راهنمای روشها ، مزایا و مشکلات تفسیر داده ها

تجزیه و تحلیل و تفسیر داده ها اکنون با ظهور عصر دیجیتال ، مرحله مرکزی را به خود اختصاص داده است ... و مقدار زیادی از داده ها می توانند وحشتناک باشند. در حقیقت ، یک مطالعه جهان دیجیتال نشان داد که کل داده ها در سال 2012 2. 8 تریلیون گیگابایت بوده است! براساس این میزان داده ها به تنهایی ، مشخص است که کارت تماس هر شرکت موفق در دنیای جهانی امروز توانایی تجزیه و تحلیل داده های پیچیده ، تولید بینش های عملی و سازگاری با نیازهای بازار جدید خواهد بود ... همه با سرعت فکر.

داشبوردهای تجاری ابزارهای دیجیتالی سن برای داده های بزرگ هستند. آنها قادر به نمایش شاخص های کلیدی عملکرد (KPI) برای هر دو تجزیه و تحلیل داده های کمی و کیفی هستند ، آنها برای تصمیم گیری های سریع و با محوریت بازار که رهبران صنعت امروز را به سمت موفقیت پایدار سوق می دهد ، ایده آل هستند. از طریق هنر ارتباطات بصری ساده ، داشبورد داده ها به مشاغل اجازه می دهد تا در تصمیم گیری در زمان واقعی و آگاهانه شرکت کنند و ابزارهای اصلی در تفسیر داده ها هستند. اول از همه ، بگذارید تعریفی پیدا کنیم تا بفهمیم چه چیزی در پشت معنای تفسیر داده ها نهفته است.

شانس شما: آیا می خواهید یک نرم افزار قدرتمند تجزیه و تحلیل داده ها را آزمایش کنید؟از آزمایش رایگان 14 روزه ما استفاده کنید و شروع به استخراج بینش از داده های خود کنید!

تفسیر داده ها چیست؟

تفسیر داده ها به فرآیند استفاده از روشهای متنوع تحلیلی برای بررسی داده ها و رسیدن به نتیجه گیری مربوطه اشاره دارد. تفسیر داده ها به محققان کمک می کند تا به منظور پاسخ به سؤالات مهم ، طبقه بندی ، دستکاری و خلاصه اطلاعات را طبقه بندی ، دستکاری و خلاصه کنند.

اهمیت تفسیر داده ها مشهود است و به همین دلیل باید به درستی انجام شود. داده ها به احتمال زیاد از چندین منبع به دست می آیند و تمایل به ورود به فرآیند تجزیه و تحلیل با سفارش Hafazard دارند. تجزیه و تحلیل داده ها بسیار ذهنی است. یعنی ماهیت و هدف تفسیر از تجارت به تجارت متفاوت خواهد بود ، احتمالاً با نوع داده های مورد تجزیه و تحلیل ارتباط دارد. در حالی که چندین فرآیند مختلف وجود دارد که بر اساس ماهیت داده های فردی اجرا می شوند ، دو دسته وسیع ترین و متداول ترین "تجزیه و تحلیل کمی" و "تجزیه و تحلیل کیفی" هستند.

با این حال، قبل از شروع هر تحقیق جدی در مورد تفسیر داده ها، باید درک کرد که ارائه بصری یافته های داده ها بی ربط است، مگر اینکه تصمیم درستی در مورد مقیاس های اندازه گیری گرفته شود. قبل از شروع هر تجزیه و تحلیل جدی داده ها، مقیاس اندازه گیری باید برای داده ها تعیین شود زیرا این امر تأثیر بلندمدتی بر ROI تفسیر داده ها خواهد داشت. مقیاس های مختلف عبارتند از:

• مقیاس اسمی: مقوله های غیر عددی که نمی توان آنها را رتبه بندی کرد یا از نظر کمی مقایسه کرد. متغیرها انحصاری و جامع هستند.
• مقیاس ترتیبی: مقوله های انحصاری که انحصاری و جامع اما با نظم منطقی هستند. رتبه بندی های کیفیت و رتبه بندی توافق نمونه هایی از مقیاس های ترتیبی هستند (یعنی خوب، خیلی خوب، منصفانه، و غیره، یا موافقم، کاملاً موافقم، مخالفم، و غیره).
• فاصله: مقیاس اندازه گیری که در آن داده ها به دسته هایی با فواصل منظم و مساوی بین دسته ها گروه بندی می شوند. همیشه یک نقطه صفر دلخواه وجود دارد.
• نسبت: شامل ویژگی های هر سه است.

برای بررسی عمیق تر مقیاس های اندازه گیری، مقاله ما را در مورد سوالات تجزیه و تحلیل داده ها بخوانید. هنگامی که مقیاس های اندازه گیری انتخاب شدند، زمان آن فرا رسیده است که انتخاب کنید کدام یک از دو فرآیند تفسیری گسترده با نیازهای داده شما مطابقت دارد. بیایید نگاهی دقیق تر به آن روش های خاص تفسیر داده ها و مشکلات احتمالی تفسیر داده بیندازیم.

چگونه داده ها را تفسیر کنیم؟

هنگام تفسیر داده ها، یک تحلیلگر باید سعی کند تفاوت های بین همبستگی، علیت، و تصادف، و همچنین بسیاری از سوگیری های دیگر را تشخیص دهد - اما او همچنین باید همه عوامل دخیل که ممکن است منجر به نتیجه شده باشد را در نظر بگیرد. روش های مختلفی برای تفسیر داده ها وجود دارد که می توان از آنها استفاده کرد.

