การวิเคราะห์ข้อมูล
การวิเคราะห์ข้อมูลคือกระบวนการตรวจสอบทำความสะอาดแปลงและสร้างแบบจำลองข้อมูลโดยมีเป้าหมายเพื่อค้นหาข้อมูลที่เป็นประโยชน์ แจ้งข้อสรุป และสนับสนุนการตัดสินใจ[ 1 ]การวิเคราะห์ข้อมูลมีหลายแง่มุมและแนวทาง ครอบคลุมเทคนิคที่หลากหลายภายใต้ชื่อต่างๆ และใช้ในโดเมนธุรกิจ วิทยาศาสตร์ และสังคมศาสตร์ที่แตกต่างกัน[ 2 ]ในโลกธุรกิจปัจจุบัน การวิเคราะห์ข้อมูลมีบทบาทสำคัญในการทำให้การตัดสินใจเป็นวิทยาศาสตร์มากขึ้นและช่วยให้ธุรกิจดำเนินงานได้อย่างมีประสิทธิภาพมากขึ้น[ 3 ]มีการใช้กันอย่างแพร่หลายในสาขาต่างๆ เช่น การวิเคราะห์ธุรกิจ การดูแลสุขภาพ และปัญญาประดิษฐ์ เพื่อดึงข้อมูลเชิงลึกที่มีความหมายจากข้อมูล
การขุดข้อมูล (Data mining)เป็นเทคนิคการวิเคราะห์ข้อมูลเฉพาะที่เน้นการสร้างแบบจำลองทางสถิติและการค้นพบความรู้เพื่อวัตถุประสงค์ในการทำนายมากกว่าการอธิบายเพียงอย่างเดียว ในขณะที่ระบบธุรกิจอัจฉริยะ (Business intelligence) ครอบคลุมการวิเคราะห์ข้อมูลที่อาศัยการรวมกลุ่มเป็นอย่างมาก โดยเน้นที่ข้อมูลทางธุรกิจเป็นหลัก ในการประยุกต์ใช้ทางสถิติ การวิเคราะห์ข้อมูลสามารถแบ่งออกเป็นสถิติเชิงพรรณนา ( Descriptive statistics) การวิเคราะห์ข้อมูลเชิงสำรวจ (Exploratory data analysis: EDA) และการวิเคราะห์ข้อมูลเชิงยืนยัน (Confirmatory data analysis: CDA) [ 4 ] EDA เน้นการค้นพบคุณลักษณะใหม่ในข้อมูล ในขณะที่ CDA เน้นการยืนยันหรือหักล้างสมมติฐานที่มีอยู่[ 5 ]การวิเคราะห์เชิงทำนาย (Predictive analytics)เน้นการประยุกต์ใช้แบบจำลองทางสถิติสำหรับการพยากรณ์หรือการจำแนกประเภท ในขณะที่การวิเคราะห์ข้อความ (Text analytics)ใช้เทคนิคทางสถิติ ภาษาศาสตร์ และโครงสร้างเพื่อดึงและจำแนกข้อมูลจากแหล่งข้อมูลที่เป็นข้อความ ซึ่งเป็นข้อมูลที่ไม่มีโครงสร้าง หลากหลายประเภท ทั้งหมดข้างต้นเป็นรูปแบบต่างๆ ของการวิเคราะห์ข้อมูล[ 6 ]
กระบวนการวิเคราะห์ข้อมูล
การวิเคราะห์ข้อมูลเป็นกระบวนการในการได้มาซึ่งข้อมูลดิบและแปลงข้อมูลดิบนั้นให้เป็นข้อมูลที่เป็นประโยชน์ต่อการตัดสินใจของผู้ใช้[ 1 ]นักสถิติJohn Tukeyได้นิยามการวิเคราะห์ข้อมูลในปี 1961 ไว้ดังนี้:
"ขั้นตอนการวิเคราะห์ข้อมูล เทคนิคการตีความผลลัพธ์ของขั้นตอนดังกล่าว วิธีการวางแผนการรวบรวมข้อมูลเพื่อให้การวิเคราะห์ง่ายขึ้น แม่นยำขึ้น หรือถูกต้องมากขึ้น และเครื่องมือและผลลัพธ์ทั้งหมดของสถิติ (ทางคณิตศาสตร์) ที่ใช้ในการวิเคราะห์ข้อมูล" [ 7 ]
มีหลายขั้นตอน และเป็นแบบวนซ้ำโดยที่ผลตอบรับจากขั้นตอนในภายหลังอาจส่งผลให้ต้องทำงานเพิ่มเติมในขั้นตอนก่อนหน้า[ 8 ]
ข้อกำหนดด้านข้อมูล
ข้อมูลมีความจำเป็นในฐานะข้อมูลป้อนเข้าสำหรับการวิเคราะห์ ซึ่งระบุตามข้อกำหนดของผู้ที่กำกับการวิเคราะห์ (หรือลูกค้าที่จะใช้ผลิตภัณฑ์สำเร็จรูปของการวิเคราะห์) [ 9 ]ประเภททั่วไปของหน่วยงานที่จะรวบรวมข้อมูลเรียกว่าหน่วยทดลอง (เช่น บุคคลหรือประชากร) ตัวแปรเฉพาะเกี่ยวกับประชากร (เช่น อายุและรายได้) อาจถูกระบุและรวบรวม ข้อมูลอาจเป็นตัวเลขหรือเชิงหมวดหมู่ (เช่น ป้ายข้อความสำหรับตัวเลข) [ 8 ]
การเก็บรวบรวมข้อมูล
ข้อมูลอาจถูกรวบรวมจากแหล่งข้อมูลที่หลากหลาย[ 10 ]และจัดระเบียบเป็นชุดข้อมูลซึ่งบางส่วนสามารถเข้าถึงได้โดยเปิดเผยนักวิเคราะห์อาจสื่อสารข้อกำหนดไปยังผู้ดูแลข้อมูล เช่นบุคลากรด้านเทคโนโลยีสารสนเทศภายในองค์กร[ 11 ]การรวบรวมข้อมูลหรือการเก็บรวบรวมข้อมูลคือกระบวนการรวบรวมและวัดข้อมูลเกี่ยวกับตัวแปรเป้าหมายในระบบที่จัดตั้งขึ้น ซึ่งจะช่วยให้สามารถตอบคำถามที่เกี่ยวข้องและประเมินผลลัพธ์ได้ ข้อมูลอาจถูกรวบรวมจากเซ็นเซอร์ในสภาพแวดล้อม รวมถึงกล้องจราจร ดาวเทียม อุปกรณ์บันทึกเสียง ฯลฯ นอกจากนี้ยังอาจได้รับจากการสัมภาษณ์ การดาวน์โหลดจากแหล่งข้อมูลออนไลน์ หรือการอ่านเอกสาร[ 8 ]
การประมวลผลข้อมูล
การบูรณาการข้อมูลเป็นขั้นตอนก่อนการวิเคราะห์ข้อมูล: เมื่อได้รับข้อมูลมาในเบื้องต้น จะต้องประมวลผลหรือจัดระเบียบข้อมูลเพื่อการวิเคราะห์ ตัวอย่างเช่น อาจเกี่ยวข้องกับการวางข้อมูลลงในแถวและคอลัมน์ในรูปแบบตาราง ( เรียกว่าข้อมูลที่มีโครงสร้าง ) เพื่อการวิเคราะห์เพิ่มเติม ซึ่งมักจะทำผ่านการใช้โปรแกรมสเปรดชีต (เช่น Excel) หรือซอฟต์แวร์ทางสถิติ[ 8 ]
การทำความสะอาดข้อมูล
เมื่อประมวลผลและจัดระเบียบข้อมูลแล้ว ข้อมูลอาจไม่สมบูรณ์ มีข้อมูลซ้ำซ้อน หรือมีข้อผิดพลาด[ 12 ]ความจำเป็นในการทำความสะอาดข้อมูลจะเกิดขึ้นจากปัญหาในวิธีการป้อนและจัดเก็บข้อมูล[ 12 ] [ 13 ]การทำความสะอาดข้อมูลคือกระบวนการป้องกันและแก้ไขข้อผิดพลาดเหล่านี้ งานทั่วไปได้แก่ การจับคู่บันทึก การระบุความไม่ถูกต้องของข้อมูล คุณภาพโดยรวมของข้อมูลที่มีอยู่ การลบข้อมูลซ้ำซ้อน และการแบ่งส่วนคอลัมน์[ 14 ] [ 15 ]
