डेटा डीमिस्टिफाइड: विश्लेषण के चार प्रकार

हमारी महीने भर चलने वाली डेटा डीमिस्टिफाइड श्रृंखला के चौथे भाग में आपका स्वागत है। डेटा लिटरेसी मंथ के हिस्से के रूप में, यह श्रृंखला डेटा की दुनिया की प्रमुख अवधारणाओं को स्पष्ट करेगी, वे सवालों के जवाब देगी जो आप पूछने में संकोच करते हों, और इस दौरान सीखना रोचक भी रहेगा। यदि आप शुरुआत से शुरू करना चाहते हैं, तो श्रृंखला की पहली कड़ी पढ़ें: डेटासेट क्या है?

इस कड़ी में, हम विश्लेषण के अलग-अलग प्रकारों—वर्णनात्मक से निर्देशात्मक तक—का अन्वेषण करेंगे, यह पहचानेंगे कि डेटा किन-किन प्रकार के प्रश्नों के उत्तर दे सकता है, उदाहरणों की रूपरेखा देखेंगे, और भी बहुत कुछ। 

चार तरह के प्रश्न, विश्लेषण के चार प्रकार

डेटा का उपयोग लगभग अनंत संख्या के सवालों के जवाब देने के लिए किया जा सकता है, लेकिन हम उन सवालों को चार श्रेणियों में बाँट सकते हैं। इससे स्वाभाविक रूप से डेटा विश्लेषण के अलग-अलग प्रकार निर्मित होते हैं: हर प्रश्न-श्रेणी के अनुरूप एक विशिष्ट प्रकार का विश्लेषण होता है।

ये चारों प्रकार जटिलता के बढ़ते क्रम में सूचीबद्ध हैं। किसी डेटा प्रोजेक्ट के दायरे के अनुसार, पूर्ण विश्लेषण करने में कई प्रकार के विश्लेषणों का एक साथ उपयोग शामिल हो सकता है।

विभिन्न प्रकार के विश्लेषण में गहराई से जाने से पहले, एक वास्तविक दुनिया के उदाहरण—डॉक्टर के पास गए मरीज—पर विचार करें। पहले, डॉक्टर मरीज की जाँच कर लक्षणों का वर्णन जुटाते हैं। फिर वे उन लक्षणों के कारण बनने वाली चिकित्सीय समस्या का निदान करने की कोशिश करते हैं। तीसरे चरण में, वे अनुमान लगाते हैं कि समय के साथ लक्षण कैसे बदलेंगे (मरीज बेहतर होगा या खराब)। अंत में, वे मरीज के लिए उपचार लिखते हैं।

वर्णनात्मक विश्लेषण: क्या हुआ, यह समझना

वर्णनात्मक विश्लेषण "क्या हो रहा है?" या "क्या हुआ?" जैसे प्रश्नों के उत्तर देता है।

वर्णनात्मक विश्लेषण में मुख्य तकनीकें हैं सार-सांख्यिकी (समरी स्टैटिस्टिक्स) की गणना और डेटा का दृश्यांकन। सार-सांख्यिकी में डेटा की गणनाएँ, औसत जैसे माध्य और माध्यिका, और प्रसार के माप जैसे रेंज और मानक विचलन शामिल होते हैं। 

आप वर्णनात्मक सांख्यिकी पर डेटा डीमिस्टिफाइड की अगली कड़ी में सार-सांख्यिकी के बारे में विस्तार से पढ़ सकते हैं। इसके अलावा, डेटा दृश्यांकन पर यह चीट शीट देखें। 

वर्णनात्मक विश्लेषण का उदाहरण

एक उदाहरण देखें। मान लें कि आप अपनी कंपनी के राजस्व के कारकों को समझना चाहते हैं। आप अपनी बिक्री डेटा पर वर्णनात्मक विश्लेषण करते हैं और इन सवालों के जवाब देते हैं:

• पिछले महीने कितनी बिक्री हुई? (बिक्री की संख्या.)
• औसत लेनदेन मूल्य कितना है? (औसत बिक्री मूल्य.)
• प्रति स्टोर कुल बिक्री में कितना अंतर है? (स्टोर-वार कुल बिक्री का मानक विचलन.)
• प्रतिदिन कुल बिक्री कितनी रही? (तिथि के मुकाबले कुल बिक्री का एक रेखा-चित्र.)

