التحليل الإحصائي للبيانات هو عملية جمع البيانات وتحليلها من أجل تمييز الأنماط والاتجاهات. إنها طريقة لإزالة التحيز من تقييم البيانات من خلال استخدام التحليل العددي. هذه التقنية مفيدة في جمع تفسيرات البحث ، وتطوير النماذج الإحصائية ، وتخطيط المسوحات والدراسات.
التحليل الإحصائي هو أداة علمية تساعد في جمع كميات كبيرة من البيانات وتحليلها لتحديد الأنماط والاتجاهات الشائعة لتحويلها إلى معلومات مفيدة. بكلمات بسيطة ، التحليل الإحصائي هو أداة لتحليل البيانات تساعد على استخلاص استنتاجات ذات مغزى من البيانات الأولية وغير المنظمة.
يتم استخلاص الاستنتاجات باستخدام التحليل الإحصائي الذي يسهل اتخاذ القرار ويساعد الشركات على وضع تنبؤات مستقبلية على أساس الاتجاهات السابقة. يمكن تعريفه على أنه علم لجمع البيانات وتحليلها لتحديد الاتجاهات والأنماط وعرضها. يتضمن التحليل الإحصائي العمل بالأرقام ويتم استخدامه من قبل الشركات والمؤسسات الأخرى للاستفادة من البيانات لاستخلاص معلومات ذات مغزى.
أنواع التحليل الإحصائي للبيانات
قبل أن تبدأ في التحليل الإحصائي للبيانات ، تحتاج إلى قطعتين:
- مجموعة من البيانات الأولية التي تريد تحليلها إحصائيًا و
- طريقة تحليل محددة مسبقًا.
اعتمادًا على البيانات التي تعمل بها والنتائج التي تريدها وكيفية تقديمها ، قد ترغب في اختيار أي من هذين النوعين من التحليل:
الإحصاء الوصفي
هذا النوع من التحليل الإحصائي هو كل شيء عن المرئيات. أمثلة على مرئيات الإحصاء الوصفي. البيانات لا تعني الكثير من تلقاء نفسها ، ويمكن أن تكون الكمية الهائلة صعبة الهضم. يركز التحليل الإحصائي الوصفي على إنشاء وصف مرئي أساسي للبيانات ، أو تحويل المعلومات إلى رسوم بيانية ومخططات ومرئيات أخرى تساعد الأشخاص على فهم معنى القيم في مجموعة البيانات. ومع ذلك ، لا يتعلق التحليل الوصفي بشرح أو استخلاص النتائج. إنها فقط ممارسة هضم وتلخيص البيانات الخام ، بحيث يمكن فهمها بشكل أفضل.
الاستدلال الإحصائي
تتضمن ممارسات الإحصاء الاستنتاجي فرضيات أكثر وضوحًا وشرحًا للمتابعة أكثر من الإحصاء الوصفي. في هذا النوع من التحليل الإحصائي ، تكون أقل تركيزًا على المجموعة الكاملة للبيانات الأولية وبدلاً من ذلك تأخذ عينة واختبر فرضيتك أو التقدير الأول. من هذه العينة ونتائج تجربتك ، يمكنك استخدام الإحصائيات الاستدلالية لاستنتاج استنتاجات حول بقية مجموعة البيانات.
التحليل التنبئي
التحليل الإحصائي التنبئي هو نوع من التحليل الإحصائي الذي يحلل البيانات لاشتقاق الاتجاهات السابقة والتنبؤ بالأحداث المستقبلية على أساسها. يستخدم خوارزميات التعلم الآلي ، واستخراج البيانات ، ونمذجة البيانات ، والذكاء الاصطناعي لإجراء التحليل الإحصائي للبيانات.
التحليل الاستكشافي
يشبه التحليل الاستكشافي التحليل الاستدلالي ، لكن الاختلاف هو أنه يتضمن استكشاف جمعيات البيانات غير المعروفة. يحلل العلاقات المحتملة داخل البيانات.
التحليل السببي
يركز التحليل الإحصائي السببي على تحديد علاقة السبب والنتيجة بين المتغيرات المختلفة داخل البيانات الأولية. بكلمات بسيطة ، إنها تحدد سبب حدوث شيء ما وتأثيره على المتغيرات الأخرى. يمكن استخدام هذه المنهجية من قبل الشركات لتحديد سبب الفشل.
