تبدیل شدن به یک متخصص تجزیه و تحلیل کسب و کار - Become a Business Analytics Expert

تجزیه و تحلیل داده ها چه کاری می تواند برای تجارت شما انجام دهد؟ از شرکت هایی مانند زیراکس و UPS درس بگیرید. تجزیه و تحلیل داده ها می تواند به کاهش هزینه ها، سرعت بخشیدن به تحویل، تولید پیش بینی ها و تصمیم گیری بهتر کمک کند. در این مرور اجمالی، جانسون و نویسنده اقتصاددان و نویسنده به رهبران و مدیران نحوه استفاده از تجزیه و تحلیل برای تصمیم گیری های داده محور و کسب مزیت رقابتی را نشان می دهد. ابتدا نمونه هایی از تجزیه و تحلیل های واقعی را در عمل مشاهده کنید. سپس تفاوت بین تجزیه و تحلیل پیش بینی کننده و تجویزی را بررسی کنید و نحوه تدوین سوالات را بیابید - روندی که تقریباً به اندازه یافتن پاسخ ها می تواند آشکار باشد. سپس جان نحوه جمع آوری، تمیز کردن و تجمیع داده ها از منابع مختلف در سراسر سازمان خود را نشان می دهد و مشخص می کند که داده ها دارای نقص هستند. سپس نحوه برنامه ریزی و استقرار یک استراتژی تجزیه و تحلیل برای کسب و کار خود را یاد بگیرید، با انواع روشهای ساده شروع کنید: میانگین ها، نمونه برداری، چیدن گیلاس، پیش بینی، و همبستگی و علیت. در نهایت، جان با برخی منابع و مراحل بعدی برای پیشرفت دانش تجزیه و تحلیل شما به پایان می رسد. اهداف یادگیری تعیین کنید که تجزیه و تحلیل داده ها چه کاری می تواند برای کسب و کار شما انجام دهد. انواع مختلف داده ها را تعریف کنید. نحوه محاسبه توصیفات را مشخص کنید. نقش تجزیه و تحلیل پیش بینی در کسب و کار خود را بشناسید. تعریف تجزیه و تحلیل تجویزی را مشخص کنید. موارد اساسی برای ایجاد سوالات بهتر را بررسی کنید. یک مطالعه موردی را برای تعیین سوال صحیح بپرسید. انواع مسائل مربوط به جمع آوری داده ها را که ممکن است ایجاد شود، مشخص کنید. تعیین مراحل انجام خرابی در صورت خرابی داده ها. "برداشت گیلاس" را در تجزیه و تحلیل داده ها تعریف کنید.

دانشمندان داده‌ که از اکسل استفاده می‌کنند، می‌دانند که R به عنوان استاندارد جدید برای حل و فصل آماری (به ویژه برای مجموعه‌های بزرگتر داده) در حال ظهور است. این دوره به عنوان یک پل مناسب برای بسیاری از تحلیلگران داده‌های وابسته به اکسل و کاربران تجاری است که باید با یادگیری R. مهارت‌های اطلاعات داده‌های خود را به روز کنند. بیشتر این دوره بر چگونگی انجام کارها و عملکردهای مهم آماری در R - غالبا با بسته DescTools — مطابق توابع Excel و افزودنی تجزیه و تحلیل داده‌ها، و سپس مقیاس از آنجا، نشان دادن ویژگی‌های قدرتمند R. Conrad Carlberg به شما کمک می‌کند تا به طور موثر بین هر دو برنامه جابجا شوید، داده‌ها را به جلو و عقب برگردانید تا بتوانید بهترین از هر دو را داشته باشید. درباره محاسبه آمار توصیفی، انجام تحلیلهای دو متغیره و موارد دیگر اطلاعات کسب کنید. اهداف یادگیری نصب R و DescTools آمار توصیفی در Excel و DescTools انتقال داده ها بین R و Excel اجرای تابع Desc تجزیه و تحلیل دو متغیره در R و Excel