नैदानिक विश्लेषण: वजह को समझना

वर्णनात्मक विश्लेषण अक्सर नए प्रश्न खड़े कर देता है। बिक्री वाले उदाहरण में, आप देखते हैं कि किसी एक गुरुवार को कुल बिक्री अप्रत्याशित रूप से कम रही। क्या हुआ, यह जानना उपयोगी शुरुआत है, पर यह विश्लेषण का संतोषजनक निष्कर्ष नहीं है। अगला स्वाभाविक सवाल है, "उस गुरुवार को बिक्री कम क्यों रही?"

यह ऐसा प्रश्न है जिसके लिए नैदानिक विश्लेषण चाहिए। सामान्यतः, नैदानिक विश्लेषण "कुछ क्यों हुआ?" जैसे प्रश्नों का उत्तर देता है। आमतौर पर वह "कुछ" कोई अप्रत्याशित रूप से अधिक या कम मान होता है, जिसे अपवाद (आउटलायर) भी कहते हैं।

नैदानिक विश्लेषण में अक्सर ये चरण शामिल होते हैं:

1. यह परिकल्पनाएँ बनाना कि असामान्य बात क्यों हुई।
2. संभावित कारणों से संबंधित डेटा जुटाना।
3. अपने डेटा के उपसमुच्चयों पर वर्णनात्मक विश्लेषण करना ("डेटा माइनिंग").
4. कारणों और उस असामान्य बात के बीच संबंध जाँचने के लिए प्रतिगमन (रिग्रेशन) जैसे सांख्यिकीय मॉडल फिट करना।

ध्यान देने योग्य बात यह है कि कई मामलों में, आप केवल अपने माप और संदिग्ध कारण के बीच एक संबंध ही निर्धारित कर पाएँगे। आप यह सिद्ध नहीं कर पाएँगे कि वही वास्तविक कारण है। आने वाली डेटा डीमिस्टिफाइड कड़ी में, हम सहसम्बंध बनाम कारणता की भूल को कवर करेंगे। 

नैदानिक विश्लेषण का उदाहरण

अपने बिक्री उदाहरण पर लौटते हुए, पिछले महीने किसी गुरुवार को कुल बिक्री अप्रत्याशित रूप से कम मिलने के बाद, आप बिक्री डेटा पर नैदानिक विश्लेषण करने का निर्णय लेते हैं।

• परिकल्पना बनाना: आपकी पहली परिकल्पना है कि वेबसाइट में आउटेज के कारण ऑनलाइन बिक्री रुकी, इसलिए बिक्री कम रही। 
• डेटा जुटाना: आप वेबसाइट के प्रदर्शन संबंधी डेटा निकालते हैं।
• वर्णनात्मक विश्लेषण: आप समय के साथ प्रदर्शन का रेखा-चित्र बनाते हैं, पर उस गुरुवार को कोई गिरावट नहीं दिखती। अगला, आप ऑनलाइन बनाम इन-स्टोर के आधार पर कुल बिक्री अलग-अलग निकालते हैं और देखते हैं कि कम बिक्री एक देश-क्षेत्र में इन-स्टोर हुई थी।
• दूसरी परिकल्पना बनाना: आपको याद आता है कि देश के उस हिस्से में उसी गुरुवार को तेज़ तूफान था, और आप परिकल्पना करते हैं कि इससे ग्राहक दूर रहे होंगे।
• डेटा जुटाना: आप प्रत्येक स्टोर लोकेशन के लिए मौसम का डेटा निकालते हैं।
• सांख्यिकीय मॉडल फिट करना: आप अपनी कुल बिक्री डेटा पर एक टाइम सीरीज़ मॉडल फिट करते हैं, जिसमें मौसम को इनपुट के रूप में शामिल करते हैं। यह दिखाता है कि खराब मौसम का संबंध कम बिक्री से है।

पूर्वानुमानात्मक विश्लेषण: क्या होगा, यह समझना

डेटा विश्लेषण केवल अतीत को समझने तक सीमित नहीं है। तीसरा प्रकार भविष्यवाणी करने के इर्द-गिर्द है। ये भविष्य के बारे में हो सकती हैं—जिन्हें पूर्वानुमान कहा जाता है—लेकिन ज़रूरी नहीं कि हमेशा ऐसा हो। भविष्यवाणियाँ यह भी हो सकती हैं कि ग्राहक किस ग्राहक खंड में आते हैं या कोई लेनदेन धोखाधड़ीपूर्ण है या नहीं। पूर्वानुमानात्मक विश्लेषण में मुख्य तकनीकें सांख्यिकीय मॉडल हैं, जिन्हें भविष्यवाणी के संदर्भ में अक्सर मशीन लर्निंग मॉडल कहा जाता है। 

