statistik er den gren af videnskaben, der gengiver forskellige værktøjer og analytiske teknikker for at håndtere det enorme omfang af data, Enkelt sagt, det er videnskaben om at samle, klassificere, analysere og fortolke & manifestere den numeriske form for data til at drage konklusioner om befolkningen, fra de valgte stikprøvedata, der kan bruges af forretningseksperter til at løse deres problemer.
derfor er mange organisationer stærkt afhængige af statistisk analyse i bestræbelserne på at organisere data og forudse fremtidige tendenser afhængigt af informationen.
mere præcist vedrører statistisk dataanalyse dataindsamling, fortolkning og præsentation. Det kan kontaktes, mens du håndterer data for at løse komplekse problemer. Mere præcist leverer den statistiske analyse betydning for ubetydelige / irrelevante data eller tal.
de vigtigste typer statistisk analyse er
statistisk analyse er især processen med at konsolidere og analysere forskellige prøver af data for at afsløre mønstre eller tendenser og forudse fremtidige begivenheder/situationer for at træffe passende beslutninger.
den statistiske analyse har følgende typer, der i høj grad afhænger af datatyper.
7 typer af statistisk analyse
1. Beskrivende statistisk analyse
grundlæggende handler det om at organisere og opsummere data ved hjælp af tal og grafer. Det gør det nemt de massive mængder data til forståelig fortolkning, selv uden at danne konklusioner ud over analysen eller reagere på hypoteser.
i stedet for at behandle data i sin rå form gør beskrivende statistisk analyse os i stand til at repræsentere og fortolke data mere effektivt gennem numerisk beregning, grafer eller tabeller.
fra alle nødvendige forberedende trin til afsluttende analyse og fortolkning involverer beskrivende statistisk analyse forskellige processer såsom tabulering, et mål for central tendens (middel, median, tilstand), et mål for spredning eller varians (rækkevidde, variation, standardafvigelse), skævhedsmålinger og tidsserieanalyse.
Formeldiagram, kilde
under beskrivende analyse opsummeres dataene i tabelform og styres & præsenteret i form af diagrammer og grafer til opsummering af data, forudsat at det er for hele befolkningen.
(mest relateret: Beskrivende statistik i R)
desuden hjælper det med at udtrække forskellige karakteristika ved data og sammenfatte og forklare de væsentlige træk ved data. Derudover trækkes der ingen indsigt i de grupper, der ikke observeres/samples.
2. Inferentiel statistisk analyse
den inferentielle statistiske analyse bruges grundlæggende, når inspektionen af hver enhed fra befolkningen ikke er opnåelig, og derfor ekstrapolerer den de opnåede oplysninger til den komplette befolkning.
i enkle ord lader inferentiel statistisk analyse os teste en hypotese afhængigt af en prøvedata, hvorfra vi kan udtrække slutninger ved at anvende sandsynligheder og foretage generaliseringer om hele dataene og kan også drage konklusioner med hensyn til fremtidige resultater ud over de tilgængelige data.
på denne måde er det meget foretrukket, mens man trækker konklusioner og træffer beslutninger om hele befolkningen på grundlag af stikprøvedata. Som sådan involverer denne metode prøveudtagningsteorien, forskellige test af betydning, statistisk kontrol osv.
beskrivende vs inferentiel statistisk analyse
3. Prædiktiv analyse
prædiktiv analyse implementeres for at forudsige fremtidige begivenheder, eller hvad der sandsynligvis vil finde sted næste, baseret på aktuelle og tidligere fakta og tal.
enkelt sagt bruger predictive analytics statistiske teknikker og maskinlæringsalgoritmer til at beskrive muligheden for fremtidige resultater, adfærd og tendenser afhængigt af nylige og tidligere data. Udbredte teknikker under forudsigelig analyse inkluderer Data mining, datamodellering, kunstig intelligens, maskinindlæring osv. at gøre tvingende forudsigelser.
i det nuværende forretningssystem kontaktes denne analyse af marketingfirmaer, forsikringsorganisationer, onlinetjenesteudbydere, datadrevet markedsføring og finansielle selskaber, men enhver virksomhed kan drage fordel af det ved at planlægge en uforudsigelig fremtid, såsom at få den konkurrencemæssige fordel og indsnævre risikoen forbundet med en uforudsigelig fremtidig begivenhed.
den forudsigelige analyse konvergerer om at forudsige kommende begivenheder ved hjælp af data og fastslå sandsynligheden for flere tendenser i dataadfærd. Derfor bruger virksomheder denne tilgang til at få svaret ” Hvad kan der ske?”hvor grundlaget for at lave forudsigelser er et sandsynlighedsmål.
4. Præskriptiv analyse
den præskriptive analyse undersøger dataene for at finde ud af, hvad der skal gøres, den bruges i vid udstrækning i forretningsanalyse til at identificere den bedst mulige handling for en situation.
mens andre statistiske analyser kan anvendes til kørsel udelukkelser, det giver det faktiske svar. Grundlæggende fokuserer det på at opdage det optimale forslag til en beslutningsproces.
flere teknikker, implementeret under præskriptiv analyse er Simulering, grafanalyse, algoritmer, kompleks begivenhedsbehandling, maskinindlæring, anbefalingsmotor, forretningsregler osv.
det er dog næsten relateret til beskrivende og forudsigelig analyse, hvor beskrivende analyse forklarer data med hensyn til, hvad der er sket, forudsigelig analyse forudser, hvad der kunne ske, og her handler præskriptiv analyse om at give passende forslag blandt de tilgængelige præferencer.
