Data analyse er processen med at evaluere data ved hjælp af analytiske og statistiske værktøjer til at opdage nyttige oplysninger og hjælp til beslutningstagning i erhvervslivet. Der findes en række data analysemetoder, herunder data mining, tekstanalyse, business intelligence og data visualisering.
Hvordan udføres dataanalyse?
Dataanalyse er en del af en større proces med at udlede business intelligence. Processen omfatter et eller flere af følgende trin:
- Definere mål: Enhver undersøgelse skal begynde med et sæt klart definerede forretningsmål. Meget af de beslutninger, der træffes i resten af processen, afhænger af, hvor klart målene for undersøgelsen er blevet angivet.
- Stillingsspørgsmål: Der sættes et forsøg på at stille et spørgsmål i problemområdet. F.eks. Kommer røde sportsvogne oftere i ulykker end andre?
- Dataopsamling: Data, der er relevante for spørgsmålet, skal indsamles fra de relevante kilder. I eksemplet ovenfor kan data indsamles fra en række forskellige kilder, herunder: DMV- eller politiulykkesrapporter, forsikringsanmodninger og indlæggelsesoplysninger. Når data indsamles ved hjælp af surverys, er der behov for et spørgeskema, der skal forelægges for fagene. Spørgsmålene skal udformes hensigtsmæssigt for den statistiske metode, der anvendes.
- Data Wrangling: Rå data kan indsamles i flere forskellige formater. De indsamlede data skal rengøres og konverteres, så dataanalyseværktøjer kan importere det. For vores eksempel kan vi modtage DMV-ulykkesrapporter som tekstfiler, forsikringsanmodninger fra en relationel database og indlæggelsesoplysninger som API. Dataanalytikeren skal aggregere disse forskellige dataformer og konvertere den til en form, der er egnet til analyseværktøjerne.
- Dataanalyse: Dette er det trin, hvor de rensede og aggregerede data importeres til analyseværktøjer. Disse værktøjer giver dig mulighed for at udforske dataene, finde mønstre i det og spørge og svare på hvad-hvis spørgsmål. Dette er den proces, hvormed der gives mening om data indsamlet i forskning ved korrekt anvendelse af statistiske metoder.
- Tegnings konklusioner og forudsigelser: Dette er et trin, hvor der efter tilstrækkelig analyse kan drages konklusioner fra dataene og passende forudsigelser kan foretages. Disse konklusioner og forudsigelser kan derefter opsummeres i en rapport leveret til slutbrugerne.
Lad os nu se nærmere på metoderne til dataanalyse i særdeleshed.
Data Mining
Data mining er en metode til dataanalyse til at opdage mønstre i store datasæt ved hjælp af metoderne Sådan bliver en datavidenskab Sådan bliver en datavidenskab Datavidenskab er gået fra en nybegyndet periode i 2007 til at være en af de mest eftertragtede discipliner i dag. Men hvad gør en datavidenskabsmand? Og hvordan kan du bryde ind i marken? Læs mere om statistik, kunstig intelligens, maskinindlæring og databaser. Målet er at omdanne rå data til forståelig forretningsinformation. Disse kan omfatte identificerende grupper af dataposter (også kendt som klyngeanalyse) eller identificere anomolier og afhængigheder mellem datagrupper.
Anvendelser af data mining:
- Anomoly detektion kan behandle store mængder data ("store data") og automatisk identificere outlier sager, muligvis udelukkelse fra beslutningstagning eller afsløring af svig (fx bank bedrageri).
- Lære kundes købsvaner. Maskinindlæringsteknikker kan bruges til at modellere kundekøbsvaner og bestemme ofte købte genstande.
- Clustering kan identificere tidligere ukendte grupper inden for dataene.
- Klassificering bruges til automatisk at klassificere dataindtastninger i forud specificerede placeringer. Et almindeligt eksempel er at klassificere e-mail-meddelelser som "spam" eller "non-spam" og få systemet til at lære af brugeren.
