Utforska dataanalys
Dataanalys handlar om att undersöka, transformera och ordna data så att du kan studera dem och utvinna användbar information. Dataanalys är ett ämne som omfattar i princip alla datahanteringsaktiviteter. Det handlar inte bara analys utan även datainsamling, organisering, lagring och alla verktyg och tekniker som används.
Termen dataanalys är ett brett begrepp som omfattar flera olika aktiviteter med eget fokus och syfte. Du kan kategorisera de här aktiviteterna som beskrivande, diagnostisk, förutsägande, förebyggande och kognitiv analys.
I den här lektionen går vi igenom de här kategorierna av dataanalys.
Beskrivande analys
Beskrivande analys gör det enklare att besvara frågor om händelser baserat på historiska data. Teknikerna för beskrivande analys sammanfattar stora datamängder för att beskriva resultatet för intressenter.
Genom utveckling av KPI:er (nyckeltal) kan dessa strategier bidra till att spåra om viktiga mål har uppnåtts eller inte. Mätvärden som avkastning på investeringar (ROI) används i många branscher. Specialiserade mätvärden tas fram för att spåra prestanda i specifika branscher.
Exempel på beskrivande analys är att generera rapporter för att ge en översikt över företagets försäljnings- och finansdata.
Diagnostisk analys
Diagnostisk analys hjälper till att besvara frågor om varför saker hänt. Diagnostiska analystekniker kompletterar mer grundläggande, beskrivande analys. De tar resultaten från beskrivande analys och gräver djupare för att hitta orsaken. Prestandaindikatorerna undersöks ytterligare för att identifiera varför de förbättrats eller försämrats. Detta sker vanligtvis i tre steg:
- Identifiera avvikelser i data. Det kan vara oväntade förändringar i ett mätvärde eller en specifik marknad.
- Samla in data som är relaterade till avvikelserna.
- Använda statistiska tekniker för att identifiera relationer och trender som förklarar dessa avvikelser.
Förutsägelseanalys
Förutsägelseanalys bidrar till att besvara frågor om vad som händer i framtiden. Tekniker för förutsägelseanalys använder historiska data för att identifiera trender och ta reda på om de är sannolika att upprepas. Verktyg för förutsägelseanalys ger värdefulla insikter om vad som kan ske i framtiden. Bland teknikerna finns en mängd olika statistiska tekniker och maskininlärningstekniker, till exempel neurala nätverk, beslutsträd och regression.
Förebyggande analys
Förutsägelseanalyser hjälper dig att få svar på frågor om vilka åtgärder du bör vidta för att uppnå ett mål. Genom att använda insikter från förutsägelseanalys kan du fatta datadrivna beslut. Tekniken gör det möjligt för företag att fatta välgrundade beslut i osäkra lägen. Tekniker för förebyggande analyser är beroende av maskininlärningsstrategier för att hitta mönster i stora datamängder. Genom att analysera tidigare beslut och händelser kan du uppskatta sannolikheten för olika resultat.
Kognitiv analys
Kognitiv analys försöker dra slutsatser från befintliga data och mönster, härleda slutsatser baserade på befintliga kunskapsbaser och sedan lägga till resultaten i kunskapsbasen för framtida slutsatsdragning, som en självlärande feedbackslinga. Kognitiv analys hjälper dig att lära dig vad som kan hända om omständigheterna ändras och hur du kan hantera dessa situationer.
Slutsatsdragningar är inte strukturerade frågor som baseras på en regeldatabas utan snarare ostrukturerade hypoteser som samlats in från ett antal olika källor och uttrycks med varierande grader av konfidens. Effektiv kognitiv analys är beroende av maskininlärningsalgoritmer. Den använder flera NLP-koncept (Natural Language Processing, naturlig språkbearbetning) för att tolka tidigare outnyttjade datakällor, till exempel konversationsloggar från kundtjänst och produktgranskningar.
I teorin finns det ingen riktig gräns för de här systemens kognitiva utveckling tack vare massivt parallella/distribuerade beräkningar och de allt lägre priserna för datalagring och bearbetning.