تفسیر داده ها برای کمک به افراد در درک داده های عددی جمع آوری، تجزیه و تحلیل و ارائه شده طراحی شده است. داشتن یک روش (یا روش های) پایه برای تفسیر داده ها، ساختار و پایه ای ثابت را برای تیم های تحلیلگر شما فراهم می کند. در واقع، اگر چندین بخش رویکردهای متفاوتی برای تفسیر داده های یکسان داشته باشند و در عین حال اهداف یکسانی را به اشتراک بگذارند، ممکن است برخی اهداف ناهماهنگ ایجاد شود. روش های متفاوت منجر به تلاش های مضاعف، راه حل های ناسازگار، اتلاف انرژی، و به ناچار به زمان و پول خواهد شد. در این قسمت به دو روش اصلی تفسیر داده ها می پردازیم: تحلیل کیفی و کمی.

تفسیر داده های کیفی

تجزیه و تحلیل داده های کیفی را می توان در یک کلمه - طبقه بندی کرد. با تجزیه و تحلیل کیفی ، داده ها از طریق مقادیر یا الگوهای عددی توصیف نمی شوند ، بلکه از طریق استفاده از زمینه توصیفی (یعنی متن). به طور معمول ، داده های روایی با استفاده از طیف گسترده ای از تکنیک های شخص به فرد جمع آوری می شود. این تکنیک ها عبارتند از:

• مشاهدات: جزئیات الگوهای رفتاری که در یک گروه مشاهده رخ می دهد. این الگوهای می تواند مقدار زمان صرف شده در یک فعالیت ، نوع فعالیت و روش ارتباطات به کار رفته باشد.
• گروه های متمرکز: افراد گروهی و از آنها سؤالات مربوطه را برای ایجاد بحث مشترک در مورد یک موضوع تحقیق بپرسید.
• تحقیقات ثانویه: دقیقاً مانند چگونگی مشاهده الگوهای رفتار ، انواع مختلف منابع مستندات را می توان بر اساس نوع مواد موجود در آنها کدگذاری و تقسیم کرد.
• مصاحبه ها: یکی از بهترین روش های مجموعه برای داده های روایی. پاسخ های پرس و جو را می توان با موضوع ، موضوع یا دسته بندی گروه بندی کرد. رویکرد مصاحبه امکان تقسیم داده های بسیار متمرکز را فراهم می کند.

تفاوت اساسی بین تجزیه و تحلیل کیفی و کمی در مرحله تفسیر قابل توجه است. داده های کیفی ، همانطور که به طور گسترده برای تفسیر باز است ، باید "رمزگذاری" شوند تا گروه بندی و برچسب زدن داده ها در مضامین قابل شناسایی تسهیل شود. از آنجا که تکنیک های جمع آوری داده های شخص به فرد اغلب می توانند منجر به اختلافات مربوط به تجزیه و تحلیل مناسب شوند ، تجزیه و تحلیل داده های کیفی اغلب از طریق سه اصل اساسی خلاصه می شود: توجه کنید ، چیزها را جمع کنید ، در مورد چیزها فکر کنید.

تفسیر داده های کمی

اگر تفسیر داده های کمی را می توان در یک کلمه خلاصه کرد (و واقعاً نمی تواند) آن کلمه "عددی" خواهد بود. در مورد تجزیه و تحلیل داده ها ، اطمینان کمی وجود دارد ، اما می توانید مطمئن باشید که اگر تحقیقاتی که در آن مشغول هستید هیچ شماره ای در آن وجود ندارد ، این تحقیق کمی نیست. تجزیه و تحلیل کمی به مجموعه ای از فرآیندها اشاره دارد که داده های عددی مورد تجزیه و تحلیل قرار می گیرند. بیشتر اوقات ، این شامل استفاده از مدل سازی آماری مانند انحراف استاندارد ، میانگین و متوسط است. بیایید سریعترین اصطلاحات آماری را مرور کنیم:

• میانگین: میانگین نشان دهنده میانگین عددی برای مجموعه ای از پاسخ ها است. هنگام برخورد با یک مجموعه داده (یا چندین مجموعه داده) ، میانگین یک مقدار اصلی مجموعه خاص از اعداد را نشان می دهد. این مجموع مقادیر تقسیم بر تعداد مقادیر موجود در مجموعه داده است. اصطلاحات دیگری که می توانند برای توصیف مفهوم مورد استفاده قرار گیرند ، میانگین ، میانگین و انتظار ریاضی است.
• انحراف استاندارد: این اصطلاح آماری دیگری است که معمولاً در تجزیه و تحلیل کمی ظاهر می شود. انحراف استاندارد توزیع پاسخ ها را در مورد میانگین نشان می دهد. این میزان قوام در پاسخ ها را توصیف می کند. همراه با میانگین ، بینش در مجموعه داده ها را ارائه می دهد.
• توزیع فرکانس: این یک اندازه گیری است که میزان ظاهر پاسخ در یک مجموعه داده را ارزیابی می کند. به عنوان مثال ، هنگام استفاده از یک نظرسنجی ، توزیع فرکانس توانایی تعیین تعداد دفعاتی که یک پاسخ مقیاس خاص خاص ظاهر می شود (یعنی موافق ، کاملاً موافق ، مخالف و غیره) است. توزیع فرکانس در تعیین میزان اجماع بین نقاط داده بسیار مشتاق است.

به طور معمول ، داده های کمی با ارائه تست های همبستگی بصری بین دو یا چند متغیر از اهمیت اندازه گیری می شود. فرآیندهای مختلف را می توان با هم یا جداگانه استفاده کرد ، و می توان مقایسه هایی را انجام داد تا در نهایت به نتیجه برسد. سایر فرآیندهای تفسیر امضای داده های کمی شامل موارد زیر است:

• تجزیه و تحلیل رگرسیون: اساساً ، تجزیه و تحلیل رگرسیون از داده های تاریخی برای درک رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل استفاده می کند. دانستن اینکه کدام متغیرها مرتبط هستند و نحوه توسعه آنها در گذشته به شما امکان می دهد نتایج احتمالی را پیش بینی کرده و تصمیمات بهتری را پیش ببرید. به عنوان مثال ، اگر می خواهید فروش خود را برای ماه آینده پیش بینی کنید ، می توانید از تجزیه و تحلیل رگرسیون استفاده کنید تا بفهمید چه عواملی از جمله محصولات موجود در فروش ، راه اندازی یک کمپین جدید ، در میان بسیاری دیگر تأثیر خواهد گذاشت.

