بحلول عام 2025 ستوجد 175 زيتابايت من البيانات (حسب Accenture)، ومع ذلك تظل هناك فجوة في قيمة البيانات، وهي عدم القدرة على تحرير قيمة الأعمال من البيانات، لذا سنقدم لكم أفضل 4 تقنيات لتحليل البيانات، وذلك لاستخراج أقصى قيمة ممكنة منها.
أفادت Accenture أن 32٪ فقط من الشركات يمكنها حالياً استخراج القيمة الفعلية والمفيدة من بياناتها. لتعظيم الفرص التي يمكن الحصول عليها من البيانات، يجب على المؤسسات استخدام تقنيات تحليل البيانات وتقديم دراسة الجدوى لاستراتيجية تحليل البيانات.
يمكن للشركات التي تعتمد على البيانات استخراج قيمة الأعمال من البيانات من خلال المهارة البشرية وتحليل البيانات الآلي، وهي عملية استخلاص المعلومات من البيانات لاتخاذ قرارات مستنيرة.
المحتويات:
3. تقنيات تحليل البيانات الكمية.
4. تقنيات تحليل البيانات النوعية.
1. ما هو تحليل البيانات؟
تحليل البيانات هو عبارة عن تقنية تتضمن عادةً أنشطة متعددة مثل جمع البيانات وتنظيفها وتصفيتها وتنظيمها. هذه العمليات، التي عادة ما تتضمن برمجيات تحليل البيانات، ضرورية لإعداد البيانات لأغراض العمل.
أنواع البيانات.
تأتي البيانات في هياكل وتنسيقات وأنواع مختلفة، بما في ذلك ما يلي:
- البيانات الضخمة Big Data.
يتم تعريف البيانات الضخمة على أنها مجموعة بيانات ضخمة تستمر في النمو بمعدل أسّي بمرور الوقت. الخصائص الأساسية الأربعة للبيانات الضخمة هي الحجم والتنوع والسرعة والتغير. يصف الحجم الكمية، والسرعة تشير إلى سرعة نمو البيانات، ويشير التنوع إلى مصادر البيانات المختلفة. تتحدث الدقة عن جودة البيانات، كما تحدد ما إذا كانت توفر قيمة تجارية أم لا.
- البيانات المهيكلة/غير المهيكلة Structured/Unstructured Data.
البيانات المهيكلة هي نموذج بيانات محدد مسبقاً مثل قاعدة بيانات العمود والصف التقليدية. تأتي البيانات غير المهيكلة بتنسيق لا يتناسب مع الصفوف والأعمدة ويمكن أن تتضمن مقاطع فيديو وصور وملفات صوتية ونصية وغيرها. تكشف المقارنة بين البيانات المهيكلة والبيانات غير المهيكلة أن البيانات المهيكلة أسهل في الإدارة والتحليل.
- البيانات الوصفية Meta Data.
البيانات الوصفية هي شكل من أشكال البيانات التي تصف وتوفر معلومات حول البيانات الأخرى. على سبيل المثال، يمكن أن تتضمن البيانات الأولية للصورة المؤلف ونوع الصورة وتاريخ الإنشاء. تمكّن البيانات الوصفية المستخدمين من تنظيم البيانات غير المهيكلة في فئات، مما يسهل التعامل معها.
- معلومات الوقت الحقيقي Real Time Data.
تُعرف البيانات التي يتم تقديمها بمجرد الحصول عليها باسم بيانات الوقت الفعلي. هذا النوع من البيانات مفيد عندما تتطلب القرارات معلومات محدثة. على سبيل المثال، يمكن لوسيط البورصة استخدام مؤشر سوق الأسهم لتتبع الأسهم الأكثر نشاطاً في الوقت الفعلي.
- بيانات الآلة Machine Data.
