تحلیل داده یا Data Analysis، بررسی و تفسیر داده‌ها برای پاسخ دادن به یک سؤال مشخص است. در این کار، اطلاعات لازم را آماده می‌کنیم، محاسبه و مقایسه انجام می‌دهیم و توضیح می‌دهیم نتیجه چه معنایی دارد. خروجی می‌تواند یک گزارش، نمودار، برآورد یا پیشنهادی برای بررسی یک تصمیم باشد.
برای مثال، ثابت ماندن مبلغ فروش یک کافه لزوماً به معنی ثابت ماندن وضعیت کسب‌وکار نیست. ممکن است تعداد سفارش‌ها بیشتر شده باشد، اما مشتری در هر سفارش مبلغ کمتری پرداخت کند. تحلیل داده کمک می‌کند این تفاوت را ببینیم و سؤال بعدی را دقیق‌تر بپرسیم.
تحلیل داده به زبان ساده
هر بار که سفارشی ثبت می‌شود، اطلاعاتی مانند زمان، محصول، تعداد و مبلغ آن به وجود می‌آید. این رکوردها داده‌اند. با جمع کردن مبلغ سفارش‌های یک هفته، به یک گزارش فروش می‌رسیم. وقتی گزارش را در کنار تعداد سفارش، تخفیف و ترکیب محصولات بررسی می‌کنیم، می‌توانیم تغییرات را بهتر توضیح دهیم.
راهنمای تحلیل داده مایکروسافت نیز بر آماده‌سازی و بررسی داده برای رسیدن به اطلاعات قابل استفاده در تصمیم‌گیری تأکید می‌کند. داشتن سؤال روشن، کمک می‌کند بدانیم چه اطلاعاتی لازم داریم و کدام محاسبه واقعاً به کارمان می‌آید.
داده همیشه عدد نیست. متن نظر مشتری، تصویر یک قطعه، زمان مراجعه یا پاسخ یک پرسش‌نامه هم می‌تواند موضوع تحلیل باشد. شیوه بررسی باید با جنس داده و سؤال هماهنگ باشد؛ مثلاً جمع زدن مبلغ فروش با دسته‌بندی علت‌های نارضایتی در پیام‌های مشتریان، کار یکسانی نیست.
یک مثال عملی: فروش ثابت، سفارش‌های بیشتر
فرض کنید صاحب یک کافه می‌خواهد بداند وضعیت فروشش نسبت به هفته قبل چه تغییری کرده است. در مثال آموزشی زیر، دو هفته هم‌طول با ساعت کار یکسان را مقایسه می‌کنیم. هر سفارش تکمیل‌شده فقط یک بار شمرده شده و مبلغ فروش پس از تخفیف است؛ در این مثال مرجوعی نداریم.
| بازه | تعداد سفارش | مبلغ فروش | میانگین مبلغ هر سفارش |
|---|---|---|---|
| هفته اول | ۱۰۰ | ۱۰ میلیون تومان | ۱۰۰ هزار تومان |
| هفته دوم | ۱۲۵ | ۱۰ میلیون تومان | ۸۰ هزار تومان |
میانگین مبلغ هر سفارش، از تقسیم مبلغ فروش بر تعداد سفارش‌ها به دست می‌آید. در هفته دوم، تعداد سفارش‌ها ۲۵ درصد بیشتر شده، اما میانگین مبلغ هر سفارش ۲۰ درصد کاهش یافته است. حاصل این دو تغییر، در این مثال فروش کلِ یکسان است.
این بررسی هنوز نمی‌گوید علت تغییر چیست. ممکن است سهم محصولات ارزان‌تر بیشتر شده یا تخفیف‌ها تغییر کرده باشند. همچنین تعداد سفارش با تعداد مشتری یکتا برابر نیست؛ یک نفر می‌تواند چند بار خرید کند. برای پاسخ دقیق‌تر، باید اطلاعات متناسب با هر فرضیه را بررسی کنیم.
تصمیم قابل بررسی می‌تواند بازبینی ترکیب فروش یا نحوه ارائه پیشنهادهای خرید باشد. اثر آن را باید بعداً با شاخص مشخص سنجید. از این دو عدد نمی‌توان نتیجه گرفت که کافه سود بیشتری کرده است؛ برای بررسی سود، اطلاعات هزینه هم لازم داریم.
تحلیل داده چه تفاوتی با گزارش‌گیری دارد؟
گزارش‌گیری معمولاً اطلاعات مشخصی را در قالبی تکرارشونده نشان می‌دهد؛ مثل فروش روزانه، موجودی انبار یا تعداد درخواست‌های پشتیبانی. تحلیل می‌تواند از همین گزارش شروع شود و یک سؤال را با جزئیات بیشتری بررسی کند.
