Tilastotiede on tieteenhaara, joka käyttää erilaisia työkaluja ja analyyttisiä tekniikoita käsitelläkseen valtavaa tietomäärää, yksinkertaisesti sanottuna se on tiedettä, jossa kootaan, luokitellaan, analysoidaan ja tulkitaan & se ilmaisee numeerisen tietomuodon väestöä koskevien päätelmien tekemiseksi poimituista otosaineistoista, joita liike-elämän asiantuntijat voivat käyttää ongelmiensa ratkaisemiseen.
siksi monet organisaatiot nojaavat vahvasti tilastolliseen analyysiin pyrkiessään järjestämään tietoa ja ennakoimaan tulevia kehityssuuntia tiedosta riippuen.
tilastotietojen analysointi koskee tarkemmin tiedonkeruuta, tulkintaa ja esittämistä. Sitä voidaan lähestyä käsiteltäessä tietoja monimutkaisten ongelmien ratkaisemiseksi. Tarkemmin sanottuna tilastollinen analyysi antaa merkitsevyyttä merkityksettömille/merkityksettömille tiedoille tai luvuille.
tilastoanalyysin avaintyypit ovat
erityisesti tilastoanalyysi on prosessi, jossa kootaan ja analysoidaan erillisiä aineistonäytteitä kaavojen tai suuntausten paljastamiseksi ja ennakoidaan tulevia tapahtumia/tilanteita asianmukaisten päätösten tekemiseksi.
tilastollisessa analyysissä on seuraavat tyypit, jotka riippuvat huomattavasti tietotyypeistä.
7 tilastollisen analyysin tyypit
1. Deskriptiivinen tilastollinen analyysi
pohjimmiltaan se käsittelee tietojen järjestämistä ja tiivistämistä lukujen ja kaavioiden avulla. Se helpottaa massiivisia tietomääriä ymmärrettävään tulkintaan jopa muodostamatta johtopäätöksiä analyysin ulkopuolelle tai vastaamatta mihinkään hypoteeseihin.
sen sijaan, että tietoja käsiteltäisiin raa ’ assa muodossa, deskriptiivinen tilastollinen analyysi mahdollistaa datan esittämisen ja tulkitsemisen tehokkaammin numeerisen laskennan, kaavioiden tai taulukoiden avulla.
kaikista tarvittavista valmisteluvaiheista päättelyyn ja tulkintaan, kuvaileva tilastollinen analyysi käsittää erilaisia prosesseja, kuten taulukoinnin, keskitaipumuksen mittauksen (keskiarvo, mediaani, moodi), hajonnan tai varianssin mittauksen (vaihteluväli, vaihtelu, keskihajonta), vinousmittaukset ja aikasarja-analyysin.
Kaavakaavio, lähde
kuvailevassa analyysissä tiedot on koottu taulukkomuodossa ja hallittu & esitetty kaavioina ja kaavioina, joiden avulla tiedot voidaan summata, olettaen, että ne koskevat koko väestöä.
(useimmat liittyvät: kuvaava tilasto R: ssä)
lisäksi se auttaa erottamaan tiedon ominaispiirteet ja tiivistämään ja selittämään tiedon olennaiset piirteet. Lisäksi ei ole tehty havaintoja ryhmistä, joita ei ole havaittu / otettu.
2. Päätelty tilastollinen analyysi
johdettua tilastollista analyysiä käytetään periaatteessa silloin, kun kunkin yksikön tarkastaminen perusjoukosta ei ole mahdollista, joten siinä ekstrapoloidaan saadut tiedot koko perusjoukolle.
yksinkertaisilla sanoilla päätelty tilastollinen analyysi antaa meille mahdollisuuden testata otosaineistosta riippuvaa hypoteesia, josta voimme poimia päätelmiä soveltamalla todennäköisyyksiä ja tehdä yleistyksiä koko aineistosta, ja voimme myös tehdä johtopäätöksiä tulevista tuloksista, jotka ylittävät käytettävissä olevat tiedot.
näin ollen on erittäin suositeltavaa tehdä koko väestöä koskevia päätelmiä ja päätöksiä otantatietojen perusteella. Sellaisenaan tähän menetelmään kuuluu näytteenottoteoria, erilaiset merkityksellisyystestit, tilastollinen kontrolli jne.
kuvaileva vs. tilastollinen Päättelyanalyysi
3. Ennusteanalyysi
Ennusteanalyysi toteutetaan ennustamaan tulevia tapahtumia tai sitä, mitä todennäköisesti tapahtuu seuraavaksi, perustuen nykyisiin ja aikaisempiin faktoihin ja lukuihin.
