发帖
雷达卡
描述性分析的另一个示例可能是您负责监控公司网站主要产品页面的流量来源（媒体渠道）。描述性分析将帮助您查看产品页面的当前流量数据以比较媒体渠道输出。您甚至可以将此流量来源数据与来自同一媒体渠道的历史流量来源数据进行比较。然后，您可以通过可视化仪表板发布您的发现，并与公司的高级或同行分享。作为对获奖媒体频道的奖励，您甚至可以宣布奖品！您将在本文中介绍一些其他有趣的描述性分析示例哈佛商学院博客文章.
实时在线培训：数据管理基础课程
参加这个为期四天的深度研讨会，内容涉及 DMBoK、CDMP 准备和核心数据概念 - 2022 年 7 月 25 日至 28 日。
学到更多
关于两个有趣的点描述性分析是：
这种类型的分析提供了“业务绩效的后视镜”。
描述性分析的保质期有限，很快就会过时。
描述性分析的第三种应用涉及公司报告，这些报告只是提供对组织运营、销售、财务、客户和利益相关者的历史回顾。值得注意的是，在大数据世界中，描述性分析提供的“简单信息块”成为更高级的准备输入预测性或规范性分析为业务决策提供实时洞察力。
描述性分析有什么作用？
描述性分析有助于以各种商业读者易于理解的格式描述和呈现数据。描述性分析很少尝试调查或建立因果关系。由于这种形式的分析通常不会超出表面分析的范围，因此更容易实现结果的有效性。描述性分析中采用的一些常用方法是观察、案例研究和调查。因此，此类分析可能涉及大量数据的收集和解释。
在预测和规范性分析，数据分析师必须“调查”超越表面数据。预测性数据分析师使用调查来了解未来，而规范性数据分析师使用调查来建议可能的行动。与两者相反，描述性分析师只是以更易于理解的格式提供现有数据，而无需进一步调查。因此，描述性分析更适合历史账户或过去数据的摘要。大多数统计计算通常应用于描述性分析。
描述性 vs 预测性 vs 规范性 vs 诊断分析 描述描述性分析是最简单的数据分析形式，它在小块信息中捕获大数据。80% 的业务分析属于描述性分析的范围。
任何好的数据科学家可能会尝试使用描述性分析的结果，并进一步调整数据或趋势或模式分析，以预测未来的业务趋势。作者指出，在大数据的帮助下，所有这三种类型的数据分析现在用于更好地了解客户。随着大量多渠道客户数据的涌入，数据驱动型企业能够更好地衡量客户的个人偏好并设计适当的个性化产品。大多数行业文献都反映了这样一种观点，即通过预测性和规范性分析，曾经简单描述过去事件的业务数据现在可以查看“有用信息的块”，这要归功于大数据驱动的描述性分析。
描述性分析的更多用例
以下是描述性分析的一些常见应用：
总结过去的事件，例如区域销售、客户流失或营销活动的成功。
社交指标列表，例如 Facebook 点赞、推文或关注者。
报告热门旅游目的地或新闻趋势等一般趋势。
只要“数量、速度和种类”大数据侵入有限的业务数据孤岛，游戏规则发生变化。现在，在海量市场数据的隐藏情报的支持下，描述性分析有了新的意义。每当大数据介入时，香草形式的描述性分析与规范性和预测性分析的广泛功能相结合，以提供对业务问题的高度集中的洞察力和基于过去数据模式的准确未来预测。描述性分析挖掘并准备数据以供预测性或规范性分析使用。大数据为讲述整个故事的“信息块”提供了广泛的背景。
人和文化会影响从业务分析中收集的情报。分析：不要忘记人的因素 联合进行的研究作者 Forbes Insights 和安永对全球高管进行了采访，得出的结论是：
每个现代企业都需要构建其数据分析框架，其中大数据等最新数据技术发挥着至关重要的作用。
企业的每个角落都应该提供数据和技术，以发展和培育广泛的数据驱动文化。
如果数据和分析与整体业务目标保持一致，那么日常业务决策将更多地由数据驱动的洞察力驱动。
随着人们推动企业发展，从事数据分析的人力必须具备能力并经过充分培训，以支持企业目标。
一个集中管理的团队必须领导企业中的分析生产和消费工作，以将行为改变带向数据文化。
数据分析的概念必须通过正式的数据中心和非正式的社交网络传播，以实现包容性增长。