ปัญหาข้อมูลดังกล่าวสามารถระบุได้ด้วยเทคนิคการวิเคราะห์ที่หลากหลาย ตัวอย่างเช่น สำหรับข้อมูลทางการเงิน ผลรวมของตัวแปรเฉพาะอาจถูกเปรียบเทียบกับตัวเลขที่เผยแพร่แยกต่างหากซึ่งเชื่อว่ามีความน่าเชื่อถือ[ 16 ]อาจมีการตรวจสอบจำนวนที่ผิดปกติ สูงกว่าหรือต่ำกว่าเกณฑ์ที่กำหนดไว้ล่วงหน้า มีวิธีการทำความสะอาดข้อมูลหลายประเภทที่ขึ้นอยู่กับประเภทของข้อมูลในชุดข้อมูล ซึ่งอาจเป็นหมายเลขโทรศัพท์ ที่อยู่อีเมล นายจ้าง หรือค่าอื่นๆ[ 17 ]วิธีการข้อมูลเชิงปริมาณสำหรับการตรวจจับค่าผิดปกติสามารถใช้เพื่อกำจัดข้อมูลที่มีแนวโน้มสูงที่จะป้อนไม่ถูกต้อง โปรแกรมตรวจสอบการสะกดคำของข้อมูลข้อความสามารถใช้เพื่อลดจำนวนคำที่พิมพ์ผิด อย่างไรก็ตาม การบอกว่าคำเหล่านั้นถูกต้องตามบริบท (เช่น ความหมายและสำนวน) หรือไม่นั้นทำได้ยากกว่า
การวิเคราะห์ข้อมูลเชิงสำรวจ
เมื่อชุดข้อมูลได้รับการทำความสะอาดแล้ว ก็สามารถเริ่มวิเคราะห์โดยใช้การวิเคราะห์ข้อมูลเชิงสำรวจได้กระบวนการสำรวจข้อมูลอาจส่งผลให้มีการทำความสะอาดข้อมูลเพิ่มเติมหรือมีการขอข้อมูลเพิ่มเติม ดังนั้นจึงเป็นการเริ่มต้นของขั้นตอนการวนซ้ำที่กล่าวถึงข้างต้น[ 18 ]สถิติเชิงพรรณนาเช่น ค่าเฉลี่ย ค่ามัธยฐาน และค่าเบี่ยงเบนมาตรฐาน มักใช้เพื่ออธิบายลักษณะของข้อมูลโดยทั่วไป[ 19 ] [ 20 ] นอกจากนี้ยังมีการใช้ การแสดงภาพข้อมูลซึ่งนักวิเคราะห์สามารถตรวจสอบข้อมูลในรูปแบบกราฟิกเพื่อให้ได้ข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับข้อความภายในข้อมูล[ 8 ]
การสร้างแบบจำลองข้อมูล
สูตรทางคณิตศาสตร์หรือแบบจำลองทางคณิตศาสตร์ (ที่ได้รับการสนับสนุนจากอัลกอริธึม ) อาจถูกนำมาใช้กับข้อมูลเพื่อระบุความสัมพันธ์ระหว่างตัวแปรต่างๆ ตัวอย่างเช่น การตรวจสอบความสัมพันธ์และการพิจารณาว่ามีความเป็นเหตุเป็นผล หรือไม่ โดยทั่วไปแล้ว อาจมีการพัฒนาแบบจำลองเพื่อประเมินตัวแปรเฉพาะโดยอิงจากตัวแปรอื่นๆ ที่มีอยู่ในชุดข้อมูล โดยมีข้อผิดพลาดที่เหลืออยู่ บ้าง ขึ้นอยู่กับความแม่นยำของแบบจำลองที่นำมาใช้ ( เช่นข้อมูล = แบบจำลอง + ข้อผิดพลาด) [ 21 ]
สถิติเชิงอนุมานใช้เทคนิคที่วัดความสัมพันธ์ระหว่างตัวแปรเฉพาะ[ 22 ]ตัวอย่างเช่นการวิเคราะห์การถดถอยอาจใช้เพื่อสร้างแบบจำลองว่าการเปลี่ยนแปลงในการโฆษณา ( ตัวแปรอิสระ X ) ให้คำอธิบายสำหรับการเปลี่ยนแปลงในยอดขาย ( ตัวแปรตาม Y ) หรือไม่ กล่าวคือ Y เป็นฟังก์ชันของ X หรือไม่? สามารถอธิบายได้เป็น ( Y = aX + b + error) โดยแบบจำลองได้รับการออกแบบเพื่อให้ ( a ) และ ( b ) ลดข้อผิดพลาดให้น้อยที่สุดเมื่อแบบจำลองทำนายYสำหรับช่วงค่าXที่ กำหนด [ 23 ]
ผลิตภัณฑ์ข้อมูล
ผลิตภัณฑ์ข้อมูลคือแอปพลิเคชันคอมพิวเตอร์ที่รับข้อมูลเข้าและสร้างผลลัพธ์โดยป้อนกลับเข้าไปในสภาพแวดล้อม[ 24 ]อาจขึ้นอยู่กับแบบจำลองหรืออัลกอริทึม ตัวอย่างเช่น แอปพลิเคชันที่วิเคราะห์ข้อมูลเกี่ยวกับประวัติการซื้อของลูกค้า และใช้ผลลัพธ์เพื่อแนะนำสินค้าอื่น ๆ ที่ลูกค้าอาจสนใจ[ 25 ] [ 8 ]
การสื่อสาร
เมื่อวิเคราะห์ข้อมูลแล้ว ข้อมูลอาจถูกนำเสนอในหลายรูปแบบให้กับผู้ใช้การวิเคราะห์เพื่อสนับสนุนความต้องการของพวกเขา[ 27 ]ผู้ใช้อาจมีข้อเสนอแนะ ซึ่งส่งผลให้มีการวิเคราะห์เพิ่มเติม
เมื่อพิจารณาว่าจะสื่อสารผลลัพธ์อย่างไร นักวิเคราะห์อาจพิจารณาใช้เทคนิคการแสดงภาพข้อมูลที่หลากหลายเพื่อช่วยสื่อสารข้อความให้ชัดเจนและมีประสิทธิภาพมากขึ้นแก่ผู้ชม การแสดงภาพข้อมูลใช้การแสดงข้อมูล (กราฟิก เช่น ตารางและแผนภูมิ) เพื่อช่วยสื่อสารข้อความสำคัญที่อยู่ในข้อมูลตารางเป็นเครื่องมือที่มีคุณค่าเพราะช่วยให้ผู้ใช้สามารถสอบถามและเน้นที่ตัวเลขเฉพาะได้ ในขณะที่แผนภูมิ (เช่น แผนภูมิแท่งหรือแผนภูมิเส้น) อาจช่วยอธิบายข้อความเชิงปริมาณที่อยู่ในข้อมูลได้[ 28 ]
ข้อความเชิงปริมาณ
Stephen Fewอธิบายข้อความเชิงปริมาณแปดประเภทที่ผู้ใช้อาจพยายามสื่อสารจากชุดข้อมูล รวมถึงกราฟที่เกี่ยวข้อง[ 29 ] [ 30 ]
- อนุกรมเวลา: ข้อมูลตัวแปรเดียวจะถูกเก็บรวบรวมในช่วงระยะเวลาหนึ่ง เช่น อัตราการว่างงานในช่วง 10 ปี อาจใช้ แผนภูมิเส้นเพื่อแสดงแนวโน้ม
- การจัดอันดับ: การแบ่งย่อยตามหมวดหมู่จะถูกจัดอันดับตามลำดับจากน้อยไปมากหรือจากมากไปน้อย เช่น การจัดอันดับประสิทธิภาพการขาย (ตัวชี้วัด ) โดยพนักงานขาย ( หมวดหมู่โดยพนักงานขายแต่ละคนเป็นการแบ่งย่อยตามหมวดหมู่ ) ในช่วงเวลาหนึ่งอาจใช้แผนภูมิแท่ง เพื่อแสดงการเปรียบเทียบระหว่างพนักงานขาย [ 31 ]