• تجزیه و تحلیل کوهورت: این روش گروه هایی از کاربرانی را که در یک دوره زمانی خاص دارای ویژگی های مشترک هستند ، شناسایی می کند. در یک سناریوی تجاری ، تجزیه و تحلیل کوهورت معمولاً برای درک رفتارهای مختلف مشتری استفاده می شود. به عنوان مثال ، یک گروه می تواند همه کاربرانی باشد که در یک روز معین برای یک آزمایش رایگان ثبت نام کرده اند. تجزیه و تحلیل می شود تا ببیند این کاربران چگونه رفتار می کنند ، چه اقداماتی را انجام می دهند و رفتار آنها با سایر گروه های کاربر متفاوت است.

• تجزیه و تحلیل پیش بینی کننده: همانطور که از نام آن پیداست ، روش تجزیه و تحلیل پیش بینی با هدف پیش بینی تحولات آینده با تجزیه و تحلیل داده های تاریخی و فعلی انجام می شود. با استفاده از فن آوری هایی مانند هوش مصنوعی و یادگیری ماشین ، شیوه های تجزیه و تحلیل پیش بینی کننده مشاغل را قادر می سازد تا روند یا موضوعات بالقوه را مشاهده کنند و استراتژی های آگاهانه را از قبل برنامه ریزی کنند.

• تجزیه و تحلیل تجویز: همچنین از پیش بینی ها ، روش تجزیه و تحلیل تجویز شده از تکنیک هایی مانند تجزیه و تحلیل نمودار ، پردازش رویداد پیچیده ، شبکه های عصبی ، از جمله دیگر ، سعی می کند تا تأثیراتی را که تصمیمات آینده به منظور تنظیم آنها قبل از اینکه واقعاً انجام شود ، کشف کندواداین به مشاغل کمک می کند تا استراتژی های تجاری پاسخگو و عملی را توسعه دهند.

• تجزیه و تحلیل پیوسته: به طور معمول برای تجزیه و تحلیل پیمایشی ، از رویکرد پیوسته برای تجزیه و تحلیل چگونگی ارزش گذاری افراد از ویژگی های مختلف یک محصول یا خدمات استفاده می شود. این به محققان و مشاغل کمک می کند تا قیمت گذاری ، ویژگی های محصول ، بسته بندی و بسیاری از ویژگی های دیگر را تعریف کنند. استفاده متداول ، تجزیه و تحلیل پیوندی مبتنی بر منو است که در آن به افراد "منو" گزینه هایی داده می شود که از طریق آنها می توانند مفهوم یا محصول ایده آل خود را بسازند. مانند این تحلیلگران می توانند درک کنند که کدام ویژگی ها را بالاتر از دیگران انتخاب می کنند و نتیجه گیری می کنند.

• تجزیه و تحلیل خوشه ای: آخرین و مهمترین چیز ، تجزیه و تحلیل خوشه روشی است که برای گروه بندی اشیاء به دسته ها استفاده می شود. از آنجا که هنگام استفاده از تجزیه و تحلیل خوشه ای هیچ متغیر هدف وجود ندارد ، این یک روش مفید برای یافتن روندها و الگوهای پنهان در داده ها است. در یک زمینه تجاری از خوشه بندی برای تقسیم مخاطبان برای ایجاد تجربیات هدفمند استفاده می شود و در تحقیقات بازار اغلب برای شناسایی گروه های سنی ، اطلاعات جغرافیایی ، درآمد از جمله دیگر استفاده می شود.

اکنون که ما دیده ایم که چگونه داده ها را تفسیر کنیم ، بیایید حرکت کنیم و از خودمان سؤال کنیم: برخی از مزایای تفسیر داده ها چیست؟چرا همه صنایع درگیر تحقیق و تجزیه و تحلیل داده ها هستند؟این سؤالات اساسی است ، اما آنها اغلب توجه کافی را به خود جلب نمی کنند.

چرا تفسیر داده ها مهم است

هدف از جمع آوری و تفسیر ، به دست آوردن اطلاعات مفید و قابل استفاده و تصمیم گیری آگاهانه ترین تصمیمات است. از مشاغل گرفته تا تازه متولد شده در مورد اولین خانه خود ، جمع آوری داده ها و تفسیر مزایای بی حد و حصر را برای طیف گسترده ای از موسسات و افراد فراهم می کند.

تجزیه و تحلیل و تفسیر داده ها ، صرف نظر از روش و وضعیت کیفی/کمی ، ممکن است شامل ویژگی های زیر باشد:

• شناسایی و توضیح داده ها
• مقایسه و تضاد داده ها
• شناسایی داده های پرت
• پیش بینی های آینده

تجزیه و تحلیل و تفسیر داده ها در نهایت به بهبود فرآیندها و شناسایی مشکلات کمک می کند. رشد و ایجاد پیشرفت های قابل اعتماد بدون حداقل جمع آوری و تفسیر داده ها دشوار است. کلمه کلیدی چیست؟قابل اعتمادایده های مبهم در مورد افزایش عملکرد در همه موسسات و صنایع وجود دارد. با این حال، بدون تحقیق و تحلیل مناسب، یک ایده احتمالاً برای همیشه در حالت راکد باقی می ماند (یعنی حداقل رشد). بنابراین... چند مورد از مزایای تجاری تجزیه و تحلیل و تفسیر داده های عصر دیجیتال چیست؟بیا یک نگاهی بیندازیم!

1) تصمیم گیری آگاهانه: یک تصمیم فقط به اندازه دانشی است که آن را شکل داده است. تصمیم گیری اطلاعات آگاهانه این پتانسیل را دارد که رهبران صنعت را از بقیه بازار متمایز کند. مطالعات نشان داده است که شرکت هایی که در یک سوم صنایع خود قرار دارند، به طور متوسط 5 درصد بهره وری بیشتر و 6 درصد سودآورتر در هنگام اجرای فرآیندهای تصمیم گیری اطلاعات آگاهانه هستند. اکثر اقدامات تعیین کننده تنها پس از شناسایی یک مشکل یا تعریف یک هدف به وجود می آیند. تجزیه و تحلیل داده ها باید شامل شناسایی، تدوین پایان نامه و جمع آوری داده ها و به دنبال آن ارتباط داده ها باشد.