yksinkertaistettuna ennustava analytiikka käyttää tilastollisia tekniikoita ja koneoppimisalgoritmeja kuvaamaan tulevien tulosten, käyttäytymisen ja trendien mahdollisuutta tuoreesta ja aiemmasta datasta riippuen. Ennusteanalyysin alaisia laajalti käytettyjä tekniikoita ovat muun muassa tiedonlouhinta, tietomallinnus, tekoäly, koneoppiminen ja niin edelleen. tehdä ennustuksia.
nykyisessä liiketoimintajärjestelmässä tätä analyysiä lähestyvät markkinointiyritykset, vakuutusyhtiöt, verkkopalvelujen tarjoajat, datalähtöinen markkinointi ja rahoitusyritykset, mutta mikä tahansa yritys voi hyödyntää sitä suunnittelemalla ennalta arvaamatonta tulevaisuutta, kuten kilpailuedun hankkimista ja ennalta arvaamattomaan tulevaan tapahtumaan liittyvän riskin pienentämistä.
ennusteanalyysi on yhtäpitävä tulevien tapahtumien ennustamisessa datan avulla ja useiden tietojen käyttäytymisen suuntausten todennäköisyyden selvittämisessä. Siksi yritykset käyttävät tätä lähestymistapaa saadakseen vastauksen ” mitä voisi tapahtua?”, jossa ennustusten tekemisen perusta on todennäköisyysmittari.
4. Prescriptive Analysis
prescriptive analysis tutkii tietoja selvittääkseen, mitä pitäisi tehdä, sitä käytetään laajalti yritysanalyysissä parhaan mahdollisen toiminnan tunnistamiseksi tilanteessa.
vaikka muita tilastollisia analyysejä voidaan käyttää ajokieltojen osalta, se antaa todellisen vastauksen. Pohjimmiltaan se keskittyy löytää optimaalinen ehdotus päätöksentekoprosessin.
useita ohjaavaan analyysiin perustuvia tekniikoita ovat simulointi, graafianalyysi, algoritmit, monimutkainen tapahtumankäsittely, koneoppiminen, suositusmoottori, liiketoimintasäännöt jne.
se liittyy kuitenkin lähes deskriptiiviseen ja ennakoivaan analyysiin, jossa deskriptiivinen analyysi selittää tiedot sen mukaan, mitä on tapahtunut, ennakoiva analyysi ennakoi, mitä voisi tapahtua, ja tässä määräävä analyysi käsittelee sopivien ehdotusten antamista käytettävissä olevien mieltymysten kesken.
5. Eksploratiivinen Data-analyysi (explatory Data Analysis, eda)
eksploratiivinen data-analyysi, tai Eda, kuten se tunnetaan, on johdettujen tilastojen vastine, ja data-asiantuntijoiden suuresti toteuttama. Se on yleensä tietojen analysointiprosessin ensimmäinen vaihe, joka suoritetaan ennen muita tilastollisia analyysimenetelmiä.
EDA: ta ei käytetä yksin ennustamiseen tai yleistämiseen, se antaa esikatselun tiedoista ja auttaa saamaan joitakin keskeisiä oivalluksia siitä.
tämä menetelmä keskittyy täysin datan kuvioiden analysointiin mahdollisten suhteiden tunnistamiseksi. EDA: ta voidaan lähestyä tuntemattomien yhdistysten löytämiseksi datassa, puuttuvien tietojen tarkastamiseksi kerätystä datasta ja maksimaalisen oivalluksen saamiseksi, oletusten ja hypoteesien tutkimiseksi.
6. Kausaalianalyysi
yleensä kausaalianalyysi auttaa ymmärtämään ja määrittämään syitä ”miksi” asiat tapahtuvat, tai miksi asiat ovat sellaisenaan, sellaisina kuin ne ilmenevät.
esimerkiksi nykyisessä liiketoimintaympäristössä on monia ideoita tai yrityksiä, jotka epäonnistuvat joidenkin tapahtumien vuoksi, siinä tilassa kausaalianalyysi tunnistaa epäonnistumisten perimmäisen syyn tai yksinkertaisesti perussyyn, miksi jotain voisi tapahtua.
