چهار نوع رایج تحلیل داده، توصیفی، تشخیصی، پیش‌بینی‌کننده و تجویزی هستند. تفاوتشان در سؤالی است که پاسخ می‌دهند: چه اتفاقی افتاده، چرا رخ داده، احتمالاً چه خواهد شد و چه اقدامی مناسب است. یک گزارش فروش، بررسی علت کاهش فروش و پیشنهاد مقدار تولید فردا، سه خروجی متفاوت‌اند؛ حتی اگر از یک مجموعه داده استفاده کنند.
برای فهم این تفاوت، در ادامه یک مثال فرضی از نانوایی را دنبال می‌کنیم؛ کسب‌وکاری که می‌خواهد هم نان کمتری در پایان روز باقی بماند و هم مشتری کمتری دست خالی برگردد.
مقایسه انواع تحلیل داده در یک نگاه
در دسته‌بندی IBM از انواع تحلیل، این چهار روش بر اساس هدف تحلیل از هم جدا می‌شوند. جدول زیر تفاوت سؤال و خروجی آن‌ها را در مثال نانوایی نشان می‌دهد.
| نوع تحلیل | سؤال اصلی | نمونه خروجی |
|---|---|---|
| توصیفی | چه اتفاقی افتاده است؟ | مقدار تولید، فروش و نان باقی‌مانده هر روز |
| تشخیصی | چه چیزی می‌تواند تغییر را توضیح دهد؟ | بررسی ارتباط نان باقی‌مانده با ساعت پخت و نوع محصول |
| پیش‌بینی‌کننده | احتمالاً چه اتفاقی خواهد افتاد؟ | برآورد تقاضای فردا همراه با عدم‌قطعیت |
| تجویزی | با این شرایط چه تصمیمی بگیریم؟ | پیشنهاد مقدار و زمان پخت با توجه به ظرفیت فر و هزینه‌ها |
این جدول، مراحل اجباری همه پروژه‌ها نیست. ممکن است مسئله شما با یک گزارش دقیق حل شود. اگر پرسشتان درباره ترتیب اجرای کار، از جمع‌آوری اطلاعات تا ارائه نتیجه است، مقاله مراحل تحلیل داده آن فرایند را توضیح می‌دهد.
۱. تحلیل توصیفی؛ دیدن وضعیت با عدد و نمودار
تحلیل توصیفی یا Descriptive Analytics، داده‌های ثبت‌شده را خلاصه می‌کند. تعداد، مجموع، میانگین، میانه، درصد و روند زمانی می‌توانند بخشی از خروجی آن باشند. هدف این است که به‌جای مرور تک‌تک رکوردها، وضعیت را بفهمیم.
فرض کنید نانوایی در یک روز ۲۰۰ قرص نان تولید کرده، ۱۷۰ قرص فروخته و ۳۰ قرص باقی مانده است. اگر موجودی اول روز صفر باشد و نانی هم به دلیل دیگری از موجودی خارج نشده باشد، سهم باقی‌مانده از تولید، ۳۰ تقسیم بر ۲۰۰، یعنی ۱۵ درصد است. این عدد وضعیت همان روز را توصیف می‌کند.
برای مقایسه روزها، باید تعریف شاخص ثابت بماند. «تعداد نان باقی‌مانده» با «درصد باقی‌مانده از تولید» یکسان نیست. باقی ماندن ۳۰ قرص از تولید ۲۰۰ قرص، با باقی ماندن همان تعداد از تولید ۵۰۰ قرص، معنای متفاوتی دارد.
خروجی کاربردی این بخش می‌تواند یک گزارش روزانه با تفکیک نوع نان و نوبت پخت باشد. این گزارش به‌تنهایی نمی‌گوید چرا نان باقی مانده یا فردا چقدر باید تولید شود. برای نمونه‌ای از ساخت چنین گزارشی، تبدیل داده‌های اکسل به داشبورد مدیریتی را ببینید.
۲. تحلیل تشخیصی؛ بررسی توضیح‌های ممکن برای تغییر
تحلیل تشخیصی یا Diagnostic Analytics، از مشاهده یک تغییر به بررسی عوامل مرتبط با آن می‌رسد. راهنمای تحلیل تشخیصی IBM به روش‌هایی مانند رفتن از گزارش کلی به جزئیات، تحلیل ارتباط متغیرها و آزمودن فرضیه‌ها اشاره می‌کند.