اگر مؤسسات فقط از آن نظم ساده پیروی کنند، نظمی که همه ما باید از نمایشگاه های علمی مدارس ابتدایی با آن آشنا باشیم، در آن صورت می توانند مسائل را در زمان واقعی حل کنند. تصمیم گیری آگاهانه تمایل به چرخه ای دارد. این بدان معناست که واقعاً هیچ پایانی وجود ندارد و در نهایت سؤالات و شرایط جدیدی در فرآیند ایجاد می شود که نیاز به مطالعه بیشتر دارد. نظارت بر نتایج داده ها به طور اجتناب ناپذیری فرآیند را با داده ها و مناظر جدید به آغاز باز می گرداند.

۲) پیش بینی نیازها با شناسایی روندها: بینش داده ها دانش را فراهم می کند و دانش قدرت است. بینش به دست آمده از تجزیه و تحلیل داده های بازار و مصرف کننده، این توانایی را دارد که روندها را برای همتایان در بخش های مشابه بازار تعیین کند. یک مثال عالی از اینکه چگونه تجزیه و تحلیل داده ها می تواند بر پیش بینی روند تأثیر بگذارد را می توان در برنامه شناسایی موسیقی Shazam مشاهده کرد. این برنامه به کاربران اجازه می دهد تا یک کلیپ صوتی از آهنگی را که دوست دارند آپلود کنند، اما به نظر نمی رسد که آن را شناسایی کند. کاربران روزانه 15 میلیون آهنگ شناسایی می کنند. با این داده ها، Shazam در پیش بینی هنرمندان محبوب آینده موثر بوده است.

هنگامی که روند صنعت مشخص می شود ، آنها می توانند به هدف صنعت بیشتری خدمت کنند. به عنوان مثال ، بینش های نظارت بر Shazam نه تنها در درک چگونگی پاسخگویی به نیازهای مصرف کننده ، بلکه به مدیران موسیقی اعطا می کند و شرکت های برچسب را به صحنه های فرهنگ پاپ روز می پردازد. فرآیندهای جمع آوری و تفسیر داده ها می توانند پیش بینی آب و هوا در سطح صنعت را فراهم کنند و منجر به جریان درآمد بیشتر در بازار شوند. به همین دلیل ، همه موسسات باید چرخه داده های اساسی جمع آوری ، تفسیر ، تصمیم گیری و نظارت را دنبال کنند.

3) راندمان هزینه: اجرای مناسب فرآیندهای تجزیه و تحلیل داده ها می تواند مزایای هزینه عمیقی را در صنایع خود فراهم کند. یک مطالعه داده اخیر که توسط Deloitte انجام شده است به وضوح نشان می دهد که ROI تجزیه و تحلیل داده ها با کاهش هزینه کارآمد هدایت می شود. غالباً ، این مزیت نادیده گرفته می شود زیرا درآمدزایی به طور معمول به عنوان "جنسی" از صرفه جویی در پول تلقی می شود. با این حال ، تجزیه و تحلیل داده های صوتی توانایی هشدار دادن به مدیریت در فرصت های کاهش هزینه را بدون هیچ گونه تلاش قابل توجهی از تلاش از طرف سرمایه انسانی دارد.

یک نمونه عالی از پتانسیل برای بهره وری هزینه از طریق تجزیه و تحلیل داده ها اینتل است. قبل از سال 2012 ، اینتل قبل از اینکه بتوانند برای آزادی قابل قبول تلقی شوند ، بیش از 19،000 آزمایش عملکرد تولید را روی تراشه های خود انجام می داد. برای کاهش هزینه ها و کاهش زمان آزمون ، اینتل تجزیه و تحلیل داده های پیش بینی کننده را اجرا کرد. اینتل با استفاده از داده های تاریخی و فعلی ، با تمرکز روی تست های تراشه خاص و فردی ، از آزمایش هر تراشه 19000 بار جلوگیری می کند. اینتل پس از اجرای آن در سال 2012 ، بیش از 3 میلیون دلار در هزینه های تولید پس انداز کرد. کاهش هزینه ممکن است به اندازه سود داده "سکسی" نباشد ، اما همانطور که اینتل اثبات می کند ، این یک مزیت از تجزیه و تحلیل داده ها است که نباید مورد غفلت واقع شود.

4) Clear Plastight: شرکت هایی که داده های خود را جمع آوری و تجزیه و تحلیل می کنند ، دانش بهتری در مورد خود ، فرآیندهای خود و عملکرد خود کسب می کنند. آنها می توانند هنگام ظهور ، چالش های عملکرد را شناسایی کنند و برای غلبه بر آنها اقدام کنند. تفسیر داده ها از طریق بازنمودهای بصری به آنها اجازه می دهد تا یافته های خود را سریعتر پردازش کرده و تصمیمات آگاهانه ای را در مورد آینده شرکت بگیرند.

شانس شما: آیا می خواهید یک نرم افزار قدرتمند تجزیه و تحلیل داده ها را آزمایش کنید؟از آزمایش رایگان 14 روزه ما استفاده کنید و شروع به استخراج بینش از داده های خود کنید!

