Statystyka jest gałęzią nauki, która renderuje różne narzędzia i techniki analityczne w celu radzenia sobie z ogromnym zakresem danych, w prostych słowach, jest to nauka o gromadzeniu, klasyfikowaniu, analizowaniu i interpretowaniu & manifestowanie numerycznej formy danych do wnioskowania o populacji, z wybranych przykładowych danych, które mogą być wykorzystane przez ekspertów biznesowych do rozwiązania ich problemów.
dlatego w wysiłkach na rzecz uporządkowania danych i przewidywania przyszłych trendów, w zależności od Informacji, wiele organizacji w dużym stopniu opiera się na analizie statystycznej.
dokładniej, analiza danych statystycznych dotyczy gromadzenia, interpretacji i prezentacji danych. Można do niego podejść podczas obsługi danych w celu rozwiązania złożonych problemów. Dokładniej, analiza statystyczna dostarcza istotności do nieistotnych / nieistotnych danych lub liczb.
kluczowe rodzaje analizy statystycznej to
w szczególności analiza statystyczna to proces konsolidacji i analizy różnych próbek danych w celu ujawnienia wzorców lub trendów i przewidywania przyszłych zdarzeń/sytuacji w celu podjęcia odpowiednich decyzji.
analiza statystyczna ma następujące typy, które w znacznym stopniu zależą od typów danych.
7 rodzaje analizy statystycznej
1. Opisowa Analiza statystyczna
zasadniczo zajmuje się organizowaniem i podsumowywaniem danych za pomocą liczb i wykresów. Ułatwia ogromne ilości danych do zrozumiałej interpretacji, nawet bez formułowania wniosków poza analizą lub odpowiedzi na jakiekolwiek hipotezy.
zamiast przetwarzać dane w postaci surowej, opisowa analiza statystyczna umożliwia nam bardziej wydajne reprezentowanie i interpretowanie danych poprzez obliczenia numeryczne, wykresy lub tabele.
od wszystkich niezbędnych kroków przygotowawczych do końcowej analizy i interpretacji, opisowa analiza statystyczna obejmuje różne procesy, takie jak tabulacja, miara tendencji centralnej (średnia, mediana, tryb), miara dyspersji lub wariancji (zakres, zmienność, odchylenie standardowe), pomiary skośności i analiza szeregów czasowych.
Wykres Formuły, źródło
w ramach analizy opisowej dane są podsumowane w formie tabelarycznej i zarządzane & przedstawione w postaci wykresów i wykresów do podsumowania danych, przyjmując je dla całej populacji.
(Większość powiązanych: statystyki opisowe w R)
ponadto pomaga w wyodrębnieniu odrębnych cech danych oraz w podsumowaniu i wyjaśnieniu podstawowych cech danych. Co więcej, nie są pobierane żadne spostrzeżenia dotyczące grup, które nie są obserwowane / próbkowane.
2. Wnioskowa Analiza statystyczna
wnioskowa analiza statystyczna jest zasadniczo stosowana, gdy kontrola każdej jednostki z populacji nie jest osiągalna, dlatego ekstrapoluje uzyskane informacje na całkowitą populację.
w prostych słowach, wnioskowa analiza statystyczna pozwala nam przetestować hipotezę w zależności od przykładowych danych, z których możemy wyodrębnić wnioski poprzez zastosowanie prawdopodobieństwa i uogólnienia na temat całych danych, a także może wyciągać wnioski w odniesieniu do przyszłych wyników poza dostępnymi danymi.
w ten sposób jest bardzo korzystny przy wyciąganiu wniosków i podejmowaniu decyzji o całej populacji na podstawie danych z prób. W związku z tym metoda ta obejmuje teorię próbkowania, różne testy istotności, kontrolę statystyczną itp.