Tekst Analytics
Tekstanalyse er processen med at udlede nyttig information fra tekst. Det opnås ved at behandle ustruktureret tekstinformation, udtrække meningsfuld numerisk lagretid med tekstoperationer i Excel. Spar tid med tekstoperationer i Excel Excel kan gøre magi med tal og det kan håndtere tegn lige så godt. Denne vejledning viser, hvordan du analyserer, konverterer, erstatter og redigerer tekst i regneark. Disse grundlæggende grunde giver dig mulighed for at udføre komplekse transformationer. Læs flere indekser fra oplysningerne og still informationen til rådighed for statistiske og maskinlærende algoritmer til videre behandling.
Tekstudvindingsprocessen omfatter et eller flere af følgende trin:
- Indsamling af oplysninger fra forskellige kilder, herunder web, filsystem, database osv.
- Lingvistisk analyse, herunder naturlig sprogbehandling.
- Mønstergenkendelse (f.eks. Genkendelse af telefonnumre, e-mailadresser osv.)
- Uddrag af summariske oplysninger fra teksten, som f.eks. Relative frekvenser af ordene, bestemmelse af ligheder mellem dokumenter mv.
Eksempler på tekstanalyseprogrammer:
- Analyse af åbne undersøgelser svar. Disse undersøgelser er af sonderende karakter og omfatter åbne spørgsmål relateret til emnet i spørgsmålet. Respondenterne kan så udtrykke deres synspunkter uden at være begrænset til et bestemt responsformat.
- Analyse af e-mails, dokumenter osv. For at filtrere ud "junk". Dette omfatter også automatisk klassificering af meddelelser i foruddefinerede bakker til rutning til forskellige afdelinger.
- Undersøg konkurrenter ved at gennemgå deres hjemmesider. Dette kunne bruges til at udlede oplysninger om konkurrenters aktiviteter.
- Sikkerhedsapplikationer, der kan behandle logfiler til indtrængningsdetektering.
Business Intelligence
Business Intelligence Sådan bruges Cortana til at analysere data med Power BI Sådan bruges Cortana til at analysere data med Power BI Er du ivrig efter at forenkle din dataanalyse? Få hurtige svar fra Cortana med denne vejledning. Read More omdanner data til brugbar intelligens til erhvervsmæssige formål og kan bruges i en organisations strategiske og taktiske beslutningsproces. Det giver folk mulighed for at undersøge trends fra indsamlede data og udlede indsigter fra det.
Nogle eksempler på business intelligence i brugt i dag:
- En organisations driftsbeslutninger som produktplacering og prissætning.
- Identifikation af nye markeder, vurdering af produktets efterspørgsel og egnethed til forskellige markedssegmenter.
- Budgettering og rullende prognoser.
- Brug af visuelle værktøjer som varmekort, pivottabeller og geografisk kortlægning.
Datavisualisering
Datavisualisering Øjeblikkeligt visualiser data og information med Google Fusion Tables Vis øjeblikkeligt data og information med Google Fusion Tables Uanset om du sammensætter en rapport til arbejde, eller du bare vil repræsentere oplysninger på din blog på en grafisk måde, kan Google Fusion Tables Hjælp. Google Fusion er faktisk en funktion indlejret i ... Læs mere refererer ganske enkelt til den visuelle repræsentation af data. I forbindelse med dataanalyse betyder det at bruge værktøjerne til statistik, sandsynlighed, pivottabeller og andre artefakter til at præsentere data visuelt. Det gør komplekse data mere forståelige og anvendelige.
Stigende mængder data genereres af en række sensorer i miljøet (kaldet "Things of Things" eller "IOT"). Disse data (omtalt som "store data") præsenterer udfordringer i forståelse, som kan lindres ved at bruge værktøjerne til data visualisering. Datavisualisering anvendes i følgende applikationer.
- Uddrag af summariske data fra de rå data fra IOT.
- Brug et stregdiagram til at repræsentere salgsydelsen over flere kvartaler.
- Et histogram viser fordeling af en variabel som indkomst ved at dividere området i bakker.
Dataanalyse i gennemgang
Data analyse bruges til at evaluere data med statistiske værktøjer for at finde nyttige oplysninger. En række forskellige metoder bruges til dette formål, herunder data minedrift, tekstanalyse, business intelligence og data visualisering.
Har du brugt dataanalyse i din organisation til at modelere noget? Hvordan var din oplevelse? Har du nogen nyttige indsigter at byde på? Lad os vide det i kommentarerne nedenfor.