Översikt över dataanalys

6 minuter

Innan data kan användas för att berätta en historia måste de genomgå en process som gör dem användbara i berättelsen. Dataanalys är processen för att identifiera, rensa, transformera och modellera data i syfte att identifiera meningsfull och användbar information. Därefter formas informationen till en berättelse via rapporter för analys som kan underlätta den viktiga processen för beslutsfattande.

I takt med att världen blir mer datadriven kommer berättande genom dataanalys att bli en viktigare komponent och aspekt för både större och mindre företag. Det är orsaken till att organisationerna fortsätter att anställa dataanalytiker.

Datadrivna företag fattar beslut baserat på historien som deras data berättar, och i dagens datadrivna värld utnyttjas inte hela potentialen hos data – en utmaning som de flesta av företagen upplever. Dataanalys är och bör vara en viktig aspekt för alla organisationer som vill identifiera påverkan på deras verksamhet och omfattar bland annat att utvärdera kundernas attityd, utföra marknads- och produktresearch samt identifiera trender eller andra datainsikter.

Även om processen för dataanalys fokuserar på uppgifter som att rensa, modellera och visualisera data, bör själva konceptet dataanalys och dess betydelse för verksamheten inte underskattas. För att analysera data delas kärnkomponenterna i analysen in i följande kategorier:

Beskrivande
Diagnostisk
Förutsägande
Förebyggande
Kognitiv

Beskrivande analys

Beskrivande analys gör det enklare att besvara frågor om händelser baserat på historiska data. Tekniker för beskrivande analys sammanfattar stora semantiska modeller för att beskriva resultat för intressenter.

Genom utveckling av nyckeltal (KPI:er) kan dessa strategier bidra till att spåra om viktiga mål har uppnåtts eller inte. Mått som avkastning på investeringar (ROI) används i många branscher, och specialiserade mått utvecklas för att spåra prestanda i specifika branscher.

Ett 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. Tekniker för diagnostisk analys kompletterar grundläggande beskrivande analys och de använder resultaten från beskrivande analys för att upptäcka orsaken till dessa händelser. Prestandaindikatorerna undersöks ytterligare för att identifiera varför dessa händelser förbättrats eller försämrats. Detta sker vanligtvis i tre steg:

Identifiera avvikelser i data. Dessa avvikelser 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

Förebyggande analyser hjälper dig att få svar på frågor om vilka åtgärder du bör vidta för att uppnå ett mål. Genom att använda insikter från förebyggande analys kan organisationer fatta datadrivna beslut. Tekniken gör det möjligt för företag att fatta välgrundade beslut i osäkra lägen. Preskriptiva analystekniker förlitar sig på maskininlärning som en av strategierna för att hitta mönster i stora semantiska modeller. Genom att analysera tidigare beslut och händelser kan organisationer 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 flera källor och uttrycks med varierande grader av konfidens. Effektiv kognitiv analys är beroende av maskininlärningsalgoritmer, och använder flera koncept inom naturlig språkbearbetning för att tolka tidigare outnyttjade datakällor, till exempel konversationsloggar från kundtjänst och produktgranskningar.

Exempel

Genom att aktivera rapportering och datavisualisering använder en återförsäljare beskrivande analys för att titta på inköpsmönster från föregående år och på så sätt fastställa vilka produkter som kan bli populära nästa år. Företaget kan också titta på stöddata för att förstå varför en viss produkt varit populär, och om trenden fortsätter kan de avgöra om de behöver fylla på lagret av produkten.

Ett företag kan avgöra att en viss produkt var populär under en viss tidsperiod. Sedan kan de använda den här analysen för att avgöra om vissa marknadsföringsåtgärder eller sociala aktiviteter online har bidragit till försäljningsökningen.

En underliggande aspekt av dataanalys är att företaget måste lita på sina data. Dataanalysprocessen fångar upp data från betrodda källor och formar dem till något som kan vara användbart, meningsfullt och lätt att förstå för att kunna användas i beslutsprocessen. Dataanalys gör det möjligt för företagen att förstå sina data fullt ut genom datadrivna processer och beslut, vilket gör att de kan känna sig trygga med sina beslut.

I takt med att datamängderna ökar, ökar även behovet av dataanalytiker. En dataanalytiker vet hur man organiserar information och gör den till något meningsfullt och begripligt. En dataanalytiker vet hur man samlar in rätt data och vad de kan användas till, d.v.s. hur man kan utvinna information ur stora datavolymer.