تجزیه و تحلیل داده های مشترک و مشکلات تفسیر

مانترا تکرار شده از کسانی که از پیشرفت داده ها در عصر دیجیتال می ترسند "داده های بزرگ برابر با مشکلات بزرگی است."اگرچه این بیانیه دقیق نیست ، به راحتی می توان گفت که برخی از مشکلات تفسیر داده ها یا "مشکلات" وجود دارد و می تواند هنگام تجزیه و تحلیل داده ها ، به ویژه با سرعت فکر رخ دهد. بیایید برخی از رایج ترین خطرات مربوط به تفسیر داده ها را شناسایی کنیم و در مورد چگونگی جلوگیری از آنها روشن کنیم:

1) همبستگی اشتباه به دلیل علیت: اولین تفسیر نادرست ما از داده ها به تمایل تحلیلگران داده برای مخلوط کردن علت یک پدیده با همبستگی اشاره دارد. این فرض است که از آنجا که دو عمل با هم اتفاق افتاده است ، یکی دیگر باعث دیگری شد. این دقیق نیست زیرا اقدامات می توانند در کنار هم یک رابطه علت و معلولی اتفاق بیفتند.

• مثال عصر دیجیتال: با فرض اینکه افزایش درآمد نتیجه افزایش پیروان رسانه های اجتماعی است ... ممکن است همبستگی قطعی بین این دو وجود داشته باشد ، به خصوص با تجربیات خرید چند کانال امروز. اما ، این بدان معنا نیست که افزایش پیروان علت مستقیم افزایش درآمد است. هم می تواند یک علت مشترک و هم یک علیت غیرمستقیم باشد.
• راه حل: تلاش برای از بین بردن متغیری که فکر می کنید باعث ایجاد پدیده می شود.

2) تعصب تأیید: مسئله دوم تفسیر داده ما زمانی اتفاق می افتد که شما یک تئوری یا فرضیه در ذهن داشته باشید ، اما قصد دارید فقط الگوهای داده ای را کشف کنید که ضمن رد کردن مواردی که انجام نمی دهند ، از آن پشتیبانی می کنند.

• مثال عصر دیجیتال: رئیس شما از شما می خواهد که موفقیت یک کمپین بازاریابی رسانه های اجتماعی چند پلتفرمی اخیر را تجزیه و تحلیل کنید. در حالی که تجزیه و تحلیل متغیرهای داده بالقوه از کمپین (موردی که شما اجرا کردید و معتقدید خوب عمل کرده اید) ، می بینید که نرخ سهم برای پست های فیس بوک بسیار عالی بود ، در حالی که نرخ سهم توییت های توییتر نبود. فقط استفاده از پست های فیس بوک برای اثبات این فرضیه شما مبنی بر موفقیت این کمپین می تواند جلوه کاملی از تعصب تأیید باشد.
• راه حل: از آنجا که این مشکل اغلب مبتنی بر خواسته های ذهنی است ، یک راه حل تجزیه و تحلیل داده ها با تیمی از افراد عینی است. اگر این امکان پذیر نباشد ، راه حل دیگر مقاومت در برابر اصرار برای نتیجه گیری قبل از اتمام اکتشاف داده ها است. به یاد داشته باشید همیشه سعی کنید یک فرضیه را رد کنید ، نه آن را اثبات کنید.

3) داده های بی ربط: سومین داده های سوء تفسیر داده ها به ویژه در عصر دیجیتال از اهمیت ویژه ای برخوردار است. از آنجا که داده های بزرگ دیگر به صورت مرکزی ذخیره نمی شوند ، و همانطور که همچنان با سرعت اندیشه مورد تجزیه و تحلیل قرار می گیرد ، اجتناب ناپذیر است که تحلیلگران بر روی داده هایی که بی ربط به مشکلی هستند که سعی در تصحیح آنها دارند ، متمرکز شوند.

• مثال عصر دیجیتال: در تلاش برای دستیابی به موفقیت یک کمپین تولید سرب ایمیل ، متوجه می شوید که تعداد دیدگاه های صفحه اصلی که مستقیماً ناشی از این کمپین است ، افزایش یافته است ، اما تعداد مشترکین خبرنامه ماهانه این کار را نکرد. بر اساس تعداد دیدگاه های صفحه اصلی ، شما تصمیم می گیرید که این کمپین موفقیت آمیز باشد که واقعاً صفر منجر شود.
• راه حل: قبل از مشارکت در بررسی داده ها ، متغیرهای تجزیه و تحلیل داده ها و KPI ها را به وضوح و به وضوح قاب می کنند. اگر متریک مورد استفاده شما برای اندازه گیری موفقیت یک کمپین تولید سرب مشترکین خبرنامه است ، دیگر نیازی به بررسی تعداد بازدیدهای صفحه اصلی نیست. حتماً روی متغیر داده هایی که به سوال شما پاسخ می دهد تمرکز کنید یا مشکل شما را حل می کند و نه بر روی داده های نامربوط.

4) کوتاه کردن محورها: هنگام ایجاد یک نمودار برای شروع تفسیر نتایج تحلیل خود ، مهم است که محورها را به حقیقت نگه دارید و از تولید تجسم های گمراه کننده خودداری کنید. شروع محورها در مقداری که حقیقت واقعی در مورد داده ها را به تصویر نمی کشد می تواند به نتیجه گیری های نادرست منجر شود.

• مثال عصر دیجیتال: در تصویر زیر می توانیم نموداری از Fox News را مشاهده کنیم که در آن محورهای Y از 34 ٪ شروع می شوند و به نظر می رسد که تفاوت بین 35 ٪ تا 39. 6 ٪ بالاتر از آنچه در واقع است است. این می تواند به تفسیر نادرست از تغییرات نرخ مالیات منجر شود.

* منبع: www. vegage. com *

• راه حل: با نحوه تجسم داده های خود مراقب باشید. برای جلوگیری از تفسیر نادرست از داده های خود ، با محورها احترام و واقع بینانه باشید. در زیر مشاهده کنید که نمودار اخبار FOX هنگام استفاده از مقادیر صحیح محورها چگونه به نظر می رسد. این نمودار با ابزار مدرن تجسم داده های آنلاین DataPine ایجاد شده است.

