykset käyttävät määräavaa analyysia, koska pelkkä ennustava ja kuvaileva analyysi ei riitä parantamaan datan suorituskykyä. Nykyisten tilanteiden ja ongelmien perusteella ne analysoivat dataa ja tekevät päätöksiä.

Tietojen analysointiprosessi

Tekniikan valitseminen vastaa siihen, mitä haluat tietää; alla oleva prosessi vastaa siihen, miten työ suoritetaan. tietojen analysointiprosessi on tiedon keräämistä asianmukaisen sovelluksen tai työkalun avulla, jonka avulla voit tutkia tietoja ja löytää niistä säännönmukaisuuksia. Näiden tietojen perusteella voit tehdä päätöksiä tai päätyä johtopäätöksiin.

Data-analyysi koostuu seuraavista vaiheista:

Tietojen kerääminen
Tietojen keruu
Tietojen puhdistus
Tietojen analysointi
Tietojen tulkinta
Tietojen visualisointi

Tietovaatimusten kerääminen

Mieti ensin, miksi haluat tehdä tämän data-analyysin. Sinun on selvitettävä data-analyysin tarkoitus ja päätettävä, minkä tyyppistä data-analyysia haluat suorittaa. Tässä vaiheessa päätät, mitä analysoidaan ja miten sitä mitataan, sekä selvennät, miksi tutkit asiaa ja mitä mittareita analyysissä käytetään.

Tiedonkeruu

Vaatimusten keräämisen jälkeen sinulla on selkeä käsitys siitä, mitä sinun on mitattava ja mitkä tulosten tulisi olla. Nyt on aika kerätä tietoja näiden vaatimusten perusteella. Kun tiedot on kerätty, ne on käsiteltävä tai järjestettävä analysointia varten. Koska tiedot tulevat useista lähteistä, pidä lokikirjaa, jossa on keräyspäivämäärä ja jokaisen tietojoukon lähde.

Tietojen puhdistus

Kerätty data ei välttämättä ole hyödyllistä tai merkityksetöntä tavoitteesi kannalta, joten se on puhdistettava. Kerätty data voi sisältää kaksoiskappaleita, irtonaisia välilyöntejä tai virheitä. Datan tulee olla puhdasta ja virheetöntä. Tämä vaihe on tehtävä ennen analyysia, koska puhdistuksen laatu määrää, kuinka lähellä tulos on odotettua tulosta.

Data Analysis

Kun data on kerätty, puhdistettu ja käsitelty, se on valmis analysoitavaksi. Kun käsittelet dataa, saatat huomata, että sinulla on juuri tarvitsemasi tiedot tai sinun on ehkä kerättävä lisää. Tässä vaiheessa käytät data-analyysiohjelmistoa ymmärtääksesi, tulkitaksesi ja tehdäksesi johtopäätöksiä vaatimusten perusteella.

Tietojen tulkinta

Kun olet analysoinut datasi, on vihdoin aika tulkita tuloksia. Voit valita, miten ilmaiset tai viestit analyysin – selkeästi sanoin, taulukkona tai kaaviona. Käytä sitten data-analyysiprosessisi tuloksia päättääksesi parhaan toimintatavan.

Tietojen visualisointi

Datan visualisointi on hyvin yleistä jokapäiväisessä elämässä, ja se näkyy usein kaavioina ja graafeina. Toisin sanoen data esitetään graafisesti, jotta ihmisaivojen on helpompi ymmärtää ja käsitellä sitä. Datan visualisointia käytetään usein tuntemattomien faktojen ja trendien löytämiseen. Tarkkailemalla suhteita ja vertailemalla datajoukkoja voit nostaa esiin merkityksellistä tietoa.

UKK

Data-analyysissä tutkitaan olemassa olevaa datajoukkoa vastatakseen määriteltyyn kysymykseen. Data-analytiikka on sitä ympäröivä laajempi tieteenala – se kerää, tallentaa, mallintaa ja operationalisoi dataa. Arkikielessä näitä kahta termiä pidetään usein keskenään vaihdettavina.

Määrällinen analyysi työskentelee numeroiden kanssa ja vastaa kysymyksiin kuinka monta, kuinka usein ja kuinka paljon tilastollisten testien avulla. Laadullinen analyysi työskentelee sanojen, kuvien ja haastatteluista tai avoimista vastauksista saatujen havaintojen kanssa ja selittää merkityksen ja kontekstin suuruusluokan sijaan.

Tutkiva data-analyysi on ensimmäinen avoin tarkastelu datajoukkoon: jakaumat, puuttuvat arvot, poikkeamat ja parittaiset suhteet, enimmäkseen nopeiden kuvaajien avulla. Se muokkaa myöhemmin muodollisesti testattavia hypoteeseja, joten se tehdään ennen minkään mallin sovittamista.

Todellinen data saapuu kaksoiskappaleiden, epäjohdonmukaisten koodien, sekoittuneiden päivämäärämuotojen ja puuttuvien kenttien kera, ja jokainen lähde lisää omat omituisuutensa. Jokainen näistä vioista leviää tulokseen, joten analyytikot käyttävät rutiininomaisesti suurimman osan projektista datan valmisteluun.

SQL tiedon hakemiseen, taulukkolaskentaohjelma nopeisiin tarkistuksiin, Python or R tilastoja ja yksi visualisointityökalu. Työkalujen lisäksi analyytikko tarvitsee toimialaosaamista ja kykyä selittää löydökset ihmisille, jotka eivät koskaan näe koodia.

Korrelaation tulkitseminen syy-seuraussuhteena, otoksen ottaminen ryhmästä, joka ei edusta populaatiota, pudottamallaping epämukavia poikkeamia ilman syytä ja useiden hypoteesien testaamista, kunnes yksi näyttää merkittävältä. Jokaisen päätöksen kirjaaminen etukäteen suojaa useimmilta näistä.

Tekoälyominaisuudet ovat nyt osa useimpia analyysityökaluja: ne profiloivat tietojoukon, ehdottavat puhdistussääntöjä, kirjoittavat kyselyitä selkokielisestä kysymyksestä ja laativat yhteenvedon. Ne nopeuttavat koneoppiminen työ, mutta analyytikko omistaa silti tulkinnan.

Kyllä. GitHub Copilot täydentää pandas-, dplyr- ja SQL-lausekkeet tavoitetta kuvaavasta kommentista, mikä poistaa suurimman osan vakiomuotoisista ehdotuksista. Posit varoittaa, että ehdotukset eivät ole deterministisiä, joten tarkista jokainen luotettu rivi ennen kuin luotat lukuun.