امروز۴ بهمن ۱۳۹۹
سطوح تجزیه و تحلیل داده ها

سطوح تجزیه و تحلیل داده ها

همان طور که انتظار می‌رود اکثر اصطلاحات تخصصی به صورت مبهم و نادرست استفاده می‌شوند. کلمات «تجزیه و تحلیل» و «علم تجزیه و تحلیل» 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 علم تحلیل و تجزیه را شناسایی کرد، اما در این نوشته، چهار نوع تحلیل بسیار فراگیر و عمومی‌تر از انواع تحلیل‌ها براساس مدل صعودی گارتنر مورد بررسی قرار می‌گیرد و درکی از سطوح تجزیه و تحلیل داده‌ها به دست خواهد آمد.

مدل صعودی تحلیلی گارتنر

مدل صعودی تحلیلی گارتنر برای کمک به توضیح رابطه  بین این نوع تحلیل‌ها در زیر نشان داده شده است. در این مدل می‌توان چهار نوع مختلف از تجزیه و تحلیل داده‌ها را شناسایی و آن‌ها را از نظر ارزش و دشواری رتبه‌بندی کرد. با این وجود توجه داشته باشید که رابطه‌ی خطی بین ارزش و دشواری برای درک آسان‌تر 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 داده‌ها به صورت مجزا همراه بامثال بیشتر مورد بررسی قرار خواهد گرفت.

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 را بیان می‌کند.

نکته‌ی 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 عظیمی دست یافت. 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 پله بالاتر رفتن از نردبان از تحلیلی توصیفی به سمت تحلیل 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 واکاوی، 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 صرفاً کمک می‌کند تا با نگاه به گذشته، به درک روابط معمول بپردازیم.

تحلیل پیش‌بینی 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 خود را نشان می‌دهد. بدون حجم معقولی از داده‌های باکیفیت، برآوردهای ارائه شده در مرحله‌ی تحلیل پیش‌بینی‌کننده بی‌فایده خواهد بود. علاوه بر این، پیش‌بینی‌های ارائه شده صرفاً احتمال وقوع یک رویداد خاص را نشان می‌دهد، بنابراین تضمینی وجود ندارد 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 اندازه‌ی کافی دقیق باشد، می‌توان تصمیمات را براساس آن اتخاذ کرد مانند چرخه‌ی سفارش مواد اولیه‌ی خطی و یا حفظ سطوح پایین‌تری از موجودی. برخی از ابزارهای مفید برای تحلیل پیش‌بینی کننده عبارتند از: پایتون، متلب و رپیدمایندر.

تحلیل تجویزی:

پله‌ی 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 پیش‌بینی کننده است اما اینکه چه اتفاقی می‌افتد را به سادگی پیش‌بینی نمی‌کند. تجزیه و تحلیل تجویزی همه‌ی نتایج مطلوب را نمایش داده و نشان می‌دهد که برای رسیدن به یک نتیجه‌ی خاص، چه دوره‌های عملی‌ای باید طی 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 نمونه‌ی 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 با سلیقه‌ی مشابهی توصیه می‌کند که ان مورد را در لیست فعلی خود ندارد. هم‌چنین می‌توان از ویژگی‌های خاص 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 مرحله‌ی دیگر ارائه می‌دهد. گرچه این امر برای ساده‌سازی واقعیت است، اما استدلال پشت پرده‌ی 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

دیدگاهتان را بنویسید

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

*

code