تصمیمات تجاری اغلب دوتایی هستند: این پروژه را به عهده بگیرید یا آن را برای یک سال به تعویق بیندازید. اعتباری به این مشتری و یا اصرار بر پول نقد ؛ یک فروشگاه خرده فروشی جدید در یک مکان خاص باز کنید یا مکان دیگری پیدا کنید. وقتی نتیجه یک متغیر پیوسته مانند درآمد است، رگرسیون معمولی اغلب یک تکنیک خوب است، اما وقتی فقط دو نتیجه وجود دارد، رگرسیون لجستیک معمولاً ابزارهای بهتری را ارائه می دهد. با نحوه استفاده از R و Excel برای تجزیه و تحلیل داده ها در این دوره با کنراد کارلبرگ آشنا شوید. او شما را از طریق رگرسیون لجستیک پیشرفته، با شانس و لگاریتم شروع می کند و سپس به توزیع دو جمله ای می رود و شانس پیش بینی شده را به احتمالات برمی گرداند. پس از ایجاد این بنیاد، او تمرکز خود را بر روی آمار استنباطی، نسبت های احتمال و رگرسیون چند جمله ای تغییر می دهد. پوشش جامع کنراد در مورد نحوه انجام رگرسیون لجستیک شامل پرداختن به مشکلات رایج، توضیح روابط، مرور نتایج و تفسیر نتایج است. اهداف یادگیری تشخیص مشکلات مربوط به رگرسیون معمولی در یک نتیجه دوتایی تعیین خطاهای پیش بینی مدیریت شیب های مختلف پیش بینی شانس به جای احتمالات محدود کردن احتمالات در صعودی و نزولی کار با نماها و پایه ها پیش بینی logit کار با داده ها و ضرایب اصلی ایجاد احتمال ورود به سیستم تفسیر -2LL یا انحراف ایجاد یک قاب داده با XLGetRange با استفاده از توابع R mlogit یا و glm درک اشکال طولانی در مقابل گسترده در مجموعه داده ها

در شرایطی که مشاغل مجبورند با حجم بیشتری از داده ها دست و پنجه نرم کنند، نیاز به کاهش داده ها در سال های اخیر تشدید شده است. برای درک بیش از حد اطلاعات، می توانید از تجزیه خوشه ای استفاده کنید - که به شما امکان می دهد به جای کل جمعیت افراد، درباره تعداد انگشت شماری از گروه ها استنباط کنید - و همچنین تجزیه و تحلیل اجزای اصلی، که متغیرهای نهفته را آشکار می کند. در این دوره، کنراد کارلبرگ نحوه انجام تجزیه و تحلیل خوشه ای و تجزیه و تحلیل اجزای اصلی با استفاده از Microsoft Excel را توضیح می دهد، که تمایل دارد به وضوح بیشتر آنچه را که در تحلیل اتفاق می افتد نشان دهد. سپس نحوه انجام تجزیه و تحلیل مشابه با استفاده از R، نرم افزار محاسبات آماری منبع باز را توضیح می دهد، که از نظر تجزیه و تحلیل سریعتر و غنی تر از Excel است. علاوه بر این، او نحوه ادغام نتایج تجزیه و تحلیل خوشه ای و تجزیه و تحلیل عوامل را توضیح می دهد تا به شما در تجزیه چند عامل اساسی با توجه به عضویت افراد در چند خوشه کمک کند. اهداف یادگیری بررسی مشکلات ایجاد شده در اثر فراوانی داده ها درک منطق خوشه بندی و تجزیه و تحلیل اجزای اصلی استفاده از Excel برای استخراج اجزای اصلی استفاده از R برای استخراج اجزای اصلی استفاده از R برای تجزیه و تحلیل خوشه ای استفاده از Excel برای تجزیه و تحلیل خوشه ای تنظیم جداول گیج کننده در Excel استفاده از تجزیه خوشه ای و تحلیل عاملی به صورت هماهنگ

در دنیایی که تقریباً همه از داده ها برای اطلاع از متدلوژی های تجاری خود استفاده می کنند، اجماع در حال ظهور این است که باید بر اعتبار داده ها تأکید بیشتری شود. تأیید صحت نتیجه گیری های داده محور ؛ و خطر نادرست بودن نتیجه گیری های خود را به حداقل برسانید. اگرچه اکثر محققان می دانند متاآنالیز چیست، اما تعداد کمی می دانند که چگونه می توان اندازه اثر را از معیارهای متداول مانند نسبت خطر محاسبه کرد یا اینکه چگونه تمایز بین اثرات ثابت و تصادفی می تواند متا تحلیلگر را به بیراهه ببرد. این دوره سطح پیشرفته برای پزشکان و محققان علم داده و آمار تفاوتهای میانگین خام را-مخصوصاً برای گروههای آزمایشی و مقایسه ای-و نحوه تبدیل اقدامات مفید مفید مانند نسبت نسبی ریسک و شانس را به اندازه گیری اندازه اثر پوشش می دهد. به علاوه، نحوه ایجاد فواصل اطمینان برای اندازه گیری پیامدهای دوتایی را بیاموزید. اهداف یادگیری استدلال برای فراتحلیل اندازه اثر مستقیم تفاوت میانگین استاندارد شده ضرایب همبستگی اندازه اثرات پیچیده: نسبت ریسک و نسبت شانس فواصل اطمینان در فراتحلیل ایجاد فواصل اطمینان در مورد اندازه اثر دوتایی نتیجه