بفضل إنترنت الأشياء (IoT) وأجهزة الاستشعار والتقنيات الأخرى، يمكن إنشاء البيانات بشكل تلقائي بواسطة أنظمة المصانع والآلات الأخرى وتكنولوجيا المعلومات والبنية التحتية للاتصالات والسيارات الذكية والأجهزة المحمولة وغيرها. يُعرف هذا النوع من البيانات باسم بيانات الآلة لأنه يتم إنتاجها بالكامل بواسطة آلات بدون تعليمات بشرية.
2. أساليب تحليل البيانات.
تعتبر أساليب و تقنيات تحليل البيانات مفيدة للعثور على رؤى في البيانات، مثل المقاييس والحقائق والأرقام. الطريقتان الأساسيتان لتحليل البيانات هما تقنيات تحليل البيانات النوعية وتقنيات تحليل البيانات الكمية.
كما يمكن استخدام تقنيات تحليل البيانات هذه بشكل مستقل أو بالاشتراك مع الآخرى لمساعدة قادة الأعمال وصناع القرار في اكتساب رؤى تجارية من أنواع البيانات المختلفة.
تحليل البيانات الكمية.
يتضمن تحليل البيانات الكمية العمل مع المتغيرات العددية، بما في ذلك الإحصاءات والنسب المئوية والحسابات والقياسات والبيانات الأخرى، لأن طبيعة البيانات الكمية هي طبيعة رقمية.
تتضمن تقنيات تحليل البيانات الكمية عادةً العمل مع الخوارزميات وأدوات التحليل الرياضي والبرمجيات لمعالجة البيانات والكشف عن الرؤى التي تكشف عن قيمة الأعمال.
على سبيل المثال، يمكن لمحلل البيانات المالية تغيير واحد أو أكثر من المتغيرات في الميزانية العمومية لشركة ما باستخدام برمجية Excel لإبراز الأداء المالي المستقبلي لصاحب العمل.
كما يمكن استخدام التحليل الكمي للبيانات لتقييم بيانات السوق لمساعدة الشركة على تحديد سعر تنافسي لمنتجها الجديد.
تحليل البيانات النوعية.
تصف البيانات النوعية المعلومات التي عادة ما تكون غير رقمية. يتضمن نهج تحليل البيانات النوعية العمل مع معرّفات فريدة، مثل الملصقات والخصائص. والمتغيرات الفئوية، مثل الإحصائيات والنسب المئوية والقياسات.
قد يستخدم محلل البيانات مناهج الملاحظة المباشرة أو المشاركين أو إجراء المقابلات أو تشغيل مجموعات التركيز أو مراجعة الوثائق والتحف في تحليل البيانات النوعية.
يمكن استخدام تحليل البيانات النوعي في العمليات التجارية المختلفة. على سبيل المثال، غالباً ما تكون تقنيات تحليل البيانات النوعية جزءاً من عملية تطوير البرامج.
حيث يقوم مختبروا البرامج بتسجيل الأخطاء، بدءًا من الأخطاء الوظيفية إلى الأخطاء الإملائية، لتحديد شدة الأخطاء على مقياس محدد مسبقاً: من الحرجة إلى المنخفضة. وعند جمعها، توفر هذه البيانات معلومات يمكن أن تساعد في تحسين المنتج النهائي.
إقرأ أيضاً… ما هي البيانات النوعية والكمية؟ مع أمثلة على كل منهما.
3. تقنيات تحليل البيانات الكمية.
كل تقنية من تقنيات تحليل البيانات الكمية المختلفة لها نهج مختلف لاستخراج القيمة من البيانات. على سبيل المثال، تعتبر محاكاة مونت كارلو تقنية تحليل البيانات الكمية التي تحاكي وتقدر احتمالية النتائج في ظروف غير مؤكدة في مجالات مثل التمويل والهندسة والعلوم.
كما يمكن لمزود خدمات الاتصالات المتنقلة استخدامها لتحليل أداء الشبكة باستخدام سيناريوهات مختلفة للعثور على فرص لتحسين خدمته.