در مثال نانوایی، سؤال این است: چرا نان باقی‌مانده بیشتر شده؟ به‌جای نسبت دادن فوری آن به کاهش مشتری، چند توضیح قابل بررسی مطرح می‌کنیم:
- آیا مقدار تولید بالا رفته، در حالی که فروش تقریباً ثابت مانده است؟
- آیا افزایش باقی‌مانده فقط مربوط به یک نوع نان یا یک نوبت پخت است؟
- آیا ساعت آماده شدن نان تغییر کرده و با زمان مراجعه مشتریان فاصله گرفته است؟
- آیا روزهای مقایسه از نظر تعطیلی، ساعات فعالیت و شرایط محلی شبیه هم هستند؟
اگر نانِ نوبت آخر بیشتر باقی می‌ماند، زمان پخت یک سرنخ است؛ اما همین مشاهده ثابت نمی‌کند که تغییر ساعت پخت علت اصلی بوده است. ممکن است هم‌زمان مقدار تولید یا ترکیب محصولات هم عوض شده باشد. برای تصمیم، باید توضیح‌های رقیب را بررسی کنیم و در صورت امکان، تغییر پیشنهادی را با مقایسه‌ای مناسب بیازماییم.
خروجی خوب تحلیل تشخیصی، یک توضیح با شواهد و محدودیت‌های مشخص است. جمله «فروش کم شد چون مشتری‌ها کمتر شده‌اند» بدون اطلاعات مراجعه یا سفارش، فقط یک فرضیه باقی می‌ماند.
۳. تحلیل پیش‌بینی‌کننده؛ برآورد آینده همراه با خطا
تحلیل پیش‌بینی‌کننده یا Predictive Analytics، با استفاده از اطلاعات موجود، یک مقدار یا احتمالِ هنوز نامعلوم را برآورد می‌کند. در مثال ما، هدف می‌تواند تخمین تقاضای روز بعد باشد. این نوع تحلیل در کاربردهای دیگر، مانند برآورد احتمال لغو یک سفارش، هم استفاده می‌شود.
برای شروع، فروش روزهای گذشته، روز هفته، تعطیلی‌های معلوم و سفارش‌های از پیش ثبت‌شده می‌توانند اطلاعات مفیدی باشند. یک روش ساده، استفاده از فروش روز مشابه هفته قبل است؛ مدل پیچیده‌تر باید در عمل نشان دهد که از چنین مبنایی بهتر عمل می‌کند.
برای سنجش پیش‌بینی روزهای آینده، باید مدل را با داده‌های گذشته بسازیم و روی روزهای بعدی که هنگام ساخت مدل در دسترس نبوده‌اند ارزیابی کنیم. استفاده از اطلاعات آینده در ساخت پیش‌بینی، ارزیابی را غیرواقعی می‌کند. کتاب Forecasting: Principles and Practice این تفکیک زمانی و نقش بازه‌های پیش‌بینی را توضیح می‌دهد.
خروجی را هم نباید قطعی بخوانیم. برآورد تقاضا، با تضمین فروش برابر نیست. همراه عدد پیش‌بینی، خطاهای گذشته و در صورت امکان بازه پیش‌بینی را ببینید؛ تغییر قیمت، ساعت کار یا شرایط بازار می‌تواند رابطه‌های گذشته را تغییر دهد.
نکته مهم: فروش ثبت‌شده همیشه همان تقاضا نیست
اگر نانوایی ساعت شش عصر موجودی‌اش تمام شود، فروش همان‌جا متوقف می‌شود؛ ولی ممکن است بعد از آن هم مشتری مراجعه کرده باشد. مدلی که فقط فروش را ببیند، می‌تواند نیاز واقعی را کمتر برآورد کند. ثبت زمان تمام شدن موجودی و درخواست‌های پاسخ‌داده‌نشده، به تفسیر این وضعیت کمک می‌کند.
۴. تحلیل تجویزی؛ انتخاب اقدام با توجه به محدودیت‌ها
تحلیل تجویزی یا Prescriptive Analytics، گزینه‌های اقدام را با یک هدف و محدودیت‌های مشخص بررسی می‌کند. پیش‌بینی می‌گوید چه وضعیتی محتمل است؛ تحلیل تجویزی کمک می‌کند برای آن وضعیت تصمیم بگیریم. این تصمیم می‌تواند با مقایسه سناریوها یا یک مدل بهینه‌سازی پشتیبانی شود.
در نانوایی، دانستن تقاضای احتمالی فردا هنوز برنامه پخت نیست. باید ظرفیت فر، زمان آماده‌سازی، نیروی کار، ماندگاری محصول و هزینه نان فروش‌نرفته را هم در نظر گرفت. هزینه از دست دادن فروش نیز می‌تواند در انتخاب اثر داشته باشد.
- هدف: کاهش هزینه مجموع نان باقی‌مانده و فروش ازدست‌رفته، با تعریف روشن هر دو هزینه.
- گزینه‌های قابل تغییر: تعداد قرص نان هر نوع و زمان شروع هر نوبت پخت.
- محدودیت‌ها: ظرفیت هر نوبت، مواد اولیه موجود و ساعات کاری.
- خروجی: مقایسه برنامه‌های پخت و پیشنهاد گزینه متناسب با این فرض‌ها.