فوائد تحليل البيانات الإحصائية
كل شركة لديها العديد من مؤشرات الأداء الرئيسية (KPIs) للحكم على الأداء العام ، وتحليل البيانات الإحصائية هو الاستراتيجية الأساسية للعثور على تلك المقاييس الدقيقة. بالنسبة للمقاييس الداخلية أو الجماعية ، ستحتاج إلى قياس البيانات مثل الصفقات والأرباح المرتبطة ، وساعات العمل ، والتدريبات المكتملة ، والقيم الرقمية الأخرى ذات المغزى.
من السهل جمع هذه البيانات ، ولكن لفهمها ، ستحتاج إلى تحليل البيانات إحصائيًا لتقييم أداء الأفراد والفرق والشركة. يعد التحليل الإحصائي لفريقك أمرًا مهمًا ، ليس فقط لأنه يساعدك على تحميلهم المسؤولية ، ولكن أيضًا لأنه يضمن قياس أدائهم بمعايير عددية غير متحيزة بدلاً من الآراء.
إذا كانت مؤسستك تبيع منتجات أو خدمات ، فيجب عليك استخدام التحليل الإحصائي كثيرًا للتحقق من أداء المبيعات وكذلك للتنبؤ بالنتائج المستقبلية ومناطق الضعف. فيما يلي بعض مجالات تحليل البيانات الإحصائية التي تحافظ على ممارسات عملك حادة:
- التحليل التنافسي: يضيء التحليل الإحصائي القيمة الموضوعية كشركة. والأهم من ذلك ، أن معرفة المقاييس الشائعة مثل إيرادات المبيعات وهامش الربح الصافي يسمح لك بمقارنة أدائك بالمنافسين.
- رؤية المبيعات الحقيقية: يقول مندوبو المبيعات لديك إنهم يقضون أسبوعًا جيدًا وأن أرقامهم تبدو جيدة ، ولكن كيف يمكنك قياس تأثيرهم على أرقام المبيعات بدقة؟ من خلال تحليل البيانات الإحصائية ، يمكنك بسهولة قياس بيانات المبيعات وربطها بأطر زمنية محددة ومنتجات ومندوبي مبيعات فرديين ، مما يمنحك رؤية أفضل لنجاحاتك في التسويق والمبيعات.
- التحليلات التنبؤية: أحد أهم تطبيقات تحليل البيانات الإحصائية ، تسمح لك التحليلات التنبؤية باستخدام البيانات الرقمية السابقة للتنبؤ بالنتائج والمجالات المستقبلية التي يجب على فريقك إجراء تعديلات عليها لتحسين الأداء.
طرق التحليل الإحصائي للبيانات
على الرغم من وجود العديد من الطرق المستخدمة لإجراء التحليل الإحصائي البيانات ، فيما يلي أكثر 5 طرق استخدامًا وشعبية للتحليل الإحصائي:
المتوسط
يعد المتوسط أو المتوسط من أكثر طرق التحليل الإحصائي للبيانات شيوعًا. يحدد المتوسط الاتجاه العام للبيانات ويسهل حسابه. يتم حساب المتوسط عن طريق جمع الأرقام في مجموعة البيانات معًا ثم تقسيمها على عدد نقاط البيانات. على الرغم من سهولة الحساب وفوائده ، لا يُنصح باللجوء للقصد على أنه المؤشر الإحصائي الوحيد لأنه يمكن أن يؤدي إلى اتخاذ قرارات غير دقيقة.
الانحراف المعياري
الانحراف المعياري هو أداة أو طريقة إحصائية أخرى مستخدمة على نطاق واسع. يحلل انحراف نقاط البيانات المختلفة عن متوسط مجموعة البيانات بأكملها. يحدد كيفية انتشار بيانات مجموعة البيانات حول المتوسط. يمكنك استخدامه لتقرير ما إذا كان يمكن تعميم نتائج البحث أم لا.
التراجع أو الانحدار
الانحدار هو أداة إحصائية تساعد في تحديد علاقة السبب والنتيجة بين المتغيرات. يحدد العلاقة بين المتغير التابع والمستقل. يتم استخدامه بشكل عام للتنبؤ بالاتجاهات والأحداث المستقبلية.
