امروز۹ خرداد ۱۳۹۹
سطوح تجزیه و تحلیل داده ها

سطوح تجزیه و تحلیل داده ها

 انتظار ابهام و استفاده نادرست از اکثر اصطلاحات فنی را می‌توان داشت. کلمات “تجزیه و تحلیل” و “آنالیز” نیز از این قاعده مستثنی نیستند. در بسیاری از مقالات و اخبار، اصطلاحاتی از قبیل “تحلیلی”، “توصیفی” و “پیش‌بینی‌کننده” به کار می‌رود اما این اصطلاحات چگونه با یکدیگر ارتباط دارند و مهم‌تر از همه، چه تفاوت‌هایی دارند؟ لازم به ذکر است که می‌توان تعداد زیادی از انواع تحلیل را شناسایی کرد، در این نوشته، چهار نوع تحلیل بسیار فراگیر و عمومی‌تر از انواع تحلیل‌ها را تحت مدل صعودی گارتنر مورد بررسی قرار می‌گیرد و درکی از سطوح تجزیه و تحلیل داده ها به دست خواهد آمد.

مدل صعود تحلیلی گارتنر

مدل صعود تحلیلی گارتنر برای کمک به توضیح رابطه این نوع تحلیل‌ها در زیر نشان داده شده است. در این مدل می‌توان چهار نوع مختلف از تجزیه و تحلیل داده ها را شناسایی و آن‌ها را از نظر ارزش و سختی رتبه‌بندی کرد. با این وجود توجه داشته باشید که رابطه خطی بین ارزش و سختی برای تسهیل واقعیت در نظر گرفته شده است.

سطوح تجزیه و تحلیل داده ها

مدل صعود تحلیلی گارتنر (گارتنر ، مارس ۲۰۱۲)

.

در چهار بخش بعدی، هر مرحله از تجزیه و تحلیل داده ها به صورت مجزا بیشتر مورد بررسی قرار خواهد گرفت و نمونه‌هایی از آن نشان داده شده است.

تحلیل توصیفی:

تحلیل توصیفی را می‌توان ساده‌ترین شکل تحلیلی مورد بحث در این نوشته توصیف کرد. با این حال، اهمیت آن نباید فراموش شود. از آن‌جا که تجزیه و تحلیل توصیفی اولین گام در یک فرآیند پیچیده است، پایه و اساس محکمی برای تجزیه و تحلیل بیشتر فراهم می‌کند. هدف از تحلیل توصیفی، پاسخ به این سؤال است که چه اتفاقی افتاده است.

به عنوان مثال، یک خرده‌فروش می‌تواند از میانگین حجم فروش روزانه/ هفتگی/ ماهانه خود و یا یک تولیدکننده از متوسط زمان خرابی ماشین‌آلات خود اطلاعاتی کسب کند.

آن‌چه تحلیل توصیفی نمی‌تواند انجام دهد توضیح این است که چرا این اتفاق افتاده است، و فقط آنچه اتفاق افتاده است رابیان می‌کند.

نکته جالب در مورد تجزیه و تحلیل توصیفی این است که با انجام برخی اقدامات ساده مانند محاسبات میانگین، میانه، مد و یا مقادیر مینیمم و ماکسیمم می‌توان به بینش قدرتمندی رسید. برخی از ابزارهای مفید برای تجزیه و تحلیل توصیفی عبارتند از اکسل مایکروسافت، SPSS و STATA.

تحلیل تشخیصی:

پاسخ به این سؤال که چرا چیزی اتفاق می‌افتد با یک قدم بالاتر رفتن از نردبان از تحلیلی توصیفی به سمت تحلیلی تشخیصی، ممکن است. تجزیه و تحلیل تشخیصی با اندازه‌گیری داده‌های تاریخی و مقایسه با سایر داده‌ها، نگاهی عمیق‌تر به آن‌ها می‌اندازد و درنتیجه آن‌ها را بهتر بررسی می‌کند.

برخی از تکنیک‌های متداول در آنالیز تشخیصی شامل کاوش عمیق‌تر، همبستگی‌ها، احتمالات و شناسایی الگوها هستند.