تتضمن أمثلة وأنواع البيانات الكمية الأخرى الجدولة المتقاطعة وتحليل الاتجاه. فيما يلي الأوصاف والخطوات النموذجية المتضمنة في تقنيتين شائعتين لتحليل البيانات الكمية: تحليل الانحدار وتحليل الفرضيات.
3.1. تحليل الانحدار.
تحليل الانحدار هو نوع من طرق التحليل الإحصائي التي تحدد العلاقات بين المتغيرات المستقلة والتابعة. في التمويل، يُعرَّف الانحدار بأنه طريقة لمساعدة مديري الاستثمار والماليين على تقييم الأصول وتحديد العلاقات المتغيرة في أسعار السلع والأسهم.
من خلال التجارب التي تتضمن معالجة قيم المتغيرات المستقلة، يمكن لمحلل البيانات الكمية تقييم تأثير التغييرات على المتغير التابع. يمكن التفكير في العملية من حيث السبب والنتيجة.
على سبيل المثال، يمكن أن يكون المتغير المستقل هو المبلغ الذي يستثمره الفرد في سوق الأوراق المالية مع المتغير التابع وهو المبلغ الإجمالي للمال الذي سيحصل عليه الفرد عند التقاعد. النوعان الأساسيان من تحليل الانحدار هما خطي بسيط ومتعدد الخطي.
تحليل الانحدار الخطي البسيط.
تتضمن صيغة تحليل الانحدار الخطي البسيطة متغيراً تابعاً ومتغيراً مستقلاً. عادةً ما يكون التمثيل الرياضي للمتغير التابع هو Y، بينما يمثل X المتغير المستقل.
مثال على استخدام الانحدار الخطي هو باحث السوق الذي يحلل العلاقة بين منتجات شركتهم ورضا العملاء. من خلال ترتيب مستويات رضا العملاء على مقياس من 1 إلى 10 ، يمكن لباحث السوق وضع قيم رقمية على البيانات التي تم جمعها.
باستخدام هذه البيانات الكمية، يمكنهم إجراء تحليل انحدار لتحديد علاقة خطية بين منتج (متغير مستقل) ورضا العملاء (متغير تابع).
تحليل الانحدار الخطي المتعدد.
يتضمن تحليل الانحدار الخطي المتعدد أيضاً متغيراً تابعاً. الاختلاف الرئيسي هو أنه يحتوي على متغيرات مستقلة مختلفة، مما يؤدي إلى صيغة معقدة محتملة لإجراء تحليل الانحدار.
ومع ذلك، يمكن لأدوات مثل Microsoft Excel وبرامج الإحصاء مثل SPSS تبسيط مهمة تحليل الانحدار الخطي المتعدد.
3.2. تحليل الفرضيات.
تحليل الفرضيات هو أسلوب لتحليل البيانات، وهو يستخدم بيانات نموذجية لاختبار الفرضية. كما يعتبر تحليل الفرضيات طريقة اختبار إحصائي تستخدم للتحقق من صحة أحد الافتراضات وتحديد ما إذا كان معقولاً أم واقعياً. في هذا النهج، يطور المحلل فرضيتان، يمكن أن يكون أحدهما فقط صحيحاً. مكونان أساسيان لتحليل الفرضيات هما الفرضية الصفرية والفرضية البديلة.
الفرضية الصفرية.
الفرضية الأولى هي الفرضية الصفرية. Null تعني عدم وجود فرق بين مجموعتين ممثلتين في البيانات. على سبيل المثال، قد تدعي فرضية العدم أنه لا يوجد فرق في التحصيل الدراسي بين الطلاب من المجتمعات ذات الدخل المرتفع (المجموعة 1) وتلك من المناطق منخفضة الدخل (المجموعة 2).