اختبار الفرضيات
يمكن استخدام اختبار الفرضيات لاختبار صحة أو صحة استنتاج أو حجة ضد مجموعة بيانات. الفرضية هي افتراض تم إجراؤه في بداية البحث ويمكن أن تكون صحيحة أو خاطئة بناءً على نتائج التحليل.
تحديد حجم العينة
تحديد حجم العينة أو أخذ عينات البيانات هو أسلوب يستخدم لاشتقاق عينة من المجتمع بأكمله ، وهو ما يمثل السكان. تُستخدم هذه الطريقة عندما يكون حجم السكان كبيرًا جدًا. يمكنك الاختيار من بين تقنيات أخذ عينات البيانات المختلفة مثل أخذ عينات من كرة الثلج ، وأخذ العينات الملائمة ، وأخذ العينات العشوائية.
خطوات التحليل الإحصائي للبيانات
الخطوة الأولى: تحديد السؤال
الخطوة الأولى في أي عملية التحليل الإحصائي للبيانات هي تحديد هدفك. في لغة تحليلات البيانات ، يسمى هذا أحيانًا "بيان المشكلة".
إن تحديد هدفك يعني الخروج بفرضية وتحديد كيفية اختبارها. ابدأ بالسؤال: ما هي مشكلة العمل التي أحاول حلها؟ في حين أن هذا قد يبدو واضحًا ، إلا أنه قد يكون أكثر تعقيدًا مما يبدو. على سبيل المثال ، قد تطرح الإدارة العليا لمؤسستك مشكلة ، مثل: "لماذا نفقد العملاء؟" ومع ذلك ، من الممكن ألا يصل هذا إلى جوهر المشكلة. تتمثل مهمة محلل البيانات في فهم العمل وأهدافه بعمق كافٍ بحيث يمكنهم تأطير المشكلة بالطريقة الصحيحة.
لنفترض أنك تعمل في شركة خيالية تسمى أسترالوم. تقوم أسترالوم بإنشاء برنامج تدريب مخصص لعملائها. في حين أنه ممتاز في تأمين عملاء جدد ، إلا أنه يحتوي على أعمال متكررة أقل بكثير. على هذا النحو ، قد لا يكون سؤالك ، "لماذا نفقد العملاء؟" ولكن ، "ما العوامل التي تؤثر سلبًا على تجربة العميل؟" أو الأفضل من ذلك: "كيف يمكننا زيادة الاحتفاظ بالعملاء مع تقليل التكاليف؟"
الآن بعد أن حددت مشكلة ، تحتاج إلى تحديد مصادر البيانات التي ستساعدك على حلها بشكل أفضل. هذا هو المكان الذي تأتي فيه فطنتك التجارية مرة أخرى. على سبيل المثال ، ربما لاحظت أن عملية البيع للعملاء الجدد تتسم بالبراعة الشديدة ، لكن فريق الإنتاج غير فعال.
بمعرفة ذلك ، يمكنك الافتراض أن عملية المبيعات تكسب الكثير من العملاء الجدد ، لكن تجربة العميل اللاحقة غير موجودة. هل يمكن أن يكون هذا سبب عدم عودة العملاء؟ ما هي مصادر البيانات التي ستساعدك في الإجابة على هذا السؤال؟
أدوات للمساعدة في تحديد هدفك
تحديد هدفك هو في الغالب حول المهارات اللينة ، والمعرفة التجارية ، والتفكير الجانبي. ولكنك ستحتاج أيضًا إلى تتبع مقاييس العمل ومؤشرات الأداء الرئيسية (KPIs). يمكن أن تسمح لك التقارير الشهرية بتتبع نقاط المشكلة في العمل. تأتي بعض لوحات معلومات KPI برسوم ، مثل Databox و DashThis. ومع ذلك ، ستجد أيضًا برامج مفتوحة المصدر مثل Grafana و Freeboard و Dashbuilder. هذه رائعة لإنتاج لوحات معلومات بسيطة ، في بداية ونهاية عملية تحليل البيانات.
