آشنایی با آنالیز داده در ماکروسافت ،مرور کلی بر تحلیل داده بخش 2

سلام من نیتر هستم دارم تلاش میکنم کار با نرم افزار پاور بی آی را یادبگیرم در این سری پست ها ترجمه کامل آموزش رسمی و تحصصی آنالیز داده با پاور بی آی که توسط سایت ماکروسافت لرن جمع آوری شده قرار دادم تا علاقه مندان بتوانند از این آموزش ها به زبان فارسی استفاده کنند .

زمان مطالعه ۶ دقیقه

قبل از اینکه بتوان از داده‌ها برای روایت یک داستان استفاده کرد، باید از فرآیندی عبور کند که آن را در داستان قابل استفاده کند. تحلیل داده‌ها فرآیند شناسایی، پاکسازی، تبدیل و مدل‌سازی داده‌ها برای کشف اطلاعات معنادار و مفید است. سپس داده‌ها از طریق گزارش‌هایی برای تحلیل به یک داستان تبدیل می‌شوند تا از فرآیند تصمیم‌گیری حیاتی پشتیبانی کنند.

گزارش‌دهی در مورد داده‌های معتبر

با افزایش وابستگی جهان به داده‌ها، روایت داستان از طریق تحلیل داده‌ها به یک جزء و جنبه حیاتی در کسب‌وکارهای بزرگ و کوچک تبدیل می‌شود. به همین دلیل است که سازمان‌ها همچنان به استخدام تحلیلگران داده ادامه می‌دهند.

کسب‌وکارهای داده‌محور بر اساس داستانی که داده‌هایشان روایت می‌کنند، تصمیم‌گیری می‌کنند و در دنیای داده‌محور امروز، داده‌ها به طور کامل مورد استفاده قرار نمی‌گیرند، چالشی که اکثر کسب‌وکارها با آن مواجه هستند. تحلیل داده‌ها یک جنبه حیاتی برای همه سازمان‌ها است و باید باشد تا به تعیین تأثیر بر کسب‌وکارشان، از جمله ارزیابی احساسات مشتری، انجام تحقیقات بازار و محصول و شناسایی روندها یا سایر بینش‌های داده، کمک کند.

در حالی که فرآیند تحلیل داده‌ها بر وظایف پاکسازی، مدل‌سازی و تجسم داده‌ها تمرکز دارد، مفهوم تحلیل داده‌ها و اهمیت آن برای کسب‌وکار نباید دست‌کم گرفته شود. برای تحلیل داده‌ها، اجزای اصلی تحلیل به دسته‌های زیر تقسیم می‌شوند:

توصیفی

تشخیصی

پیش‌بینی‌کننده

تجویزی

شناختی

تحلیل توصیفی

تحلیل توصیفی به پاسخ به سوالاتی در مورد آنچه بر اساس داده‌های تاریخی اتفاق افتاده است، کمک می‌کند. تکنیک‌های تحلیل توصیفی، مدل‌های معنایی بزرگی را خلاصه می‌کنند تا نتایج را برای ذینفعان توصیف کنند.

این استراتژی‌ها با توسعه شاخص‌های کلیدی عملکرد (KPI)، می‌توانند به ردیابی موفقیت یا شکست اهداف کلیدی کمک کنند. معیارهایی مانند بازگشت سرمایه (ROI) در بسیاری از صنایع استفاده می‌شوند و معیارهای تخصصی برای ردیابی عملکرد در صنایع خاص توسعه داده می‌شوند.

نمونه‌ای از تحلیل توصیفی، تولید گزارش‌هایی برای ارائه دیدگاهی از فروش و داده‌های مالی یک سازمان است.

تحلیل تشخیصی

تحلیل تشخیصی به پاسخ به سوالاتی در مورد چرایی وقوع رویدادها کمک می‌کند. تکنیک‌های تحلیل تشخیصی، تحلیل‌های توصیفی پایه را تکمیل می‌کنند و از یافته‌های تحلیل توصیفی برای کشف علت این رویدادها استفاده می‌کنند. سپس، شاخص‌های عملکرد بیشتر بررسی می‌شوند تا مشخص شود که چرا این رویدادها بهبود یافته یا بدتر شده‌اند. به طور کلی، این فرآیند در سه مرحله انجام می‌شود:

شناسایی ناهنجاری‌ها در داده‌ها. این ناهنجاری‌ها ممکن است تغییرات غیرمنتظره در یک معیار یا یک بازار خاص باشند.

جمع‌آوری داده‌هایی که مربوط به این ناهنجاری‌ها هستند.

استفاده از تکنیک‌های آماری برای کشف روابط و روندهایی که این ناهنجاری‌ها را توضیح می‌دهند.

تحلیل پیش‌بینی‌کننده

تحلیل پیش‌بینی‌کننده به پاسخ به سؤالاتی در مورد آنچه در آینده اتفاق خواهد افتاد کمک می‌کند. تکنیک‌های تحلیل پیش‌بینی‌کننده از داده‌های تاریخی برای شناسایی روندها و تعیین احتمال تکرار آنها استفاده می‌کنند. ابزارهای تحلیلی پیش‌بینی‌کننده بینش ارزشمندی در مورد آنچه ممکن است در آینده اتفاق بیفتد ارائه می‌دهند. این تکنیک‌ها شامل انواع تکنیک‌های آماری و یادگیری ماشینی مانند شبکه‌های عصبی، درخت‌های تصمیم‌گیری و رگرسیون هستند.