5) (کوچک) اندازه نمونه: یکی دیگر از مشکلات مشترک و تفسیر داده های مشترک استفاده از اندازه نمونه کوچک است. از نظر منطقی ، اندازه نمونه دقیق ترین و قابل اعتماد ترین نتایج است. با این حال ، این همچنین به اندازه اثر مطالعه بستگی دارد. به عنوان مثال ، اندازه نمونه در یک نظرسنجی در مورد کیفیت آموزش یکسان نخواهد بود که در مورد افرادی که ورزش در فضای باز در یک منطقه خاص انجام می دهند.

• مثال عصر دیجیتال: تصور کنید که از 30 نفر سؤال می کنید و 29 پاسخ "بله" و در نتیجه 95 ٪ از کل. حال تصور کنید که شما همان سؤال را به 1000 و 950 از آنها پاسخ می دهید "بله" ، که دوباره 95 ٪ است. در حالی که این درصد ها ممکن است یکسان به نظر برسند ، مطمئناً به معنای همان چیزی نیست که اندازه نمونه 30 نفر تعداد قابل توجهی برای نتیجه گیری واقعی نیست.
• راه حل: محققان می گویند برای تعیین اندازه صحیح نمونه برای به دست آوردن نتایج راستگو و معنی دار ، لازم است حاشیه خطایی را تعریف کنیم که حداکثر مقدار آنها را نشان دهد که نتایج را از میانگین آماری منحرف می کند. با این زوج ، آنها باید سطح اطمینان را تعریف کنند که باید بین 90 تا 99 ٪ باشد. با این دو مقدار در دست ، محققان می توانند اندازه نمونه دقیق را برای مطالعات خود محاسبه کنند.

6) قابلیت اطمینان ، ذهنیت و تعمیم پذیری: هنگام انجام تجزیه و تحلیل کیفی ، محققان باید هنگام تفسیر داده ها محدودیت های عملی و نظری را در نظر بگیرند. در برخی موارد ، تحقیقات کیفی به دلیل عوامل کنترل نشده ای که ممکن است بر نتایج تأثیر بگذارد ، می تواند غیرقابل اعتماد تلقی شود. این با این واقعیت جفت می شود که محقق نقش اصلی در فرایند تفسیر را دارد ، به این معنی که او تصمیم می گیرد که چه مرتبط است و چه چیزی نیست ، و همانطور که می دانیم ، تفسیرها می توانند بسیار ذهنی باشند.

تعمیم پذیری همچنین موضوعی است که محققان هنگام برخورد با تحلیل کیفی با آن روبرو هستند. همانطور که در نکته در مورد اندازه نمونه کوچک ذکر شد ، نتیجه گیری که 100 ٪ نماینده هستند دشوار است زیرا نتایج ممکن است مغرضانه یا نمایشی از یک جمعیت گسترده تر باشد.

در حالی که این عوامل بیشتر در تحقیقات کیفی وجود دارد ، اما می توانند بر تجزیه و تحلیل کمی نیز تأثیر بگذارند. به عنوان مثال ، هنگام انتخاب KPI ها برای به تصویر کشیدن و نحوه به تصویر کشیدن آنها ، تحلیلگران نیز می توانند مغرضانه باشند و آنها را به گونه ای نشان دهند که به نفع تحلیل آنها باشد.

• مثال عصر دیجیتال: سؤالات مغرضانه در یک نظرسنجی نمونه ای عالی از مسائل مربوط به قابلیت اطمینان و ذهنیت است. تصور کنید که شما یک نظرسنجی را به مشتریان خود ارسال می کنید تا ببینید که آنها از خدمات مشتری شما با این سؤال چقدر راضی هستند: "تجربه شما با تیم خدمات مشتری ما چقدر شگفت انگیز بود؟"در اینجا می توانیم ببینیم که این سؤال با قرار دادن کلمه "شگفت انگیز" بر روی آن ، بر پاسخ فرد تأثیر می گذارد.
• راه حل: راه حلی برای جلوگیری از این مسائل ، حفظ تحقیقات خود صادقانه و خنثی است. متن سؤالات را تا حد امکان عینی نگه دارید. به عنوان مثال: "در مقیاس 1-10 چقدر از تیم خدمات مشتری ما راضی بودید". این امر مخاطب را به هر پاسخ خاص سوق نمی دهد ، به این معنی که نتایج نظرسنجی شما قابل اعتماد خواهد بود.

شانس شما: آیا می خواهید یک نرم افزار قدرتمند تجزیه و تحلیل داده ها را آزمایش کنید؟از آزمایش رایگان 14 روزه ما استفاده کنید و شروع به استخراج بینش از داده های خود کنید!

تکنیک ها و روش های تفسیر داده ها

تجزیه و تحلیل و تفسیر داده ها برای توسعه نتیجه گیری صدا و تصمیم گیری های آگاهانه بهتر بسیار مهم است. همانطور که با این مقاله دیدیم ، یک هنر و علم برای تفسیر داده ها وجود دارد. برای کمک به شما در این زمینه در اینجا چند تکنیک تفسیر داده های مربوطه ، روش ها و ترفندهایی را که می توانید برای یک فرایند موفق مدیریت داده ها پیاده سازی کنید ، لیست خواهیم کرد.

همانطور که در ابتدای این پست ذکر شد ، اولین قدم برای تفسیر داده ها به روشی موفق ، شناسایی نوع تجزیه و تحلیل ای است که به ترتیب انجام می دهید و به ترتیب روش ها را اعمال می کنید. به وضوح بین تجزیه و تحلیل کیفی (مشاهده ، اسناد و اطلاعیه مصاحبه ، جمع آوری و فکر کردن در مورد چیزها) و تجزیه و تحلیل کمی متفاوت است (شما تحقیقات را با داده های عددی زیادی هدایت می کنید تا از طریق روش های مختلف آماری مورد تجزیه و تحلیل قرار گیرد).