- ส่วนย่อยต่อส่วนรวม: การแบ่งย่อยตามหมวดหมู่จะวัดเป็นอัตราส่วนต่อส่วนรวม (เช่น เปอร์เซ็นต์จาก 100%) แผนภูมิวงกลมหรือแผนภูมิแท่งสามารถแสดงการเปรียบเทียบอัตราส่วน เช่น ส่วนแบ่งการตลาดที่คู่แข่งเป็นตัวแทนในตลาด[ 32 ]
- การเบี่ยงเบน: การแบ่งย่อยตามหมวดหมู่จะถูกเปรียบเทียบกับค่าอ้างอิง เช่น การเปรียบเทียบค่าใช้จ่ายจริงกับงบประมาณสำหรับหลายแผนกของธุรกิจในช่วงเวลาที่กำหนด แผนภูมิแท่งสามารถแสดงการเปรียบเทียบระหว่างจำนวนจริงกับจำนวนอ้างอิงได้[ 33 ]
- การแจกแจงความถี่: แสดงจำนวนการสังเกตของตัวแปรเฉพาะในช่วงเวลาที่กำหนด เช่น จำนวนปีที่ผลตอบแทนของตลาดหุ้นอยู่ระหว่างช่วงต่างๆ เช่น 0–10%, 11–20% เป็นต้น อาจใช้ ฮิสโตแกรมซึ่งเป็นแผนภูมิแท่งชนิดหนึ่ง ในการวิเคราะห์นี้ได้
- ความสัมพันธ์: การเปรียบเทียบระหว่างการสังเกตที่แสดงด้วยตัวแปรสองตัว (X, Y) เพื่อพิจารณาว่ามีแนวโน้มที่จะเคลื่อนที่ไปในทิศทางเดียวกันหรือตรงกันข้าม ตัวอย่างเช่น การพล็อตอัตราการว่างงาน (X) และอัตราเงินเฟ้อ (Y) สำหรับตัวอย่างหลายเดือน โดยทั่วไปจะใช้ แผนภาพกระจายสำหรับข้อความนี้[ 34 ]
- การเปรียบเทียบเชิงนาม: การเปรียบเทียบกลุ่มย่อยตามหมวดหมู่โดยไม่มีลำดับที่แน่นอน เช่น ปริมาณการขายตามรหัสผลิตภัณฑ์ สามารถใช้แผนภูมิแท่งสำหรับการเปรียบเทียบนี้ได้[ 35 ]
- ทางภูมิศาสตร์หรือเชิงพื้นที่: การเปรียบเทียบตัวแปรในแผนที่หรือแผนผัง เช่น อัตราการว่างงานตามรัฐ หรือจำนวนคนในแต่ละชั้นของอาคารโดยทั่วไปจะใช้แผนที่แบบคาร์โทแกรม[ 29 ]
การวิเคราะห์ข้อมูลเชิงปริมาณในด้านการเงิน
Jonathan Koomeyผู้เขียนได้แนะนำแนวปฏิบัติที่ดีที่สุดหลายประการสำหรับการทำความเข้าใจข้อมูลเชิงปริมาณ ซึ่งรวมถึง: [ 16 ]
- ตรวจสอบข้อมูลดิบเพื่อหาความผิดปกติก่อนทำการวิเคราะห์
- ทำการคำนวณที่สำคัญซ้ำอีกครั้ง เช่น การตรวจสอบคอลัมน์ข้อมูลที่คำนวณโดยใช้สูตร
- ตรวจสอบให้แน่ใจว่าผลรวมหลักเป็นผลรวมของผลรวมย่อย
- ตรวจสอบความสัมพันธ์ระหว่างตัวเลขที่ควรมีความสัมพันธ์กันในลักษณะที่คาดการณ์ได้ เช่น อัตราส่วนเมื่อเวลาผ่านไป
- ปรับตัวเลขให้เป็นมาตรฐานเพื่อให้เปรียบเทียบได้ง่ายขึ้น เช่น การวิเคราะห์ปริมาณต่อคน หรือเทียบกับ GDP หรือเป็นค่าดัชนีเทียบกับปีฐาน
- แบ่งปัญหาออกเป็นส่วนประกอบย่อยโดยการวิเคราะห์ปัจจัยที่นำไปสู่ผลลัพธ์ เช่น การวิเคราะห์ ผลตอบแทนจากส่วนของผู้ถือหุ้นของ DuPont
สำหรับตัวแปรที่กำลังตรวจสอบ นักวิเคราะห์มักจะได้รับสถิติเชิงพรรณนาเช่น ค่าเฉลี่ย ค่ามัธยฐานและค่าเบี่ยงเบนมาตรฐานนอกจากนี้ พวกเขายังอาจวิเคราะห์การกระจายของตัวแปรหลักเพื่อดูว่าค่าแต่ละค่ารวมกลุ่มกันรอบค่าเฉลี่ยอย่างไร[ 16 ]
บริษัท McKinsey and Companyได้ตั้งชื่อเทคนิคสำหรับการแบ่งปัญหาเชิงปริมาณออกเป็นส่วนประกอบต่างๆ ว่าหลักการ MECE MECE หมายถึง "Mutually Exclusive and Collectively Exhaustive" ( ไม่สามารถแยกออกจากกันได้โดยสิ้นเชิงและต้องรวมกันแล้วได้ผลลัพธ์เท่ากับชั้นที่อยู่เหนือกว่า) [ 36 ]แต่ละชั้นสามารถแบ่งย่อยออกเป็นส่วนประกอบต่างๆ ได้ โดยแต่ละส่วนประกอบย่อยจะต้องแยกออกจากกันโดยสิ้นเชิงและ ต้อง รวมกันแล้วได้ผลลัพธ์เท่ากับชั้นที่อยู่เหนือกว่า ตัวอย่างเช่น กำไรตามนิยามสามารถแบ่งย่อยออกเป็นรายได้รวมและต้นทุนรวมได้[ 37 ]
นักวิเคราะห์อาจใช้การวัดทางสถิติที่แข็งแกร่งเพื่อแก้ปัญหาการวิเคราะห์บางอย่าง การทดสอบสมมติฐานใช้เมื่อนักวิเคราะห์ตั้งสมมติฐานเฉพาะเกี่ยวกับสถานการณ์ที่แท้จริง และรวบรวมข้อมูลเพื่อพิจารณาว่าสมมติฐานนั้นเป็นจริงหรือเท็จ[ 38 ]ตัวอย่างเช่น สมมติฐานอาจเป็นว่า "การว่างงานไม่มีผลต่ออัตราเงินเฟ้อ" ซึ่งเกี่ยวข้องกับแนวคิดทางเศรษฐศาสตร์ที่เรียกว่าเส้นโค้งฟิลลิปส์ [ 39 ] การทดสอบสมมติฐานเกี่ยวข้องกับการพิจารณาความน่าจะเป็นของข้อผิดพลาดประเภทที่ 1 และประเภทที่ 2ซึ่งเกี่ยวข้องกับว่าข้อมูลสนับสนุนการยอมรับหรือปฏิเสธสมมติฐานหรือไม่[ 40 ]
การวิเคราะห์การถดถอยอาจใช้เมื่อนักวิเคราะห์พยายามกำหนดขอบเขตที่ตัวแปรอิสระ X ส่งผลต่อตัวแปรตาม Y (เช่น "การเปลี่ยนแปลงในอัตราการว่างงาน (X) ส่งผลต่ออัตราเงินเฟ้อ (Y) มากน้อยเพียงใด?") [ 41 ]
การวิเคราะห์เงื่อนไขที่จำเป็น (NCA) อาจใช้เมื่อนักวิเคราะห์พยายามกำหนดขอบเขตที่ตัวแปรอิสระ X อนุญาตให้ตัวแปร Y (เช่น "อัตราการว่างงานที่กำหนด (X) จำเป็นต่ออัตราเงินเฟ้อที่กำหนด (Y) ในระดับใด") [ 41 ]ในขณะที่การวิเคราะห์การถดถอย (หลายตัวแปร) ใช้ตรรกะแบบบวก โดยที่ตัวแปร X แต่ละตัวสามารถสร้างผลลัพธ์ได้ และตัวแปร X สามารถชดเชยซึ่งกันและกันได้ (เพียงพอแต่ไม่จำเป็น) [ 42 ]การวิเคราะห์เงื่อนไขที่จำเป็น (NCA) ใช้ตรรกะแบบจำเป็น โดยที่ตัวแปร X หนึ่งตัวหรือมากกว่านั้นอนุญาตให้ผลลัพธ์เกิดขึ้นได้ แต่อาจไม่สามารถสร้างผลลัพธ์นั้นได้ (จำเป็นแต่ไม่เพียงพอ) เงื่อนไขที่จำเป็นแต่ละข้อจะต้องมีอยู่ และไม่สามารถชดเชยกันได้[ 43 ]