Analiza statystyczna opisowa i Wnioskowa
3. Analiza predykcyjna
analiza predykcyjna jest zaimplementowana w celu przewidywania przyszłych zdarzeń lub tego, co może mieć miejsce w przyszłości, w oparciu o aktualne i przeszłe fakty i liczby.
mówiąc prościej, analityka predykcyjna wykorzystuje techniki statystyczne i algorytmy uczenia maszynowego do opisywania możliwości przyszłych wyników, zachowań i trendów w zależności od ostatnich i poprzednich danych. Szeroko stosowane techniki w ramach analizy predykcyjnej obejmują eksplorację danych, modelowanie danych, sztuczną inteligencję, uczenie maszynowe itp. do przewidywania.
w obecnym systemie biznesowym do analizy tej podchodzą firmy marketingowe, organizacje ubezpieczeniowe, dostawcy usług online, marketing oparty na danych i korporacje finansowe, jednak każda firma może z niej skorzystać, planując nieprzewidywalną przyszłość, taką jak zdobycie przewagi konkurencyjnej i zawężenie ryzyka związanego z nieprzewidywalnym zdarzeniem w przyszłości.
analiza predykcyjna opiera się na prognozowaniu nadchodzących zdarzeń przy użyciu danych i ustalaniu prawdopodobieństwa wystąpienia kilku trendów w zachowaniu danych. Dlatego firmy wykorzystują to podejście, aby uzyskać odpowiedź ” co może się zdarzyć?”gdzie podstawą przewidywania jest miara prawdopodobieństwa.
4. Analiza nakazowa
analiza nakazowa analizuje dane, aby dowiedzieć się, co należy zrobić, jest szeroko stosowana w analizie biznesowej do identyfikacji najlepszych możliwych działań w danej sytuacji.
podczas gdy inne analizy statystyczne mogą być stosowane do wykluczeń z jazdy, zapewnia ona rzeczywistą odpowiedź. Zasadniczo skupia się na odkryciu optymalnej sugestii dla procesu podejmowania decyzji.
kilka technik zaimplementowanych w ramach analizy nakazowej to symulacja, analiza wykresów, algorytmy, złożone przetwarzanie zdarzeń, uczenie maszynowe, silnik rekomendacji, reguły biznesowe itp.
jednak jest to prawie związane z analizą opisową i predykcyjną, gdzie analiza opisowa wyjaśnia dane pod względem tego, co się stało, analiza predykcyjna przewiduje, co może się zdarzyć, a tutaj analiza preskrypcyjna zajmuje się dostarczaniem odpowiednich sugestii wśród dostępnych preferencji.
5. Eksploracyjna Analiza danych (Eda)
eksploracyjna analiza danych, lub EDA, jak wiadomo, jest odpowiednikiem statystyki wnioskowej i w znacznym stopniu wdrażany przez ekspertów ds. danych. Jest to na ogół pierwszy etap procesu analizy danych, który jest przeprowadzany przed innymi technikami analizy statystycznej.
EDA nie jest wdrażana sama do przewidywania lub uogólniania, renderuje podgląd danych i pomaga uzyskać kluczowe informacje na ten temat.
ta metoda w pełni koncentruje się na analizie wzorców w danych w celu rozpoznania potencjalnych relacji. EDA można zwrócić się do odkrywania nieznanych skojarzeń w danych, sprawdzania brakujących danych z zebranych danych i uzyskiwania maksymalnych spostrzeżeń, badania założeń i hipotez.
6. Analiza przyczynowa
ogólnie rzecz biorąc, analiza przyczynowa pomaga w zrozumieniu i określeniu przyczyn „dlaczego” rzeczy występują lub dlaczego rzeczy są takie, jakie się pojawiają.
na przykład w obecnym środowisku biznesowym istnieje wiele pomysłów lub firm, które nie powiodły się z powodu niektórych wydarzeń, w tym stanie analiza przyczynowa identyfikuje podstawową przyczynę niepowodzeń lub po prostu podstawowy powód, dla którego coś może się zdarzyć.
w branży IT jest to używane do sprawdzania zapewnienia jakości określonego oprogramowania, na przykład, dlaczego oprogramowanie zawiodło, jeśli wystąpił błąd, naruszenie danych itp.i zapobiega poważnym niepowodzeniom firm.
możemy rozważyć analizę przyczynową, gdy;
- Identyfikacja istotnych problemów-obszary wewnątrz danych,
- badanie i identyfikowanie przyczyn problemu lub awarii,
- zrozumienie, co się stanie z podaną zmienną, jeśli zmieni się jedna zmienna.
