statistik är vetenskapsgrenen som gör olika verktyg och analytiska tekniker för att hantera den enorma omfattningen av data, i enkla termer är det vetenskapen om att montera, klassificera, analysera och tolka & som manifesterar den numeriska formen av data för att göra slutsatser om befolkningen, från de utvalda exempeldata som kan användas av affärsexperter för att lösa sina problem.
därför, i ansträngningarna att organisera data och förutse framtida trender, beroende på informationen, är många organisationer starkt beroende av statistisk analys.
mer exakt gäller statistisk dataanalys datainsamling, tolkning och presentation. Det kan hanteras när du hanterar data för att lösa komplexa problem. Mer exakt ger den statistiska analysen betydelse för obetydliga / irrelevanta data eller siffror.
de viktigaste typerna av statistisk analys är
i synnerhet är statistisk analys processen att konsolidera och analysera distinkta prover av data för att avslöja mönster eller trender och förutse framtida händelser/situationer för att fatta lämpliga beslut.
den statistiska analysen har följande typer som avsevärt beror på datatyper.
7 typer av statistisk analys
1. Beskrivande statistisk analys
i grund och botten handlar det om att organisera och sammanfatta data med hjälp av siffror och grafer. Det gör det enkelt de massiva mängder data för begriplig Tolkning även utan att bilda slutsatser utöver analysen eller svara på några hypoteser.
istället för att bearbeta data i sin råa form gör beskrivande statistisk analys att vi kan representera och tolka data mer effektivt genom numerisk beräkning, grafer eller tabeller.
från alla nödvändiga förberedande steg till avslutande analys och tolkning innefattar beskrivande statistisk analys olika processer såsom tabulering, ett mått på central tendens (medelvärde, median, läge), ett mått på dispersion eller varians (intervall, variation, standardavvikelse), skevhetsmätningar och tidsserieanalys.
Formeldiagram, källa
under beskrivande analys sammanfattas data i tabellform och hanteras & presenteras i form av diagram och grafer för summering av data, förutsatt att det gäller hela befolkningen.
(mest relaterade: beskrivande statistik i R)
dessutom hjälper det att extrahera distinkta egenskaper hos data och att sammanfatta och förklara de väsentliga egenskaperna hos data. Dessutom dras inga insikter om de grupper som inte observeras/samplas.
2. Inferentiell statistisk analys
den inferentiella statistiska analysen används i princip när inspektionen av varje enhet från befolkningen inte kan uppnås, varför den extrapolerar den erhållna informationen till hela populationen.
i enkla ord låter inferentiell statistisk analys oss testa en hypotes beroende på en provdata från vilken vi kan extrahera slutsatser genom att tillämpa sannolikheter och göra generaliseringar om hela data och kan också göra slutsatser med avseende på framtida resultat utöver tillgängliga data.
på detta sätt är det mycket att föredra när man drar slutsatser och fattar beslut om hela befolkningen på grundval av provdata. Som sådan innefattar denna metod provtagningsteorin, olika tester av betydelse,statistisk kontroll etc.
beskrivande vs inferentiell statistisk analys
3. Prediktiv analys
prediktiv analys implementeras för att göra en förutsägelse av framtida händelser, eller vad som sannolikt kommer att äga rum nästa, baserat på nuvarande och tidigare fakta och siffror.
enkelt uttryckt använder prediktiv analys statistiska tekniker och maskininlärningsalgoritmer för att beskriva möjligheten till framtida resultat, beteende och trender beroende på senaste och tidigare data. Ofta använda tekniker under prediktiv analys inkluderar data mining, datamodellering, artificiell intelligens, maskininlärning och etc. att göra tvingande förutsägelser.
i det nuvarande affärssystemet kontaktas denna analys av marknadsföringsföretag, försäkringsorganisationer, onlinetjänstleverantörer, datadriven marknadsföring och finansiella företag, men alla företag kan dra nytta av det genom att planera för en oförutsägbar framtid, till exempel för att få konkurrensfördelen och begränsa risken i samband med en oförutsägbar framtida händelse.
den prediktiva analysen konvergerar på prognoser kommande händelser med hjälp av data och fastställa sannolikheten för flera trender i databeteende. Därför använder företag detta tillvägagångssätt för att få svaret ” Vad kan hända?”där grunden för att göra förutsägelser är en sannolikhetsmått.
4. Prescriptive Analysis
prescriptive analysis undersöker data för att ta reda på vad som ska göras, det används ofta i affärsanalys för att identifiera bästa möjliga åtgärder för en situation.
medan annan statistisk analys kan användas för körundantag, ger den det faktiska svaret. I grund och botten fokuserar det på att upptäcka det optimala förslaget till en beslutsprocess.
flera tekniker, implementerade under prescriptiv analys är simulering, grafanalys, algoritmer, komplex händelsebehandling, maskininlärning, rekommendationsmotor, affärsregler etc.
det är dock nästan relaterat till beskrivande och prediktiv analys, där beskrivande analys förklarar data i termer av vad som har hänt, förutsäger prediktiv analys vad som kan hända, och här handlar prescriptiv analys om att ge lämpliga förslag bland de tillgängliga preferenserna.
