データオペレーションコース（データ分析初心者必読！データアナリスト入門から上級者まで、データアナリストの高度なスキルを完全ガイド（第2部））

データ分析初心者必読！データ アナリストの入門レベルから熟練レベルまでの高度なスキルを習得するための完全ガイド (パート 2)

データ分析によく使われる方法は何ですか?この記事では、記述分析、診断分析などの内容を著者がまとめて整理していますので、ぜひご覧になってみてください。

前回の記事では、データ分析におけるいくつかの誤解を紹介しました。同時に、さまざまなレベルのデータ分析職種の違いやスキル一覧についても説明しました。

1.プライマリ データ アナリストは、ソフトウェアを操作し、要件に従ってデータを整理および要約し、基本的な視覚的なプレゼンテーションを実行できるツール担当者です。彼らが持っているのはソフトウェアを操作する能力ですが、これによって多くの人に誤った認識を与え、データ分析はソフトウェアを学ぶことだと考えさせています。多くのデータ分析コースでは、ソフトウェア レベルでも指導が行われます。しかし、実際に学んでみると、仕事上の問題が解決できず、キャリア開発が向上していないことに気づくことがよくあります。

2.中級レベルのデータ分析には、より高度なツール機能が必要です。 Excel に加えて、SQL と Python も必要です。しかし、より根本的な違いは、彼女がビジネスを理解し、既存のビジネス上の問題を特定し、それに応じた解決策を提供できる必要があるということです。例えば、営業部門のデータを扱う場合は、営業戦略と運用戦略を理解する必要があります。

3.高度なデータ分析は、事後分析や現状分析に限定されなくなりました。例えば、ある商品の売上データが良くない場合、中級データ分析では結果が出るまで待って事後判断することしかできませんが、上級データ分析では事前に予測を立ててリアルタイムで介入する必要があります。主要なトレンドを判断するには、もはや社内データに限定されず、外部の業界や市場の分析が必要になります。

しかし、規範的分析は機械学習などの分野で高度なスキルを必要とし、すべての企業がそれを備えているわけではないため、現在はあまり使用されていません。これに適切な従業員を見つけるコストを加えると、かなりの出費になります。

実際、データ分析は私たちが幼い頃から存在していましたが、私たちは常にデータ分析に支配されてきました。私たちは小学校1年生から試験を受け始め、各試験は100点満点でした。教師は生徒の回答に基づいて各生徒に点数を付け、その点数に基づいて各生徒のパフォーマンスの質を判断します。

それだけでなく、彼はスコアに基づいて私たちを縦にランク付けする必要もあります。こうすることで、教師は誰がよく勉強し、誰があまり勉強していないかをより明確に知ることができます。この成績表は両親とも同期されます。通知表の成績が良かったらキャンディーをもらえますが、成績が悪かったら羽根ぼうきしかもらえません。

親たちもこの小さな通知表に基づいて私たちに対する態度を決めます。ある時、前学期に成績が 54 位で、次の学期には 52 位だったことをはっきり覚えています。私は喜んでテスト用紙を父に持って行き、褒めてもらいましたが、父は私を殴りました。その時私は困惑しました。私は明らかに2位上達していたのに、なぜ彼は私に勝ったのでしょうか?成長するにつれて、自分の進歩は前学期と比較した成績に基づいていることに気付きました。前の学期と比べて、私は進歩しました。父が私の全体的な考え方をクラス全体の考え方と比較すると、私はやはり負け犬です。それらはまったく同じ次元ではありません。

トランスクリプトとは何ですか?私たちの言葉で言えば、実際にデータ レポートを出力します。スコアを付与することで、各科目をどの程度習得したかを確認できます。たとえば、英語で 100 点、中国語で 90 点、数学で 80 点、物理で 60 点、化学で 20 点しか取れなかったとします。物理学と化学の補足コースを受講する必要があるのは明らかです。これを適切な薬で病気を治療すると言います。

その後、模擬試験を何度も受け、最初の模擬試験で360点を獲得しました。 2回目の模擬試験では340点を獲得しました。 ３回目の模擬試験で３５０点を取りました。 3 つのスコアの平均に基づくと、高校入試ではおそらく 350 点ほど高いスコアを獲得できるでしょう。私が子供の頃、先生や母はなぜデータ分析を使っていたのでしょうか?その目的は何でしたか?教師の本質的な目的は、比較を通じて生徒のパフォーマンスを向上させることです。

