از کجا با 4 نوع تجزیه و تحلیل شروع کنیم

در سالهای اخیر ، AI و Advanced Analytics موضوع داغ بوده اند. بسیاری از وبلاگ های آنجا در مورد اینکه چرا باید از تجزیه و تحلیل پیشرفته در سازمان خود استفاده کنید ، صحبت می کنند.

با مقدار ارزشی که تجزیه و تحلیل پیشرفته می تواند به ارمغان بیاورد ، جذابیت دارد که به سمت راست پرش کنید و سعی کنید فوراً تجزیه و تحلیل پیشرفته را بدست آورید. اما بدون پایه های مناسب ، دستیابی به این بینش ها غیرممکن است. بنابراین اولین قدم برای به دست آوردن این بینش های ارزشمند چیست؟

دانستن پیشرفت تحلیلی و شروع در جای مناسب به تضمین موفقیت در تجزیه و تحلیل پیشرفته و منجر به استفاده از هوش مصنوعی کمک می کند.

چهار نوع تجزیه و تحلیل ، توصیفی ، تشخیصی ، پیش بینی و تجویز وجود دارد. نمودار زیر سطح این چهار دسته را تشریح می کند. این مقدار ارزش افزوده را با یک سازمان در مقابل پیچیدگی لازم برای اجرای آن مقایسه می کند.

ایده این است که شما باید با ساده ترین اجرای ، تجزیه و تحلیل توصیفی شروع کنید. در این وبلاگ ، ما چهار نوع تجزیه و تحلیل و نمونه ای از موارد استفاده آنها و نحوه کار همه آنها را مرور خواهیم کرد.

با آخرین وبلاگ های ما به روز باشید

در لیست پستی ما مشترک شوید تا هنگام انتشار مقاله جدید به شما اطلاع داده شود.

تحلیلی توصیفی

چی شد؟

پایه و مکانی که همه سازمان ها باید شروع کنند با تجزیه و تحلیل توصیفی است. این نوع تجزیه و تحلیل زمانی است که از ارزیابی داده ها ، اغلب تاریخی ، برای پاسخ به سؤال اساسی "چه اتفاقی افتاده است؟" استفاده می شود.

به وقایع گذشته نگاه می کند و سعی می کند الگوهای خاص در داده ها را شناسایی کند. وقتی شخصی به هوش تجاری سنتی اشاره می کند ، آنها اغلب در حال توصیف تجزیه و تحلیل توصیفی هستند.

تجسم هایی که معمولاً برای توضیحات تجزیه و تحلیل استفاده می شود شامل نمودارهای پای ، نمودارهای نوار ، جداول یا نمودارهای خط است.

این سطح برای شروع سفر تحلیلی شما است زیرا این پایه و اساس سه ردیف دیگر است. برای حرکت بیشتر با تجزیه و تحلیل های خود ، پاسخ به آنچه اتفاق افتاده است باید در ابتدا پیدا شود.

یک راه آسان برای درک این موضوع ، بررسی برخی موارد استفاده در فروش است. به عنوان مثال ، چه تعداد فروش در سه ماهه آخر رخ داده است؟آیا آنها افزایش یافته یا کاهش یافته اند؟

نمودار زیر فروش از 12 ماه از این طریق می توانیم روند فروش را مشخص کنیم. در زیر می توانید با کاهش در ماه نوامبر ، افزایش فروش را در ماه اکتبر و دسامبر مشاهده کنید.

تحلیلی تشخیصی

چرا این اتفاق افتاد؟

مرحله بعدی در تجزیه و تحلیل، Diagnostic است، شکلی از تجزیه و تحلیل پیشرفته که داده ها یا محتوا را برای پاسخ به این سوال بررسی می کند: «چرا این اتفاق افتاد؟». این با تکنیک هایی مانند مته کردن، کشف داده، داده کاوی و همبستگی مشخص می شود.

این مرحله دوم است زیرا ابتدا باید بفهمید که چه اتفاقی افتاده است تا بتوانید علت وقوع آن را شناسایی کنید. به طور معمول، هنگامی که یک سازمان به بینش های توصیفی دست یافت، می تواند با کمی کار بیشتر، تشخیص را اعمال کند.

بازگشت به همان مثال از معاملات فروش در یک دوره خاص. ما بار دیگر این نمودار میله ای سنتی را داریم، اما هنگامی که ماوس را روی آن قرار می دهید، می توانید تقسیم بندی بر اساس بخش را ببینید. اکنون می توانید ببینید کدام بخش ها بیشترین سهم را در افزایش فروش داشته اند.

می بینیم که در ماه نوامبر افزایش فروش رخ داد و بخش دولتی بیشترین سهم را در این افزایش فروش در آن دوره داشت.

تجزیه و تحلیل پیش بینی کننده

احتمال دارد چه اتفاقی بیفتد؟

هنگامی که یک سازمان بتواند به طور موثر بفهمد که چه اتفاقی افتاده و چرا اتفاق افتاده است، می تواند به سطح بعدی در تجزیه و تحلیل، یعنی Predictive حرکت کند. تجزیه و تحلیل پیشگویانه نوع دیگری از تجزیه و تحلیل پیشرفته است که به دنبال استفاده از داده ها و اطلاعات برای پاسخ به این سوال است که "احتمال دارد چه اتفاقی بیفتد؟".

مرحله بین تجزیه و تحلیل پیش بینی و تجزیه و تحلیل تشخیصی یک مرحله بزرگ است. تجزیه و تحلیل پیش بینی شامل تکنیک هایی مانند تجزیه و تحلیل رگرسیون، پیش بینی، آمار چند متغیره، تطبیق الگو، مدل سازی پیش بینی، و پیش بینی است.

انجام این تکنیک ها برای سازمان ها سخت تر است زیرا به مقادیر زیادی داده با کیفیت بالا نیاز دارند. علاوه بر این، این تکنیک ها به درک عمیق آمار و زبان های برنامه نویسی مانند R و Python نیاز دارند.

بسیاری از سازمان ها ممکن است به تخصص مورد نیاز داخلی برای پیاده سازی موثر یک مدل پیش بینی دسترسی نداشته باشند.

پس چرا هر سازمانی بخواهد با آن زحمت بکشد؟اگرچه دستیابی به آن دشوار است، اما ارزشی که پیش بینی کننده می تواند به ارمغان بیاورد بسیار زیاد است.

به عنوان مثال، یک مدل پیش بینی کننده تأثیر کمپین بازاریابی بعدی را بر تعامل مشتری با استفاده از داده های تاریخی نشان می دهد. اگر یک شرکت بتواند دقیقاً تشخیص دهد که کدام عمل باعث یک نتیجه خاص شده است، می تواند به طور قابل اعتماد پیش بینی کند که کدام اقدامات به نتیجه مطلوب می رسد.