Die sechs Arten der Datenanalyse

Datenanalyse ist der Prozess der Überprüfung, Bereinigung, Umwandlung und Modellierung von Daten mit dem Ziel, nützliche Informationen zu entdecken, Schlussfolgerungen zu ziehen und die Entscheidungsfindung zu unterstützen.

Mit ihren zahlreichen Facetten und Methoden sowie unterschiedlichen Techniken wird die Datenanalyse in vielen Bereichen eingesetzt – in der Wirtschaft, der Wissenschaft, der Sozialwissenschaft usw. In einer Welt, in der die Wirtschaft unter dem Einfluss zahlreicher technologischer Fortschritte floriert, spielt die Datenanalyse eine große Rolle bei der Entscheidungsfindung, da sie diese besser und schneller macht, ein effizientes System, das Risiken minimiert und menschliche Voreingenommenheit reduziert.

Allerdings gibt es verschiedene Arten von Analysen, die unterschiedliche Ziele verfolgen. Im Folgenden finden Sie einen kurzen Überblick über die 6 Arten der Datenanalyse.

6 Arten der Datenanalyse

Die Datenanalyse kann in 6 Arten unterteilt und organisiert werden, die nach ihrem Schwierigkeitsgrad geordnet sind.

Hier ist eine kurze Zusammenfassung aller Methoden:

  • Die deskriptive Analyse fasst die vorliegenden Daten zusammen und präsentiert sie in ansprechender Form.
  • Die explorative Datenanalyse hilft Ihnen, Korrelationen und Beziehungen zwischen den Variablen in Ihren Daten zu entdecken.
  • Die inferentielle Analyse dient der Verallgemeinerung einer größeren Population mit einer kleineren Stichprobengröße von Daten.
  • Die prädiktive Analyse hilft Ihnen, anhand von Daten Vorhersagen über die Zukunft zu treffen.
  • Die Kausalanalyse konzentriert sich auf die Suche nach der Ursache für eine Korrelation zwischen Variablen.
  • Bei der mechanistischen Analyse geht es darum, die genauen Veränderungen in den Variablen zu messen, die zu anderen Veränderungen in anderen Variablen führen.

1. Deskriptive Analyse

Ziel: Beschreiben oder Zusammenfassen einer Reihe von Daten

Beschreibung:

  • Die allererste durchgeführte Analyse (wenn man sich neue Daten anschaut)
  • Erzeugt einfache Zusammenfassungen über Stichproben und Messungen
  • allgemeine deskriptive Statistiken (Maße der zentralen Tendenz, Variabilität, Häufigkeit, Position usw.)

Beispiele für deskriptive Analysen sind Kennzahlen wie das prozentuale Umsatzwachstum im Vergleich zum Vorjahr, der Umsatz pro Kunde und die durchschnittliche Zeit, die Kunden für die Bezahlung von Rechnungen benötigen. Die Produkte der deskriptiven Analytik erscheinen in Jahresabschlüssen, anderen Berichten, Dashboards und Präsentationen.

Die deskriptive Analyse ist der erste Schritt in der Analyse, bei dem Sie die Daten, die Sie haben, mit Hilfe der deskriptiven Statistik zusammenfassen und beschreiben.

2. Explorative Analyse

Ziel: Daten untersuchen oder erforschen und Beziehungen zwischen Variablen finden, die zuvor unbekannt waren.

Beschreibung:

  • Die Explorative Analyse hilft Ihnen, Beziehungen zwischen Messgrößen in Ihren Daten zu entdecken, die kein Beweis für die Existenz der Korrelation sind (Korrelation impliziert keine Kausalität).
  • Nützlich für die Entdeckung neuer Zusammenhänge
  • Bildet Hypothesen und treibt die Designplanung und Datenerhebung voran

Beispiel:

Der Klimawandel ist ein zunehmend wichtiges Thema, da die globale Temperatur im Laufe der Jahre allmählich ansteigt. Ein Beispiel für eine Explorative Analyse im Zusammenhang mit dem Klimawandel ist die Betrachtung des Temperaturanstiegs im Laufe der Jahre, z. B. von 1950 bis 2020, und der Zunahme menschlicher Aktivitäten und der Industrialisierung, und die Bildung von Beziehungen aus den Daten, z. B. die zunehmende Zahl von Fabriken, Autos auf den Straßen und Flugzeugen.

Zusammenfassung:

Explorative Analyse analysiert Daten, um Beziehungen zwischen Kennzahlen zu finden. Sie sagt uns aber nicht die Ursache. Sie können verwendet werden, um Hypothesen zu formulieren.

3. Inferentielle Analyse

Ziel: Verwendung einer kleinen Datenstichprobe, um Rückschlüsse auf eine größere Grundgesamtheit zu ziehen.

Bei der statistischen Modellierung selbst geht es darum, aus einer kleinen Datenmenge Informationen zu extrapolieren und auf eine größere Gruppe zu verallgemeinern.

