四种数据分析方法,帮你成功做决策!

四种数据分析方法,帮你成功做决策!

是否,你的公司已经收集了大量数据,但你仍然不知道该如何利用这些数据的力量来提高业务效率?“数据驱动型决策”已成为一个流行词,使用频率几乎和“数字转型”一样高。

的确,从零售公司、到农业制造商,几乎所有人都在努力做出数据支持型决策,并建立可持续的数据分析流程。但是这些公司应该收集什么样的数据呢?企业又该如何充分利用这些数据?

本文概述了四大数据分析类型,并解释了它们能如何帮助你更加明智地管理业务。如果你想了解更多数据分析相关内容,可以阅读以下这些文章:
如何用数据分析优化你的营销策略?
如何准备商业分析面试的Case Study问题?
如何通过面试中的AB测试问题(以doordash为例)
Amazon商业分析师面试指南

四大数据分析类型

你需要将这四大数据分析的类型当成解决问题的工具。如果你需要查找问题的原因、或预测某个业务领域会发生什么,那么你选择的数据分析的类型就显得尤为重要。

例如,当你想看上个季度的业务趋势,并找到相关数据,解释并支持这一趋势,那么,描述性和诊断性的分析将派上用场。但是,如果你想制定战略,甚至塑造业务的发展前景,那么预测性和规范性分析就会有用。

接下来,我们将详细讨论这些方法。

  • 描述性分析(Descriptive analytics)

在不同类型的分析方法中,描述性分析是从数据中得到见解的最简单、最直接的方法。通过使用指标报告、汇总统计、数据聚合、数据挖掘和聚类等技术,描述性分析可以用来回答“发生了什么”的问题。

描述性分析的例子可能包括定性或定量数据、数据查询、描述性统计、或数据图表的报告。这种方法经常用于不同的业务领域,尤其是销售、营销和财务部门。

比如一个电商店主,他想知道圣诞节期间,加州什么产品最不受欢迎。通过对历史数据进行描述性分析,该店主可以获得有关该时期人们最不愿意购买的商品的信息。描述性分析还可以提供销售的整体情况,还能显示商店的总体运营表现。

基于描述性分析的报告,通常是日常决策分析实践的产物。

  • 诊断性分析(Diagnostic Analytics)

描述性分析会向我们展示发生了什么,而诊断分析则是通过寻找因果关系来回答“为什么”会发生这样的问题。通过描述性分析获得见解后,诊断性分析可提供更为广阔的视角,供你分析这些见解。

通过诊断性分析,你可以快速识别数据的模式和异常值,以了解不同因素之间的关系。诊断性分析可能包括可能性、概率或分布式结果,包括如回归分析、主成分分析、和敏感性分析等技术。

图源:Unsplash

由于诊断性分析可以帮助企业找到数据点之间的联系,因此,它可用于多种情景。例如,营销部门可以用诊断性分析来解释:为什么某些促销活动更有效。它还可以帮助物流供应商确定路线中的瓶颈。一般来说,诊断性分析可用于各个领域,满足不同的业务需求。

预测性分析(Predictive analytics)

预测性分析,是通过使用历史或当前数据预测潜在结果。对大多数公司来说,这就是“奇迹”发生的地方。与描述性和诊断性分析相比,预测性分析更复杂,因为它要求数据科学家具备专业知识。简而言之,这种方法会使用统计建模,进行可靠的预测。它可能包括以下内容:

  • 预测建模: 使用数据的定量分析确定模式。通过将数据提供给预测模型,你可以得到某个决策反馈,例如,更改业务流程中的某些元素。
  • 时间序列数据挖掘:随着时间的推移收集有组织的数据(例如,天气记录),以便找到和确定模式,并基于该模式进行预测。最简单的例子是:解释某公司的产品或服务在一年中的什么时段会出现需求高峰。
  • 贝叶斯分析:一种统计模型,通过确定假设的概率(例如,利率的变化影响股票市场指数的概率),从而减少不确定性。

沃达丰(Vodafone)就是一个成功使用预测性分析的商业实例。该公司的荷兰分部决定为最有可能去滑雪的客户提供旅行计划和电话漫游的优惠。为了分析这些客户,沃达丰(Vodafone)的分析师建立了一个预测模型,观测了过去在欧洲各大滑雪胜地使用手机的人的数据。