描述性分析：行业应用
许多市场专家认为，美国零售 (40%) 行业和基于 GPS 的服务 (60%) 仍在迅速采用描述性分析来跟踪跨地点的团队、客户和资产，以获取增强的运营效率洞察力。麦肯锡还声称，在当今的商业环境中，数据分析的三个最关键障碍是缺乏组织战略、缺乏参与的管理和缺乏可用的人才。其他报告表明描述性分析在供应链映射 (SCM)、制造工厂传感器和 GPS 车辆跟踪方面取得了长足的进步，以收集、组织和查看过去的事件。
描述性分析的五个步骤
这里有描述性分析的五个连续步骤, 应遵循以获得最佳结果：
第 1 步 - 陈述业务指标：任何试图使用描述性分析来获得业务收益的企业都必须识别和定义将通过分析过程生成的关键绩效指标 (KPI)，也称为“指标”。KPI 通常与公司的业务目标或公司内每个职能部门的业务目标相关联。例如，公司的财务部门可以选择监控每日销售额、每周销售额、节假日销售额以及与客户收款所用时间相关的其他指标。
第 2 步 - 确定所需数据：下一步是查找生成预定指标所需的数据。此步骤可能很复杂，因为相关数据可能分散在应用程序和文件中。On 可以希望，借助当今的数字化业务流程，可以轻松地从多个位置追踪和提取必要的数据。此外，可能必须从电子商务网站等外部来源提取数据。
第 3 步 - 提取和准备数据：当数据驻留在多个位置时，此步骤可能既乏味又耗时。必须首先在单个存储库中提取和收集数据，然后组合并最终为描述性分析做好准备。数据可能还需要“清理”以消除错误和不一致。在当今的 AI 和 ML 驱动的业务分析生态系统中，一个称为数据建模用于准备和组织公司的信息以供进一步分析。
第 4 步 - 分析数据：公司通常会使用大量工具进行描述性分析，从电子表格到高级商业智能 (BI) 软件。描述性分析涉及对某些变量执行数学运算以获得所需的结果。
第 5 步 - 呈现数据：一旦业务分析师完成了描述性分析的所有先前步骤，第五步也是最后一步是生成报告。报告必须以报告的目标受众易于理解的格式呈现，其中可能包括从财务专家到 C-Suite 高管的广泛业务用户。令人惊叹的可视化仪表板始终有助于传播复杂的业务信息。在仪表板上显示的图形、图表和其他视觉元素的明智组合可能是吸引不同受众注意力的最佳答案。
描述性分析有什么缺点吗？
描述性分析的主要缺点是它只报告过去发生的事情或现在发生的事情，而没有解释观察到的行为背后的根本原因，也没有预测未来将发生什么。分析通常仅限于少数变量及其关系。但是，当描述性分析与其他类型的分析相结合以评估业务绩效时，它就会成为一种强大的业务资源。虽然描述性分析侧重于报告过去或当前事件，但其他类型的分析探索观察到的趋势背后的根本原因，还可以根据历史数据分析预测未来结果。如今，机器学习技术被用于自动化趋势和模式识别。
这全球数据分析市场预计到 2021 年将达到 246.3 亿美元，预计在到 2030 年的预测期内以 25% 的复合年增长率增长。
描述性分析在未来数据分析中的作用
随着数据驱动的企业继续使用描述性分析的结果来优化他们的供应链并增强他们的决策能力，数据分析将进一步从预测分析转向规范性分析或者更确切地说，是“预测、模拟和优化的混合体”。
数据分析的未来不仅在于描述已经发生的事情，还在于准确预测未来可能发生的事情。例如，GPS 导航系统，其中描述性分析用于提供方向提示。然而，这种分析通过“预测分析”得到加强，提供有关旅程的重要细节，如持续时间。现在，如果 GPS 系统进一步由规范分析提供支持，那么导航系统不仅会提供方向和时间，还会提供到达目的地的最快方式。这种超级充电的导航系统最好的部分是它甚至可以比较几条旅行路线并推荐最佳解决方案。
随着数据挖掘和机器学习共同提供预测客户群和营销投资回报率的解决方案，未来的预测分析技术将继续演变为规范分析，创造“预测、模拟和优化”的混搭。
相关帖子DA内容精选
|
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
