Statistica este ramura științei care redă diverse instrumente și tehnici analitice pentru a face față întinderii uriașe a datelor, în termeni simpli, este știința asamblării, clasificării, analizei și interpretării & manifestând forma numerică a datelor pentru a face inferențe despre populație, din datele eșantionului culese care pot fi utilizate de experții în afaceri pentru a-și rezolva problemele.
prin urmare, în eforturile de organizare a datelor și anticiparea tendințelor viitoare, în funcție de informații, multe organizații se bazează foarte mult pe analiza statistică.
mai precis, analiza datelor statistice se referă la colectarea, interpretarea și prezentarea datelor. Acesta poate fi abordat în timp ce manipularea datelor pentru a rezolva probleme complexe. Mai precis, analiza statistică oferă semnificație datelor sau numerelor nesemnificative/irelevante.
tipurile cheie de analiză statistică sunt
în special, analiza statistică este procesul de consolidare și analiză a eșantioanelor distincte de date pentru a divulga modele sau tendințe și anticiparea evenimentelor/situațiilor viitoare pentru a lua decizii adecvate.
analiza statistică are următoarele tipuri care depind în mod considerabil de tipurile de date.
7 tipuri de analize statistice
1. Analiza Statistică descriptivă
fundamental, se ocupă cu organizarea și rezumarea Datelor folosind numere și grafice. Facilitează cantitățile masive de date pentru interpretare inteligibilă chiar și fără a forma concluzii dincolo de analiză sau a răspunde la orice ipoteză.
în locul prelucrării datelor în forma sa brută, analiza Statistică descriptivă ne permite să reprezentăm și să interpretăm datele mai eficient prin calcul numeric, grafice sau tabele.
de la toate etapele pregătitoare necesare până la analiza și interpretarea finală, analiza Statistică descriptivă implică diverse procese, cum ar fi tabularea, o măsură a tendinței centrale (medie, mediană, mod), o măsură a dispersiei sau a varianței (interval, variație, deviație standard), măsurători de asimetrie și analiza seriilor de timp.
diagrama formulei, sursa
în cadrul analizei descriptive, datele sunt rezumate sub formă de tabel și gestionate & prezentate sub formă de diagrame și grafice pentru însumarea datelor, asumându-le pentru întreaga populație.
(cele mai înrudite: statistici Descriptive în R)
mai mult, ajută la extragerea caracteristicilor distincte ale datelor și la rezumarea și explicarea caracteristicilor esențiale ale datelor. Ce e mai mult, nu intuiții sunt trase cu privire la grupurile care nu sunt respectate/eșantionate.
2. Analiza statistică inferențială
analiza statistică inferențială este utilizată practic atunci când inspecția fiecărei unități din populație nu este realizabilă, prin urmare, extrapolează, informațiile obținute, la populația completă.
în cuvinte simple, analiza statistică inferențială ne permite să testăm o ipoteză în funcție de un eșantion de date din care putem extrage inferențe aplicând probabilități și putem face generalizări despre datele întregi și, de asemenea, putem face concluzii cu privire la rezultatele viitoare dincolo de datele disponibile.
în acest fel, este foarte preferabil să se tragă concluzii și să se ia decizii cu privire la întreaga populație pe baza datelor eșantionului. Ca atare, această metodă implică teoria eșantionării, diverse teste de semnificație, control statistic etc.
analiză Statistică descriptivă vs inferențială
3. Analiza predictivă
analiza predictivă este implementată pentru a face o predicție a evenimentelor viitoare sau a ceea ce este probabil să aibă loc în continuare, pe baza faptelor și cifrelor actuale și trecute.
în termeni simpli, analiza predictivă utilizează tehnici statistice și algoritmi de învățare automată pentru a descrie posibilitatea rezultatelor, comportamentului și tendințelor viitoare în funcție de datele recente și anterioare. Tehnicile utilizate pe scară largă în cadrul analizei predictive includ extragerea datelor, modelarea datelor, inteligența artificială, învățarea automată etc. pentru a face predicții imperative.
în sistemul actual de afaceri, această analiză este abordată de companii de marketing, organizații de asigurări, furnizori de servicii online, marketing bazat pe date și corporații financiare, cu toate acestea, orice afacere poate profita de aceasta planificând un viitor imprevizibil, cum ar fi obținerea avantajului competitiv și restrângerea riscului legat de un eveniment viitor imprevizibil.
analiza predictivă converge asupra prognozării evenimentelor viitoare folosind date și stabilirea probabilității mai multor tendințe în comportamentul datelor. Prin urmare, întreprinderile folosesc această abordare pentru a obține răspunsul „ce s-ar putea întâmpla?”în cazul în care baza de a face predicții este o măsură de probabilitate.
4. Analiza prescriptivă
analiza prescriptivă examinează datele pentru a afla ce trebuie făcut, este utilizată pe scară largă în analiza de afaceri pentru identificarea celei mai bune acțiuni posibile pentru o situație.
în timp ce alte analize statistice ar putea fi utilizate pentru excluderi de conducere, acesta oferă răspunsul real. Practic, se concentrează pe descoperirea sugestiei optime pentru un proces de luare a deciziilor.
mai multe tehnici, implementate în cadrul analizei prescriptive sunt simularea, analiza graficelor, algoritmii, procesarea complexă a evenimentelor, învățarea automată, motorul de recomandare, regulile de afaceri etc.
cu toate acestea, este aproape legat de analiza descriptivă și predictivă, unde analiza descriptivă explică datele în termeni de ceea ce s-a întâmplat, analiza predictivă anticipează ce s-ar putea întâmpla și aici analiza prescriptivă se ocupă de furnizarea de sugestii adecvate între preferințele disponibile.
