Legjobb válasz
Alapvetően millió adatelemzési példát láthat a Google-on, ezért adok itt még néhány „szórakoztató” ”Elemzés, amelyre nem mindig gondolunk.
– A SÖR elemzése (most mindenki figyelmét felhívom;))
A sörök „önkiszolgálásának” megvalósításával (mindenki önthet magának egy kicsit különféle típusokat) a sávos pályázatok nemcsak rájöttek, hogy az átlagos fogyasztás magasabb, hanem azt is megtudhatták, mi a kedvenc sörök. A sörelemzés segíthet abban is, hogy megtudjuk, melyek azok a sörök, amelyeket a leggyorsabban és mikor fogyasztanak (a Guiness hordók a St.Patrick napján rekordokat érnek el), hogy fokozottan előre láthassák és megrendelhessék őket. „Kémkedőbb” szinten megnézheti, hogy egyes csaposok „nagylelkűbbek”, amikor pinteket öntenek, vagy inkább sokat kínálnak (maguknak vagy az ügyfeleknek).
– Analytics kaszinókban
Az összes kaszinógép (vagy szőnyeg) által termelt adatok nyomon követésével a vezetők több ismerettel rendelkeznek arról, hogy mit használnak és mit nem, melyek a legnépszerűbbek, és mely napszakban, hónapban vagy évben , mi termeli a legtöbb profitot (vagy veszteséget). Mindezen információk alapján ennek megfelelően cselekedhetnek és megtehetik a megfelelő intézkedéseket kaszinójuk egyes részeinek kijavítására vagy kiigazítására.
Mindenesetre az elemzés elvégzéséhez mindig jó felszerelni magát a megfelelővel adatelemző eszközök , amelyek megkönnyítik az adattisztítást, a fokozottabb feltárás érdekében.
Ha további példákat szeretne elolvasni, például a megadottakat Felhívom Önt, hogy olvassa el ezt a cikket: 5 nagy adat példa a valós életében bárokban, éttermekben és kaszinókban !
Válasz
Az elemzés arra utal, hogy az egészet külön elemekre bontják az egyéni vizsgálat céljából. Az adatelemzés folyamat a nyers adatok megszerzésére és a felhasználók döntéshozatalához hasznos információkká alakítására. Az adatokat gyűjtjük és elemezzük a kérdések megválaszolásához, a hipotézisek teszteléséhez vagy az elméletek megcáfolásához.
Statisztikus John Tukey az adatelemzést 1961-ben meghatározta: “Eljárások adatok elemzésére, az ilyen eljárások eredményeinek értelmezésére szolgáló technikákra, az adatgyűjtés tervezésének módjaira annak elemzésének megkönnyítésére, pontosabbá vagy pontosabbá tételére, valamint a (matematikai) statisztikák összes mechanizmusára és eredményére, amely az adatok elemzésére vonatkozik. ”
Számos szakasz különböztethető meg, amelyeket alább ismertetünk. A fázisok iteratívak, mivel a későbbi fázisokból érkező visszajelzések további munkát eredményezhetnek a korábbi fázisokban.
Adatigények
Az elemzéshez szükséges adatok meghatározása az elemzést irányító személyek vagy az elemzés késztermékét használó vásárlók igényei alapján történik. Az entitás általános típusát, amelyre az adatokat összegyűjtjük, kísérleti egységnek nevezzük (pl. Személy vagy népesség). Meghatározhatók és megszerezhetők a populációra vonatkozó specifikus változók (pl. Életkor és jövedelem). Az adatok lehetnek numerikusak vagy kategorikusak (azaz a számok szöveges címkéi).
Adatgyűjtés
Az adatok különféle forrásokból gyűjtötték. A követelményeket az elemzők közölhetik az adatok letétkezelőivel, például a szervezeten belüli informatikai személyzettel. Az adatokat gyűjthetjük a környezet érzékelőiből is, például közlekedési kamerákból, műholdakból, rögzítő eszközökből stb. Ezeket interjúk, online forrásokból történő letöltések vagy dokumentációk olvasása útján is megszerezhetjük.
Adatfeldolgozás
Az eredetileg megszerzett adatokat elemzés céljából feldolgozni vagy szervezni kell. Ez például magában foglalhatja az adatok sorokba és oszlopokba való elhelyezését táblázatos formátumban további elemzés céljából, például táblázatban vagy statisztikai szoftverben.
Adattisztítás
A feldolgozás és rendszerezés után az adatok hiányosak, duplikátumokat tartalmazhatnak vagy hibákat tartalmazhatnak. Az adatok tisztításának szükségessége az adatok bevitelének és tárolásának problémáiból adódik. Az adatok tisztítása a hibák megelőzésének és kijavításának folyamata. A közös feladatok közé tartozik a rekordok egyeztetése, az adatok pontatlanságának azonosítása, a meglévő adatok általános minősége, a deduplikáció és az oszlopok szegmentálása. Az ilyen adatproblémák különféle analitikai technikákkal is azonosíthatók. Például pénzügyi információkkal összehasonlíthatjuk az egyes változók összesítését a megbízhatónak hitt külön közzétett számokkal. Az előre meghatározott küszöbértékeket meghaladó vagy alatti szokatlan összegeket is felül lehet vizsgálni. Számos adattisztítási típus létezik, amelyek az adatok típusától függenek, például telefonszámok, e-mail címek, munkaadók stb.A valószínűleg helytelenül bevitt adatok megszabadulása érdekében kvantitatív adatmódszereket lehet használni a kiugró értékek felderítésére. A szöveges adatok helyesírás-ellenőrzőivel csökkenthető a hibásan beírt szavak mennyisége, de nehezebb megmondani, hogy maguk a szavak helyesek-e.
Feltáró adatok elemzése
Az adatok megtisztítása után elemezhetők. Az elemzők különféle technikákat alkalmazhatnak, amelyeket feltáró adatelemzésnek neveznek , hogy megismerjék az adatokban szereplő üzeneteket. A feltárás további adattisztítást vagy további adatigénylést eredményezhet, ezért ezek a tevékenységek iteratív jellegűek lehetnek. Leíró statisztikák , például átlag vagy medián hozhatók létre az adatok megértése érdekében. Az adatmegjelenítés az adatok grafikus formában történő vizsgálatára is használható, hogy további betekintést nyerjen az adatokon belüli üzenetekről.
Modellezés és algoritmusok
Matematikai képletek vagy algoritmusok nevű modellek alkalmazhatók az adatok a változók közötti kapcsolatok azonosításához, például összefüggés vagy okozati összefüggés . Általánosságban elmondható, hogy modellek kifejleszthetők egy adott változó értékelésére az adatokban lévő egyéb változó (k) alapján, a modell pontosságától függően némi fennmaradó hibával (azaz Data = Model + Error).
Forrás: Ez