الخطوة الثانية: جمع البيانات
بمجرد تحديد هدفك ، ستحتاج إلى إنشاء إستراتيجية لجمع البيانات المناسبة وتجميعها. جزء أساسي من هذا هو تحديد البيانات التي تحتاجها. قد تكون هذه بيانات كمية (رقمية) ، على سبيل المثال أرقام المبيعات ، أو البيانات النوعية (الوصفية) ، مثل مراجعات العملاء. تندرج جميع البيانات في واحدة من ثلاث فئات: بيانات الطرف الأول ، والطرف الثاني ، وبيانات الطرف الثالث. دعونا نستكشف كل واحد.
ما هي بيانات الطرف الأول؟
بيانات الطرف الأول هي البيانات التي جمعتها أنت أو شركتك مباشرة من العملاء. قد يأتي في شكل بيانات أو معلومات لتتبع المعاملات من نظام إدارة علاقات العملاء (CRM) الخاص بشركتك. مهما كان مصدرها ، عادة ما يتم تنظيم بيانات الطرف الأول وتنظيمها بطريقة واضحة ومحددة. قد تشمل المصادر الأخرى لبيانات الطرف الأول استطلاعات رضا العملاء أو مجموعات التركيز أو المقابلات أو المراقبة المباشرة.
ما هي بيانات الطرف الثاني؟
لإثراء تحليلك ، قد ترغب في تأمين مصدر بيانات ثانوي. بيانات الطرف الثاني هي بيانات الطرف الأول للمؤسسات الأخرى. قد يكون هذا متاحًا مباشرة من الشركة أو من خلال سوق خاص. تتمثل الفائدة الرئيسية لبيانات الطرف الثاني في أنها عادة ما تكون منظمة ، وعلى الرغم من أنها ستكون أقل أهمية من بيانات الطرف الأول ، إلا أنها تميل أيضًا إلى أن تكون موثوقة تمامًا. تتضمن أمثلة بيانات الطرف الثاني موقع الويب أو التطبيق أو نشاط الوسائط الاجتماعية ، مثل سجلات الشراء عبر الإنترنت أو بيانات الشحن.
ما هي بيانات الطرف الثالث؟
بيانات الطرف الثالث هي البيانات التي تم جمعها وتجميعها من مصادر عديدة بواسطة مؤسسة تابعة لجهة خارجية. غالبًا (وإن لم يكن دائمًا) تحتوي بيانات الجهات الخارجية على قدر هائل من نقاط البيانات غير المهيكلة (البيانات الضخمة).
تقوم العديد من المؤسسات بجمع البيانات الضخمة لإنشاء تقارير صناعية أو لإجراء أبحاث السوق. تعد شركة الأبحاث والاستشارات Gartner مثالًا جيدًا في العالم الحقيقي لمؤسسة تجمع البيانات الضخمة وتبيعها لشركات أخرى. تعد مستودعات البيانات المفتوحة والبوابات الحكومية أيضًا مصادر لبيانات الجهات الخارجية.
الخطوة الثالثة: تنظيف البيانات
بمجرد جمع بياناتك ، فإن الخطوة التالية هي تجهيزها للتحليل. وهذا يعني تنظيفها أو "تنقيتها" ، وهي ضرورية للتأكد من أنك تعمل باستخدام بيانات عالية الجودة.
تتضمن مهام تنظيف البيانات الرئيسية ما يلي:
- إزالة الأخطاء الرئيسية والتكرارات والقيم المتطرفة - وكلها مشاكل حتمية عند تجميع البيانات من مصادر عديدة.
- إزالة نقاط البيانات غير المرغوب فيها - استخراج الملاحظات غير ذات الصلة التي ليس لها تأثير على تحليلك المقصود.
- إحضار بنية إلى بياناتك - "التدبير المنزلي" العام ، أي إصلاح الأخطاء الإملائية أو مشكلات التخطيط ، والتي ستساعدك على تخطيط بياناتك ومعالجتها بسهولة أكبر.
- سد الثغرات الرئيسية - أثناء قيامك بالتنظيم ، قد تلاحظ أن البيانات المهمة مفقودة. بمجرد تحديد الثغرات ، يمكنك البدء في ملئها.