5. Analiza datelor exploratorii (Eda)
analiza datelor Exploratorii, sau EDA după cum se știe, este o contrapartidă a statisticilor inferențiale și implementată în mare măsură de experții în date. Este, în general, primul pas al procesului de analiză a datelor care se desfășoară înainte de orice alte tehnici de analiză statistică.
EDA nu este implementat singur pentru predicție sau generalizare, face o previzualizare a datelor și ajută la obținerea unor informații cheie despre acestea.
această metodă se concentrează pe analiza modelelor din date pentru a recunoaște relațiile potențiale. EDA poate fi abordată pentru descoperirea asociațiilor necunoscute în cadrul datelor, inspectarea datelor lipsă din datele colectate și obținerea de informații maxime, examinarea ipotezelor și ipotezelor.
6. Analiza cauzală
în general, analiza cauzală ajută la înțelegerea și determinarea motivelor din spatele „de ce” apar lucrurile sau de ce lucrurile sunt ca atare, așa cum apar.
de exemplu, în mediul de afaceri actual, există multe idei sau afaceri care eșuează din cauza unor evenimente care se întâmplă, în această condiție, analiza cauzală identifică cauza principală a eșecurilor sau pur și simplu motivul de bază pentru care s-ar putea întâmpla ceva.
în industria IT, aceasta este utilizată pentru a verifica asigurarea calității unui anumit software, cum ar fi motivul pentru care software-ul respectiv a eșuat, dacă a existat o eroare, o încălcare a datelor etc. și împiedică companiile să facă eșecuri majore.
putem lua în considerare analiza cauzală atunci când;
- identificarea zonelor problematice semnificative din interiorul datelor,
- examinarea și identificarea cauzelor profunde ale problemei sau eșecul,
- înțelegerea a ceea ce se va întâmpla cu o variabilă furnizată dacă se schimbă o altă variabilă.
7. Analiza mecanicistă
printre analiza statistică de mai sus, mecanicismul este cel mai puțin comun tip, cu toate acestea, este demn în procesul de analiză a datelor mari și a științei biologice. Acesta este implementat pentru a înțelege și explica modul în care lucrurile se întâmplă, mai degrabă decât modul în care lucrurile specifice vor avea loc ulteriorly.
folosește conceptul clar de înțelegere a schimbărilor individuale în variabile care provoacă modificări în alte variabile în mod corespunzător, excluzând influențele externe și luând în considerare presupunerea că întregul sistem este influențat prin interacțiunea propriilor elemente interne.
obiectivele fundamentale ale analizei mecaniciste implică;
- înțelegerea schimbărilor definite în care ar putea face schimbări în alte variabile
- o explicație clară a întâmplării unui eveniment trecut în contextul datelor, în special atunci când subiectul/preocuparea particulară se ocupă de activități specifice.
de exemplu, în știința biologică, atunci când studiază și inspectează modul în care diferite părți ale virusului sunt afectate de schimbările în medicină.
pe lângă tipurile de analiză statistică de mai sus, merită discutat aici că aceste tratamente statistice, sau tehnici de analiză a datelor statistice, se bazează profund pe modul în care datele sunt utilizate. În timp ce se bazează pe funcția și cerința unui anumit studiu, datele și analizele statistice pot fi utilizate în mai multe scopuri, de exemplu, oamenii de știință medicali pot utiliza o varietate de analize statistice pentru testarea eficacității sau potenței medicamentului.
mai mult, o mulțime de date disponibile pot informa numeroase lucruri, profesioniștii de date doresc să exploreze, prin urmare, analiza statistică este capabilă să obțină unele rezultate informative și să facă unele inferențe. De asemenea, în unele cazuri, analiza statistică poate fi abordată pentru a acumula informații cu privire la preferința oamenilor și obiceiurile lor.
de exemplu, datele utilizatorilor, de pe site-uri precum Facebook și Instagram, pot fi utilizate de analiști pentru a înțelege percepția utilizatorilor, cum ar fi ce utilizări fac și ce îi motivează. Aceste informații pot beneficia de anunțuri comerciale în cazul în care un anumit grup de utilizatori sunt direcționate pentru a le vinde lucruri. De asemenea, este util ca dezvoltatorii de aplicații să înțeleagă răspunsul și obiceiurile utilizatorilor și să facă modificări în produse în consecință.
concluzie
o înțelegere mai profundă a datelor poate lărgi numeroasele oportunități pentru o afacere, odată cu implementarea analizei de afaceri, o organizație poate realiza în timp ce examinează datele, pentru a conduce, de exemplu, predicții, perspective sau concluzii din date și aceasta este ceea ce poate face analiza statistică, de exemplu;
- compilarea și manifestarea datelor sub formă de grafice sau diagrame pentru a arăta constatările cheie,
- explorarea elementelor/ măsurătorilor semnificative din date, cum ar fi media, varianța, asimetria etc.,
- testarea unei ipoteze din mai multe experimente,
- anticiparea previziunii viitoare pe baza comportamentului datelor din trecut și multe altele.
și, prin urmare, o afacere poate profita de analiza statistică în diferite moduri, de exemplu, pentru a determina performanța scăzută a vânzărilor, pentru a descoperi tendințele din datele clienților, efectuarea de audituri financiare etc.
(consultați celălalt blog al meu despre Statisticile Bayesiene)