5. Sonderende dataanalyse (EDA)
sonderende dataanalyse, eller EDA som det er kendt, er en modstykke til inferentiel statistik og i høj grad implementeret af dataeksperter. Det er generelt det første trin i dataanalyseprocessen, der udføres forud for andre statistiske analyseteknikker.
EDA er ikke indsat alene for at forudsige eller generalisere, det gør en forhåndsvisning af data og hjælper med at få nogle vigtige indsigter i det.
denne metode fokuserer fuldt ud på at analysere mønstre i dataene for at genkende potentielle relationer. EDA kan kontaktes for at opdage ukendte foreninger inden for data, inspicere manglende data fra indsamlede data og opnå maksimal indsigt, undersøge antagelser og hypoteser.
6. Kausal analyse
generelt hjælper kausal analyse med at forstå og bestemme årsagerne bag “hvorfor” ting opstår, eller hvorfor ting er som sådan, som de ser ud.
for eksempel er der i det nuværende forretningsmiljø mange ideer eller virksomheder der, der mislykkes på grund af nogle begivenheders hændelse, i den tilstand identificerer årsagsanalysen årsagen til fejl eller simpelthen den grundlæggende årsag til, at noget kunne ske.
i IT-branchen bruges dette til at kontrollere kvalitetssikringen af bestemte programmer, f.eks. hvorfor programmet mislykkedes, hvis der var en fejl, et brud på datasikkerheden osv., og forhindrer virksomheder i store tilbageslag.
vi kan overveje årsagsanalysen, når;
- identificering af væsentlige problemområder inde i dataene,
- undersøgelse og identifikation af de grundlæggende årsager til problemet eller fejlen,
- forståelse af, hvad der vil ske med en leveret variabel, hvis hinanden ændres.
7. Mekanistisk analyse
blandt de ovennævnte statistiske analyser er mekanistisk den mindst almindelige type, men det er værd i processen med Big data analytics og biologisk videnskab. Det er indsat for at forstå og forklare, hvordan tingene sker snarere end hvordan specifikke ting vil finde sted ulteriorly.
det bruger det klare koncept om at forstå individuelle ændringer i variabler, der forårsager ændringer i andre variabler tilsvarende, mens man udelukker eksterne påvirkninger og overvejer antagelsen om, at hele systemet bliver påvirket via sine egne interne elementers interaktion.
de grundlæggende mål for mekanistisk analyse involverer;
- forståelse af de konkrete ændringer i det kunne foretage ændringer i andre variabler
- en klar forklaring på hændelsen af en tidligere begivenhed i forbindelse med data, især når det pågældende emne/bekymring beskæftiger sig med specifikke aktiviteter.
for eksempel i biologisk videnskab, når man studerer og inspicerer, hvordan forskellige dele af virussen påvirkes ved at foretage ændringer i medicin.
udover de ovennævnte statistiske analysetyper er det værd at diskutere her, at disse statistiske behandlinger eller statistiske dataanalyseteknikker er dybt afhængige af den måde, dataene bruges på. Mens man regner med funktionen og kravet til en bestemt undersøgelse, kan data og statistisk analyse anvendes til mange formål, for eksempel kan medicinske forskere bruge en række statistiske analyser til at teste lægemidlets effektivitet eller styrke.
hvad mere er, masser af tilgængelige data kan informere mange ting, data professionalister ønsker at udforske, derfor statistisk analyse er i stand til at få nogle informative resultater og gøre nogle slutninger. Også i nogle tilfælde kan statistisk analyse kontaktes for at akkumulere information om præference for mennesker og deres vaner.
for eksempel kan brugerdata på sider som Facebook og Instagram bruges af analytikere til at forstå brugerens opfattelse, som hvad bruger gør, og hvad der motiverer dem. Disse oplysninger kan være til gavn for kommercielle annoncer, hvor en bestemt gruppe brugere er målrettet mod at sælge dem ting. Det er også nyttigt for applikationsudviklerne at forstå brugernes respons og vaner og foretage ændringer i produkter i overensstemmelse hermed.
konklusion
en dybere forståelse af data kan udvide de mange muligheder for en virksomhed med implementering af forretningsanalyse, som en organisation kan opnå, mens man undersøger data, til at køre for eksempel forudsigelser, indsigt eller konklusioner fra data, og det er, hvad statistisk analyse kan gøre, for eksempel;
- kompilering og manifestation af data i form af grafer eller diagrammer for at vise vigtige fund,
- udforskning af væsentlige elementer/ målinger fra data, som middelværdi, varians, skævhed osv.,
- test af en hypotese fra flere eksperimenter,
- foregribe kommende fremsyn på baggrund af tidligere dataadfærd og mange flere.
og derfor kan en virksomhed drage fordel af statistisk analyse på forskellige måder, for eksempel for at bestemme salgsnedgangen, for at afdække tendenser fra kundedata, gennemføre finansielle revisioner mv.
(tjek min anden blog om Bayesian statistik)