Data Analysis (Phân tích dữ liệu) là thực hành làm việc với dữ liệu để thu thập thông tin hữu ích, sau đó có thể được sử dụng để doanh nghiệp đưa ra quyết định sáng suốt.
“Thật sai lầm khi đưa ra giả thuyết trước khi có dữ liệu. Một cách vô lý, một người bắt đầu bóp méo sự thật cho phù hợp với lý thuyết, thay vì lý thuyết phù hợp với thực tế”
Sherlock Holme tuyên bố trong Sir Arthur Conan Doyle’s A Scandal in Bohemia.
Ý tưởng này nằm ở gốc rễ của Data Analysis. Khi chúng ta có thể nắm rõ ý nghĩa từ data, nó sẽ trao quyền cho chúng ta đưa ra quyết định tốt hơn. Hơn thế, ta đang sống trong thời đại mà chúng ta có nhiều data hơn bao giờ hết trong tầm tay.
Các công ty đang hiểu rõ hơn về lợi ích của việc tận dụng dữ liệu. Data Analysis có thể giúp ngân hàng cá nhân hóa các tương tác của khách hàng, hoặc hệ thống chăm sóc sức khỏe để dự đoán nhu cầu người bệnh trong tương lai, cũng như một công ty giải trí để tạo ra ‘big hit’ tiếp theo.
The World Economic Forum Future of Jobs Report 2020 đã liệt kê các nhà khoa học và nhà phân tích dữ liệu là công việc mới nổi hàng đầu, ngay sau đó là các chuyên gia về trí tuệ nhân tạo và máy học cũng như các chuyên gia về dữ liệu lớn. Trong bài viết này, bạn sẽ cùng Omega tìm hiểu thêm về quy trình của Data Analysis, và các loại phân tích data khác nhau.
Quy trình của Data Analysis
Khi data có sẵn cho các công ty tiếp tục tăng cả về số lượng và độ phức tạp, thì nhu cầu về một quy trình hiệu quả và hiệu quả để khai thác giá trị của data đó cũng tăng theo. Quá trình của Data Analysis thường di chuyển qua một số giai đoạn lặp đi lặp lại. Chúng ta hãy cùng xem xét kỹ hơn từng giai đoạn:
- Xác định câu hỏi kinh doanh mà bạn muốn trả lời. Công ty đang cố gắng giải quyết vấn đề gì? Bạn cần đo lường cái gì, và bạn sẽ đo lường nó như thế nào?
- Thu thập các tập dữ liệu thô mà bạn sẽ cần để giúp bạn trả lời câu hỏi đã xác định. Việc thu thập data có thể đến từ các nguồn nội bộ, như phần mềm quản lý quan hệ khách hàng (CRM) của công ty hoặc từ các nguồn thứ cấp, như hồ sơ chính phủ hoặc giao diện lập trình ứng dụng truyền thông xã hội (API).
- Làm sạch dữ liệu để chuẩn bị cho phân tích. Điều này thường liên quan đến việc xóa dữ liệu trùng lặp và bất thường, điều chỉnh sự không nhất quán, chuẩn hóa cấu trúc và định dạng data cũng như xử lý khoảng trắng và các lỗi cú pháp khác.
- Phân tích dữ liệu. Bằng cách thao tác dữ liệu bằng các kỹ thuật và công cụ phân tích dữ liệu khác nhau, bạn có thể bắt đầu tìm ra các xu hướng, mối tương quan, giá trị ngoại lệ và các biến thể để kể một câu chuyện. Trong giai đoạn này, bạn có thể sử dụng khai thác dữ liệu để khám phá các mẫu trong cơ sở dữ liệu hoặc phần mềm trực quan hóa dữ liệu để giúp chuyển đổi dữ liệu thành định dạng đồ họa.
- Giải thích kết quả phân tích của bạn để xem dữ liệu đã trả lời câu hỏi ban đầu của bạn tốt như thế nào. Bạn có thể đưa ra khuyến nghị gì dựa trên data? Những hạn chế đối với kết luận của bạn là gì?
Xem video này để biết cách Kevin – Giám đốc phân tích dữ liệu tại Google, định nghĩa Data Analysis là gì.
Phân loại các kiểu Data Analysis
Dữ liệu có thể được sử dụng để trả lời các câu hỏi và hỗ trợ các quyết định theo nhiều cách khác nhau. Để xác định cách tốt nhất để phân tích, bạn có thể tự làm quen với bốn loại Data Analysis thường được sử dụng trong lĩnh vực này.
Trong phần này, chúng ta sẽ xem xét từng phương pháp phân tích dữ liệu này, cùng với một ví dụ về cách mỗi phương pháp có thể được áp dụng trong thế giới thực.
Descriptive Analysis (Phân tích mô tả)
Descriptive Analysis cho chúng ta biết những gì đã xảy ra. Loại phân tích này giúp mô tả hoặc tóm tắt dữ liệu định lượng bằng cách trình bày số liệu thống kê.
Ví dụ: Phân tích thống kê mô tả có thể cho thấy sự phân bổ doanh số bán hàng giữa một nhóm nhân viên và con số bán hàng trung bình trên mỗi nhân viên.
Descriptive Analysis giúp trả lời câu hỏi, “Chuyện gì đã xảy ra?”
Diagnostic Analysis (Phân tích chẩn đoán)
Nếu Descriptive Analysis xác định “cái gì” thì Diagnostic Analysis xác định “tại sao”.
Ví dụ: Một phân tích mô tả cho thấy một lượng bệnh nhân bất thường trong bệnh viện. Đi sâu vào dữ liệu hơn nữa có thể tiết lộ rằng nhiều bệnh nhân trong số này có chung các triệu chứng của một loại virus cụ thể. Phân tích chẩn đoán này có thể giúp bạn xác định rằng một tác nhân truyền nhiễm—”tại sao”—đã dẫn đến dòng bệnh nhân.
Diagnostic Analysis giúp trả lời câu hỏi, “Tại sao nó lại xảy ra?”
Predictive Analysis (Phân tích tiên đoán)
Predictive Analysis sử dụng dữ liệu để hình thành các dự báo về tương lai. Sử dụng phân tích dự đoán, bạn có thể nhận thấy rằng một sản phẩm nhất định đã có doanh số bán hàng tốt nhất trong tháng 9 và tháng 10 hàng năm, dẫn đến bạn dự đoán mức cao tương tự trong năm tới.
Predictive Analysis giúp trả lời câu hỏi, “Điều gì có thể xảy ra trong tương lai?”
Prescriptive Analysis (Phân tích quy định)
Prescriptive Analysis lấy tất cả những hiểu biết thu thập được từ ba loại phân tích đầu tiên và sử dụng chúng để hình thành các khuyến nghị về cách một công ty nên vận hành.
Sử dụng ví dụ trước của chúng tôi, loại phân tích này có thể đề xuất một kế hoạch thị trường để xây dựng dựa trên sự thành công của những tháng bán hàng cao và khai thác các cơ hội tăng trưởng mới trong những tháng chậm hơn.
Prescriptive Analysis giúp trả lời câu hỏi, “Chúng ta nên làm gì với nó?”
Loại cuối cùng này là nơi khái niệm ra quyết định dựa trên dữ liệu phát huy tác dụng.
Nguồn: coursera
