תהליך דוגמנות אופייני:
בתהליך דוגמנות טיפוסי, חשוב להתחיל לשרטט השערה. מתקבל RFP (בקשה להצעה) ואז מתווה השערה.
- קבע מקור נתונים נכון - כאן, הלקוח עשוי למסור מקור נתונים, אם לא, עלינו לחפש מקור נתונים. בהינתן תרחיש בו אנו מנסים להעריך מי ינצח בבחירות, נעשה ניתוח פומבי של נתונים עם מקורות הכוללים מדיה חברתית, ערוצי חדשות או דעת קהל. עלינו להבין גם את כמות הנתונים הדרושה לניתוח הבעיה. במקרה זה, אנו בדרך כלל מחפשים דוגמאות גדולות, מכיוון שמדובר במקרה של בחירות. מצד שני, אם הניתוח נעשה על שירותי בריאות, קשה לפנות לאוכלוסייה גדולה מכיוון שיש אפשרות לא להשיג מספיק אנשים לאמת את ההשערה. כמו כן, איכות הנתונים חשובה מאוד.
- חלץ נתונים - לדוגמא, אם ניקח מדגם אוכלוסייה, נוכל לבחון מאפיינים, כגון הכנסה גבוהה, הכנסה נמוכה, גיל, אוכלוסייה עובדת (מחוץ לאתר / באתר), תושבים, NRI, כיסוי בתי חולים וכו ', כדי ליזום את המחקר. . כאן, ייתכן שלא נצטרך כל כך הרבה תכונות להשערה. אנו מבינים שתכונות, כמו הכנסה גבוהה ונמוכה עשויות שלא להיות הגורמים התורמים לקביעת מי ינצח בבחירות. אבל הגיל יכול לעשות את ההבדל מכיוון שהוא ייתן ספירה ישירה של כמה אנשים הולכים להצביע. פעמים רבות אנו עשויים לא לכלול תכונות פחות בשימוש או לכלול תכונות שימושיות. זה יכול להשתבש בשני המקרים. זו הסיבה שהניתוח הוא אתגר.
- לעסות את הנתונים כך שיתאימו לכלי - זאת מכיוון שלא כל הכלים יכולים לקבל את כל הנתונים. כלים מסוימים מקבלים רק נתוני CSV או נתונים מצטיינים. מחסור בכלים הוא אתגר.
- הפעל את הניתוח - ניתן לבצע פעולה זו באמצעות טכניקות רבות של ניתוח.
- לְהַסִיק - הניתוח נותן מספרים כדי להיות מדויקים. אך על המשתמש להסיק מסקנות אלה מסקנות. למשל, אם כתוב 10% או 20%, עלינו להבין מה זה אומר? האם זה נגזר מתאם בין תכונה A לתכונה B?
- יישם תוצאות - חשוב ליישם מסקנות כדי לראות תוצאות בעסקים. לדוגמא, ניתן להסיק כי 'אנשים קונים מטריה בעונה גשומה' מה שעלול לגרום לעסקים רבים יותר. כאן עלינו ליישם מסקנה במקום בו אנו מייצרים מטריה, הזמינה בחנויות, אך אז יכולה להיות לה בעיות ניהול. ברגע שהסטטיסטיקה תביא לתוצאה, היישום עשוי להשתבש.
- עקוב אחר ההתקדמות - השלב האחרון כאן, ניטור ממלא תפקיד חשוב. ניטור עשוי להשתבש מכיוון שלא הרבה ארגונים רוצים לעקוב אחר ההתקדמות, וזה נחשב כצעד זניח. אך ניטור חשוב מאחר שאנו יכולים להבין אם המחקר והמסקנות שלנו פונים לכיוון הנכון.
בדוק גם מאמר זה' מתאם אינו אומר סיבתיות 'שנותן תובנה כיצד אנליסטים יכולים להשתבש. נקודה חשובה שיש לציין בתרשים זה היא כי ניתוח ריצה הוא השלב היחיד שבו המכונה אחראית ומעבר לכך היא תלויה באדם אשר בסופו של דבר יקבע כיצד מתבצע המחקר.
יש לך שאלה עבורנו? הזכר אותם בסעיף ההערות ונחזור אליך.
פוסטים קשורים: