Vad är dataanalys? Forskning, typer och exempel

Vad är dataanalys?

Dataanalys definieras som en process för att rengöra, omvandla och modellera data för att upptäcka användbar information för affärsbeslutsfattande. Syftet med dataanalys är att extracanvändbar information från data och fatta ett beslut baserat på den analysen.

Ett enkelt exempel på dataanalys sker när vi fattar ett beslut i vardagen genom att tänka på vad som hände förra gången, eller vad som kommer att hända om vi väljer ett visst alternativ. Det är inget annat än att analysera vårt förflutna eller vår framtid och fatta beslut utifrån det, samla minnen från det förflutna eller förväntningar på framtiden. En analytiker gör samma sak i affärssyfte, och det kallas dataanalys.

Dataanalys ligger inom det bredare området Data Science, vilket även omfattar datateknik, maskininlärning och driftsättning.

Varför är dataanalys viktigt?

För att få ditt företag att växa, och till och med för att växa i ditt liv, behöver du ibland bara analysera.

Om ditt företag inte växer måste du se tillbaka, erkänna dina misstag och göra en ny plan utan att upprepa dem. Och även om ditt företag växer måste du se fram emot att få det att växa mer. Allt du behöver göra är att analysera dina affärsdata och dina affärsprocesser.

Dataanalysverktyg

Varje fas som beskrivs nedan utförs med programvara, och skärmdumpen nedan visar vilken typ av gränssnitt ett analysverktyg presenterar.

Dataanalysverktyg gör det enklare för användare att bearbeta och manipulera data, analysera relationer och korrelationer mellan datamängder och identifiera mönster och trender för tolkning. Kalkylblad täcker små datamängder, SQL-frågor till datalagret, Python och R hantera statistik och modellering, och business intelligence-plattformar publicerar resultatet till en instrumentpanel. Här är en komplett lista över verktyg används i forskning.

Typer av dataanalys: Tekniker och metoder

Det finns flera typer av dataanalys tekniker som finns baserade på affärsverksamhet och teknologi. De viktigaste dataanalysmetoderna är dock:

• Textanalys
• Statistisk analys
• Diagnostisk analys
• Prediktiv analys
• Preskriptiv analys

De fem bygger på varandra. Tabellen nedan visar vilken fråga var och en besvarar innan de följande avsnitten förklarar dem individuellt.

Teknik	Fråga den svarar	Typisk utgång
Textanalys	Vilka mönster döljer sig i ostrukturerad text?	Teman, nyckelord, utvalda regler
Statistisk analys	Vad hände?	Instrumentpaneler, sammanfattande statistik
Diagnostisk analys	Varför hände det?	Grundorsaker, beteendemönster
Prediktiv analys	Vad är troligt att hända?	Prognoser, riskpoäng
Preskriptiv analys	Vad ska vi göra åt det?	Rekommenderade åtgärder

Textanalys

Textanalys kallas även data mining. Det är en av de metoder inom dataanalys som används för att upptäcka ett mönster i stora datamängder med hjälp av databaser eller verktyg för datautvinningDen omvandlar rådata till affärsinformation. Verktyg för affärsintelligens som finns tillgängliga på marknaden används för att fatta strategiska affärsbeslut. Sammantaget erbjuder den ett sätt att extracoch undersöka data, härleda mönster och slutligen tolka data.

Statistisk analys

Statistisk analys visar "Vad hände?" genom att använda tidigare data i form av dashboards. Den inkluderar insamling, analys, tolkning, presentation och modellering av data, och den fungerar på en fullständig datamängd eller på ett urval. Det finns två kategorier av denna typ av analys - deskriptiv analys och inferentiell analys.

Descriptive analys

DescriptIv analys sammanfattar fullständiga data eller ett urval av numeriska data. Den rapporterar medelvärde och standardavvikelse för kontinuerliga data, och procenttal och frekvenser för kategoriska data.

Inferentiell analys

Inferentiell analys arbetar med ett urval som dras från den kompletta datan. I den här typen av analys kan man dra olika slutsatser från samma population genom att välja olika urval.