سيقضي محلل البيانات الجيد حوالي 70-90٪ من وقته في تنظيف بياناته. قد يبدو هذا مبالغًا فيه. لكن التركيز على نقاط البيانات الخاطئة (أو تحليل البيانات الخاطئة) سيؤثر بشدة على نتائجك. حتى أنه قد يعيدك إلى المربع الأول … لذا لا تتعجل! ستجد هنا دليلًا تفصيليًا لتنظيف البيانات.
إجراء تحليل استكشافي
شيء آخر يفعله العديد من محللي البيانات (إلى جانب بيانات التنظيف) هو إجراء تحليل استكشافي. يساعد هذا في تحديد الاتجاهات والخصائص الأولية ، ويمكنه أيضًا تحسين فرضيتك. دعونا نستخدم شركة التعلم الخيالية كمثال مرة أخرى.
عند إجراء تحليل استكشافي ، ربما تلاحظ وجود ارتباط بين المبلغ الذي يدفعه عملاء أسترالوم ومدى سرعة انتقالهم إلى موردين جدد. قد يشير هذا إلى أن تجربة العملاء منخفضة الجودة (الافتراض في فرضيتك الأولية) هي في الواقع مشكلة أقل من التكلفة. لذلك ، قد تأخذ هذا في الاعتبار.
الخطوة الرابعة: تحليل البيانات
أخيرًا ، لقد قمت بتنظيف بياناتك. الآن يأتي الجزء الممتع - تحليله! يعتمد نوع تحليل البيانات الذي تقوم به إلى حد كبير على هدفك. ولكن هناك العديد من التقنيات المتاحة. التحليل أحادي المتغير أو ثنائي المتغير ، وتحليل السلاسل الزمنية ، وتحليل الانحدار هي مجرد أمثلة قليلة قد تكون سمعت عنها. لكن الأهم من الأنواع المختلفة هو كيفية تطبيقها. يعتمد هذا على الإحصاءات التي تأمل في اكتسابها. بشكل عام ، تندرج جميع أنواع تحليل البيانات في واحدة من الفئات الأربع التالية.
التحليل الوصفي
يحدد التحليل الوصفي ما حدث بالفعل. إنها خطوة أولى مشتركة تقوم بها الشركات قبل الشروع في استكشافات أعمق. كمثال ، دعنا نعود إلى مزود التعلم الخيالي الخاص بنا مرة أخرى. قد تستخدم أسترالوم التحليلات الوصفية لتحليل معدلات إتمام الدورة لعملائها. أو يمكنهم تحديد عدد المستخدمين الذين يصلون إلى منتجاتهم خلال فترة معينة.
ربما سيستخدمونها لقياس أرقام المبيعات على مدار السنوات الخمس الماضية. في حين أن الشركة قد لا تستخلص استنتاجات مؤكدة من أي من هذه الأفكار ، فإن تلخيص البيانات ووصفها سيساعدها على تحديد كيفية المضي قدمًا.
التحليل التشخيصي
تركز التحليلات التشخيصية على فهم سبب حدوث شيء ما. إنه حرفيًا تشخيص المشكلة ، تمامًا كما يستخدم الطبيب أعراض المريض لتشخيص المرض. تذكر مشكلة الأعمال في أسترالوم ؟ "ما العوامل التي تؤثر سلبًا على تجربة العميل؟" من شأن التحليل التشخيصي أن يساعد في الإجابة عن هذا السؤال.
على سبيل المثال ، يمكن أن يساعد الشركة في رسم الارتباطات بين المشكلة (تكافح من أجل الحصول على أعمال متكررة) والعوامل التي قد تسببها (مثل تكاليف المشروع ، وسرعة التسليم ، وقطاع العملاء ، وما إلى ذلك) دعنا نتخيل ذلك ، باستخدام التحليلات التشخيصية ، تدرك أسترالوم أن عملائها في قطاع التجزئة يغادرون بمعدل أسرع من العملاء الآخرين. قد يشير هذا إلى أنهم يفقدون العملاء لأنهم يفتقرون إلى الخبرة في هذا القطاع. وهذه رؤية مفيدة!
التحليل التنبئي
يسمح لك التحليل التنبئي بتحديد الاتجاهات المستقبلية بناءً على البيانات التاريخية. في الأعمال التجارية ، يشيع استخدام التحليل التنبئي للتنبؤ بالنمو المستقبلي ، على سبيل المثال. لكنها لا تتوقف عند هذا الحد. نما التحليل التنبئي بشكل متزايد في السنوات الأخيرة.
