Veri analizi türlerini anlama
Veri analizi verileri keşfetmek, içgörüleri ayıklamak ve bu içgörüler üzerinde hareket etmek için kullanılır.
Veri analizi, her biri kendi odağına ve hedeflerine sahip olan çeşitli etkinlikleri kapsar. Bu etkinlikler açıklayıcı, tanılama, tahmine dayalı, açıklayıcı ve bilişsel analiz olarak kategorilere ayrılmıştır.
Bu ünitede bu beş veri analizi kategorisi ve bunların ne için kullanıldığı hakkında bilgi edineceksiniz.
Açıklayıcı analiz
Neler oldu?
Açıklayıcı analiz , geçmiş verilere dayanarak, geleceğe ilişkin kararları bilgilendirmek için neler olduğu hakkındaki soruları yanıtlar. Açıklayıcı analiz teknikleri, paydaşlara içgörü sunmak için büyük veri kümelerini özetler. Açıklayıcı analiz en yaygın analiz türüdür ve genellikle bir veri analisti tarafından gerçekleştirilir.
Önemli performans göstergelerinin (KPI) ve diğer performans ölçülerinin geliştirilmesi, iş hedeflerinin başarısını veya başarısızlığını izlemeye yardımcı olur. KPI'ler ve performans ölçümleri genellikle işletme tarafından temel girişimleri izlemek için ayarlanır. Bu KPI'lerle ilgili verilerin sunumu açıklayıcı analizdir.
Açıklayıcı analiz çıkışları raporlar ve panolar da dahil olmak üzere birçok form alabilir. Aşağıdaki Satış ve Pazarlama raporu ürüne, kanala ve zamana göre bir yıllık satış ve pazarlama verilerini görüntüler.
Tanılama analizi
Neden oldu?
Tanılama analizi , bazı şeylerin neden gerçekleştiğiyle ilgili soruların yanıtlarına yardımcı olur ve genellikle açıklayıcı analizden sonra veri analizinde bir sonraki adımdır. Analistler açıklayıcı analizden elde edilen bulguları alır ve nedenini bulmak için daha derine iner. Ölçümler ve ilgi çekici göstergeler, neden iyi veya kötüleştiklerini keşfetmek için daha fazla araştırılır. Tanılama analizi genellikle veri analistleri ve veri bilimcileri tarafından gerçekleştirilir.
Tanılama analizi genellikle üç adımda gerçekleşir:
- Verilerdeki anomalileri tanımlama. Anomaliler bir ölçümde veya belirli bir pazarda beklenmeyen değişiklikler olabilir.
- Bu anomalilerle ilgili verileri toplama.
- Bu anomalileri açıklayan ilişkileri ve eğilimleri keşfetmek için istatistik tekniklerini kullanma.
Contoso'nun aşağıdaki satış raporunda Contoso'nun neden yeni iş teklifleri kazandığını veya kazanmadığından anlamak istiyoruz. Tanılama analizi, karar alıcıların %2 indirim uygulamanın teklif kazanma olasılığını artırdığını görmesine yardımcı olur.
Tahmine dayalı analiz
Gelecekte ne olacak?
Tahmine dayalı analiz, gelecekte ne olacağıyla ilgili soruların yanıtlarına yardımcı olur. Tahmine dayalı analiz teknikleri, eğilimleri belirlemek ve yineleme olasılığı olup olmadığını belirlemek için geçmiş verileri kullanır ve gelecekte neler olabileceğine ilişkin içgörü sağlar. Teknikler tahmin, sinir ağları, karar ağaçları ve regresyon gibi istatistiksel ve makine öğrenmesi tekniklerini içerir. Tahmine dayalı analiz genellikle veri bilimcileri tarafından gerçekleştirilir.
Aşağıdaki çizgi grafikte yıl ve aya göre kazanılan gelire bakılarak geçmişe dönük düşüş gösterilmiştir. Tahmin, kazanılacak gelirin azalmaya devam edeceğine dair tahminde bulunur. Karar alıcılar, kazanılan gelir miktarını artırmak için bu tahmini kullanarak rotayı değiştirebilir.
Yönerge analizi
Hangi eylemler gerçekleştirilmelidir?
Açıklayıcı analiz, tahmine dayalı analizleri bir adım daha ileri götürür ve bir hedefe veya hedefe ulaşmak için yapılması gereken eylemler hakkındaki soruları yanıtlamaya yardımcı olur. Bu teknik, işletmelerin belirsizlik karşısında veri odaklı kararlar almalarını sağlar. Yönerge analizi teknikleri, büyük veri kümelerindeki düzenleri bulmak için makine öğrenmesi stratejilerini kullanır. Geçmiş kararlar ve olaylar analiz edilecek farklı sonuçların ortaya çıkma olasılı hesaplanabilir. Açıklayıcı analiz genellikle veri bilimcileri tarafından gerçekleştirilir. Microsoft ayrıca analistler tarafından Power BI'da makine öğrenmesini kullanma gibi açıklayıcı analizler gerçekleştirmek için kullanılabilecek düşük kodlu araçlar da sağlar.
Algoritmik içerik önerileri, açıklayıcı analizin yaygın bir uygulamasıdır. Veri bilimcileri, Azure Machine Learning stüdyosu'daki öneri algoritmasını kullanarak Contoso'nun geçmişteki alışkanlıklarına ve özelliklerine göre yapması gereken en iyi eylemleri önerebilir. Aşağıdaki ekran görüntüsü, Azure Machine Learning tasarımcısında müşteri verilerinin belirli bir öneri derecelendirmesini reçete etmek için kullanıldığı öneri algoritmasını görüntüler.
Dekont
Azure Machine Learning'i kullanarak açıklayıcı analiz hakkında daha fazla bilgi edinmek için İçerik tabanlı öneri sistemi oluşturma bölümünü gözden geçirin.
Bilişsel analiz
Sorun en iyi nasıl çözülebilir?
Bilişsel analiz, karar alma sürecine yol göstermek için yapay zeka, makine öğrenmesi ve veri analizi yaklaşımlarını birleştirir. Bilişsel analiz, mevcut verilerden ve desenlerden çıkarımlar alır, mevcut bilgi bankası temel alarak sonuçlar elde eder ve gelecekteki çıkarımlar için bilgi bankası(kendi kendine öğrenen bir geri bildirim döngüsü) için bulguları yeniden ekler. Bu geri bildirim döngüsü, bilişsel uygulamaların zaman içinde daha hassas hale gelmesini sağlar.
Yüksek düzeyde paralel/dağıtılmış bilgi işlemin avantajlarına ve veri depolama ve bilgi işlem gücünün düşen maliyetlerine dokunarak, bu sistemlerin başarabileceği bilişsel geliştirmenin sınırı yoktur. Microsoft'un Azure Yapay Zeka Hizmetleri, kullanıcıların metin ve görüntü gibi çeşitli veri türlerinden içgörüler ayıklayarak bilişsel analizden yararlanmasını sağlar.
Dekont
Azure Yapay Zeka Hizmetleri'nin kullanıldığı veri bilişsel analizi hakkında daha fazla bilgi edinmek için Bkz . Azure AI Services'ı kullanmaya başlama.