Analytics and Analysis  

analytics  و analysis  داده ها، دو اصطلاح برای یک مفهوم؟ یا اصطلاحات متفاوت، اما مرتبط؟

این یک تصور اشتباه رایج است که analytics وanalysis  داده ها یک چیز هستند. تمایز پذیرفته شده کلی این است:

analytics  داده ها حوزه وسیع استفاده از داده ها و ابزارها برای تصمیم گیری های تجاری است.

analysis  داده ها ، زیر مجموعه ای از analytics  داده ها که به اقدامات خاصی اشاره دارد.

برای توضیح این سردرگمی – و تلاش برای رفع آن – به هر دو اصطلاح، مثال ها و ابزارها نگاه خواهیم کرد.

analytics and analysis

Analytics داده چیست؟

اصطلاح گسترده ای است که مفهوم و عمل (یا شاید علم و هنر) همه فعالیت های مرتبط با داده را تعریف می کند. هدف اصلی این است که کارشناسان داده، از جمله دانشمندان داده، مهندسان و تحلیلگران، دسترسی و درک این یافته ها را برای بقیه کسب و کارها آسان کنند.

داده هایی که به صورت خام قرار می گیرند هیچ ارزشی ندارند. و کاری را که analytics  با آن داده ها انجام می دهد این است که برای آنها ارزش ارائه می کند . analytics  داده ها شامل تمام مراحلی است که چه از طریق انسان و چه توسط ماشین برای کشف، تفسیر، تجسم و بیان الگوهای موجود در داده ها به منظور هدایت استراتژی و نتایج کسب و کار انجام می دهید .

یک عملanalytics داده موفق می تواند و بایداستراتژی بهتری برای جایی که کسب وکار شما توان پیشرفت دارد ارائه دهد .

analytics   داده ها وقتی به خوبی انجام شود می تواند به شما کمک کند :

  • روندها را پیدا کنید
  • فرصت ها را کشف کنید
  • اقدامات، محرک‌ها یا رویدادها را پیش‌بینی کنید
  • تصمیم گیری کنید

   مانند هر عمل واقعی، analytics  داده ها یک عمل سیستماتیک است و شامل بسیاری از مراحل محاسباتی و مدیریتی است. کارشناسان بر کلمه سیستماتیک تاکید می کنند. سیستماتیک بودن بسیار حیاتی است زیرا تجزیه و تحلیل داده­ها از فعالیت­های متنوع و از انواع و اندازه های مختلف منابع داده استفاده می کند. بسیاری از حوزه های موضوعیanalytics  داده ها شامل علم داده، یادگیری ماشین و آمار کاربردی است. یکی از نتایج ملموس یک عملanalytics  داده‌ها، احتمالاً گزارش‌های به‌خوبی برنامه‌ریزی‌شده‌ای است که از تجسم داده‌ها برای بیان تفسیر برجسته‌ترین نقاط استفاده می‌کنند تا بقیه کسب‌وکارها که متخصص داده نیستند بتوانند آن‌ها را بفهمند ، توسعه دهند و با استراتژی های شان تطبیق دهند.

تجزیه و تحلیل داده‌ها می‌تواند زمینه‌ها فرصت و راه‌های زیادی را برای کسب و کار شما روشن و برجسته کند :

  • استفاده از حقایق، نه حدس‌ها . درک نحوه تعامل با مشتریان ممکن است به این معنی باشد که فرآیندهای فروش یا بازاریابی خود را تغییر می‌دهید. یک نانوایی ممکن است از داده‌های خود استفاده کند تا متوجه شود که تقاضا برای نان گرد در زمستان افزایش می‌یابد این به این معنی است که وقتی تقاضا زیاد است نیازی به کاهش قیمت ندارید.
  • افزایش حملات سایبری ممکن است به این معنی باشد که باید اقدامات و سیاست پیشگیرانه انجام دهید.
  • داده‌های انواع دستگاه‌های اینترنت اشیا در یک محیط خاص مانند اتاق سرور، ایستگاه برق یا یک انبار می‌تواند نشان دهد که آیا ایمنی و امنیت مورد نیاز خود را با کمترین هزینه ممکن ارائه می‌کنید یا خیر.