عند إجراء تحليل الفرضية، فإن الهدف من الباحث أو المحلل هو إثبات وجود فرق بين المجموعات في الدراسة، وبالتالي رفض صحة الفرضية الصفرية.
الفرضية البديلة.
الفرضية البديلة هي عادة عكس الفرضية الصفرية. لنفترض أن نمو المبيعات السنوية لمنتج معين موجود لمدة 15 عاماً هو 25٪. الفرضية الصفرية في هذا المثال هي أن متوسط معدل النمو هو 25٪ للمنتج.
الهدف من تحليل الفرضية هو تحديد ما إذا كانت الفرضية الصفرية غير صحيحة. في هذا المثال، يستخدم المحلل الفرضية البديلة لاختبار ما إذا كان معدل النمو المفترض بنسبة 25٪ دقيقاً. لذلك فإن الفرضية البديلة هي أن معدل النمو ليس 25٪ للمنتج.
في هذا المثال، يمكن أن تمثل العينة العشوائية معدل نمو المنتج على مدار خمس سنوات بدلاً من 15 عاماً. في نهاية الاختبار، يمكن لمحلل البيانات استخلاص استنتاج بناءً على النتائج.
إقرأ أيضاً… ما هي قاعدة البيانات؟ وما هي استخداماتها وأنواعها؟
4. تقنيات تحليل البيانات النوعية.
تقنيات تحليل البيانات النوعية مبنية على نهجين رئيسيين للبيانات النوعية: الاستنتاجي والاستقرائي.
- المنهج الاستنتاجي. يتم استخدام طريقة التحليل هذه من قبل الباحثين والمحللين الذين لديهم بالفعل نظرية أو فكرة محددة مسبقاً عن المدخلات المحتملة من عينة السكان. يهدف النهج الاستنتاجي إلى جمع البيانات التي يمكن أن تدعم نظرية أو فرضية بشكل منهجي ودقيق.
- المنهج الاستقرائي. في هذا النهج، يقوم الباحث أو المحلل الذي لديه القليل من التبصر في نتائج عينة من السكان بجمع الكمية المناسبة والمناسبة من البيانات حول موضوع مثير للاهتمام. ثم يقومون بفحص البيانات للبحث عن الأنماط. الهدف هو تطوير نظرية لشرح الأنماط الموجودة في البيانات.
تقنيتان رئيسيتان لتحليل البيانات النوعية يستخدمهما محللوا البيانات هما تحليل المحتوى وتحليل الخطاب. طريقة أخرى شائعة هي التحليل السردي، والذي يركز على القصص والخبرات التي يشاركها المشاركون في الدراسة.
فيما يلي الأوصاف والخطوات النموذجية المتضمنة في تحليل المحتوى وتحليل الخطاب:
تحليل المحتوى.
يمكن للباحثين ومحللي البيانات استخدام تحليل المحتوى Content Analysis لتحديد الأنماط في أشكال الاتصال المختلفة. يمكن أن يكشف تحليل المحتوى عن أنماط في الاتصال المسجل تشير إلى الغرض والرسائل وتأثير المحتوى.
كما يمكن أن يساعد تحليل المحتوى في تحديد نية منتجي المحتوى والتأثير على الجماهير المستهدفة. على سبيل المثال، يمكن أن يوفر تحليل محتوى الرسائل السياسية رؤى نوعية حول سياسة التوظيف وسط جائحة COVID-19.
يمكن للمحلل تحديد الحالات التي تظهر فيها كلمة “توظيف” في وسائل التواصل الاجتماعي والقصص الإخبارية ووسائل الإعلام الأخرى وترتبط بمصطلحات أخرى ذات صلة ، مثل “الاقتصاد” و “الأعمال” و “الشارع الرئيسي”. يمكن للمحلل بعد ذلك دراسة العلاقات بين هذه الكلمات الرئيسية لفهم نية الحملة السياسية برسائلها بشكل أفضل.