7. Analiza mechanistyczna
wśród powyższej analizy statystycznej mechanistyka jest najmniej powszechnym typem, jednak jest godna w procesie analizy big data i nauk biologicznych. Jest on wdrażany w celu zrozumienia i wyjaśnienia, jak rzeczy się dzieją, a nie jak konkretne rzeczy będą miały miejsce.
wykorzystuje jasną koncepcję rozumienia indywidualnych zmian w zmiennych, które powodują zmiany w innych zmiennych odpowiednio, wykluczając wpływy zewnętrzne i biorąc pod uwagę założenie, że cały system podlega wpływowi poprzez interakcję jego własnych elementów wewnętrznych.
podstawowe cele analizy mechanistycznej obejmują;
- zrozumienie konkretnych zmian, które mogą spowodować zmiany w innych zmiennych
- jasne wyjaśnienie zdarzenia z przeszłości w kontekście danych, zwłaszcza gdy dany temat/problem dotyczy konkretnych działań.
na przykład w naukach biologicznych, podczas badania i kontroli wpływu różnych części wirusa na zmiany w medycynie.
poza powyższymi typami analizy statystycznej, warto tutaj omówić, że te metody statystyczne, czyli techniki analizy danych statystycznych, głęboko opierają się na sposobie, w jaki dane są wykorzystywane. Licząc na funkcję i wymagania konkretnego badania, Dane i analiza statystyczna mogą być wykorzystywane do wielu celów, na przykład naukowcy medyczni mogą korzystać z różnych analiz statystycznych do testowania skuteczności lub siły działania leku.
co więcej, wiele dostępnych danych może informować o wielu rzeczach, profesjonaliści danych chcą zbadać, dlatego analiza statystyczna jest w stanie uzyskać pewne wyniki informacyjne i wnioskować. Ponadto w niektórych przypadkach można podejść do analizy statystycznej w celu gromadzenia informacji dotyczących preferencji ludzi i ich nawyków. Facebook i Instagram mogą być wykorzystywane przez analityków do zrozumienia percepcji użytkowników, takich jak to, co robi i co je motywuje. Informacje te mogą przynieść korzyści reklamom komercyjnym, w których konkretna grupa użytkowników jest skierowana do sprzedaży im rzeczy. Pomocne jest również dla twórców aplikacji zrozumienie reakcji i nawyków użytkowników oraz odpowiednie wprowadzanie zmian w produktach.
wniosek
głębsze zrozumienie danych może poszerzyć wiele możliwości dla firmy, dzięki wdrożeniu analityki biznesowej, organizacja może osiągnąć podczas analizowania danych, na przykład do prowadzenia prognoz, spostrzeżeń lub wniosków z danych i to jest to, co analiza statystyczna może zrobić, na przykład, ;
- kompilowanie i manifestowanie danych w postaci wykresów lub wykresów, aby pokazać kluczowe ustalenia,
- odkrywanie istotnych elementów/ pomiarów z danych, takich jak średnia, wariancja, skośność itp.,
- Testowanie hipotezy z wielu eksperymentów,
- Przewidywanie nadchodzącego przewidywania na podstawie przeszłych zachowań danych i wiele innych.
a zatem firma może wykorzystać zalety analizy statystycznej na różne sposoby, na przykład w celu określenia niskiej wydajności sprzedaży, odkrycia trendów na podstawie danych klientów, przeprowadzania audytów finansowych itp.
(Sprawdź mój inny blog o statystykach bayesowskich)