กิจกรรมการวิเคราะห์ของผู้ใช้ข้อมูล
ผู้ใช้อาจมีจุดข้อมูลที่น่าสนใจเฉพาะเจาะจงภายในชุดข้อมูล ซึ่งแตกต่างจากการส่งข้อความทั่วไปที่กล่าวไว้ข้างต้น กิจกรรมการวิเคราะห์ระดับต่ำดังกล่าวแสดงอยู่ในตารางต่อไปนี้ การจัดหมวดหมู่ยังสามารถจัดระเบียบตามขั้วกิจกรรมสามประการ ได้แก่ การดึงค่า การค้นหาจุดข้อมูล และการจัดเรียงจุดข้อมูล[ 44 ] [ 45 ] [ 46 ]
| # | งาน | คำอธิบายทั่วไป | บทคัดย่อแบบฟอร์ม | ตัวอย่าง |
|---|---|---|---|---|
| 1 | ดึงค่า | เมื่อกำหนดกรณีเฉพาะชุดหนึ่งมาให้ จงหาคุณลักษณะของกรณีเหล่านั้น | ค่าของแอตทริบิวต์ {X, Y, Z, ...} ในชุดข้อมูล {A, B, C, ...} คืออะไร? | - รถ Ford Mondeo กินน้ำมันกี่กิโลเมตรต่อแกลลอน? - ภาพยนตร์เรื่อง Gone with the Wind มีความยาวเท่าไหร่? |
| 2 | กรอง | เมื่อกำหนดเงื่อนไขเฉพาะเกี่ยวกับค่าของคุณลักษณะแล้ว ให้ค้นหาชุดข้อมูลที่ตรงตามเงื่อนไขเหล่านั้น | กรณีข้อมูลใดบ้างที่ตรงตามเงื่อนไข {A, B, C...}? | - ซีเรียลของ Kellogg's ชนิดไหนที่มีไฟเบอร์สูง? - มีภาพยนตร์ตลกเรื่องใดบ้างที่ได้รับรางวัล? - กองทุนใดบ้างที่มีผลการดำเนินงานต่ำกว่าดัชนี SP-500? |
| 3 | คำนวณค่าที่ได้มา | เมื่อกำหนดชุดข้อมูลมาให้ จงคำนวณค่าตัวเลขรวมที่เป็นตัวแทนของข้อมูลเหล่านั้น | ค่าของฟังก์ชันการรวม F บนชุดข้อมูล S ที่กำหนดให้คืออะไร? | - ซีเรียลของ Post มีปริมาณแคลอรี่เฉลี่ยเท่าไร? - รายได้รวมของทุกสาขาเป็นเท่าไร? - มีผู้ผลิตรถยนต์กี่ราย? |
| 4 | ค้นหาค่าสุดขีด | ค้นหาข้อมูลที่มีค่าสุดขั้วของคุณลักษณะหนึ่งๆ ในช่วงค่าที่กำหนดไว้ภายในชุดข้อมูล | ข้อมูล N อันดับแรก/ล่างสุดที่เกี่ยวข้องกับคุณลักษณะ A คืออะไร? | - รถยนต์รุ่นไหนประหยัดน้ำมันที่สุด? - ผู้กำกับ/ภาพยนตร์เรื่องใดได้รับรางวัลมากที่สุด? - ภาพยนตร์เรื่องใดของ Marvel Studios ที่มีวันฉายล่าสุด? |
| 5 | เรียงลำดับ | เมื่อกำหนดชุดข้อมูลมาให้ ให้จัดอันดับข้อมูลเหล่านั้นตามเกณฑ์เชิงลำดับบางอย่าง | ชุดข้อมูล S เรียงลำดับตามค่าของคุณลักษณะ A อย่างไร? | - จัดเรียงรถตามน้ำหนัก - จัดอันดับซีเรียลตามปริมาณแคลอรี่ |
| 6 | กำหนดช่วง | กำหนดชุดข้อมูลและคุณลักษณะที่สนใจมาให้ จงหาช่วงของค่าภายในชุดข้อมูลนั้น | ช่วงค่าของแอตทริบิวต์ A ในชุดข้อมูล S คืออะไร? | - ความยาวของภาพยนตร์มีช่วงใดบ้าง? - กำลังแรงม้าของรถยนต์มีช่วงกว้างแค่ไหน? - มีนักแสดงหญิงคนใดบ้างในชุดข้อมูลนี้? |
| 7 | ระบุลักษณะการกระจาย | เมื่อกำหนดชุดข้อมูลและคุณลักษณะเชิงปริมาณที่สนใจมาให้ จงอธิบายลักษณะการกระจายตัวของค่าคุณลักษณะนั้นในชุดข้อมูล | การกระจายตัวของค่าคุณลักษณะ A ในชุดข้อมูล S เป็นอย่างไร? | - การกระจายตัวของคาร์โบไฮเดรตในธัญพืชเป็นอย่างไร? - กลุ่มลูกค้ามีช่วงอายุเฉลี่ยอย่างไร? |
| 8 | ค้นหาความผิดปกติ | ระบุความผิดปกติใดๆ ภายในชุดข้อมูลที่กำหนด โดยพิจารณาจากความสัมพันธ์หรือความคาดหวังที่กำหนด เช่น ค่าผิดปกติทางสถิติ | ในชุดข้อมูล S มีข้อมูลกรณีใดบ้างที่มีค่าผิดปกติ/ไม่ปกติ? | - มีข้อยกเว้นใดบ้างสำหรับความสัมพันธ์ระหว่างแรงม้าและการเร่งความเร็ว? - มีโปรตีนตัวใดที่ผิดปกติไปจากค่าปกติหรือไม่? |
| 9 | กลุ่ม | จากชุดข้อมูลที่กำหนด ให้ค้นหากลุ่มของค่าคุณลักษณะที่คล้ายคลึงกัน | ในชุดข้อมูล S ชุดใดที่มีค่าของแอตทริบิวต์ {X, Y, Z, ...} คล้ายคลึงกันบ้าง? | - มีกลุ่มซีเรียลที่มีปริมาณไขมัน/แคลอรี่/น้ำตาลใกล้เคียงกันหรือไม่? - มีช่วงความยาวของภาพยนตร์ที่เป็นที่นิยมอยู่หรือไม่? |
| 10 | สัมพันธ์ | กำหนดชุดข้อมูลและคุณลักษณะสองอย่าง ให้หาความสัมพันธ์ที่มีประโยชน์ระหว่างค่าของคุณลักษณะเหล่านั้น | ความสัมพันธ์ระหว่างคุณลักษณะ X และ Y ในชุดข้อมูล S ที่กำหนดให้คืออะไร? | - คาร์โบไฮเดรตและไขมันมีความสัมพันธ์กันหรือไม่? - ประเทศต้นกำเนิดของรถยนต์มีความสัมพันธ์กับอัตราการสิ้นเปลืองน้ำมันเชื้อเพลิงหรือไม่? - เพศต่างๆ มีวิธีการชำระเงินที่ชื่นชอบแตกต่างกันหรือไม่? - มีแนวโน้มที่ความยาวของภาพยนตร์จะเพิ่มขึ้นเรื่อย ๆ ในช่วงหลายปีที่ผ่านมาหรือไม่? |
| 11 | การกำหนดบริบท | จากชุดข้อมูลที่กำหนด ให้หาความเกี่ยวข้องเชิงบริบทของข้อมูลกับผู้ใช้งาน | ในชุดข้อมูล S ชุดใด ข้อมูลกรณีใดบ้างที่เกี่ยวข้องกับบริบทของผู้ใช้ในปัจจุบัน? | - มีกลุ่มร้านอาหารที่จัดเมนูอาหารโดยคำนึงถึงปริมาณแคลอรี่ที่ฉันรับประทานในปัจจุบันหรือไม่? |
อุปสรรคต่อการวิเคราะห์ที่มีประสิทธิภาพ
อุปสรรคต่อการวิเคราะห์ที่มีประสิทธิภาพอาจมีอยู่ทั้งในหมู่นักวิเคราะห์ที่ทำการวิเคราะห์ข้อมูลหรือในหมู่ผู้ชม การแยกแยะข้อเท็จจริงจากความคิดเห็น อคติทางความคิด และการขาดทักษะทางคณิตศาสตร์ ล้วนเป็นความท้าทายต่อการวิเคราะห์ข้อมูลที่ดี[ 47 ]
ข้อเท็จจริงและความคิดเห็นที่สับสน
คุณมีสิทธิ์ที่จะแสดงความคิดเห็นของตนเอง แต่คุณไม่มีสิทธิ์ที่จะสร้างข้อเท็จจริงขึ้นเอง
การวิเคราะห์ที่มีประสิทธิภาพต้องอาศัยการรวบรวมข้อเท็จจริง ที่เกี่ยวข้อง เพื่อตอบคำถาม สนับสนุนข้อสรุปหรือความเห็น อย่างเป็นทางการ หรือทดสอบสมมติฐาน[ 48 ] ข้อเท็จจริงตามนิยามนั้นไม่อาจโต้แย้งได้ หมายความว่าบุคคลใดก็ตามที่เกี่ยวข้องกับการวิเคราะห์ควรจะสามารถเห็นพ้องต้องกันได้ ผู้สอบบัญชีของบริษัทมหาชนต้องแสดงความเห็นอย่างเป็นทางการว่างบการเงินของบริษัทมหาชนที่จดทะเบียนในตลาดหลักทรัพย์นั้น "แสดงอย่างถูกต้องตามสาระสำคัญทุกประการ" หรือไม่[ 49 ]ซึ่งต้องอาศัยการวิเคราะห์ข้อมูลข้อเท็จจริงและหลักฐานอย่างละเอียดเพื่อสนับสนุนความเห็นของพวกเขา
อคติทางความคิด
มี อคติทางความคิดหลายประเภทที่อาจส่งผลเสียต่อการวิเคราะห์ ตัวอย่างเช่นอคติในการยืนยันคือแนวโน้มที่จะค้นหาหรือตีความข้อมูลในลักษณะที่ยืนยันความคิดที่ตนเองมีอยู่แล้ว[ 50 ]นอกจากนี้ บุคคลอาจไม่เชื่อถือข้อมูลที่ไม่สนับสนุนมุมมองของตนเอง[ 51 ]
นักวิเคราะห์อาจได้รับการฝึกอบรมเฉพาะเพื่อให้ตระหนักถึงอคติเหล่านี้และวิธีการเอาชนะอคติเหล่านั้น[ 52 ]ในหนังสือPsychology of Intelligence Analysis ของเขา Richards Heuerนักวิเคราะห์ CIA ที่เกษียณแล้วเขียนว่านักวิเคราะห์ควรระบุสมมติฐานและลำดับการอนุมานของตนให้ชัดเจน และระบุระดับและแหล่งที่มาของความไม่แน่นอนที่เกี่ยวข้องกับข้อสรุป[ 53 ]เขาเน้นย้ำถึงขั้นตอนต่างๆ เพื่อช่วยเปิดเผยและอภิปรายมุมมองทางเลือก[ 54 ]
ความไม่รู้ตัวเลข
โดยทั่วไปนักวิเคราะห์ที่มีประสิทธิภาพจะเชี่ยวชาญเทคนิคเชิงตัวเลขที่หลากหลาย อย่างไรก็ตาม ผู้ชมอาจไม่มีความรู้ความเข้าใจเกี่ยวกับตัวเลขหรือทักษะทางตัวเลขพวกเขาจึงถูกเรียกว่าไม่รู้หนังสือ[ 55 ]บุคคลที่สื่อสารข้อมูลอาจพยายามทำให้เข้าใจผิดหรือให้ข้อมูลที่ผิดโดยเจตนาใช้เทคนิคเชิงตัวเลขที่ไม่ดี[ 56 ]
ตัวอย่างเช่น การที่ตัวเลขเพิ่มขึ้นหรือลดลงอาจไม่ใช่ปัจจัยสำคัญ สิ่งสำคัญกว่าอาจเป็นตัวเลขที่สัมพันธ์กับตัวเลขอื่น เช่น ขนาดของรายได้หรือรายจ่ายของรัฐบาลที่สัมพันธ์กับขนาดของเศรษฐกิจ (GDP) หรือจำนวนต้นทุนที่สัมพันธ์กับรายได้ในงบการเงินของบริษัท[ 57 ]เทคนิคเชิงตัวเลขนี้เรียกว่าการทำให้เป็นมาตรฐาน[ 16 ]หรือการปรับขนาดทั่วไป มีเทคนิคดังกล่าวมากมายที่นักวิเคราะห์ใช้ ไม่ว่าจะเป็นการปรับตามอัตราเงินเฟ้อ (เช่น การเปรียบเทียบข้อมูลจริงกับข้อมูลที่ระบุ) หรือการพิจารณาการเพิ่มขึ้นของประชากร ข้อมูลประชากร ฯลฯ[ 58 ]
นักวิเคราะห์อาจวิเคราะห์ข้อมูลภายใต้สมมติฐานหรือสถานการณ์ที่แตกต่างกัน ตัวอย่างเช่น เมื่อนักวิเคราะห์ทำการวิเคราะห์งบการเงินพวกเขามักจะปรับปรุงงบการเงินใหม่ภายใต้สมมติฐานที่แตกต่างกันเพื่อช่วยให้ได้ประมาณการกระแสเงินสดในอนาคต จากนั้นจึงคิดลดเป็นมูลค่าปัจจุบันโดยอิงจากอัตราดอกเบี้ยบางอย่าง เพื่อกำหนดมูลค่าของบริษัทหรือหุ้นของบริษัท[ 59 ]ในทำนองเดียวกัน CBO วิเคราะห์ผลกระทบของตัวเลือกนโยบายต่างๆ ต่อรายได้ รายจ่าย และการขาดดุลของรัฐบาล โดยสร้างสถานการณ์ในอนาคตทางเลือกสำหรับมาตรการสำคัญๆ[ 60 ]
แอปพลิเคชันอื่นๆ
การวิเคราะห์และระบบข่าวกรองทางธุรกิจ
การวิเคราะห์ข้อมูลคือ "การใช้ข้อมูลอย่างกว้างขวาง การวิเคราะห์ทางสถิติและเชิงปริมาณ แบบจำลองเชิงอธิบายและเชิงพยากรณ์ และการจัดการตามข้อเท็จจริงเพื่อขับเคลื่อนการตัดสินใจและการดำเนินการ" เป็นส่วนย่อยของระบบธุรกิจอัจฉริยะซึ่งเป็นชุดของเทคโนโลยีและกระบวนการที่ใช้ข้อมูลเพื่อทำความเข้าใจและวิเคราะห์ประสิทธิภาพทางธุรกิจเพื่อขับเคลื่อนการตัดสินใจ[ 61 ]
การศึกษา
ในด้านการศึกษานักการศึกษาส่วนใหญ่สามารถเข้าถึงระบบข้อมูลเพื่อวิเคราะห์ข้อมูลนักเรียนได้[ 62 ]ระบบข้อมูลเหล่านี้จะนำเสนอข้อมูลแก่นักการศึกษาใน รูปแบบ ข้อมูลที่เข้าถึงได้ง่าย (โดยมีการฝังป้ายกำกับ เอกสารประกอบเพิ่มเติม และระบบช่วยเหลือ พร้อมทั้งตัดสินใจเกี่ยวกับการจัดแพ็กเกจ/การแสดงผลและเนื้อหาที่สำคัญ) เพื่อปรับปรุงความถูกต้องแม่นยำในการวิเคราะห์ข้อมูลของนักการศึกษา[ 63 ]
หมายเหตุสำหรับผู้ปฏิบัติงาน
ส่วนนี้มีคำอธิบายทางเทคนิคที่ค่อนข้างเฉพาะเจาะจงซึ่งอาจช่วยผู้ปฏิบัติงานได้ แต่เกินขอบเขตปกติของบทความวิกิพีเดีย[ 64 ]
