Veri analizi ham verileri katme değer üretebileceğimiz, eyleme geçirilebilir öngörülere dönüştürmemizi sağlar. Veri analizleri sonucu elde ettiğimiz bilgiler sayesinde iş süreçlerinden daha fazla verim alabilir, karar verme mekanizmalarını iyileştirebilir ve işletmenin büyümesini sağlayabiliriz.
Veri setimizin genel durumunu ortaya koymak için kullanılan tekniklerdir. Tanımlayıcı veri analizi özellikle istatistiksel analiz raporlarımızın vazgeçilmez bölümlerini oluşturur. Ayrıca aritmetik ortalama, medyan, standart sapma, standart hata, varyans, minimum, maksimum, değişim aralığı, değişim katsayısı, çarpıklık, basıklık değerlerini hesaplayabilmemizi sağlar.
Tanımlayıcı analiz sürecinde özellikle kategorik ya da tamsayılı verilerimizin dağılımlarını değerlendirmek için frekans analizinden yararlanabiliriz. Değişkenlerimizin grupları üzerinden frekans değerleri, yüzdelik değerleri veya kümülatif frekans-yüzdelik değerleri hesaplayabiliriz.
Ayrıca söz konusu analizlerimizi veri görselleştirme teknikleri ile kök-gövde grafikleri, histogramlar, kutu grafikleri, bar grafikleri, pasta grafikleri şeklinde ifade edebiliriz. Tanımlayıcı veri analizi istatistiksel ölçüleri kullanarak veri setimizi görselleştirme ve daha anlaşılır bir hale getirmemizi sağlar.
Verilerimiz üzerinden yeni sonuçlar edinmemizi, değişkenler arasındaki farklı örüntüleri keşfetmemizi sağlayan yöntemlerin bütünüdür.
Bilimsel araştırmalarda daima başvurduğumuz istatistiksel hipotez testleri, ANOVA, t-testleri, Friedman testi gibi istatistik testler sayesinde değişkenler arasındaki ilişkilerin istatistiksel olarak anlamlı olup olmadığını ortaya koyabiliriz.
Kümeleme analizi sayesinde gözlemlerimizin kaç küme altında gruplanabileceğini belirleyebilir, elde ettiğimiz kümeler üzerinden gruplarımıza dair çıkarımlarda bulunabiliriz.
Korelasyon analizleri ile birlikte çok sayıdaki değişkenimiz arasındaki ilişkilerin yönünü ve derecesini belirleyebiliriz.
Veri madenciliği teknikleri kapsamında uyguladığımız kural tabanlı algoritmalar sayesinde öngörülemeyen sonuçlar elde edebilir, Karar ağaçları sayesinde verilerimiz üzerinden faydalı kurallar ortaya koyabiliriz.
Market-sepet analizi ile en sık tekrar eden alışveriş alışkanlıklarını belirleyebiliriz.
Bunların yanında dayanıklı (robust), bulanık (fuzzy), Bayesci teknikler sayesinde de verilerimizden kullanıma hazır faydalı bilgiler elde edebiliriz.
Tahminsel veri analizi, geleceğe ilişkin öngörüler elde etmemizi sağlayan teknikler bütününüdür. Bu kapsamda regresyon analizi teknikleri ve öngörü modelleri kullanılmaktadır.
Klasik lineer regresyon analizinden ARIMA modellerine, bulanık zaman serisi analizlerinden yapay sinir ağlarına uzanan onlarca yöntem, tahminsel veri analizi başlığı altında bulunmaktadır.
Temelde iki çıkış noktamız vardır. Tahmin edeceğimiz bağımlı değişkenin kendi değerleri (ham veriler, hata değerleri vs.) üzerinden hareket ederiz, ya da bağımlı değişkenimizi etkileyen farklı bağımsız değişkenler üzerinden öngörülerde bulunabiliriz.
Hemen bu süreci örneklendirelim.
Örneğin; ülkelerin işsizlik oranlarını tahmin etmek istiyoruz. Gelecek döneme ait işsizlik oranlarını tahmin edebilmemiz için geçmişteki işsizlik oranlarına bakarak tahmin gerçekleştirebiliriz.
Alternatif bir yol olarak, işsizlik oranlarını ülkelerin enflasyon, büyüme oranı, yatırım miktarı gibi göstergeleri üzerinden de tahmin edebiliriz. Yatırımları artıran bir ülkede işsizliğin düşebileceğini; enflasyonun yükseldiği bir ülkede ise işsizlik oranının yükselebileceğini öngörebiliriz.
Büyük Veri Eğitimlerimiz ile ilgili detaylı bilgi almak için bilgi formunu doldurunuz.
Veri Raporlama ve İş Zekası Eğitimlerimiz ile ilgili detaylı bilgi almak için bilgi formunu doldurunuz.
Yapay Zeka Eğitimlerimiz ile ilgili detaylı bilgi almak için bilgi formunu doldurunuz.
IT Eğitimleri
Teknik Eğitimler
Kariyer Plus Eğitimleri
Dijital Pazarlama Eğitimleri
Görsel İletişim Eğitimleri
Akademik Eğitimler
Veri Bilimi ve Raporlama Eğitimleri
Bilişim Junior Eğitimleri
İngilizce Eğitimleri
Hakkımızda
Sitelerimiz