Vier Perspektiven auf die Kunst der Datenanalyse – DATAVERSITY

Vier Perspektiven auf die Kunst der Datenanalyse – DATAVERSITY

Zeitstempel: 12. Januar 2024, 3:25 Uhr
Quellknoten: 3059543

Als Datenwissenschaftler werden wir oft als Menschen angesehen, die Schlussfolgerungen nur auf der Grundlage von Daten ziehen und andere Faktoren minimieren. Diese Wahrnehmung wird normalerweise umstritten, wenn die Erkenntnisse und Beweise aus den Daten nicht mit der „Hypothese“ einer anderen Person übereinstimmen. Oder wir sind verwirrt und vielleicht frustriert, wenn die „qualitative“ Analyse die quantitative Analyse übertrifft. Wenn Sie das nächste Mal diese Frustration verspüren, ziehen Sie diese vier Perspektiven zur Datenanalyse in Betracht, um andere Ansichten zu validieren und in Betracht zu ziehen, damit Sie versuchen können, eine gemeinsame Basis zu finden:  

1. „Ausreißer haben gleiche Chancen.“  

Ausreißer stellen sich in einem Datensatz als Anomalien dar. Vielleicht sind Ausreißer Rauschen, aber vielleicht sind sie etwas Besonderes. 

Ausreißer können einzigartige Erkenntnisse, neue Trends oder interessante Segmente sein. In der medizinischen Forschung könnte ein Ausreißer auf eine seltene, aber lebensbedrohliche Nebenwirkung eines Medikaments hinweisen. Bei Kundendaten kann ein Ausreißer eine wertvolle Kundennische sein, die noch nicht adressiert wurde. Ausreißer könnten ein sich abzeichnender Trend sein. Die Farbe Rosa war zunächst ein Ausreißer, entwickelte sich aber schnell zur beliebtesten Modewahl. 

Bevor Sie Ausreißer als Lärm abtun, nutzen Sie sie, um Fragen zu wecken und Neugier zu wecken:   

  • Zeigt der Ausreißer eine Chance an?   
  • Warum gibt es den Ausreißer?   
  • Wenn Sie den Zeitstempel Ihres Datensatzes ändern könnten, welche Auswirkungen hätte das auf die Ausreißer? 
  • Müssen Sie davon ausgehen, dass es mehr Ausreißer gibt?  
  • Was sagt uns ein Ausreißer über das analysierte System oder den analysierten Prozess?    
  • Was wäre nötig, damit aus einem Ausreißer ein eindeutiges Profil oder Segment wird?  

Das Verständnis von Ausreißern kann zur innovativen Produktentwicklung, zur Identifizierung neuer Marktchancen und zur Erkennung potenzieller Risiken führen. In Bereichen wie Umweltwissenschaften oder Wirtschaftswissenschaften können Ausreißer auf wichtige Musteränderungen wie plötzliche Klimaveränderungen oder Finanzkrisen hinweisen. Ausreißer haben das Potenzial, die Art und Weise, wie wir Daten betrachten und interpretieren, zu verändern und sie von missverstandenen Datenpunkten in wertvolle Informationsschätze zu verwandeln. 

2. „Einmal ist Zufall. Zweimal ist ein Zufall. Dreimal ist feindliche Aktion.“ -Goldener Finger  

Haben Sie sich jemals gefragt, warum andere es sich bequem machen, „datengesteuerte„Entscheidungen mit sehr begrenzten Informationen? Mehr Datenpunkte geben uns allen mehr Vertrauen und höhere Genauigkeit, aber manchmal müssen wir schnell handeln.  

Zuletzt hat OpenAI ChatGPT trotz seiner Mängel eingeführt, während andere, die ähnliche Produkte hatten, darauf warteten, ihr Vertrauen in die Genauigkeit der Antworten zu erhöhen. Wenn Sie glauben, dass jemand eine datengesteuerte Entscheidung mit geringem Konfidenzniveau und begrenzter Genauigkeit trifft, bedenken Sie den Zeitaufwand. Möglicherweise feuert der Feind. 

3. „Nicht alles, was zählt, kann gezählt werden, und nicht alles, was gezählt werden kann, zählt.“ –wird häufig Albert Einstein zugeschrieben 

Mit anderen Worten: „Ich schätze Ihre Datenanalyse, aber was ich denke oder höre, ist wichtiger.“ Es kann nicht gezählt oder gemessen werden.“ 

Wie reagieren Sie? In dieser Situation müssen Sie kreativ werden.   

Beispielsweise kann das Kundenverhalten, einschließlich Kundenstimmung, Markentreue und durch kulturelle Veränderungen bedingte Trends, nicht greifbar und schwer zu quantifizieren sein. Wenn Sie nur über Online-Verhaltensdaten verfügen, nutzen Sie andere Methoden, um auf neue Datenquellen zuzugreifen, z. B. Testprogramme, Umfragen, soziale Stimmungsanalysen, Online-Ethnographie oder primäre Kundenforschung, die auf die Grundlagen zurückgreift.  

Vielleicht wird nichts endgültig sein, aber es ist die Kombination und Konsistenz verschiedener Methoden und Quellen, die zu einer konsistenten Schlussfolgerung führen.  

4. „Korrelation gleich Kausalität?“  

Das Ersetzen der Kausalität durch Korrelation kann zu Fehlentscheidungen führen, wenn dies ohne Bewusstsein geschieht. Es gibt jedoch Situationen, in denen wir nur Zugriff auf Korrelationsdaten haben. In diesen Fällen ist es wichtig zu prüfen, ob die Korrelation reiner Zufall ist oder ob eine gültige Ursache vorliegt. 

Betrachten Sie beispielsweise die Herausforderung, die Zuordnung von Marketingausgaben zu messen und Vertriebsaktivitäten zu analysieren. Dabei handelt es sich um komplexe Aufgaben ohne direkten Kausalzusammenhang. Man kann eine Abschlussquote von 90 % beobachten, wenn Kunden das Büro eines Anbieters für eine Kundenbesprechung aufsuchen, aber es ist wichtig, keine voreiligen Schlussfolgerungen zu ziehen und einen Kausalzusammenhang anzunehmen. Stattdessen ist ein differenzierterer Ansatz erforderlich.  

Bei näherer Betrachtung wird deutlich, dass die hohe Abschlussquote nicht einfach auf die Einplanung von Kundenbesprechungen für jede Verkaufsinteraktion zurückzuführen ist. Stattdessen erzeugen die Interaktionen selbst den Wunsch der Kunden, an diesen Briefings teilzunehmen, was wiederum zu einer hohen Abschlussquote führt. Dieses Beispiel veranschaulicht die Verschmelzung von Kunst und Wissenschaft in Analytik – ein Prozess, bei dem es darum geht, die zugrunde liegende Dynamik zu verstehen und sich nicht nur auf oberflächliche Zusammenhänge zu verlassen. 

Wir alle wünschen uns die statistische Zuverlässigkeit vieler Daten mit dem idealen Datensatz. Die Realität ist, dass wir manchmal kreativ und einfallsreich werden und Ausreißer, Korrelationen und alternative Datensätze untersuchen müssen. Oder manchmal fehlt die Zeit und Sie müssen auf der Grundlage begrenzter Daten handeln. 

Zeitstempel:

Mehr von DATENVERSITÄT