در مثال کافه، نمایش فروش دو هفته گزارش است. بررسی هم‌زمان مبلغ فروش، تعداد سفارش و ترکیب محصولات، ما را به تفسیر تغییر نزدیک می‌کند. یک داشبورد هم بسته به محتوایش می‌تواند فقط گزارش نشان دهد یا امکان مقایسه و بررسی بیشتر فراهم کند.
در راهنمای تحلیل اکتشافی NIST، کشف الگو، تشخیص موارد غیرعادی و بررسی فرض‌ها از هدف‌های کاوش داده‌اند. نمودار ابزار این بررسی است؛ انتخاب نمودار باید به چیزی که می‌خواهیم بفهمیم کمک کند.
تحلیل داده در کسب‌وکار چه کاربردی دارد؟
کاربرد را بهتر است با یک تصمیم یا مسئله مشخص تعریف کنیم. چند نمونه از سؤال‌هایی که می‌توان با داده بررسی کرد:
- فروش: کدام محصول بیشتر فروخته شده و پس از در نظر گرفتن هزینه‌ها چه سهمی در سود دارد؟
- خدمات مشتری: کدام نوع درخواست بیشتر تکرار می‌شود و رسیدگی به آن چقدر طول می‌کشد؟
- انبار: کدام کالا مدت زیادی در موجودی مانده و کدام کالا مرتب تمام می‌شود؟
- عملیات: درخواست‌ها در کدام مرحله متوقف می‌شوند و زمان انتظار چقدر است؟
- وب‌سایت: کاربران در کدام مرحله از ثبت سفارش خارج می‌شوند و آیا ثبت رویدادها درست کار می‌کند؟
پاسخ به هر سؤال، داده متفاوتی می‌خواهد. برای بررسی فروش، فایل فاکتورها مفید است؛ اما برای بررسی انتظار مشتری، باید زمان ورود و رسیدگی هم ثبت شده باشد. اگر اطلاعات اصلی را نداریم، بخشی از کار، طراحی ثبت درست همان اطلاعات است.
داده چگونه به یک نتیجه قابل استفاده تبدیل می‌شود؟
در یک بررسی ساده، این کارها به هم مرتبط‌اند و ممکن است چند بار به مرحله قبلی برگردیم:
- تعریف سؤال: مشخص کنیم چه چیزی را می‌خواهیم بدانیم و پاسخ قرار است کدام تصمیم را پشتیبانی کند.
- آماده کردن داده: منبع، بازه زمانی و واحد بررسی را تعیین کنیم؛ مثلاً هر ردیف، یک سفارش باشد.
- کنترل کیفیت: رکوردهای تکراری، مقادیر گمشده و تعریف نامشخص ستون‌ها را بررسی کنیم.
- محاسبه و مقایسه: شاخص مناسب را بسازیم و آن را با دوره یا گروهی قابل مقایسه بسنجیم.
- تفسیر و پیگیری: نتیجه، محدودیت و اقدام قابل بررسی را بنویسیم و بعداً اثر تصمیم را بسنجیم.
برای اجرای دقیق‌تر این کارها، مقاله مراحل تحلیل داده از سؤال تا تصمیم را ببینید. در آن، تعریف شاخص و تفسیر نتیجه را با یک مثال عددی دنبال می‌کنیم.
انواع تحلیل داده چه سؤال‌هایی را پاسخ می‌دهند؟
یک دسته‌بندی رایج، تحلیل را بر اساس هدف به چهار نوع تقسیم می‌کند: توصیفی برای شناخت وضعیت، تشخیصی برای بررسی توضیح تغییرات، پیش‌بینی‌کننده برای برآورد وضعیت نامعلوم و تجویزی برای مقایسه اقدام‌های ممکن با توجه به هدف و محدودیت‌ها.
برای مسئله‌ای مثل مرور فروش ماهانه، ممکن است یک گزارش توصیفی کافی باشد. نیازی نیست هر بررسی به پیش‌بینی یا مدل پیچیده برسد. تفاوت این روش‌ها را در مقاله انواع تحلیل داده با مثال کاربردی توضیح داده‌ایم.
برای تحلیل داده از چه ابزاری استفاده می‌شود؟
انتخاب ابزار به منبع داده، اندازه کار، نیاز به تکرار محاسبات و مهارت تیم بستگی دارد. یک جدول فروش منظم می‌تواند نقطه شروع مناسبی برای تحلیل با صفحه‌گسترده باشد. وقتی اطلاعات بین چند سامانه پخش است یا گزارش باید مرتب به‌روز شود، اتصال به پایگاه داده و خودکار کردن بخش‌هایی از کار اهمیت پیدا می‌کند.