تحلیل تجویزی

تحلیل تجویزی به پاسخ به سؤالاتی در مورد اینکه کدام اقدامات باید برای دستیابی به یک هدف یا مقصد انجام شود، کمک می‌کند. با استفاده از بینش‌های حاصل از تحلیل تجویزی، سازمان‌ها می‌توانند تصمیمات مبتنی بر داده بگیرند. این تکنیک به کسب‌وکارها اجازه می‌دهد تا در مواجهه با عدم قطعیت، تصمیمات آگاهانه‌ای بگیرند. تکنیک‌های تحلیل تجویزی به یادگیری ماشینی به عنوان یکی از استراتژی‌ها برای یافتن الگوها در مدل‌های معنایی بزرگ متکی هستند. با تجزیه و تحلیل تصمیمات و رویدادهای گذشته، سازمان‌ها می‌توانند احتمال نتایج مختلف را تخمین بزنند.

تحلیل شناختی

تحلیل شناختی تلاش می‌کند تا از داده‌ها و الگوهای موجود استنتاج کند، بر اساس پایگاه‌های دانش موجود نتیجه‌گیری کند و سپس این یافته‌ها را برای استنتاج‌های آینده، یک حلقه بازخورد خودآموز، به پایگاه دانش اضافه کند. تحلیل شناختی به شما کمک می‌کند تا یاد بگیرید که اگر شرایط تغییر کند چه اتفاقی ممکن است بیفتد و تعیین کنید که چگونه می‌توانید با این موقعیت‌ها برخورد کنید.

استنتاج‌ها پرس‌وجوهای ساختاریافته‌ای مبتنی بر یک پایگاه داده قواعد نیستند؛ بلکه فرضیه‌های بدون ساختار هستند که از چندین منبع جمع‌آوری شده و با درجات مختلفی از اطمینان بیان می‌شوند. تحلیل شناختی مؤثر به الگوریتم‌های یادگیری ماشینی بستگی دارد و از چندین مفهوم پردازش زبان طبیعی برای درک منابع داده‌ای که قبلاً استفاده نشده‌اند، مانند گزارش‌های مکالمات مرکز تماس و بررسی محصولات، استفاده می‌کند.

مثال

با فعال کردن گزارش‌دهی و تجسم داده‌ها، یک کسب‌وکار خرده‌فروشی از تجزیه و تحلیل توصیفی برای بررسی الگوهای خرید سال‌های گذشته استفاده می‌کند تا مشخص کند چه محصولاتی ممکن است سال آینده محبوب باشند. این شرکت همچنین ممکن است به داده‌های پشتیبانی نگاه کند تا بفهمد چرا یک محصول خاص محبوب بوده و آیا این روند ادامه دارد یا خیر، که به آنها کمک می‌کند تا تصمیم بگیرند که آیا به موجودی آن محصول ادامه دهند یا خیر.

یک کسب‌وکار ممکن است تشخیص دهد که یک محصول خاص در یک بازه زمانی خاص محبوب بوده است. سپس، آنها می‌توانند از این تجزیه و تحلیل برای تعیین اینکه آیا تلاش‌های بازاریابی خاص یا فعالیت‌های اجتماعی آنلاین در افزایش فروش نقش داشته‌اند یا خیر، استفاده کنند.

یکی از جنبه‌های اساسی تجزیه و تحلیل داده‌ها این است که یک کسب‌وکار باید به داده‌های خود اعتماد کند. در عمل، فرآیند تجزیه و تحلیل داده‌ها، داده‌ها را از منابع معتبر جمع‌آوری کرده و آنها را به چیزی قابل مصرف، معنادار و به راحتی قابل فهم تبدیل می‌کند تا به فرآیند تصمیم‌گیری کمک کند. تجزیه و تحلیل داده‌ها به کسب‌وکارها این امکان را می‌دهد که داده‌های خود را از طریق فرآیندها و تصمیمات مبتنی بر داده به طور کامل درک کنند و به آنها اجازه می‌دهد تا در تصمیمات خود اطمینان داشته باشند.

با افزایش مقدار داده‌ها، نیاز به تحلیلگران داده نیز افزایش می‌یابد. یک تحلیلگر داده می‌داند که چگونه اطلاعات را سازماندهی کند و آن را به چیزی مرتبط و قابل فهم تبدیل کند. یک تحلیلگر داده می‌داند چگونه داده‌های مناسب را جمع‌آوری کند و با آنها چه کار کند، به عبارت دیگر، از داده‌های موجود در انبوه داده‌های خود، معنا و مفهوم بسازد.

منتظر ترجمه بخش سوم باشید .میتوانید ترجمه بخش 1 را از اینجا مشاهده کنید .

بخش 3: نقش‌ها در داده‌ها