การวิเคราะห์ข้อมูลเบื้องต้น
ความแตกต่างที่สำคัญที่สุดระหว่างขั้นตอนการวิเคราะห์ข้อมูลเบื้องต้นและขั้นตอนการวิเคราะห์หลักคือ ในระหว่างการวิเคราะห์ข้อมูลเบื้องต้นนั้น จะต้องงดเว้นการวิเคราะห์ใดๆ ที่มุ่งตอบคำถามวิจัยเดิม ขั้นตอนการวิเคราะห์ข้อมูลเบื้องต้นนั้นได้รับคำแนะนำจากคำถามสี่ข้อต่อไปนี้: [ 65 ]
คุณภาพของข้อมูล
ควรตรวจสอบคุณภาพของข้อมูลโดยเร็วที่สุด คุณภาพของข้อมูลสามารถประเมินได้หลายวิธี โดยใช้การวิเคราะห์ประเภทต่างๆ เช่น การนับความถี่ สถิติเชิงพรรณนา (ค่าเฉลี่ย ค่าเบี่ยงเบนมาตรฐาน ค่ามัธยฐาน) ความเป็นปกติ (ความเบี่ยงเบน ความโค้ง ฮิสโตแกรมความถี่) และจำเป็นต้องมีการเติมค่า ปกติ [ 66 ]
- การวิเคราะห์การสังเกตที่ผิดปกติ : การสังเกตที่ผิดปกติในข้อมูลจะถูกวิเคราะห์เพื่อดูว่าดูเหมือนจะรบกวนการกระจายหรือไม่[ 67 ]
- การเปรียบเทียบและการแก้ไขความแตกต่างในแผนการเข้ารหัส: ตัวแปรจะถูกเปรียบเทียบกับแผนการเข้ารหัสของตัวแปรภายนอกชุดข้อมูล และอาจต้องแก้ไขหากแผนการเข้ารหัสไม่สามารถเปรียบเทียบกันได้[ 68 ]
- ทดสอบความแปรปรวนของวิธีการทั่วไปการเลือกการวิเคราะห์เพื่อประเมินคุณภาพข้อมูลในช่วงขั้นตอนการวิเคราะห์ข้อมูลเบื้องต้นขึ้นอยู่กับการวิเคราะห์ที่จะดำเนินการในขั้นตอนการวิเคราะห์หลัก[ 69 ]
คุณภาพของการวัด
ควรตรวจสอบ คุณภาพของเครื่องมือวัดเฉพาะในช่วงการวิเคราะห์ข้อมูลเบื้องต้นเท่านั้น เมื่อไม่ใช่จุดสนใจหรือคำถามวิจัยของการศึกษา[ 70 ]ควรตรวจสอบว่าโครงสร้างของเครื่องมือวัดสอดคล้องกับโครงสร้างที่รายงานไว้ในเอกสารหรือไม่
มีสองวิธีในการประเมินคุณภาพการวัด:
- การวิเคราะห์ปัจจัยเชิงยืนยัน
- การวิเคราะห์ความสม่ำเสมอ ( ความสอดคล้องภายใน ) ซึ่งบ่งชี้ถึงความน่าเชื่อถือของเครื่องมือวัด[ 71 ]ในระหว่างการวิเคราะห์นี้ จะมีการตรวจสอบความแปรปรวนของรายการและมาตราส่วน ค่าCronbach's αของมาตราส่วน และการเปลี่ยนแปลงของค่า Cronbach's alpha เมื่อลบรายการออกจากมาตราส่วน[ 72 ]
การแปลงเบื้องต้น
หลังจากประเมินคุณภาพของข้อมูลและการวัดแล้ว อาจตัดสินใจเติมข้อมูลที่ขาดหายไป หรือทำการแปลงเบื้องต้นของตัวแปรหนึ่งตัวหรือมากกว่านั้น แม้ว่าสิ่งนี้จะสามารถทำได้ในระหว่างขั้นตอนการวิเคราะห์หลักก็ตาม[ 73 ] การแปลงตัวแปรที่เป็นไปได้มีดังนี้: [ 74 ]
- การแปลงค่าโดยใช้รากที่สอง (หากการกระจายตัวแตกต่างจากปกติในระดับปานกลาง)
- การแปลงลอการิทึม (หากการกระจายตัวแตกต่างจากแบบปกติอย่างมาก)
- การแปลงผกผัน (หากการกระจายตัวแตกต่างจากแบบปกติอย่างมาก)
- แปลงเป็นข้อมูลเชิงหมวดหมู่ (เชิงลำดับ / สองค่า) (หากการกระจายตัวแตกต่างจากปกติอย่างมาก และไม่มีการแปลงใดๆ ที่ช่วยได้)
การดำเนินงานวิจัยเป็นไปตามเจตนารมณ์ของการออกแบบการวิจัยหรือไม่
ควรตรวจสอบความสำเร็จของ กระบวนการ สุ่มตัวอย่างเช่น โดยการตรวจสอบว่าตัวแปรพื้นหลังและตัวแปรเนื้อหามีการกระจายอย่างเท่าเทียมกันภายในและระหว่างกลุ่มหรือไม่ หากการศึกษาไม่จำเป็นต้องใช้หรือไม่ได้ใช้กระบวนการสุ่มตัวอย่าง ควรตรวจสอบความสำเร็จของการสุ่มตัวอย่างแบบไม่สุ่ม เช่น โดยการตรวจสอบว่ากลุ่มย่อยทั้งหมดของประชากรที่สนใจมีอยู่ในตัวอย่างหรือไม่[ 75 ]การบิดเบือนข้อมูลอื่นๆ ที่ควรตรวจสอบ ได้แก่:
- การสูญเสียข้อมูล (ควรระบุปัญหานี้ในระหว่างขั้นตอนการวิเคราะห์ข้อมูลเบื้องต้น)
- การไม่ตอบคำถาม(ควรประเมินว่าเป็นการสุ่มหรือไม่ในระหว่างขั้นตอนการวิเคราะห์ข้อมูลเบื้องต้น)
- คุณภาพการรักษา (โดยใช้การตรวจสอบการจัดการ ) [ 76 ]
ลักษณะของตัวอย่างข้อมูล
ในรายงานหรือบทความใดๆ โครงสร้างของตัวอย่างจะต้องได้รับการอธิบายอย่างถูกต้องแม่นยำ โดยเฉพาะอย่างยิ่งการกำหนดขนาดของกลุ่มย่อยอย่างแม่นยำนั้นมีความสำคัญอย่างยิ่งเมื่อจะทำการวิเคราะห์กลุ่มย่อยในระหว่างขั้นตอนการวิเคราะห์หลัก[ 77 ]ลักษณะของตัวอย่างข้อมูลสามารถประเมินได้โดยพิจารณาจาก:
- สถิติพื้นฐานของตัวแปรสำคัญ
- แผนภาพกระจายจุด
- ความสัมพันธ์และการเชื่อมโยง
- ตารางไขว้[ 78 ]
ขั้นตอนสุดท้ายของการวิเคราะห์ข้อมูลเบื้องต้น
ในขั้นตอนสุดท้าย ผลการวิเคราะห์ข้อมูลเบื้องต้นจะถูกบันทึกไว้ และจะมีการดำเนินการแก้ไขที่จำเป็น เหมาะสม และเป็นไปได้ นอกจากนี้ แผนเดิมสำหรับการวิเคราะห์ข้อมูลหลักสามารถและควรได้รับการระบุรายละเอียดเพิ่มเติมหรือเขียนใหม่ เพื่อให้บรรลุเป้าหมายนี้ จำเป็นต้องมีการตัดสินใจหลายประการเกี่ยวกับการวิเคราะห์ข้อมูลหลัก:
- ในกรณีที่ข้อมูลไม่เป็นไปตามการแจกแจงแบบปกติ ควร แปลง ตัวแปรหรือ ไม่ ควรเปลี่ยนตัวแปรให้เป็นตัวแปรเชิงหมวดหมู่ (เชิงลำดับ/เชิงสองค่า) หรือควรปรับวิธีการวิเคราะห์หรือไม่?