فرآیندها در analytics داده ها

عمل analytics داده ها شامل بسیاری از فرآیندهای جداگانه است که می تواند به صورت خطی و متوالی انجام شود:

  • جمع آوری و جذب داده ها
  • دسته بندی داده ها به اشکال ساختاریافته/بدون ساختار که ممکن است اقدامات بعدی را نیز تعریف کند .
  • مدیریت داده ها، معمولاً در پایگاه های داده، استخرهای داده و یا انبارهای داده .
  • ذخیره داده ها در فضای ذخیره سازی گرم، گرم یا سرد[1]
  • انجام ETL (استخراج، تبدیل، بارگذاری) (extract, transform, load)
  • تجزیه و تحلیل داده ها برای استخراج الگوها، روندها و بینش ها
  • به اشتراک گذاری داده ها با کاربران تجاری یا مصرف کنندگان، اغلب درداشبورد یا ازطریق فضای ذخیره سازی خاص.

[1] فضای ذخیره سازی گرم:زمانی است که داده خود را در دستگاهی که مستقیماً به اینترنت متصل است نگه می دارید. فضاهایی مثل موبایل، کامپیوتر، لب تاب و دستگاهی که متصل به اینترنت هستند فضای ذخیره سازی گرم می نامند. هنگامی که داده خود را در دستگاهی کاملا آفلاین نگه می دارید آن دستگاه را فضای ذخیره سازی سرد می نامند. این فضاها در نگه داری طولانی مدت برای کسانی که طی چند ماه یک یا دوبار به داده های خود احتیاج دارند مناسب است.

data pipeline

Analysis  داده ها چیست؟

Analysis را می توان یک برش از تکه analytics  داده ها در نظر بگیرید. Analysis داده ها شامل پاکسازی، تبدیل، مدل سازی و پرسش از داده ها برای یافتن اطلاعات مفید است. (به طور کلی توافق شده است که قسمت های دیگر از فعالیت های چون جمع آوری تا ذخیره سازی و تجسم هستند.)

عمل Analysis  داده ها معمولاً محدود به یک مجموعه داده از قبل آماده شده است. شما داده ها را بازرسی، مرتب دهید و تحقیق می کنید. امروزه، در دهه 2020، یک نرم افزار یا «ماشین» معمولاً اولین دور Analysis  را اغلب مستقیماً در یکی از پایگاه داده ها یا ابزارهای شما انجام می­دهد . اما این داده ها دوباره توسط انسان با زمینه بیشتری از بررسی و تحقیق ، تقویت می شود.

وقتی تجزیه و تحلیل یک مجموعه داده را تمام کردید به سایر فعالیت هایanalytics  داده روی می آورید تا:

  • به دیگران اجازه دسترسی به داده ها را می دهید .
  • ارائه داده ها (به طور ایده آل با تجسم یا تفسیر داده) .
  • اقداماتی را برای انجام بر اساس داده ها پیشنهاد می دهید .

یک نکته حیاتی درAnalysis  داده ها این است کهAnalysis  از قبل داده ها( داده های گذشته ) را جمع­آوری می کند .

انواع Analysis داده ها

انواع مختلفی از تکنیک های Analysis داده ها وجود دارد. در اینجا شناخته شده ترین آنها  مطرح شده است :