1) سوالات تفسیر داده درست را بپرسید

اولین تکنیک تفسیر داده ها تعریف یک پایه واضح برای کار شما است. این کار می تواند با پاسخ دادن به برخی از سؤالات مهم انجام شود که به عنوان یک راهنمای مفید برای شروع کار می شود. برخی از آنها عبارتند از: اهداف و اهداف تحلیل من چیست؟از چه نوع روش تفسیر داده استفاده می کنم؟چه کسی در آینده از این داده ها استفاده خواهد کرد؟و از همه مهمتر ، من سعی می کنم به چه سوال کلی پاسخ دهم؟

پس از تعریف تمام این اطلاعات ، شما آماده جمع آوری داده های خود خواهید بود. همانطور که در ابتدای پست ذکر شد ، روشهای شما برای جمع آوری داده ها بسته به نوع تجزیه و تحلیل شما (کیفی یا کمی) متفاوت خواهد بود. با تمام اطلاعات مورد نیاز در دست ، شما آماده شروع فرایند تفسیر هستید ، اما ابتدا باید داده های خود را تجسم کنید.

2) از نوع تجسم داده های مناسب استفاده کنید

تجسم داده ها مانند نمودارهای تجاری ، نمودارها و جداول برای تفسیر موفقیت آمیز داده ها اساسی است. این امر به این دلیل است که تجسم داده ها از طریق نمودارها و نمودارهای تعاملی ، اطلاعات را قابل درک و در دسترس تر می کند. همانطور که ممکن است آگاه باشید ، انواع مختلفی از تجسم وجود دارد که می توانید از آنها استفاده کنید اما همه آنها برای هر هدف تجزیه و تحلیل مناسب نیستند. استفاده از نمودار اشتباه می تواند منجر به تفسیر نادرست از داده های شما شود ، بنابراین انتخاب دقیق تصویری مناسب برای آن بسیار مهم است. بیایید به برخی موارد استفاده از تجسم داده های مشترک بپردازیم.

• نمودار نوار: یکی از پرکاربردترین انواع نمودار ، نمودار نوار از میله های مستطیل شکل استفاده می کند تا رابطه بین 2 یا بیشتر متغیرها را نشان دهد. انواع مختلفی از نمودارهای نوار برای تفسیرهای مختلف وجود دارد که شامل نمودار نوار افقی ، نمودار نوار ستون و نمودار نوار انباشته است.
• نمودار خط: که معمولاً برای نشان دادن روند ، شتاب یا کاهش و نوسانات استفاده می شود ، نمودار خط هدف نشان می دهد که چگونه داده ها در یک دوره زمانی به عنوان مثال فروش در طی یک سال تغییر می کند. چند نکته برای آماده نگه داشتن این نمودار برای تفسیر این است که از متغیرهای زیادی استفاده نکنید که می توانند نمودار را بیش از حد جمع کنند و مقیاس محور شما را نزدیک به بالاترین نقطه داده نگه دارند تا از خواندن اطلاعات سخت جلوگیری شود.
• نمودار پای: اگرچه از نظر تجزیه و تحلیل به دلیل ماهیت غیرقانونی آن کار زیادی انجام نمی دهد ، از نمودارهای پای به طور گسترده ای برای نشان دادن ترکیب متناسب یک متغیر استفاده می شود. از نظر بصری ، نشان دادن درصد در نمودار نوار پیچیده تر از نمایش آن در نمودار پای است. با این حال ، این همچنین به تعداد متغیرهایی که شما مقایسه می کنید بستگی دارد. اگر نمودار پای شما باید به 10 بخش تقسیم شود ، بهتر است به جای آن از نمودار نوار استفاده کنید.
• جداول: در حالی که آنها نوع خاصی از نمودار نیستند ، از جداول هنگام تفسیر داده ها به طور وحشیانه استفاده می شود. جداول به ویژه هنگامی مفید هستند که می خواهید داده ها را در قالب خام آن به تصویر بکشید. آنها به شما این آزادی را می دهند که به راحتی می توانید ارزش های فردی را جستجو یا مقایسه کنید و در عین حال مجموعه های بزرگی را نیز نشان می دهند.

با استفاده از تجسم داده ها برای موفقیت تحلیلی مشاغل بیشتر و مهم تر می شود ، بسیاری از ابزارها برای کمک به کاربران به تجسم داده های خود به روشی منسجم و تعاملی پدید آمده اند. یکی از محبوب ترین آنها استفاده از داشبوردهای دوتایی است. این ابزارهای بصری نمای متمرکز از نمودارها و نمودارهای مختلف را ارائه می دهند که تصویری بزرگتر از یک موضوع را نشان می دهد. ما بیشتر در مورد قدرت داشبورد برای یک روش تفسیر داده کارآمد در بخش بعدی این پست بحث خواهیم کرد. اگر می خواهید در مورد انواع مختلف تجسم داده ها اطلاعات بیشتری کسب کنید ، به راهنمای کامل ما در مورد موضوع نگاهی بیندازید.

3) تفسیر خود را هدف نگه دارید

همانطور که در بالا ذکر شد ، نگه داشتن هدف تفسیر شما یک بخش اساسی از روند است. با نزدیک شدن به تحقیقات ، هنگام جستجوی پاسخ در داده ها ، به راحتی می توانید ذهنی شوید. برخی از راه های خوب برای عینی ماندن ، نشان دادن اطلاعات به افراد دیگر مرتبط با مطالعه ، به عنوان مثال شرکای تحقیقاتی یا حتی افرادی است که پس از انجام آنها از یافته های شما استفاده می کنند. این می تواند به جلوگیری از تعصب تأیید و هرگونه قابلیت اطمینان در تفسیر شما کمک کند.

4) یافته های خود را علامت گذاری کنید و نتیجه گیری کنید

یافته ها مشاهداتی است که شما از داده های خود استخراج کرده اید. آنها واقعیت هایی هستند که به شما در نتیجه گیری عمیق تر در مورد تحقیقات خود کمک می کنند. به عنوان مثال ، یافته ها می توانند روند و الگویی باشند که در طی فرایند تفسیر خود پیدا کردید. برای قرار دادن یافته های خود می توانید آنها را با منابع دیگری که از روشهای مشابه استفاده می کردند مقایسه کرده و از آنها به عنوان معیار استفاده کنید.