يتيح التطور السريع للتعلم الآلي للمؤسسات إجراء تنبؤات دقيقة بشكل مدهش. خذ على سبيل المثال صناعة التأمين. عادةً ما يستخدم مقدمو خدمات التأمين البيانات السابقة للتنبؤ بمجموعات العملاء التي من المرجح أن تتعرض للحوادث. ونتيجة لذلك ، سيرفعون أقساط تأمين العملاء لتلك المجموعات.
وبالمثل ، غالبًا ما تستخدم صناعة البيع بالتجزئة بيانات المعاملات للتنبؤ بمكان الاتجاهات المستقبلية ، أو لتحديد عادات الشراء الموسمية لتوجيه استراتيجياتها. هذه مجرد أمثلة قليلة بسيطة ، لكن الإمكانات غير المستغلة للتحليل التنبئي مقنعة للغاية.
التحليل الوصفي
يسمح لك التحليل الوصفي بتقديم توصيات للمستقبل. هذه هي الخطوة الأخيرة في جزء التحليلات من العملية. إنه أيضًا الأكثر تعقيدًا. هذا لأنه يشتمل على جوانب من جميع التحليلات الأخرى التي وصفناها. من الأمثلة الرائعة على التحليلات الوصفية الخوارزميات التي توجه سيارات Google ذاتية القيادة.
في كل ثانية ، تتخذ هذه الخوارزميات قرارات لا حصر لها بناءً على البيانات السابقة والحالية ، مما يضمن قيادة سلسة وآمنة. تساعد التحليلات الوصفية الشركات أيضًا على اتخاذ قرار بشأن منتجات أو مجالات عمل جديدة للاستثمار فيها.
الخطوة الخامسة: مشاركة النتائج الخاصة بك
لقد انتهيت من إجراء تحليلاتك. لديك رؤيتك. تتمثل الخطوة الأخيرة في عملية تحليل البيانات في مشاركة هذه الأفكار مع العالم الأوسع (أو على الأقل مع أصحاب المصلحة في مؤسستك!) وهذا أكثر تعقيدًا من مجرد مشاركة النتائج الأولية لعملك - فهو يتضمن تفسير النتائج وتقديمها بطريقة سهلة الهضم لجميع أنواع الجماهير.
نظرًا لأنك ستقدم غالبًا المعلومات إلى صناع القرار ، فمن المهم جدًا أن تكون الإحصاءات التي تقدمها واضحة بنسبة 100٪ ولا لبس فيها. لهذا السبب ، يستخدم محللو البيانات عادة التقارير ولوحات المعلومات والتصورات التفاعلية لدعم النتائج التي توصلوا إليها.
غالبًا ما تؤثر الطريقة التي تفسر بها النتائج وتقدمها على اتجاه العمل. بناءً على ما تشاركه ، قد تقرر مؤسستك إعادة الهيكلة ، أو إطلاق منتج عالي المخاطر ، أو حتى إغلاق قسم بأكمله. لهذا السبب من المهم جدًا تقديم كل الأدلة التي جمعتها ، وليس انتقاء البيانات بعناية.
التأكد من تغطية كل شيء بطريقة واضحة وموجزة سيثبت أن استنتاجاتك صحيحة علميًا وتستند إلى الحقائق. على الجانب الآخر ، من المهم إبراز أي فجوات في البيانات أو الإبلاغ عن أي إحصاءات قد تكون مفتوحة للتفسير. التواصل الصادق هو أهم جزء في العملية. سوف يساعد هذا العمل ، بينما يساعدك أيضًا على التفوق في عملك!
أدوات لتفسير وتبادل النتائج الخاصة بك
هناك الكثير من أدوات تصور البيانات المتاحة ، والتي تناسب مستويات الخبرة المختلفة. تشمل الأدوات الشائعة التي تتطلب مهارات قليلة أو معدومة في البرمجة مخططات Google و Tableau و Datawrapper و Infogram. إذا كنت معتادًا على Python و R ، فهناك أيضًا العديد من مكتبات وحزم تصور البيانات المتاحة. على سبيل المثال ، تحقق من مكتبات Python Plotly و Seaborn و Matplotlib. أيًا كانت أدوات تصور البيانات التي تستخدمها ، تأكد من صقل مهارات العرض التقديمي أيضًا. تذكر: التصور رائع ، لكن التواصل هو المفتاح!