Beschreibung:

  • Verwendung geschätzter Daten, die einen Wert in der Grundgesamtheit haben, und Angabe eines Maßes für die Unsicherheit (Standardabweichung) in Ihrer Schätzung
  • Die Genauigkeit der Schlussfolgerung hängt stark vom Stichprobenplan ab; wenn die Stichprobe nicht repräsentativ für die Grundgesamtheit ist, wird die Verallgemeinerung ungenau sein

Beispiel:

Die Idee, mit einer kleineren Stichprobe auf die Grundgesamtheit zu schließen, ist recht intuitiv. Viele Statistiken, die Sie in den Medien und im Internet sehen, sind inferentiell, also eine Vorhersage eines Ereignisses auf der Grundlage einer kleinen Stichprobe. Ein Beispiel ist eine Psychologiestudie über die Länge des Schlafs: Insgesamt 500 Personen, die an der Studie teilnahmen, berichteten bei einer Nachuntersuchung, dass sie mit 7 bis 9 Stunden Schlaf eine bessere allgemeine Aufmerksamkeit und ein besseres Wohlbefinden hatten, während diejenigen, die weniger oder mehr schliefen, unter einer geringeren Aufmerksamkeit und Energie litten. Bei diesem Bericht von 500 Personen handelte es sich nur um einen winzigen Teil von 7 Milliarden Menschen auf der Welt, trotzdem kann das Ergebnis unter bestimmten Umständen verallgemeinert werden.

Zusammenfassung:

Extrapoliert und verallgemeinert die Informationen der größeren Gruppe mit einer kleineren Stichprobe, um Analysen und Vorhersagen zu erstellen.

4. Prädiktive Analyse

Ziel: Verwendung historischer oder aktueller Daten, um Muster zu finden und Vorhersagen über die Zukunft zu treffen:

Beschreibung:

  • Die Genauigkeit der Vorhersagen hängt von den Eingangsvariablen ab.
  • Die Genauigkeit hängt auch von der Art des Modells ab, ein lineares Modell kann in manchen Fällen gut funktionieren, aber oft nicht.
  • Die Verwendung einer Variable zur Vorhersage einer anderen bedeutet nicht, dass eine kausale Beziehung besteht.

Beispiel:

Jedes Unternehmen muss regelmäßig Reportings über ihre Finanzen vorlegen, und prädiktive Analysen können eine wichtige Rolle bei der Vorhersage der zukünftigen Entwicklung eines Unternehmens spielen. Anhand historischer Daten aus früheren Jahresabschlüssen sowie Daten aus der gesamten Branche können Sie Verkäufe, Einnahmen und Ausgaben prognostizieren, um sich ein Bild von der Zukunft zu machen und Entscheidungen zu treffen.

Zusammenfassung:

Die Prädiktive Analyse verwendet Daten aus der Vergangenheit und der Gegenwart, um Vorhersagen für die Zukunft zu treffen.

5. Kausalanalyse

Ziel: Untersucht die Ursache und Wirkung von Beziehungen zwischen Variablen, wobei der Schwerpunkt auf der Suche nach der Ursache einer Korrelation liegt.

Beschreibung:

  • Um die Ursache zu finden, muss man hinterfragen, ob die beobachteten Korrelationen, die zu den Schlussfolgerungen führen, gültig sind, da die bloße Betrachtung der Daten (Oberfläche) nicht hilft, die verborgenen Mechanismen zu entdecken, die den Korrelationen zugrunde liegen.
  • Angewandt in randomisierten Studien, die sich auf die Identifizierung von Kausalität konzentrieren
  • der Goldstandard in der Datenanalyse, wissenschaftliche Studien, bei denen die Ursache eines Phänomens extrahiert und herausgefiltert werden soll, so wie man die Spreu vom Weizen trennt

Zusammenfassung:

Bei der Kausalanayse geht es darum, die kausale Beziehung zwischen Variablen herauszufinden, d. h. eine Variable zu ändern und zu beobachten, was mit einer anderen passiert.

6. Mechanistische Analyse

Ziel: Genaues Verständnis der Veränderungen in den Variablen, die zu anderen Veränderungen in anderen Variablen führen

Beschreibung:

  • Angewandt in den Natur- und Ingenieurwissenschaften, in Situationen, die hohe Präzision und wenig Raum für Fehler erfordern (das einzige Rauschen in den Daten ist der Messfehler)
  • Entwickelt, um einen biologischen oder Verhaltensprozess, die Pathophysiologie einer Krankheit oder den Wirkmechanismus einer Intervention zu verstehen.

Beispiel:

Viele Forschungsarbeiten auf Hochschulniveau und komplexe Themen eignen sich als Beispiel, aber um es einfach auszudrücken: Nehmen wir an, es wird ein Experiment durchgeführt, um eine sichere und wirksame Kernfusion zu simulieren, um die Welt mit Energie zu versorgen, dann würde eine mechanistische Analyse der Studie ein präzises Gleichgewicht zwischen der Kontrolle und der Beeinflussung von Variablen mit sehr genauen Messungen beider Variablen und der gewünschten Ergebnisse erfordern. Es ist dieser komplizierte und akribische Modus Operandi (Strategie) für diese großen Themen, der wissenschaftliche Durchbrüche und den Fortschritt der Gesellschaft ermöglicht.

Zusammenfassung:

Mechanistische Analysen sind in gewisser Weise eine prädiktive Analyse, die jedoch modifiziert wurde, um Studien in Angriff zu nehmen, die hohe Präzision und akribische Methoden für die Physik oder die Ingenieurwissenschaften erfordern.