در مورد تفکر و استدلال خود تأمل کنید و از بسیاری از موارد تجزیه و تحلیل داده ها و تفسیر داده های مربوط به مشکلات آگاه باشید. همبستگی در مقابل علیت ، تعصب ذهنی ، اطلاعات دروغین و داده های نادرست و غیره. هنگامی که با تفسیر خود از داده ها راحت باشید ، آماده خواهید بود که نتیجه گیری را تهیه کنید ، ببینید که آیا به سوال اولیه شما پاسخ داده شده است و توصیه هایی را بر اساس آنها پیشنهاد می کنید.

تفسیر داده ها: استفاده از داشبورد در حال ایجاد شکاف

همانطور که دیدیم ، روشهای کمی و کیفی انواع متمایز از تجزیه و تحلیل داده ها هستند. هر دو میزان متفاوتی از بازده سرمایه گذاری (ROI) در مورد بررسی داده ها ، آزمایش و تصمیم گیری ارائه می دهند. به دلیل اختلافات آنها ، درک چگونگی اجرای داشبورد برای ایجاد شکاف اطلاعات کمی و کیفی مهم است. راه حل های داشبورد داده دیجیتال چگونه نقش مهمی در ادغام قطع داده ها دارند؟در اینجا چند روش وجود دارد:

1) اتصال و مخلوط کردن داده ها. با سرعت نوآوری امروز ، دیگر امکان پذیر نیست (و نه مطلوب) داده های فله ای در مرکز قرار بگیرند. از آنجا که مشاغل همچنان جهانی سازی می شوند و مرزها همچنان حل می شوند ، برای کسب و کار به طور فزاینده ای مهم خواهد بود که توانایی اجرای تجزیه و تحلیل داده های متنوع را در وجود محدودیت های مکان داشته باشند. داشبورد داده ها داده ها را بدون به خطر انداختن سرعت لازم فکری در حالی که هم داده های کمی و کیفی را ترکیب می کنند ، غیر متمرکز می کنند. این که آیا شما می خواهید روند مشتری یا عملکرد سازمانی را اندازه گیری کنید ، اکنون می توانید بدون نیاز به انتخاب مفرد ، هر دو را انجام دهید.

2) داده های تلفن همراه. مربوط به مفهوم "داده های متصل و مخلوط" از داده های تلفن همراه است. در دنیای دیجیتال امروز ، کارمندان وقت کمتری را در میزهای خود می گذرانند و همزمان تولید را افزایش می دهند. این امر با این واقعیت امکان پذیر است که راه حل های تلفن همراه برای ابزارهای تحلیلی دیگر مستقل نیستند. امروز ، برنامه های تجزیه و تحلیل تلفن همراه یکپارچه با ابزارهای تجاری روزمره ادغام می شوند. به نوبه خود ، هر دو داده کمی و کیفی اکنون در صورت نیاز ، در صورت نیاز ، و نحوه نیاز به آنها از طریق داشبورد آنلاین تعاملی ، در صورت نیاز به تقاضا در دسترس هستند.

3) تجسم. داشبورد داده ها از طریق علم تجسم ، شکاف داده بین روشهای کیفی و کمی تفسیر داده ها را ادغام می کنند. راه حل های داشبورد "خارج از جعبه" به خوبی مجهز شده است تا تظاهرات داده های قابل فهم را ایجاد کند. ابزارهای مدرن تجسم داده های آنلاین انواع الگوهای رنگ و فیلتر را ارائه می دهند ، تعامل کاربر را تشویق می کنند و برای کمک به افزایش پیش بینی روند آینده مهندسی می شوند. همه این خصوصیات بصری باعث انتقال آسان در بین روشهای داده می شود - شما فقط باید انواع مناسبی از تجسم داده ها را پیدا کنید تا داستان داده خود را به بهترین روش ممکن بگویید.

به شما ایده ای در مورد چگونگی تحقق یک داشبورد تحقیقاتی بازار نیاز به پل زدن تجزیه و تحلیل کمی و کیفی و کمک به درک نحوه تفسیر داده ها در تحقیق به لطف تجسم ، به موارد زیر کمک می کند. این داده های کیفی و کمی را که به طرز آگاهانه مورد تجزیه و تحلیل قرار می گیرند ، جمع می کند و آن را به روشی معنی دار تجسم می کند که همه می توانند درک کنند ، بنابراین هر بیننده ای را قادر می سازد تا آن را تفسیر کند:

برای دیدن نمونه های بیشتر تجزیه و تحلیل و تفسیر داده ها ، به کتابخانه داشبوردهای تجاری ما مراجعه کنید.

شانس شما: آیا می خواهید یک نرم افزار قدرتمند تجزیه و تحلیل داده ها را آزمایش کنید؟از آزمایش رایگان 14 روزه ما استفاده کنید و شروع به استخراج بینش از داده های خود کنید!

نتیجه گیری…

با رسیدن به پایان این پست روشنگری در مورد تفسیر و تحلیل داده ها ، امیدواریم که شما درک روشنی از موضوع داشته باشید. ما با توجه به برخی از نمونه ها و روش ها برای انجام یک فرایند تفسیر موفق ، تعریف تفسیر داده ها را پوشش داده ایم.

اهمیت تفسیر داده ها غیرقابل انکار است. داشبورد نه تنها شکاف اطلاعات بین روشهای تفسیر داده های سنتی و فناوری را ایجاد می کند ، بلکه می تواند به اصلاح و جلوگیری از مشکلات عمده تفسیر کمک کند. به عنوان یک راه حل عصر دیجیتال ، آنها بهترین های گذشته و حال را ترکیب می کنند تا تصمیم گیری آگاهانه با حداکثر تفسیر داده ROI را فراهم کنند.

برای شروع تجسم بینش خود به روشی معنی دار و عملی ، نرم افزار گزارش دهی آنلاین ما را به صورت رایگان با آزمایش 14 روزه خود آزمایش کنید!