Diagnostisk analys

Diagnostisk analys visar "Varför hände det?" genom att hitta orsaken bakom insikten som finns i statistisk analys. Denna analys är användbar för att identifiera beteendemönster i data. Om ett nytt problem uppstår i din affärsprocess kan du titta på denna analys för att hitta liknande mönster, och det finns en god chans att ett liknande recept kommer att gälla för det nya problemet.

Prediktiv analys

Prediktiv analys visar "Vad är det troligt som kommer att hända?" genom att använda tidigare data. Ett enkelt exempel på dataanalys: om jag förra året köpte två klänningar baserat på mina besparingar, och i år fördubblas min lön, då kan jag köpa fyra klänningar. Naturligtvis är det inte så lätt, eftersom man måste tänka på andra omständigheter - klädpriserna kan ha stigit i år, eller istället för klänningar kanske du vill ha en ny cykel, eller så kanske du behöver köpa ett hus.

Så den här analysen gör förutsägelser om framtida utfall baserat på aktuell eller tidigare data. En prognos är bara en uppskattning; dess noggrannhet beror på hur mycket detaljerad information du har och hur djupt du gräver i den.

Preskriptiv analys

Preskriptiv analys kombinerar insikten från alla tidigare analyser för att avgöra vilken åtgärd som ska vidtas utifrån ett aktuellt problem eller beslut. De flesta datadrivna företag använder preskriptiv analys eftersom prediktiv och deskriptiv analys ensamt inte räcker för att förbättra dataprestanda. Baserat på aktuella situationer och problem analyserar de data och fattar beslut.

Dataanalysprocess

Att välja en teknik svarar på det du vill veta; processen nedan svarar på hur arbetet går till. dataanalysprocess samlar in information med hjälp av en lämplig applikation eller ett verktyg som låter dig utforska informationen och hitta ett mönster i den. Baserat på den informationen kan du fatta beslut eller dra slutsatser.

Dataanalysen består av följande faser:

• Insamling av datakrav
• Datainsamling
• Datarengöring
• Dataanalys
• Datatolkning
• Datavisualisering

Insamling av datakrav

Först och främst, fundera över varför du vill göra denna dataanalys. Du behöver hitta syftet eller målet med att analysera data och bestämma vilken typ av dataanalys du vill köra. I den här fasen bestämmer du vad du ska analysera och hur du ska mäta det, och du klargör varför du undersöker och vilka mått analysen kommer att använda.

Datainsamling

Efter kravinsamlingen har du en tydlig uppfattning om vad du behöver mäta och vad dina resultat bör vara. Nu är det dags att samla in data baserat på dessa krav. När data har samlats in måste de bearbetas eller organiseras för analys. Eftersom data kommer från olika källor, för en logg med insamlingsdatum och källan för varje datamängd.

Rengöring av data

Oavsett vilken data som samlas in är den kanske inte användbar eller irrelevant för ditt syfte, så den måste rensas. Insamlad data kan innehålla dubbletter, lösa tomma utrymmen eller fel. Informationen ska vara ren och felfri. Denna fas måste göras före analysen, eftersom kvaliteten på rensningen avgör hur nära resultatet är ditt förväntade resultat.

Dataanalys

När informationen är insamlad, rengjord och bearbetad är den redo för analys. När du manipulerar informationen kan du upptäcka att du har exakt den information du behöver, eller så kan du behöva samla in mer. Under den här fasen använder du dataanalysprogramvara för att förstå, tolka och dra slutsatser baserat på kraven.

Datatolkning

Efter att du har analyserat dina data är det äntligen dags att tolka resultaten. Du kan välja hur du vill uttrycka eller kommunicera analysen – enkelt i ord, eller som en tabell eller ett diagram. Använd sedan resultaten av din dataanalysprocess för att bestämma din bästa handlingsplan.

Datavisualisering

Datavisualisering är mycket vanligt i vardagen och visas ofta som diagram och grafer. Med andra ord visas data grafiskt så att den mänskliga hjärnan lättare kan förstå och bearbeta dem. Datavisualisering används ofta för att upptäcka okända fakta och trender. Genom att observera samband och jämföra datamängder kan man få fram meningsfull information.

Vanliga frågor