تجزیه و تحلیل کسب و کار مجموعه ای از ابزارها، فناوری ها، فرآیندها و بهترین شیوه ها را در بر می گیرد که برای استخراج دانش از داده ها مورد نیاز است. این یک اکتشاف تکراری و روشمند از داده ها برای به دست آوردن بینش از آن است - و به نوبه خود، تصمیم گیری های هوشمندانه تر و استراتژیک تر که مبتنی بر واقعیات است. در این دوره، با مراحل تجزیه و تحلیل کسب و کار که برای پیش بینی و ساختن آینده استفاده می شود آشنا شوید - تجزیه و تحلیل پیش بینی، تجزیه و تحلیل تجویزی و تجزیه و تحلیل تجربی. این دوره به هر مرحله می پردازد و در مورد ابزارها و تکنیک های مورد استفاده برای هر یک و همچنین بهترین شیوه های اعمال شده در این زمینه بحث می کند. علاوه بر این، این دوره با استفاده از یک مورد استفاده برای نشان دادن نحوه اجرای تجزیه و تحلیل در هر مرحله، زمینه ای واقعی را به این مفاهیم می بخشد. اهداف یادگیری بین مراحل مختلف تحلیل تجاری تمایز قائل شوید. حرکت داده ها را در طول تجزیه و تحلیل تجاری شناسایی کنید. ابزارها و تکنیک های تجزیه و تحلیل تجویزی را بررسی کنید. ابزارها و تکنیک های تحلیل تجربی را توضیح دهید. عواملی که باید در هنگام استفاده از تست A/B در نظر گرفته شوند را شناسایی کنید.

تجزیه و تحلیل کسب و کار به ما امکان می دهد از گذشته درس بگیریم و پیش بینی های بهتری برای آینده داشته باشیم. سه نوع تجزیه و تحلیل برای یادگیری از گذشته استفاده می شود. تجزیه و تحلیل توصیفی داده های تاریخی را خلاصه می کند. تجزیه و تحلیل اکتشافی الگوهای پنهان را آشکار می کند. و تجزیه و تحلیل توضیحی دلایل نتایج کسب و کار را نشان می دهد. هر نوع شامل مجموعه متفاوتی از ابزارها، فناوری‌ها، فرآیندها و بهترین شیوه‌ها برای استخراج بینش از داده‌ها است. این دوره توسط Kumaran Ponnambalam توضیح می دهد که چرا آنها اهمیت دارند و چگونه و چه زمانی از آنها استفاده کنیم. او با تنظیم زمینه برای تجزیه و تحلیل کسب و کار و مراحل مختلف آن شروع می کند. سپس مراحلی را که بر گذشته تمرکز می‌کنند را بررسی می‌کنید: توصیفی، اکتشافی و توضیحی. با هر مرحله، شما در مورد فرآیندها، تکنیک ها و بهترین شیوه های مورد استفاده در این زمینه آشنا می شوید. در نهایت، یک مورد استفاده (نتایج یک کمپین بازاریابی ایمیلی) را بررسی می کنید که نشان می دهد چگونه تجزیه و تحلیل در هر مرحله انجام می شود. اهداف یادگیری تجزیه و تحلیل کسب و کار و مراحل آن تجزیه و تحلیل توصیفی تجزیه و تحلیل اکتشافی تجزیه و تحلیل توضیحی بهترین شیوه ها و موارد استفاده

