Paras vastaus
Googlessa voi olla pohjimmiltaan miljoona data-analyysiesimerkkiä, joten annan sinulle lisää hauskaa ”-Analyysi, johon emme aina ajattele.
– Analytics for BEER (nyt minulla on kaikkien huomio;))
Toteuttamalla oluiden itsepalveluperiaatteen (jokainen voi kaataa itseään vähän erilaisia), baaritarjous ei vain huomannut, että keskimääräinen kulutus oli korkeampi, mutta he ovat myös voineet tietää mitä ovat suosikki oluita. Olutanalytiikka voi myös auttaa selvittämään, mitkä oluet kulutetaan nopeimmin ja milloin (Guiness-tynnyrit saavuttavat ennätyksiä St.Patrickin päivänä), jotta voidaan ennakoida ja tilata entistä tarkemmin. ”Vakoilevammalla” tasolla näet, ovatko jotkut baarimestarit ”anteliaampia” kaatamalla pinttejä vai tarjoavatko he yleensä paljon (itselleen tai asiakkaille).
– Analytics kasinoissa
Seuraamalla jokaisen kasinokoneen (tai maton) tuottamia tietoja johtajilla on enemmän tietoa siitä, mitä käytetään ja mikä ei, mitkä ovat suosituimpia ja mihin aikaan päivästä, kuukaudesta tai vuodesta , mikä tuottaa eniten voittoa (tai tappiota). Kaikilla näillä oivalluksilla he voivat toimia vastaavasti ja ryhtyä tarvittaviin toimenpiteisiin kasinon joidenkin osien korjaamiseksi tai muokkaamiseksi.
Joka tapauksessa analyysin suorittamiseksi on aina hyvä varustaa itsellesi oikea datan analysointityökalut , jotka helpottavat datanpuhdistustoimintaa tehostetun etsinnän mahdollistamiseksi.
Jos haluat lukea lisää annettuja esimerkkejä Kutsun sinut lukemaan tämän artikkelin: 5 esimerkkiä suuresta datasta tosielämässäsi baareissa, ravintoloissa ja kasinoissa !
Vastaa
Analyysi tarkoittaa kokonaisuuden hajottamista erillisiksi komponenteiksi yksittäistä tutkimusta varten. Data-analyysi on prosessi raakatietojen hankkimiseksi ja muuntamiseksi käyttäjien päätöksenteon kannalta hyödylliseksi tiedoksi. Tiedot kerätään ja analysoidaan vastaamaan kysymyksiin, testaamaan hypoteeseja tai kumoamaan teoriat.
Tilastotieteilijä John Tukey määritteli data-analyysin vuonna 1961 seuraavasti: ”Menettelytavat” tietojen analysoimiseksi, tekniikoita tällaisten menettelyjen tulosten tulkitsemiseksi, tapoja suunnitella tiedon kerääminen sen analysoinnin helpottamiseksi, tarkentamiseksi ja kaikki (matemaattisten) tilastojen koneet ja tulokset, joita sovelletaan tietojen analysointiin. ”
On olemassa useita vaiheita, jotka voidaan erottaa, jotka kuvataan alla. Vaiheet ovat iteratiivisia, koska myöhempien vaiheiden palaute voi johtaa lisätyöhön aikaisemmissa vaiheissa.
Tietovaatimukset
Analyysin lähtökohtana tarvittavat tiedot määritetään analyysin johtajien tai analyysin lopputuotetta käyttävien asiakkaiden vaatimusten perusteella. Yleistä tyypin yksikköä, jolle tiedot kerätään, kutsutaan koeyksiköksi (esim. Henkilö tai ihmisjoukko). Erityiset populaatiomuuttujat (esim. Ikä ja tulot) voidaan määrittää ja saada. Tiedot voivat olla numeerisia tai kategorisia (ts. Numeroiden tekstitunnisteita).
Tiedonkeruu
Tiedot ovat kerätty useista lähteistä. Analyytikot voivat ilmoittaa vaatimuksista tietojen säilyttäjille, kuten tietotekniikan henkilöstölle organisaatiossa. Tiedot voidaan kerätä myös ympäristön antureista, kuten liikennekameroista, satelliiteista, tallennuslaitteista jne. Tiedot voidaan hankkia myös haastatteluilla, lataamalla online-lähteistä tai lukemalla dokumentaatiota.
Tietojenkäsittely
Alun perin saadut tiedot on käsiteltävä tai järjestettävä analysointia varten. Näihin voi esimerkiksi sisältyä tietojen sijoittaminen riveihin ja sarakkeisiin taulukkomuodossa jatkoanalyysiä varten, kuten laskentataulukossa tai tilasto-ohjelmistossa.
Tietojen puhdistus
Kun tiedot on käsitelty ja järjestetty, ne saattavat olla epätäydellisiä, kopioita tai virheitä. Tietojen puhdistustarve johtuu ongelmista, jotka liittyvät tietojen syöttämiseen ja tallentamiseen. Tietojen puhdistus on prosessi näiden virheiden estämiseksi ja korjaamiseksi. Yleisiä tehtäviä ovat tietueiden sovitus, tietojen epätarkkuuksien tunnistaminen, olemassa olevien tietojen yleinen laatu, deduplikaatio ja sarakkeiden segmentointi. Tällaiset dataongelmat voidaan tunnistaa myös useilla analyyttisillä tekniikoilla. Esimerkiksi taloudellisten tietojen kanssa tiettyjen muuttujien kokonaissummia voidaan verrata erikseen julkaistuihin lukuihin, joiden uskotaan olevan luotettavia. Myös ennalta määritettyjen kynnysarvojen ylittävät tai alle olevat epätavalliset määrät voidaan tarkistaa. Tietojen puhdistusta on useita, jotka riippuvat tietojen tyypistä, kuten puhelinnumerot, sähköpostiosoitteet, työnantajat jne.Kvantitatiivisia tietomenetelmiä syrjäytymisen havaitsemiseksi voidaan käyttää todennäköisesti väärin syötettyjen tietojen poistamiseen. Tekstintietojen oikeinkirjoituksen tarkistajia voidaan käyttää väärin kirjoitettujen sanojen määrän vähentämiseen, mutta on vaikeampaa sanoa, ovatko sanat oikein.
Tutkiva tietojen analyysi
Kun tiedot on puhdistettu, ne voidaan analysoida. Analyytikot voivat soveltaa erilaisia tekniikoita, joita kutsutaan nimellä tutkiva data-analyysi aloittaakseen tietojen sisältämien viestien ymmärtämisen. Tutkimusprosessi voi johtaa tietojen puhdistamiseen tai lisätietopyyntöihin, joten nämä toimet voivat olla luonteeltaan iteratiivisia. Kuvaavia tilastoja , kuten keskiarvo tai mediaani, voidaan luoda tietojen ymmärtämisen helpottamiseksi. Tietojen visualisointia voidaan käyttää myös tietojen tarkasteluun graafisessa muodossa, jotta saat lisätietoja käsittelevistä tiedoissa olevista viesteistä.
Mallinnus ja algoritmit
Matemaattisia kaavoja tai -algoritmeja kutsutaan tiedot muuttujien välisten suhteiden tunnistamiseksi, kuten korrelaatio tai syy-yhteys . Yleisesti ottaen malleja voidaan kehittää tietyn muuttujan arvioimiseksi datassa muiden muuttujien perusteella, jossakin jäännösvirheessä mallin tarkkuudesta riippuen (eli data = malli + virhe).
Lähde: Tämä