- ในกรณีที่ข้อมูลขาดหายไปควรละเลยหรือเติมข้อมูลที่ขาดหายไป และควรใช้เทคนิคการเติมข้อมูลแบบใด?
- ในกรณีที่มีค่าผิดปกติควรใช้เทคนิคการวิเคราะห์ที่แข็งแกร่งหรือไม่?
- ในกรณีที่สินค้าไม่ตรงตามมาตรฐาน ควรปรับเครื่องมือวัดโดยการตัดสินค้าบางรายการออก หรือควรตรวจสอบให้แน่ใจว่าสามารถเปรียบเทียบกับเครื่องมือวัดอื่นๆ ที่ใช้งานเหมือนกันได้หรือไม่?
- ในกรณีที่กลุ่มย่อยมีขนาดเล็กเกินไป ควรละทิ้งสมมติฐานเกี่ยวกับความแตกต่างระหว่างกลุ่ม หรือควรใช้เทคนิคสำหรับกลุ่มตัวอย่างขนาดเล็ก เช่น การทดสอบแบบแม่นยำ หรือการบูตสแตรปปิ้ง ?
- ในกรณีที่ ขั้นตอน การสุ่มดูเหมือนจะมีข้อบกพร่อง: สามารถและควรคำนวณคะแนนความโน้มเอียงและรวมไว้เป็นตัวแปรควบคุมในการวิเคราะห์หลักหรือไม่? [ 79 ]
การวิเคราะห์
สามารถใช้การวิเคราะห์หลายอย่างได้ในระหว่างขั้นตอนการวิเคราะห์ข้อมูลเบื้องต้น: [ 80 ]
- สถิติตัวแปรเดียว (Univariate statistics)
- ความสัมพันธ์แบบทวิภาค (สหสัมพันธ์)
- เทคนิคการสร้างกราฟ (แผนภาพกระจาย)
สิ่งสำคัญคือต้องคำนึงถึงระดับการวัดของตัวแปรในการวิเคราะห์ เนื่องจากมีเทคนิคทางสถิติพิเศษสำหรับแต่ละระดับ: [ 81 ]
- ตัวแปรนามและตัวแปรเรียงลำดับ
- การนับความถี่ (จำนวนและเปอร์เซ็นต์)
- สมาคม
- การเดินวนรอบ (ตารางไขว้)
- การวิเคราะห์ลอจลิเนียร์แบบลำดับชั้น (จำกัดจำนวนตัวแปรสูงสุด 8 ตัว)
- การวิเคราะห์เชิงเส้นลอการิทึม (เพื่อระบุตัวแปรที่เกี่ยวข้อง/สำคัญ และตัวแปรแทรกซ้อนที่อาจเกิดขึ้น)
- การทดสอบที่แม่นยำหรือการบูตสแตรป (ในกรณีที่กลุ่มย่อยมีขนาดเล็ก)
- การคำนวณตัวแปรใหม่
- ตัวแปรต่อเนื่อง
- การกระจาย
- สถิติ (ค่าเฉลี่ย, ส่วนเบี่ยงเบนมาตรฐาน, ความแปรปรวน, ความเบี่ยงเบน, ความโค้ง)
- การแสดงภาพลำต้นและใบ
- แผนภาพกล่อง
- การกระจาย
การวิเคราะห์ข้อมูลหลัก
ในขั้นตอนการวิเคราะห์หลัก จะมีการวิเคราะห์ที่มุ่งตอบคำถามการวิจัย รวมถึงการวิเคราะห์อื่นๆ ที่เกี่ยวข้องที่จำเป็นในการเขียนรายงานการวิจัยฉบับร่างแรก[ 82 ]
แนวทางการสำรวจและการยืนยัน
ในขั้นตอนการวิเคราะห์หลัก สามารถนำวิธีการสำรวจหรือวิธีการยืนยันมาใช้ได้ โดยปกติจะตัดสินใจเลือกวิธีการก่อนที่จะรวบรวมข้อมูล[ 83 ]ในการวิเคราะห์เชิงสำรวจ จะไม่มีการกำหนดสมมติฐานที่ชัดเจนก่อนที่จะวิเคราะห์ข้อมูล และจะค้นหาแบบจำลองที่อธิบายข้อมูลได้ดี[ 84 ]ในการวิเคราะห์เชิงยืนยัน จะมีการทดสอบสมมติฐานที่ชัดเจนเกี่ยวกับข้อมูล[ 85 ]
ควรตีความ การวิเคราะห์ข้อมูลเชิงสำรวจอย่างระมัดระวัง เมื่อทดสอบหลายโมเดลพร้อมกัน มีโอกาสสูงที่จะพบว่าอย่างน้อยหนึ่งโมเดลมีความสำคัญ แต่สิ่งนี้อาจเกิดจากข้อผิดพลาดประเภทที่ 1สิ่งสำคัญคือต้องปรับระดับนัยสำคัญเสมอเมื่อทดสอบหลายโมเดล เช่น การ แก้ไขBonferroni [ 86 ]นอกจากนี้ ไม่ควรทำการวิเคราะห์เชิงยืนยันต่อจากการวิเคราะห์เชิงสำรวจในชุดข้อมูลเดียวกัน[ 87 ]การวิเคราะห์เชิงสำรวจใช้เพื่อค้นหาแนวคิดสำหรับทฤษฎี แต่ไม่ได้ใช้เพื่อทดสอบทฤษฎีนั้น[ 87 ]เมื่อพบโมเดลเชิงสำรวจในชุดข้อมูล การทำการวิเคราะห์เชิงยืนยันต่อจากการวิเคราะห์นั้นในชุดข้อมูลเดียวกัน อาจหมายความว่าผลลัพธ์ของการวิเคราะห์เชิงยืนยันเกิดจากข้อผิดพลาดประเภทที่ 1 เดียวกัน กับที่ทำให้เกิดโมเดลเชิงสำรวจตั้งแต่แรก[ 87 ]ดังนั้น การวิเคราะห์เชิงยืนยันจึงไม่ได้ให้ข้อมูลมากกว่าการวิเคราะห์เชิงสำรวจดั้งเดิม[ 88 ]
ความเสถียรของผลลัพธ์
สิ่งสำคัญคือต้องได้รับข้อบ่งชี้บางอย่างเกี่ยวกับความสามารถในการสรุปผลของผลลัพธ์[ 89 ]แม้ว่าการตรวจสอบนี้มักจะทำได้ยาก แต่เราสามารถดูความเสถียรของผลลัพธ์ได้ ผลลัพธ์มีความน่าเชื่อถือและสามารถทำซ้ำได้หรือไม่ มีสองวิธีหลักในการทำเช่นนั้น
- การตรวจสอบ แบบไขว้ (Cross-validation ) โดยการแบ่งข้อมูลออกเป็นหลายส่วน เราสามารถตรวจสอบได้ว่าการวิเคราะห์ (เช่น แบบจำลองที่เหมาะสม) ที่อิงจากข้อมูลส่วนหนึ่งนั้นสามารถนำไปใช้กับข้อมูลส่วนอื่นได้เช่นกันหรือไม่ [ 90 ]อย่างไรก็ตาม การตรวจสอบแบบไขว้โดยทั่วไปไม่เหมาะสมหากมีความสัมพันธ์กันภายในข้อมูล เช่นข้อมูลแบบพาเนล[ 91 ]ดังนั้นบางครั้งจึงจำเป็นต้องใช้วิธีการตรวจสอบความถูกต้องอื่นๆ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับหัวข้อนี้ โปรดดูสอบความถูกต้องของแบบจำลองทางสถิติ[ 92 ]
- การวิเคราะห์ความไวขั้นตอนในการศึกษาพฤติกรรมของระบบหรือแบบจำลองเมื่อพารามิเตอร์ทั่วโลกมีการเปลี่ยนแปลง (อย่างเป็นระบบ) วิธีหนึ่งในการทำเช่นนั้นคือการใช้บูตสแตรป [ 93 ]
ซอฟต์แวร์ฟรีสำหรับการวิเคราะห์ข้อมูล
ซอฟต์แวร์ฟรีสำหรับการวิเคราะห์ข้อมูล ได้แก่:
- DevInfo – ระบบฐานข้อมูลที่ได้รับการรับรองจากกลุ่มพัฒนาแห่งสหประชาชาติสำหรับการติดตามและวิเคราะห์การพัฒนาของมนุษย์[ 94 ]
- ELKI – เฟรมเวิร์กสำหรับการทำเหมืองข้อมูลในภาษา Java พร้อมฟังก์ชันการแสดงผลเชิงภาพที่เน้นการทำเหมืองข้อมูล
- KNIME – Konstanz Information Miner คือกรอบการทำงานสำหรับการวิเคราะห์ข้อมูลที่ใช้งานง่ายและครอบคลุมทุกด้าน
- Orange – เครื่องมือเขียนโปรแกรมเชิงภาพที่มีคุณสมบัติการแสดงภาพข้อมูลแบบโต้ตอบและวิธีการวิเคราะห์ข้อมูลทางสถิติการขุดค้นข้อมูลและ การเรียนรู้ ของเครื่องจักร
- Pandas – ไลบรารี Python สำหรับการวิเคราะห์ข้อมูล
- PAW – เฟรมเวิร์กสำหรับการวิเคราะห์ข้อมูลที่พัฒนาโดย FORTRAN/C ณศูนย์วิจัย CERN
- R – ภาษาโปรแกรมและสภาพแวดล้อมซอฟต์แวร์สำหรับการคำนวณทางสถิติและกราฟิก[ 95 ]
- ROOT – เฟรมเวิร์กวิเคราะห์ข้อมูลที่เขียนด้วยภาษา C++ พัฒนาขึ้นที่CERN
- SciPy – ไลบรารี Python สำหรับการคำนวณทางวิทยาศาสตร์
- Julia – ภาษาโปรแกรมที่เหมาะสมอย่างยิ่งสำหรับการวิเคราะห์เชิงตัวเลขและวิทยาศาสตร์การคำนวณ
การวิเคราะห์ที่ทำซ้ำได้
ขั้นตอนการทำงานวิเคราะห์ข้อมูลโดยทั่วไปประกอบด้วยการรวบรวมข้อมูล การวิเคราะห์ข้อมูล การสร้างภาพข้อมูล และการเขียนรายงาน อย่างไรก็ตาม ขั้นตอนการทำงานนี้มีข้อท้าทายหลายประการ เช่น การแยกส่วนระหว่างสคริปต์การวิเคราะห์และข้อมูล รวมถึงช่องว่างระหว่างการวิเคราะห์และการจัดทำเอกสาร บ่อยครั้งที่ลำดับที่ถูกต้องของการรันสคริปต์นั้นถูกอธิบายอย่างไม่เป็นทางการหรืออยู่ในความทรงจำของนักวิทยาศาสตร์ข้อมูลเท่านั้น ความเสี่ยงที่จะสูญเสียข้อมูลนี้ทำให้เกิดปัญหาในการทำซ้ำผลลัพธ์
เพื่อรับมือกับความท้าทายเหล่านี้ จำเป็นต้องจัดทำเอกสารเนื้อหาสคริปต์การวิเคราะห์และขั้นตอนการทำงาน นอกจากนี้ เอกสารโดยรวมยังมีความสำคัญอย่างยิ่ง รวมถึงการจัดทำรายงานที่ทั้งเครื่องจักรและมนุษย์สามารถเข้าใจได้ และการรับรองความถูกต้องของการแสดงขั้นตอนการวิเคราะห์ แม้ว่าสคริปต์จะมีการพัฒนาไปก็ตาม[ 96 ]
การแข่งขันวิเคราะห์ข้อมูล
บริษัทและองค์กรต่างๆ จัดการแข่งขันวิเคราะห์ข้อมูลเพื่อส่งเสริมให้นักวิจัยนำข้อมูลของตนไปใช้ หรือแก้ปัญหาเฉพาะเรื่องโดยใช้การวิเคราะห์ข้อมูล ตัวอย่างของการแข่งขันวิเคราะห์ข้อมูลระดับนานาชาติที่มีชื่อเสียง ได้แก่:
- การแข่งขัน Kaggle ; แพลตฟอร์ม Kaggleเป็นของและดำเนินการโดยGoogle [ 97 ]
- การแข่งขัน วิเคราะห์ข้อมูล LTPP [ 98 ] จัดโดยFHWAและASCE [ 99 ]
ดูเพิ่มเติม
- วิทยาศาสตร์ประกันภัย
- การวิเคราะห์
- การวิเคราะห์เสริม
- ระบบธุรกิจอัจฉริยะ
- สถาปัตยกรรมการนำเสนอข้อมูล
- การวิเคราะห์ข้อมูลเชิงสำรวจ
- รายชื่อชุดข้อมูลสำหรับการวิจัยด้านการเรียนรู้ของเครื่อง
- รายชื่อซอฟต์แวร์วิทยาศาสตร์ข้อมูล
- การเรียนรู้ของเครื่อง
- การวิเคราะห์ข้อมูลหลายมิติ
- การวิจัยเชิงคุณภาพ
- การวิเคราะห์ข้อมูลเชิงโครงสร้าง (สถิติ)
- การขุดค้นข้อมูลจากข้อความ
- ข้อมูลที่ไม่มีโครงสร้าง
อ่านเพิ่มเติม
- Adèr, HJและMellenbergh, GJ (โดยมีส่วนร่วมของ DJ Hand) (2008). การให้คำปรึกษาเกี่ยวกับวิธีการวิจัย: คู่มือสำหรับที่ปรึกษา . ฮุยเซน ประเทศเนเธอร์แลนด์: สำนักพิมพ์ Johannes van Kessel. ISBN 978-90-79418-01-5
- แชมเบอร์ส, จอห์น เอ็ม.; คลีฟแลนด์, วิลเลียม เอส. ; ไคลเนอร์, บีท; ทูคีย์, พอล เอ. (1983). วิธีการเชิงกราฟสำหรับการวิเคราะห์ข้อมูล , สำนักพิมพ์วาดส์เวิร์ธ/ดักซ์เบอรี. ISBN 0-534-98052-X
- Fandango, Armando (2017). การวิเคราะห์ข้อมูลด้วย Python ฉบับที่ 2สำนักพิมพ์ Packt ISBN 978-1787127487
- จูแรน, โจเซฟ เอ็ม.; ก็อดฟรี, เอ. แบลนตัน (1999). คู่มือคุณภาพของจูแรน ฉบับที่ 5.นิวยอร์ก: แมคกรอว์ ฮิลล์. ISBN 0-07-034003-X
- ลูอิส-เบ็ค, ไมเคิล เอส. (1995). การวิเคราะห์ข้อมูล: บทนำ , สำนักพิมพ์เซจ อิงค์, ISBN 0-8039-5772-6
- NIST/SEMATECH (2008) คู่มือวิธีการทางสถิติ
- Pyzdek, T, (2003). คู่มือวิศวกรรมคุณภาพ , ISBN 0-8247-4614-7
- Richard Veryard (1984). การวิเคราะห์ข้อมูลเชิงปฏิบัติ . อ็อกซ์ฟอร์ด : สำนักพิมพ์ Blackwell Scientific Publications. ISBN 0-632-01311-7
- Tabachnick, BG; Fidell, LS (2007). การใช้สถิติหลายตัวแปร ฉบับที่ 5บอสตัน: Pearson Education, Inc. / Allyn and Bacon, ISBN 978-0-205-45938-4
| ส่วนหนึ่งของชุดบทความเกี่ยวกับสถิติ |
| การแสดงภาพข้อมูลและสารสนเทศ |
|---|
 |
| มิติหลัก |
| บุคคลสำคัญ |
| ประเภทของกราฟิกข้อมูล |
| หัวข้อที่เกี่ยวข้อง |
| ฟิสิกส์เชิงคำนวณ |
|---|
 |