IT-alalla tätä käytetään tiettyjen ohjelmistojen laadunvarmistuksen tarkistamiseen, kuten miksi kyseinen ohjelmisto epäonnistui, jos oli bugi, tietomurto jne.ja estää yrityksiä suurilta takaiskuilta.
voimme tarkastella kausaalista analyysia, kun;
- yksilöidään merkittävät ongelma-alueet aineistossa,
- tutkitaan ja tunnistetaan ongelman tai epäonnistumisen perimmäiset syyt,
- ymmärretään, mitä annetulle muuttujalle tapahtuu, jos toinen muuttuja muuttuu.
7. Mekanistinen analyysi
edellä mainituista tilastollisista analyyseistä mekanistinen on vähiten yleinen tyyppi, mutta se on arvokas big data-analytiikan ja biologian prosessissa. Sen tehtävänä on ymmärtää ja selittää, miten asiat tapahtuvat, eikä sitä, miten tietyt asiat tapahtuvat.
siinä käytetään selkeää käsitettä ymmärtää yksittäisiä muutoksia muuttujissa, jotka aiheuttavat muutoksia toisissa muuttujissa vastaavasti, jättäen ulkopuolelle ulkoiset vaikutukset ja ottaen huomioon oletuksen, että koko systeemi saa vaikutteita omien sisäisten elementtiensä vuorovaikutuksesta.
mekanistisen analyysin perustavoitteisiin kuuluu;
- niiden selvien muutosten ymmärtäminen, jotka voivat tehdä muutoksia muissa muuttujissa
- selkeä selitys aikaisemman tapahtuman tapahtumiselle tietojen yhteydessä, erityisesti silloin, kun kyseinen aihe/huolenaihe käsittelee tiettyjä toimintoja.
esimerkiksi biologisessa tieteessä, kun tutkitaan ja tutkitaan, miten muutokset lääketieteessä vaikuttavat viruksen eri osiin.
edellä mainittujen tilastoanalyysityyppien lisäksi tässä on syytä keskustella siitä, että nämä tilastolliset käsittelyt eli tilastotiedon analyysimenetelmät nojaavat syvällisesti siihen, miten tietoja käytetään. Vaikka luotetaan tietyn tutkimuksen toimintaan ja tarpeeseen, tietoja ja tilastollista analyysia voidaan käyttää moniin tarkoituksiin, esimerkiksi lääketieteen tutkijat voivat käyttää erilaisia tilastollisia analyysejä lääkkeen tehokkuuden tai tehon testaamiseen.
lisäksi runsaasti saatavilla olevaa tietoa voi informoida lukuisia asioita, datan ammattilaiset haluavat tutkia, joten tilastollinen analyysi pystyy saamaan joitakin informatiivisia tuloksia ja tekemään joitakin päätelmiä. Myös joissakin tapauksissa, tilastollinen analyysi voidaan lähestyä kerätä tietoa mieltymysten ihmisten ja heidän tottumukset.
esimerkiksi Facebook-ja Instagram-sivustoilla analyytikot voivat käyttää Käyttäjätietoja käyttäjien havainnoinnin ymmärtämiseen, kuten mitä käyttötarkoitukset tekevät ja mikä motivoi heitä. Nämä tiedot voivat hyödyttää kaupallisia mainoksia, joissa tietty käyttäjäryhmä on suunnattu myymään niitä asioita. Sovelluskehittäjien on myös hyvä ymmärtää käyttäjien reaktioita ja tapoja ja tehdä muutoksia tuotteisiin sen mukaisesti.
päätelmä
datan syvempi ymmärtäminen voi laajentaa yrityksen lukuisia mahdollisuuksia, yritysanalytiikan toteuttamisen myötä organisaatio voi saavuttaa dataa tarkastellessaan esimerkiksi ennusteita, oivalluksia tai johtopäätöksiä datasta ja tätä tilastollinen analyysi voi tehdä, esimerkiksi;
- tietojen kokoaminen ja esittäminen kaavioina tai kaavioina keskeisten löydösten esittämiseksi,
- merkittävien tekijöiden/ mittausten tutkiminen aineistosta, kuten keskiarvosta, varianssista, vinoudesta jne.,
- hypoteesin testaaminen useista kokeista,
- tulevan ennakoinnin ennakointi aiemman tiedon perusteella ja paljon muuta.
ja näin ollen yritys voi hyödyntää tilastoanalyysia eri tavoin, esimerkiksi myynnin laskusuuntauksen selvittämiseksi, Asiakastiedon trendien selvittämiseksi, tilintarkastusten tekemiseksi jne.
(Tsekkaa toinen blogini Bayesilaisista tilastoista)