分析方法と目的に応じて、分析は記述的分析、診断的分析、予測的分析、処方的分析に分けられます。それでは、上記の例をチェックして何が起こるか見てみましょう。

記述的分析:

記述的分析には、データの収集、整理、表の作成、グラフの描画、および研究対象の特性の記述が含まれます。このタイプの分析は、以前は「レポート」と呼ばれていました。記述的分析は非常に有用ですが、特定の結果がなぜ発生したのか、または将来何が起こる可能性があるのか​​を説明することはできません。

実際には、先生が私たちの成績を記入し、整理し、成績証明書を出力したことになります。しかし、彼はあなたの現状しか見ることができません。あなたの成績が低い理由を説明することも、あなたの成績が向上できるかどうかを予測することもできません。

診断分析:

ビジネスが改善したか悪化したかという結果を知ることに加え、なぜそうなったのかをデータを通じてさらに理解する必要があります。

診断分析では、ビジネス成果と多くの要因との相関関係を分析する必要があります。もちろん、要因と結果の関係をいかに迅速に見つけて分析するかは、ビジネスに対する理解に依存します。一緒にブレインストーミングしてビジネス データを分析したり、主要なビジネス ロールの担当者を対象に調査や詳細なインタビューを実施して意見を求めたりすることもできます。そうして初めて、データを分析するのにどの次元がより合理的であるかがわかります。

たとえば、この成績証明書では、私は化学で 20 点を獲得しました。はい、化学で20点取ったことが分かりました。では、なぜ英語では100点取れたのに化学では20点しか取れなかったのでしょうか?私は化学の授業でぼんやりしていたのでしょうか?化学は好きではないですか?それとも、注意深く聞いていたが理解できなかったのでしょうか?

予測分析:

予測分析では、データの特徴と変数（範囲をキャンセルすると想定できる要因）の関係を記述するだけでなく、過去のデータに基づいて将来を予測します。予測分析では、まず変数値間の関連性を識別し、次にこの既知の関連性に基づいて別の現象が発生する可能性を予測します。

たとえば、予測分析を試験シナリオにどのように反映できるでしょうか?実は確率は計算できるのです。学生時代、先生はきっとこう言っていたはずです。「この問題は毎年テストされるので、必ずマスターしておいてください。」このトピックはここ数年テストされていませんが、今年はテストされる可能性が高いため、習得する必要があります。

この発言は実のところ単なる推測です。厳密なデータ分析を使用すると、統計を通じて 100% テストされる質問を見つけることができます。これにより、より具体的に試験の準備ができるようになります。 100% 間違った質問をした場合、もちろんそれらの質問を優先し、時間があるときに確率的に出現する質問に取り組む必要があります。眉毛とひげを一度に両方掴むのではなく。

処方的分析:

処方的分析は、実験設計や最適化などの高レベルの分析です。医者が処方箋を出すときに患者に処置を勧めるのと同じように、試験を受けて、数学で 100 点、中国語で 80 点、英語で 60 点、物理で 20 点しか取れなかったとします。

この時点で、中国語、英語、物理を改善する必要があることがわかるかもしれません。しかし、物理スコアの向上をすぐに提案することはできません。各スコアの向上における入出力比率を比較し、向上させるのに最適な科目を選択することができます。

本日の内容は以上です。上記の話を読んでみると、記述分析、診断分析、予測分析、処方分析はそれほど難しくないように感じます。もちろん、誰もが理解しやすいように、ストーリーをつなげてまとめているだけです。実は、実際の仕事でそれを実行するのは簡単ではありません！最後に、前回の記事のプレビューをお伝えします。次の記事では、データ分析が個人や会社にとってどれほど重要であるかについて詳しく紹介します。

この記事はもともと @财源滚滚 によって Everyone is a Product Manager に掲載されました。著者の許可なく複製することは禁止されています

タイトル画像はCC0ライセンスに基づいてUnsplashから引用しています

この記事の見解は著者自身のみを代表するものです。 Renrenshishiプロダクトマネージャープラットフォームは情報保存スペースサービスのみを提供します