ممکن است پخت در دو نوبت، نسبت به تولید یک‌جای همه نان‌ها مناسب‌تر باشد؛ اما این نتیجه باید از اطلاعات همان کسب‌وکار به دست بیاید. پیشنهاد مدل به هدف و فرض‌هایش وابسته است و لازم است امکان اجرای آن را مسئول تولید بررسی کند.
تحلیل کمی و کیفی چه نسبتی با این چهار نوع دارند؟
تقسیم‌بندی کمی و کیفی، از زاویه دیگری به تحلیل نگاه می‌کند. راهنمای تحلیل داده مایکروسافت، تحلیل کمی را درباره اعداد و اندازه‌گیری‌ها و تحلیل کیفی را درباره معنای داده‌های غیرعددی، مانند پاسخ مصاحبه، توضیح می‌دهد.
در مثال نانوایی، تعداد فروش و ساعت پخت، داده‌های کمی‌اند. توضیح مشتری درباره تازگی نان یا تجربه خرید، اطلاعات کیفی فراهم می‌کند. بررسی این نظرها می‌تواند سرنخ‌هایی برای علت کاهش خرید بدهد؛ شمارش فروش هم نشان می‌دهد تغییر در کدام روزها و محصولات دیده شده است. بنابراین «کمی یا کیفی» و «توصیفی یا تشخیصی» الزاماً انتخاب‌های جایگزین یکدیگر نیستند.
برای مسئله کسب‌وکار، کدام نوع تحلیل مناسب است؟
پیش از انتخاب ابزار، یک سؤال دقیق بنویسید و مشخص کنید پاسخ آن قرار است کدام تصمیم را تغییر دهد:
- اگر وضعیت را نمی‌دانید، از گزارش توصیفی شروع کنید؛ مثلاً فروش و باقی‌مانده هر محصول در یک بازه مشخص.
- اگر یک تغییر دیده‌اید، تحلیل تشخیصی انجام دهید و شواهد توضیح‌های مختلف را مقایسه کنید.
- اگر باید پیش از وقوع تصمیم بگیرید، قابلیت پیش‌بینی را با داده‌های در دسترس و خطای قابل‌قبول بسنجید.
- اگر چند اقدام ممکن دارید، هدف، هزینه‌ها و محدودیت‌ها را تعریف کنید تا گزینه‌ها قابل مقایسه شوند.
در هر چهار حالت، تعریف داده مهم است. سفارش لغوشده نباید بی‌توضیح در فروش قطعی حساب شود؛ اطلاعات گمشده هم معادل صفر نیست. پیش از مدل‌سازی، خطاهایی مانند رکورد تکراری، دوره‌های غیرقابل مقایسه و تغییر تعریف شاخص را بررسی کنید. مقاله اشتباهات رایج در تحلیل داده نمونه‌های بیشتری دارد.
پرسش‌های رایج درباره انواع تحلیل داده
آیا برای همه انواع تحلیل به هوش مصنوعی نیاز داریم؟
خیر. گزارش توصیفی و بسیاری از مقایسه‌های تشخیصی را می‌توان با جدول و محاسبات روشن انجام داد. انتخاب روش پیش‌بینی یا بهینه‌سازی هم باید به مسئله، داده و نتیجه ارزیابی وابسته باشد. در مقاله ابزارهای تحلیل داده از Excel تا Python، کاربرد ابزارها را با این نگاه بررسی کرده‌ایم.
آیا داشبورد مدیریتی هر چهار نوع تحلیل را انجام می‌دهد؟
به محتوای داشبورد بستگی دارد. نمایش فروش گذشته، تحلیل توصیفی است. امکان مقایسه جزئیات می‌تواند به بررسی تشخیصی کمک کند؛ اما وجود نمودار، به‌خودی‌خود به معنی پیش‌بینی معتبر یا پیشنهاد اقدام نیست.
تفاوت اصلی تحلیل پیش‌بینی و تجویزی چیست؟
برآورد اینکه فردا چند مشتری خواهیم داشت، پیش‌بینی است. انتخاب مقدار تولید یا تعداد نیروی لازم، با توجه به هزینه و ظرفیت، مسئله تجویزی است. دو کسب‌وکار با پیش‌بینی تقاضای یکسان ممکن است به دلیل محدودیت‌های متفاوت، تصمیم‌های متفاوتی بگیرند.
از سؤال مشخص تا راهکار قابل استفاده
برای شروع، لازم نیست همه این روش‌ها را هم‌زمان اجرا کنید. یک مسئله محدود، داده قابل اتکا و معیار روشن برای سنجش نتیجه انتخاب کنید. اگر هدف شما ساخت داشبورد، پیش‌بینی یا اتصال تحلیل به فرایندهای نرم‌افزاری شرکت است، در صفحه خدمات هوش مصنوعی و اتوماسیون داپا می‌توانید با این حوزه آشنا شوید.
