Inhoudsopgave:
- Gegevensgestuurde voorspellende analyses genereren
- Hoe gebruikersgedreven voorspellende analyses kunnen worden gegenereerd
Video: Quick Data Analysis with Google Sheets | Part 1 2024
Er zijn twee manieren om voorspellende analyses te genereren of te implementeren: puur op basis van uw gegevens (zonder voorafgaande kennis van wat u zoekt) of met een voorgestelde bedrijfsdoelstelling die de gegevens al dan niet ondersteunen. U hoeft niet de een of de ander te kiezen; de twee benaderingen kunnen complementair zijn. Elk heeft zijn voor- en nadelen.
Beide benaderingen van voorspellende analyses hebben hun beperkingen; houd rekening met risicobeheer terwijl u hun resultaten kruiselings bekijkt. Welke benadering vindt u zowel veelbelovend van goede resultaten als relatief veilig?
Door beide soorten analyses te combineren, kunt u uw bedrijf versterken en kunt u uw begrip, inzicht en bewustzijn van uw bedrijf en uw klanten vergroten. Het maakt uw beslissingsproces slimmer en vervolgens winstgevender.
Gegevensgestuurde voorspellende analyses genereren
Als u uw analyse uitsluitend op bestaande gegevens baseert, kunt u interne gegevens gebruiken die door uw bedrijf in de loop der jaren zijn verzameld, of externe gegevens (vaak gekocht van een bron buiten uw bedrijf) dat relevant is voor uw branche.
Om die gegevens te begrijpen, kunt u dataminingtools gebruiken om zowel de complexiteit als de omvang ervan te ondervangen; onthullen sommige patronen waarvan je je niet bewust was; ontrafel enkele associaties en koppelingen binnen uw gegevens; en gebruik uw bevindingen om nieuwe categorisaties, nieuwe inzichten en nieuwe inzichten te genereren.
Gegevensgestuurde analyse kan zelfs een paar juweeltjes onthullen die uw bedrijf radicaal kunnen verbeteren - dit alles geeft deze benadering een verrassingselement dat gebaseerd is op nieuwsgierigheid en anticipeert.
Data-gedreven analyse is het meest geschikt voor grote datasets omdat het moeilijk voor mensen is om hun gedachten te verpakken rond enorme hoeveelheden data. Datamining-tools en visualisatietechnieken helpen u om van dichtbij te bekijken en de overweldigende hoeveelheid gegevens op de juiste manier te verkleinen. Houd rekening met de volgende algemene principes:
-
Hoe vollediger uw gegevens zijn, hoe beter het resultaat van gegevensgestuurde analyses. Als u uitgebreide gegevens heeft met belangrijke informatie voor de variabelen die u meet en een langere periode bestrijkt, ontdekt u gegarandeerd iets nieuws over uw bedrijf.
-
Datagedreven analyses zijn neutraal omdat er geen voorafgaande kennis over de gegevens nodig is en u niet specifiek op een specifiek doel toe bent, maar de gegevens in het belang van het analyseren.
-
De aard van deze analyse is breed en houdt zich niet bezig met een specifieke zoekopdracht of validatie van een vooropgezet idee.Deze benadering van analyse kan worden gezien als een soort willekeurige en brede datamining.
-
Als u een dergelijke gegevensanalyse uitvoert en als u in de analyse iets over uw bedrijf leert, moet u nog steeds beslissen of de resultaten die u krijgt de moeite waard zijn om te implementeren of ernaar te handelen.
-
Enkel op basis van gegevensgestuurde analyse voegt een risico toe voor de daaruit voortvloeiende zakelijke beslissingen. U kunt dit risico echter beperken door een deel van het realisme op te nemen dat kenmerkend is voor gebruikersgestuurde analyses.
Wanneer uit echte gegevens blijkt dat de oorspronkelijke ideeën juist zijn, is de juiste beslissing praktisch al genomen. Wanneer een geïnformeerd verlangen wordt gevalideerd door de gegevens, toont de hele analyse zich als gedreven door strategische ideeën die de moeite waard zijn om na te streven en te verifiëren.
Hoe gebruikersgedreven voorspellende analyses kunnen worden gegenereerd
De gebruikersgestuurde benadering van voorspellende analyses begint bij u (of uw managers) die ideeën bedenkt en vervolgens naar uw gegevens zoekt om te zien of die ideeën hebben de verdienste, blijven testen en worden ondersteund door de gegevens.
De testgegevens kunnen een zeer kleine subset van uw totale bedrijfsgegevens zijn; het is iets dat u definieert en kiest zoals u relevant acht voor het testen van uw ideeën.
Het proces van het kiezen van de juiste datasets en het ontwerpen van nauwkeurige testmethoden - in feite het hele proces van oprichting tot goedkeuring - moet worden geleid door zorgvuldige overweging en zorgvuldige planning.
User-driven analytics vereist niet alleen strategisch denken, maar ook voldoende diepgaande kennis van het bedrijfsdomein om de strategieën te ondersteunen. Visie en intuïtie kunnen hier heel nuttig zijn; u bent op zoek naar hoe de gegevens specifieke ondersteuning bieden voor ideeën die u belangrijk en strategisch vond. Deze benadering van voorspellende analyses wordt bepaald door de reikwijdte van de ideeën die u ondervindt. Besluitvorming wordt eenvoudiger wanneer de gegevens uw ideeën ondersteunen.
Het proces van het onderzoeken van uw ideeën is misschien niet zo eenvoudig als het analyseren van hele datasets. Het kan ook worden beïnvloed door uw vooringenomenheid om de juistheid van uw eerste aannames te bewijzen.
Hier volgt een vergelijking van gegevensgestuurde en gebruikersgestuurde gegevens.
| Kenmerken | Gegevensgestuurd | Door gebruiker aangedreven |
|---|---|---|
| Bedrijfskennis vereist | Geen voorkennis | Grondige domeinkennis |
| Gebruikte analyse en hulpprogramma's | Breed gebruik van gegevens hulpmiddelen | Specifiek ontwerp voor analyse en testen |
| Big Data | Geschikt voor grootschalige gegevens | Toegepast op kleinere gegevensreeksen |
| Analysebereik | Open bereik | Beperkt bereik > Analyse Conclusie |
| Noodzaak van verificatie van resultaten | Gemakkelijkere acceptatie van analyseresultaten | Datapatroon |
| Onthult patronen en associaties | Kan verborgen patronen en associaties missen |