这有助于沃达丰(Vodafone)预测哪些客户可能在当季节滑雪。但最重要的是,他们提供了有针对性的服务,用户在享受这些服务的同时,还带来了消费,还避免了将营销成本浪费在那些不相关的客户身上。

预测性分析还可能包括销售预测、风险评估、客户细分等。但为了提供可靠的结果,预测分析需要有定性的、详细的数据。

图源:Unsplash
  • 规范性分析(Prescriptive analytics)

规范性分析是公司为了实现预期结果而采取的步骤。该分析建立在预测分析的基础上,但却多了了对未来发展的建议。换句话说,这类分析回答了“如何让某事发生?”的问题,可以为决策者提供最佳操作规划。最重要的是,规范性模型包含的机制通常会不断从用户反馈中学习,并根据新信息调整输出。

规范性分析可能包括以下技术:

  • 蒙特卡罗模拟(Monte Carlo simulation)。蒙特卡罗模拟是一种通过在模拟中替换随机变量,来进行风险分析的方法,用来确定意外事件对结果造成的影响。该技术广泛应用于金融部门,以减轻投资组合价值减少相关的风险。
  • 推荐系统(Recommender System)。推荐系统是一个信息过滤系统,目的是预测一系列行动,增加正向结果的机率。例如,你在各大网站的“为你推荐”类别中看到的大多数产品,都是推荐系统应用算法的结果。

说到推荐,Netflix 将它们提升到了一个新的水平。该公司不仅本身是流媒体,而且还会制作原创节目。在拍摄方面,没有人愿意制作一部没人会看的节目,这就是规范性分析发挥作用的时候了。

截至 2021 年,Netflix 拥有超过 2.03 亿订户,产生的数据量也非常惊人。哪些节目观看次数最多,哪些片段或时刻经常被重复播放,甚至观众是一直看到最后一集还是中途弃剧了,所有这些细节都会被收集并储存起来进行分析。

有了规范性分析,Netflix可以知道他们的原创节目需要具备哪些条件,才能成为热门节目,因为数据是不会说谎的。这也是他们93%的原创剧集被续订的原因之一。事实上,Netflix 不会制作只有制作人认为不错的节目;它只会制作数据模型显示的观众会喜欢的节目。

有了规范性分析,决策者还可以防止欺诈,并找到实现业务目标、或获得竞争优势的步骤。例如,航空公司可以根据天气条件、燃料价格和客户需求等不断变化的因素时事调整票价。

听起来很复杂,对吧?这就是为什么只有经验丰富的数据科学专业人士才能进行分析。

除了以上四种类型的商业分析之外

在数据分析周期中,每种类型的数据分析都与其他类型的数据分析交织在一起。它们为企业提供了诸如发生了什么、为什么发生、接下来会发生什么、以及如何让某事发生等问题的答案。

通过使用描述性和诊断性分析技术,你可以清楚地了解是你为什么处于当前状态。同时,预测性或规范性技术将为你提供清晰的未来发展前景。

但只运用这四种业务分析技术,还不足以建立数据驱动的流程。你还需要使用商业智能实践、及有效的数据可视化。只有当这些要素共同发挥作用时,企业才能发展得更快,实现更高的目标并避免道路上的重重障碍。

这些不仅仅是空洞的陈述。数据分析已经帮助许多企业利用相关数据并从中获得有价值的见解。

例如,有一位客户是智能退货服务的提供商,与世界各地的许多零售商合作,包括 ASOS、GymShark、Missguided。该公司需要一个网络解决方案,帮助他们有效处理所有 TB 级数据。为了满足客户的要求,数据科学团队构建了一个全面的数据分析和可视化系统,其功能如下:

  • 从第三方数据库获取数据,根据特定要求进行组织并存储
  • 允许终端用户通过用户友好型网页界面访问数据,应用不同的过滤函数,并执行计算
  • 以不同的数据可视化格式显示仪表板上的结果

上述数据驱动的流程提高了客户的生产力,并将其服务质量提升到一个新的水平。感谢阅读!你还可以订阅我们的YouTube频道,观看大量数据科学相关公开课:https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ;在LinkedIn上关注我们,扩展你的人际网络!https://www.linkedin.com/company/dataapplab/

感谢阅读!

原文作者:Quantum
翻译作者:Lia
美工编辑:过儿
校对审稿:Jiawei Tong
原文链接:https://medium.datadriveninvestor.com/four-types-of-data-analysis-that-improve-decision-making-156a07d4aac4