Beste Antwort
Sie können im Grunde eine Million Beispiele für Datenanalysen bei Google haben, daher werde ich Ihnen hier noch mehr Spaß machen ”Analyse, an die wir nicht immer denken.
– Analyse für BIER (jetzt habe ich die Aufmerksamkeit aller;))
Durch die Implementierung einer „Selbstbedienung“ für Biere (jeder kann sich ein wenig von verschiedenen Sorten einschenken) haben die Barkeeper nicht nur festgestellt, dass der Durchschnittsverbrauch höher war, sondern sie konnten auch wissen, was sind die Lieblingsbiere. Die Bieranalyse kann auch dazu beitragen, herauszufinden, welche Biere am schnellsten konsumiert werden und wann (Guiness-Fässer erreichen am St.Patrick-Tag Rekorde), um eine präzisere Antizipation und Bestellung zu ermöglichen. Auf einer eher „spionierenden“ Ebene können Sie sehen, ob einige Barkeeper „großzügiger“ sind, wenn sie Pintes einschenken, oder ob sie dazu neigen, sich selbst oder Kunden viel zu bieten.
– Analytics in Casinos
Durch die Verfolgung der Daten, die jeder Casino-Automat (oder Teppich) produziert, wissen die Manager mehr darüber, was verwendet wird und was nicht, was am beliebtesten ist und zu welcher Tages-, Monats- oder Jahreszeit , was den größten Gewinn (oder Verlust) generiert. Mit all diesen Erkenntnissen können sie entsprechend handeln und die geeigneten Maßnahmen ergreifen, um einige Teile ihres Casinos zu korrigieren oder anzupassen.
Um Ihre Analyse durchzuführen, ist es in jedem Fall immer gut, sich mit dem Recht auszustatten Datenanalysetools , die die Datenbereinigung für eine erweiterte Erkundung erleichtern.
Wenn Sie weitere Beispiele wie die bereitgestellten lesen möchten oben lade ich Sie ein, diesen Artikel zu lesen: 5 Big Data-Beispiele in Ihrem wirklichen Leben in Bars, Restaurants und Casinos !
Antwort
Analyse bezieht sich auf das Aufteilen eines Ganzen in seine einzelnen Komponenten zur individuellen Prüfung. Die Datenanalyse ist ein -Prozess , um Rohdaten abzurufen und in Informationen umzuwandeln, die für die Entscheidungsfindung der Benutzer nützlich sind. Daten werden gesammelt und analysiert, um Fragen zu beantworten, Hypothesen zu testen oder Theorien zu widerlegen.
Statistiker John Tukey definierte die Datenanalyse 1961 als: „Verfahren zur Analyse von Daten, Techniken zur Interpretation der Ergebnisse solcher Verfahren, Möglichkeiten zur Planung der Datenerfassung, um deren Analyse einfacher, präziser oder genauer zu machen, sowie alle Maschinen und Ergebnisse von (mathematischen) Statistiken, die für die Analyse von Daten gelten. “
Es gibt mehrere Phasen, die unterschieden werden können (siehe unten). Die Phasen sind iterativ, da Rückmeldungen aus späteren Phasen zu zusätzlicher Arbeit in früheren Phasen führen können.
Datenanforderungen
Die Daten, die als Eingaben für die Analyse erforderlich sind, werden auf der Grundlage der Anforderungen der Verantwortlichen der Analyse oder der Kunden angegeben, die das fertige Produkt der Analyse verwenden. Der allgemeine Entitätstyp, für den die Daten gesammelt werden, wird als experimentelle Einheit bezeichnet (z. B. eine Person oder eine Population von Personen). Spezifische Variablen bezüglich einer Population (z. B. Alter und Einkommen) können spezifiziert und erhalten werden. Daten können numerisch oder kategorisch sein (dh eine Textbezeichnung für Zahlen).
Datenerfassung
Daten sind aus einer Vielzahl von Quellen gesammelt. Die Anforderungen können von Analysten an die Verwalter der Daten übermittelt werden, z. B. an Mitarbeiter der Informationstechnologie innerhalb einer Organisation. Die Daten können auch von Sensoren in der Umgebung wie Verkehrskameras, Satelliten, Aufzeichnungsgeräten usw. erfasst werden. Sie können auch durch Interviews, Downloads aus Online-Quellen oder durch Lesen von Dokumentationen abgerufen werden.
Datenverarbeitung
Die ursprünglich erhaltenen Daten müssen zur Analyse verarbeitet oder organisiert werden. Dies kann beispielsweise das Platzieren von Daten in Zeilen und Spalten in einem Tabellenformat zur weiteren Analyse umfassen, z. B. in einer Tabelle oder einer Statistiksoftware.
Datenbereinigung
Einmal verarbeitet und organisiert, können die Daten unvollständig sein, Duplikate enthalten oder Fehler enthalten. Die Notwendigkeit einer Datenbereinigung ergibt sich aus Problemen bei der Eingabe und Speicherung von Daten. Bei der Datenbereinigung werden diese Fehler verhindert und korrigiert. Zu den allgemeinen Aufgaben gehören das Abgleichen von Datensätzen, das Erkennen von Ungenauigkeiten von Daten, die Gesamtqualität vorhandener Daten, die Deduplizierung und die Spaltensegmentierung. Solche Datenprobleme können auch durch eine Vielzahl von Analysetechniken identifiziert werden. Beispielsweise können mit Finanzinformationen die Summen für bestimmte Variablen mit separat veröffentlichten Zahlen verglichen werden, die als zuverlässig angesehen werden. Ungewöhnliche Beträge über oder unter vorbestimmten Schwellenwerten können ebenfalls überprüft werden. Es gibt verschiedene Arten der Datenbereinigung, die von der Art der Daten abhängen, z. B. Telefonnummern, E-Mail-Adressen, Arbeitgeber usw.Quantitative Datenmethoden zur Erkennung von Ausreißern können verwendet werden, um wahrscheinlich falsch eingegebene Daten zu entfernen. Die Rechtschreibprüfung für Textdaten kann verwendet werden, um die Anzahl der falsch eingegebenen Wörter zu verringern. Es ist jedoch schwieriger festzustellen, ob die Wörter selbst korrekt sind.
Explorative Datenanalyse
Sobald die Daten bereinigt sind, können sie analysiert werden. Analysten können eine Vielzahl von Techniken anwenden, die als explorative Datenanalyse bezeichnet werden, um die in den Daten enthaltenen Nachrichten zu verstehen. Der Explorationsprozess kann zu einer zusätzlichen Datenbereinigung oder zusätzlichen Datenanforderungen führen, sodass diese Aktivitäten iterativer Natur sein können. Beschreibende Statistiken wie der Durchschnitt oder der Median können generiert werden, um das Verständnis der Daten zu erleichtern. Datenvisualisierung kann auch verwendet werden, um die Daten in grafischem Format zu untersuchen und zusätzliche Einblicke in die Nachrichten in den Daten zu erhalten.
Modellierung und Algorithmen
Mathematische Formeln oder Modelle mit der Bezeichnung Algorithmen können angewendet werden die Daten zum Identifizieren von Beziehungen zwischen den Variablen, z. B. Korrelation oder Kausalität . Im Allgemeinen können Modelle entwickelt werden, um eine bestimmte Variable in den Daten basierend auf anderen Variablen in den Daten zu bewerten, wobei ein Restfehler von der Modellgenauigkeit abhängt (dh Daten = Modell + Fehler).
Quelle: Dies