Excel برای شروع بسیاری از بررسی‌های جدولی قابل استفاده است. SQL برای کار با داده‌های پایگاه داده به کار می‌رود. Python هم برای کارهایی مانند آماده‌سازی و تحلیل تکرارپذیر داده استفاده می‌شود؛ برای نمونه، مستندات pandas، خواندن جدول‌ها، انتخاب ردیف‌ها، ترکیب داده و محاسبه آمار خلاصه را نشان می‌دهد.
نام ابزار به‌تنهایی کیفیت نتیجه را مشخص نمی‌کند. یک محاسبه قابل بررسی با تعریف روشن، از نموداری که معلوم نیست از چه داده‌ای ساخته شده مفیدتر است. برای مقایسه کاربرد ابزارها، راهنمای ابزارهای تحلیل داده را بخوانید.
تحلیلگر داده چه کاری انجام می‌دهد؟
در یک پروژه کسب‌وکاری، تحلیلگر باید سؤال مدیر یا تیم اجرایی را به بررسی قابل انجام تبدیل کند. این کار می‌تواند شامل هماهنگ کردن تعریف فروش، آماده کردن جدول‌ها، بررسی اختلاف گزارش‌ها، محاسبه شاخص و توضیح نتیجه برای مخاطب غیر فنی باشد.
بخش مهمی از خروجی، توضیح حدود نتیجه است: چه داده‌ای بررسی شده، چه چیزی را نمی‌دانیم و کدام برداشت هنوز نیاز به شواهد دارد. تجربه افرادِ درگیر کار هم کمک می‌کند تفسیر عددها با واقعیت فرایند سنجیده شود.
چه زمانی نباید به نتیجه تحلیل اعتماد کرد؟
چارچوب کیفیت داده دولت بریتانیا بر تناسب کیفیت داده با کاربرد آن و شفاف بودن محدودیت‌ها تأکید می‌کند. در عمل، پیش از استفاده از نتیجه، این موارد را بررسی کنید:
- پوشش ناقص: گزارش فقط بخشی از فروش را دارد، اما درباره کل کسب‌وکار نتیجه می‌گیریم.
- مقایسه نامناسب: فروش یک هفته تعطیل را با هفته‌ای با ساعت کار بیشتر مقایسه می‌کنیم.
- تعریف ناهماهنگ: در یک گزارش سفارش لغوشده حساب شده و در دیگری حذف شده است.
- برداشت زودهنگام: همراهی دو تغییر را دلیل قطعی رابطه علت و معلولی می‌دانیم.
اگر داده ناقص است، محدوده‌ای را که می‌توان درباره‌اش صحبت کرد روشن کنید. برای مثال، بررسی سفارش‌های ثبت‌شده در سایت، لزوماً رفتار خرید تلفنی را نشان نمی‌دهد. نمونه‌های بیشتری در مقاله اشتباهات رایج تحلیل داده آمده است.
پرسش‌های رایج درباره تحلیل داده
آیا برای شروع تحلیل داده باید برنامه‌نویسی بلد باشیم؟
برای شروع یک بررسی جدولی ساده، الزاماً نه. می‌توانید با تعریف سؤال، مرتب کردن اطلاعات و محاسبه شاخص در Excel تمرین کنید. نیاز به برنامه‌نویسی با پیچیدگی، تکرار کار و منابع داده تغییر می‌کند.
آیا تحلیل داده همان هوش مصنوعی است؟
تحلیل داده یک فعالیت گسترده برای فهم اطلاعات است. بعضی پروژه‌ها از روش‌های یادگیری ماشین استفاده می‌کنند، اما محاسبه فروش، مقایسه دوره‌ها یا بررسی کیفیت داده می‌تواند بدون چنین مدلی انجام شود.
برای اولین تمرین چه داده‌ای انتخاب کنیم؟
داده‌ای را انتخاب کنید که معنای ستون‌هایش را می‌دانید؛ مثلاً چند هفته هزینه روزانه یا فروش یک محصول. یک سؤال محدود بنویسید، محاسبه را قابل پیگیری نگه دارید و اطلاعات شخصی یا محرمانه را وارد ابزارهای نامطمئن نکنید.
شروع تحلیل داده در شرکت
یک گزارش تکراری یا سؤال بی‌پاسخ را انتخاب کنید و مشخص کنید داده آن کجا ثبت می‌شود. اگر به یکپارچه کردن اطلاعات، ساخت داشبورد یا استفاده از مدل‌های تحلیلی نیاز دارید، در صفحه خدمات هوش مصنوعی و اتوماسیون داپا می‌توانید با این حوزه آشنا شوید.