يمكنك معرفة المزيد حول سرد القصص باستخدام البيانات في هذا البرنامج التعليمي العملي المجاني. نوضح لك كيفية صياغة سرد مقنع لمجموعة بيانات حقيقية ، مما يؤدي إلى عرض تقديمي لمشاركته مع أصحاب المصلحة الرئيسيين. هذه نظرة ثاقبة ممتازة لما يشبه العمل كمحلل بيانات!
الخطوة السادسة: تقبل إخفاقاتك
تتمثل "الخطوة" الأخيرة في عملية تحليل البيانات في تبني إخفاقاتك. المسار الذي وصفناه أعلاه عبارة عن عملية تكرارية أكثر من كونها طريقًا باتجاه واحد. تحليلات البيانات فوضوية بطبيعتها ، وستكون العملية التي تتبعها مختلفة لكل مشروع.
على سبيل المثال ، أثناء تنظيف البيانات ، قد تكتشف الأنماط التي تثير مجموعة جديدة كاملة من الأسئلة. قد يعيدك هذا إلى الخطوة الأولى (لإعادة تحديد هدفك). بالمثل ، قد يبرز التحليل الاستكشافي مجموعة من نقاط البيانات التي لم تفكر في استخدامها من قبل. أو ربما تجد أن نتائج تحليلاتك الأساسية مضللة أو خاطئة. قد يكون هذا بسبب أخطاء في البيانات ، أو خطأ بشري في وقت سابق من العملية.
في حين أن هذه المزالق يمكن أن تبدو مثل الإخفاقات ، فلا تبتئس إذا حدثت. تحليل البيانات فوضوي بطبيعته ، وتحدث أخطاء. المهم هو صقل قدرتك على اكتشاف الأخطاء وتصحيحها. إذا كانت تحليلات البيانات واضحة ومباشرة ، فقد يكون الأمر أسهل ، لكنها بالتأكيد لن تكون مثيرة للاهتمام. استخدم الخطوات التي حددناها كإطار عمل ، وكن منفتحًا ، وكن مبدعًا. إذا فقدت طريقك ، يمكنك الرجوع إلى العملية لإبقاء نفسك على المسار الصحيح.
خلاصة
في هذا المنشور ، تناولنا كل شيئ حول التحليل الإحصائي للبيانات والخطوات الرئيسية لعملية تحليل البيانات. يمكن تعديل هذه الخطوات الأساسية وإعادة ترتيبها وإعادة استخدامها كما تراه مناسبًا ، لكنها تدعم عمل كل محلل بيانات:
- حدد السؤال — ما هي مشكلة العمل التي تحاول حلها؟ ضعها كسؤال لمساعدتك على التركيز على إيجاد إجابة واضحة.
- جمع البيانات — إنشاء استراتيجية لجمع البيانات. ما هي مصادر البيانات التي من المرجح أن تساعدك في حل مشكلة عملك؟
- قم بتنظيف البيانات — استكشف بياناتك وفركها وترتيبها وإزالتها وبنيتها حسب الحاجة. افعل كل ما لديك! لكن لا تتعجل … خذ وقتك!
- تحليل البيانات - قم بإجراء تحليلات مختلفة للحصول على رؤى. ركز على الأنواع الأربعة لتحليل البيانات: الوصفي والتشخيصي والتنبؤي والوصفي.
- شارك نتائجك — كيف يمكنك مشاركة أفكارك وتوصياتك بأفضل طريقة؟ مزيج من أدوات التصور والتواصل هو المفتاح.
- احتضن أخطائك - الأخطاء تحدث. تعلم منهم. هذا ما يحول محلل البيانات الجيد إلى محلل جيد.
ماذا بعد؟ من هنا ، نشجعك بشدة على استكشاف الموضوع بنفسك. كن مبدعًا في خطوات عملية تحليل البيانات الاحصائية، واطلع على الأدوات التي يمكنك العثور عليها. طالما أنك تلتزم بالمبادئ الأساسية التي وصفناها ، يمكنك إنشاء أسلوب مخصص يناسبك.