تحتوي عملية تحليل المحتوى على عدة مكونات منها ما يلي:
- تحديد مصادر البيانات.
تتمثل الخطوة الأولى في عملية تحليل المحتوى في تحديد نوع المحتوى المراد تحليله. يمكن أن تتراوح المصادر من النصوص الموجودة في شكل مكتوب من الكتب والصحف ومنشورات وسائل التواصل الاجتماعي إلى الأشكال المرئية الموجودة في الصور الفوتوغرافية ومقاطع الفيديو.
- تحديد معايير البيانات.
تتضمن هذه الخطوة تحديد ما يجعل نصاً معيناً ذا صلة بالدراسة. يمكن أن تتضمن الأسئلة لتقييم معايير البيانات ما يلي: هل يذكر النص موضوعاً معيناً أو يشير ضمنياً إلى حدث متعلق بالمسألة؟ هل يقع ضمن نطاق زمني محدد أو موقع جغرافي؟
- تطوير الترميز للبيانات.
نظراً لأن البيانات النوعية ليست عددية، فيجب تقنينها استعداداً للقياس. يتطلب ذلك تطوير مجموعة أو نظام من الرموز لتصنيف البيانات. بمجرد تطوير نظام الترميز، يمكن تطبيق الرموز ذات الصلة على نصوص محددة.
- تحليل النتائج.
كل العمل في الخطوات السابقة يؤدي إلى عملية فحص البيانات. يبحث محللوا البيانات عن الأنماط والارتباطات في البيانات لتفسير النتائج والتوصل إلى استنتاجات. يمكنهم دمج تقنيات إحصائية لتحليل البيانات لاستخلاص رؤى من البيانات بشكل أكبر.
تحليل الخطاب.
يساعد تحليل الخطاب Discourse Analysis على توفير فهم للسياق الاجتماعي والثقافي للاتصال اللفظي والكتابي خلال المحادثات. يهدف تحليل الخطاب إلى التحقيق في السياق الاجتماعي للتواصل وكيفية استخدام الناس للغة لتحقيق أهدافهم، مثل إثارة المشاعر أو زرع الشك أو بناء الثقة.
تحليل الخطاب يحلل الإشارات اللفظية وغير اللفظية. على سبيل المثال، يمكن للطريقة التي يتوقف بها المتحدث مؤقتاً عند كلمة أو عبارة معينة أن تكشف عن رؤى حول نية المتحدث أو موقفه تجاه تلك العبارة.
كما يساعد تحليل الخطاب في تفسير المعنى الحقيقي والقصد من الاتصال ويوضح سوء الفهم. على سبيل المثال، يمكن أن يكشف تحليل نصوص المحادثات بين الطبيب والمريض ما إذا كان المريض قد فهم التشخيص حقاً.
يمكن للمحلل التمييز بين النص الفرعي الدقيق في الاتصال من خلال تحليل الخطاب للتمييز بين ما إذا كان المحتوى حقيقة أم خيال.
تشمل خطوات تحليل الخطاب ما يلي:
- حدد سؤال البحث.
يحدد تحديد سؤال البحث الهدف من التحقيق، كما يوفر غرضاً واضحاً. سؤال البحث سيوجه التحليل.
- حدد أنواع المحتويات.
يمكن أن تشمل المواد المستخدمة للتحقيق نصوص وسائل التواصل الاجتماعي والخطب والرسائل في كتيبات التسويق والبيانات الصحفية وغيرها.
- اجمع البيانات.
عادةً ما يركز المحتوى الذي تم جمعه للتحليل على موضوع يوصل الرسالة (مثل زعيم سياسي أو شركة) والجمهور المستهدف (المواطنون والعملاء، على سبيل المثال).
- حلل المحتوى.
يمكن للكلمات والعبارات والجمل وبنية المحتوى أن تكشف عن أنماط في مواقف الشخص المعني ونياته مع رسالته واستجابة الجمهور أو رد فعله.