هموارسازی نمایی اصطلاحی برای مجموعه ای از روش های پیش بینی ساده است که اصلاح خود را اعمال می کند. هر پیش بینی شامل دو جزء است. این میانگین وزنی پیش بینی قبلی است، به علاوه تعدیلی که پیش بینی قبلی را دقیق تر می کرد. هموارسازی - مانند اکثر رویکردهای معتبر برای پیش‌بینی - برای درست کار کردن به یک خط پایه از مشاهدات، به ترتیب، نیاز دارد. درآمدهای هفتگی و پذیرش روزانه در بیمارستان نمونه های معمولی هستند. چندین نسخه از هموارسازی نمایی وجود دارد که هر کدام مربوط به یک نوع خط پایه است. در این دوره، کنراد کارلبرگ مقدمه ای بر هموارسازی نمایی ساده، غواصی در ایده اصلی پشت آن، و توضیح نحوه جمع آوری معادله پیش بینی و بهینه سازی پیش بینی ها ارائه می دهد. اهداف یادگیری نحوه ارزیابی خط مبنا را با استفاده از همبستگی نشان دهید. معایب استفاده از ابزار هموارسازی نمایی مایکروسافت اکسل را شناسایی کنید. روش های مختلفی را که می توانید اولین پیش بینی را مقداردهی اولیه کنید، توضیح دهید. میانگین پیش بینی انحراف خام را با روش پیش بینی انحراف مطلق میانگین مقایسه کنید. دلایل استفاده از R به جای اکسل برای هموارسازی نمایی را بررسی کنید.

هموارسازی نمایی فصلی توسعه ای از هموارسازی نمایی ساده (SES) است. صاف کردن فصلی اغلب زمانی استفاده می شود که یک خط پایه قله ها و دره های فصلی منظم را نشان دهد. استفاده از آب خانگی یک مثال آشنا است: مصرف در طول تابستان و پاییز افزایش می‌یابد و در زمستان و بهار کاهش می‌یابد، اما مصرف کلی سالانه در طی چندین سال ثابت می‌ماند. در این دوره، مشاور باتجربه تحلیل کسب و کار و کارشناس آموزشی کنراد کارلبرگ نشان می‌دهد که چگونه می‌توان تغییرات فصلی را برای پیش‌بینی‌های دقیق‌تر و روشن‌تر ترکیب کرد. نحوه شناسایی فصلی بودن، هموارسازی فصلی خطوط پایه افقی و بهینه سازی پیش بینی های خود را با R و Microsoft Excel بیاموزید. اهداف یادگیری مشخص کنید چه چیزی فصلی بودن را از یک روند یا یک چرخه متمایز می کند. نحوه استفاده از ارجاعات مطلق و نسبی در نام های تعریف شده را بررسی کنید و به یاد بیاورید که مرجع مطلق همیشه ثابت می ماند در حالی که مراجع نسبی بسته به سابقه تغییر می کنند. با بررسی توابع خودهمبستگی در یک همبستگی فصلی را در یک خط پایه شناسایی کنید. نحوه اولیه سازی اثرات فصلی را در خط مبنا بررسی کنید. سطح فعلی خط پایه و اثر فصلی جاری را از مشاهدات، پیش‌بینی‌ها و ثابت‌های هموارسازی قبلی پیش‌بینی کنید. اندازه گیری خطای کل در یک پیش بینی را کمی کنید و با استفاده از حل کننده آن را به حداقل برسانید. یک خط مبنا را در یک شی داده ایجاد کنید و از آن خط پایه در R پیش بینی کنید. مقایسه نتایج اکسل و R

هموارسازی نمایی ساده (SES) اکثر عناصر مورد استفاده در رویکرد هموارسازی برای پیش‌بینی را شامل می‌شود، مانند ثابت هموارسازی سطح، خود تصحیح، و تضعیف تدریجی تأثیر مشاهدات قدیمی‌تر بر پیش‌بینی‌های جدید. اما SES با خطوط پایه که روند یا فصلی بودن را نشان می‌دهند ضعیف عمل می‌کند. سری‌های زمانی گرایش‌شده از نظر پیچیدگی یک پله بالاتر از سری‌های زمانی ثابت تحلیل‌شده توسط SES است - روندهای پایه آن به سمت بالا یا پایین. استفاده از هموارسازی نمایی با خط پایه روند اغلب روش هولت نامیده می شود و این دوره برای تجهیز شما به این تکنیک طراحی شده است. در اینجا، مربی Conrad Carlberg توضیح می‌دهد که چگونه از روش Holt برای ایجاد پیش‌بینی‌هایی در R که با روندها در خط مبنا سروکار دارد، استفاده کنید. اهداف یادگیری جمع‌آوری معادله پیش‌بینی برای خط پایه روند هموارسازی نمایی ساده با خط پایه ثابت استفاده از R برای هموارسازی نمایی ساده بهینه سازی ثابت های سطح و روند از طریق Solver استفاده از R برای پیش بینی یک سری روند