با دسترسی به محتوا، پاسخ به سؤالاتی از قبیل “کمپین‌های تبلیغاتی بر اساس پاسخ مشتریان در مناطق مختلف چقدر مؤثر بوده است؟” یا “چرا فروش بالاتر / پایین‌تر از سال گذشته است؟” را می‌توان یافت. تجزیه و تحلیل تشخیصی بینش عملی محدودی را ارائه می‌دهد و  کمک می‌کند تا با نگاه به گذشته، به درک روابط علی بپردازیم.

تحلیل پیش بینی کننده:

پس از نگاه به گذشته، تجزیه و تحلیل پیش‌بینی‌کننده می‌تواند به شما بگوید چه اتفاقی در آینده رخ خواهد داد. همان‌طور که قبلاً نیز اشاره شد، تجزیه و تحلیل توصیفی، پایه و اساس تجزیه و تحلیل پیشرفته‌تر را فراهم می‌کند. در مرحله تحلیل پیش‌بینی‌کننده است که کیفیت دو نوع تجزیه و تحلیل پیشین، اهمیت آن‌ها را نشان می‌دهد. بدون مقدار معقول از داده‌های باکیفیت، برآوردهای ارائه شده در مرحله تحلیل پیش‌بینی‌کننده بی‌فایده خواهد بود. علاوه بر این، پیش‌بینی‌های ارائه شده احتمال وقوع یک رویداد خاص است، بنابراین تضمین نمی‌کند که آن اتفاق رخ دهد.

یکی از مشهورترین نمونه‌های تحلیل پیش‌بینی‌کننده، پیش‌بینی تقاضا است. سازمان‌ها از داده‌های تاریخی برای پیش‌بینی تقاضای ماه بعد استفاده می‌کنند. هنگامی که چنین مدلی به اندازه کافی دقیق باشد، می‌توان تصمیمات دیگری را براساس آن اتخاذ کرد. مانند چرخه سفارش مواد اولیه اندک و یا حفظ سطوح پایین‌تری از موجودی. برخی از ابزارهای مفید برای تحلیل پیش بینی عبارتند از: پایتون، متلب و رپیدمایندر.

تحلیل تجویزی:

قدم آخر نردبان، تحلیلی تجویزی است. تحلیل تجویزی به این سؤال پاسخ می‌دهد که برای دستیابی به مزیت‌های آینده و یا کاهش تهدید، کدام اقدام را باید انجام داد. تجزیه و تحلیل تجویزی مبتنی بر نتایج آنالیز پیش بینی کننده است اما اینکه چه اتفاقی می‌افتد را به سادگی پیش بینی نمی‌کند. تجزیه و تحلیل تجویزی همه نتایج مطلوب را نمایش داده و نشان می‌دهد که برای رسیدن به یک نتیجه خاص، چه دوره‌های عملی‌ای باید انجام شود. برخلاف سه نوع تجزیه و تحلیل قبلی، تجزیه و تحلیل تجویزی از یک سیستم بازخورد برای یادگیری و بهبود رابطه بین اقدامات تجویز شده و نتایج آنها استفاده می‌کند.

یک نمونه مشهور از تجزیه و تحلیل‌های تجویزی، سیستم‌های پیشنهادی هستند که توسط Netflix یا Spotify استفاده می‌شوند. کاربر، داده‌ای را ارائه و یا به آن امتیاز می‌دهد، سپس آن مورد را به کاربر دیگری که سلیقه مشابهی دارد اما در لیست فعلی خود ندارد، توصیه می‌کند. هم‌چنین می‌توان از ویژگی‌های گسسته یک مورد برای توصیه موارد دیگر با خصوصیات مشابه استفاده کرد.

و در نهایت

با کمی کاوش در چهار نوع تجزیه و تحلیل، اکنون ما قادر به درک بهتر مدل تحلیل صعودی گارتنر هستیم. این مدل، تحلیل‌ها را به عنوان نوعی رشد خطی از یک مرحله به مرحله دیگر ارائه می‌دهد. گرچه این امر برای تسهیل واقعیت است، اما استدلال پشت پرده آن درست است. اگر کسی بخواهد از آنالیزهای پیش‌بینی‌شده یا حتی تجویزی استفاده کند، ابتدا باید از سطح توصیفی و تحلیلی شروع کرده و از آن‌جا حرکت کند. هرگاه یک نوع تحلیل بینش بیشتری نسبت به فرآیند مربوطه ایجاد کند به تعامل بیشتر کاربران نیاز دارد.

اشتراک‌گذاری

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

*

code