5. Exploratory data Analysis (EDA)
Exploratory data analysis, eller EDA som det är känt, är en motsvarighet till inferentiell statistik och implementeras kraftigt av dataexperter. Det är i allmänhet det första steget i dataanalysprocessen som utförs före andra statistiska analystekniker.
EDA distribueras inte ensam för att förutsäga eller generalisera, det gör en förhandsgranskning av data och hjälper till att få några viktiga insikter i den.
denna metod fokuserar helt på att analysera mönster i data för att känna igen potentiella relationer. EDA kan kontaktas för att upptäcka okända föreningar inom data, inspektera saknade data från insamlade data och få maximal insikt, undersöka antaganden och hypoteser.
6. Kausal analys
i allmänhet hjälper kausal analys att förstå och bestämma orsakerna bakom ”varför” saker inträffar, eller varför saker är som sådana, som de verkar.
till exempel i den nuvarande affärsmiljön finns många ideer eller företag där som misslyckas på grund av att vissa händelser händer, i det tillståndet identifierar kausalanalysen orsaken till misslyckanden, eller helt enkelt den grundläggande anledningen till att något kan hända.
i IT-branschen används detta för att kontrollera kvalitetssäkringen av viss programvara, som varför den programvaran misslyckades, om det fanns ett fel, ett dataintrång osv. och förhindrar företag från stora bakslag.
vi kan överväga kausalanalysen när;
- identifiera betydande problemområden inuti data,
- undersöka och identifiera de bakomliggande orsakerna till problemet, eller fel,
- förstå vad som kommer att hända med en angiven variabel om varandra variabel ändras.
7. Mekanistisk analys
bland ovanstående statistiska analys är mekanistisk den minst vanliga typen, men den är värdig i processen med big data-analys och biologisk vetenskap. Det används för att förstå och förklara hur saker händer snarare än hur specifika saker kommer att ske ulteriorly.
den använder det tydliga konceptet att förstå individuella förändringar i variabler som orsakar förändringar i andra variabler på motsvarande sätt samtidigt som man utesluter yttre påverkan och överväger antagandet att hela systemet påverkas via sin egen interna elements interaktion.
de grundläggande målen för mekanistisk analys innefattar;
- förstå de bestämda förändringarna i som kan göra ändringar i andra variabler
- en tydlig förklaring av händelsen av en tidigare händelse i samband med data, särskilt när det specifika ämnet/oroet behandlar specifika aktiviteter.
till exempel inom biologisk vetenskap, när man studerar och inspekterar hur olika delar av viruset påverkas genom att göra förändringar i medicin.
förutom ovanstående statistiska analystyper är det värt att diskutera här att dessa statistiska behandlingar, eller statistiska dataanalystekniker, är djupt beroende av hur data används. Medan man räknar med funktionen och kravet på en viss studie kan data och statistisk analys användas för många ändamål, till exempel kan medicinska forskare använda en mängd statistisk analys för att testa läkemedlets effektivitet eller styrka.
dessutom kan massor av tillgängliga data informera många saker, dataprofessionalister vill utforska, därför kan statistisk analys få några informativa resultat och göra några slutsatser. I vissa fall kan statistisk analys också kontaktas för att samla information om människors preferenser och deras vanor.
användardata, på webbplatser som Facebook och Instagram, kan till exempel användas av analytiker för att förstå användarnas uppfattning, som vad användningar gör och vad som motiverar dem. Denna information kan gynna kommersiella annonser där en viss grupp användare är inriktade på att sälja dem saker. Det är också bra för applikationsutvecklarna att förstå användarnas svar och vanor och göra ändringar i produkter i enlighet därmed.
slutsats
en djupare förståelse av data kan bredda de många möjligheterna för ett företag, med genomförandet av affärsanalys kan en organisation uppnå medan man granskar data, för att driva till exempel förutsägelser, insikter eller slutsatser från data och det är vad statistisk analys kan göra, till exempel;
- sammanställa och manifestera data i form av grafer eller diagram för att visa viktiga resultat,
- utforska signifikanta element/ mätningar från data, som medelvärde, varians, skevhet, etc,
- testa en hypotes från flera experiment,
- förutse kommande framsyn på grundval av tidigare databeteende och många fler.
och därmed kan ett företag dra nytta av statistisk analys på olika sätt, till exempel för att bestämma försäljningsutvecklingen, för att avslöja trender från kunddata, genomföra finansiella revisioner etc.
(kolla in min andra blogg på Bayesian statistik)