  • تحلیل متن به این داده کاوی نیز گفته می شود. این روش با استفاده از پایگاه های داده یا سایر ابزارهای داده کاوی، الگویی را در مجموعه داده های بزرگ کشف می کند.
  • تحلیل آماری. این تحلیل پاسخ می دهد “چه اتفاقی افتاده است؟” با استفاده از داده های گذشته در قالب داشبورد. تجزیه و تحلیل آماری شامل جمع آوری، تجزیه و تحلیل، تفسیر، ارائه و مدل سازی داده ها است.
  • تجزیه و تحلیل تشخیصی این تجزیه و تحلیل پاسخ می دهد “چرا این اتفاق افتاد؟” با جستجوی علت از بینش_های کشف شده در طول تجزیه و تحلیل آماری. این نوع تحلیل برای شناسایی الگوهای رفتاری داده ها مفید است.
  • تحلیل پیش بینی کننده این تحلیل نشان می دهد که با استفاده از داده های قبلی چه اتفاقی می افتد. تجزیه و تحلیل پیش‌بینی‌کننده بر اساس داده‌ها، پیش‌بینی‌هایی درباره نتایج آینده انجام می‌دهد.
  • تحلیل تجویزی این نوع تجزیه و تحلیل بینش‌های حاصل از تحلیل متن، آماری، تشخیصی و پیش‌بینی را ترکیب می‌کند تا اقداماتی را که باید انجام شود به منظور حل یک مشکل فعلی یا تأثیرگذاری بر یک تصمیم تعیین می‌کند.

این روش های مختلف ، بسته به نیاز کسب و کار و فرآیند تصمیم گیری ترکیب می شوند. هر یک از آن نقاط داده بخش کوچکی از Analysis  کلی است. سپس، انسان ها تجزیه و تحلیل بیشتری را برای تعیین مواردی مانند نحوه بهینه سازی وب سایت خود انجام می دهند مانند : بهبود فرصت های فروش ،کاهش زمان فروش و افزایش درآمد.

Analysis  که قابل تکرار هستند اغلب می توانند به یک معیار جدید در پلتفرم analytic  شما تبدیل شوند.

کدام بهتر است؟

براک نلسون، مدیر بازاریابی در Incrementors SEO Services، پیشنهاد می کند که نتیجهanalytics  داده ها فراگیرتر و سودمندتر از خروجیanalysis  داده ها به تنهایی است.

مانند تفاوت های بین:

  • تحلیلگری که صفحه گسترده ای از اعداد را برای کاربر تجاری ارسال می کند در مقابل ایجاد داشبوردی برای کاربر برای تعامل با analytics توصیفی.
  • یک کاربر تجاری که گزارشی با ارزش واقعی یک کمپین بازاریابی دریافت می کند در مقابل ایجاد یک برنامه وب که هم پیش بینی را نشان می دهد و هم به کاربر اجازه می دهد باanalytics پیش بینی کننده تعامل داشته باشد.

براک می‌گوید، اقدام نهایی، ایجاد محصولی است که یک پیش‌بینی مبتنی بر داده را انجام ‌دهد و با API(An application programming interface) سیستم دیگری بتواند اقدامی انجام دهد . این analytics  داده در عمل است.

ابزارهایی برای analytics  داده ها

نرم افزار analytics  ابزارهایی هستند که به انسان ها و ماشین ها کمک می کنند تا تجزیه و تحلیل هایی را انجام دهند که به ما امکان می دهد تصمیمات تجاری حیاتی بگیریم.

ابزارهای رایج برای انجام analysis  داده ها و analytics کلی عبارتند از:

  • مایکروسافت اکسل
  • Microsoft Power BI
  • Tableau
  • R analytics
  • پایتون
  • Google Analytics

چرا سردرگمی؟

جالب اینجاست که گاهی اوقات این اصطلاحات توسط دانشمندان داده و خود تحلیلگران داده اشتباه گرفته می شود!

نظرسنجی از افراد مختلف در دنیای گسترده داده ها این شکاف را آشکار کرد. اکثر آنها موافق بودند که analytics  داده­ها حوزه وسیع تری است که analysis  داده ها یکی از عملکردهای کلیدی آن است، اما دیگران برداشت های متفاوتی داشتند. این عدم وضوح تأکید می کند که شاید سؤال analytics  داده ها در مقابلanalysis   داده ها نباشد بلکه این است که آیا شما هر دو را تا جایی که می‌توانید خوب انجام می‌دهید یا خیر.

خیلی ها اظهار داشتندکه نگران نیستند که اگر ما کارشناسان غیر داده از این اصطلاحات به جای یکدیگر استفاده کنیم، بنابراین، اگر در جلسه بعدی خودتان analytics  داده ها را باanalysis  اشتباه بگیرید، اکثر افراد عاقل تر و با سوادتر نخواهند بود.