आप मशीन लर्निंग के बारे में और पढ़ सकते हैं डेटा डीमिस्टिफाइड की तीसरी कड़ी में, जहाँ डेटा साइंस, आर्टिफिशियल इंटेलिजेंस, मशीन लर्निंग, और डीप लर्निंग के फर्क पर चर्चा है। 

पूर्वानुमानात्मक विश्लेषण का उदाहरण

कम बिक्री की वजह का निदान करने के बाद, अब आपकी बॉस अगले तिमाही के बारे में चिंतित हैं और जानना चाहती हैं कि आने वाले महीनों में राजस्व कैसा रहेगा। इसके परिणामस्वरूप, आप उसी टाइम सीरीज़ मॉडल का उपयोग इस बार भविष्य की बिक्री का पूर्वानुमान लगाने के लिए करते हैं। 

आपकी बॉस यह भी समझना चाहती हैं कि किन संभावित ग्राहकों को लक्षित किया जाए—यानी कौन खरीदारी करने की सबसे अधिक संभावना रखता है। इसलिए, आप ग्राहकों की विशेषताओं, जैसे उनकी पूर्व खरीद इतिहास और अनुमानित आय, के आधार पर एक मशीन लर्निंग मॉडल बनाते हैं ताकि उनकी खरीद की संभावना का अनुमान लगाया जा सके। 

निर्देशात्मक विश्लेषण: हम इसे कैसे घटित करें? 

डेटा विश्लेषण का एक बड़ा लाभ यह है कि आप इसे बेहतर निर्णय लेने में मदद के लिए उपयोग कर सकते हैं। यानी, सहज भावनाओं पर नहीं, बल्कि डेटा-आधारित निर्णय लिए जाते हैं। निर्देशात्मक विश्लेषण "हमें क्या करना चाहिए?" जैसे सवालों के जवाब देने में मदद करता है।

निर्देशात्मक विश्लेषण में प्रयुक्त तकनीकें नैदानिक और पूर्वानुमानात्मक विश्लेषण के मशीन लर्निंग मॉडलों पर आधारित होती हैं, ताकि आप अलग-अलग परिदृश्यों का अन्वेषण कर सकें। साथ ही, निर्देशात्मक विश्लेषण में अनुकूलन (ऑप्टिमाइज़ेशन) शामिल होता है ताकि विभिन्न विकल्पों में से सर्वश्रेष्ठ संभव परिदृश्य खोजा जा सके।

निर्देशात्मक विश्लेषण का उदाहरण

आपकी बॉस दुविधा में हैं। राजस्व के पूर्वानुमान बोर्ड की उम्मीदों जितने ऊँचे नहीं हैं, इसलिए अब उन पर इसे बढ़ाने के लिए विचार लाने का दबाव है। वे डेटा-आधारित समाधान निकालने के लिए आपसे रुख करती हैं।

• आप और आपकी बॉस मिलकर इन-स्टोर/ऑनलाइन बिक्री के अनुपात में बदलाव और प्रमुख उत्पादों की कीमतों में बदलाव के कुछ संभावित परिदृश्य तय करते हैं।
• आप प्रत्येक परिदृश्य के बारे में पूर्वानुमान लगाने के लिए पूर्वानुमानात्मक विश्लेषण का उपयोग करते हैं।
• कुछ आशाजनक परिदृश्य मिलने के बाद, आप सर्वश्रेष्ठ संभव परिणाम तक परिदृश्य को परिष्कृत करने के लिए ऑप्टिमाइज़ेशन लागू करते हैं।

और सीखना चाहते हैं?

हमें उम्मीद है कि आपको डेटा विश्लेषण के विभिन्न प्रकारों का यह संक्षिप्त परिचय पसंद आया होगा। अगली कड़ी में, हम वर्णनात्मक विश्लेषण को और गहराई से समझेंगे और वर्णनात्मक विश्लेषण के भीतर की सांख्यिकीय तकनीकों पर ध्यान केंद्रित करेंगे। 

• डेटा लिटरेसी मंथ के लिए हमारी योजनाएँ देखें
• अंडरस्टैंडिंग डेटा टॉपिक्स स्किल ट्रैक से शुरुआत करें
• डेटाफ़्रेम्ड पॉडकास्ट को सब्सक्राइब करें
• हमारे आगामी इवेंट्स देखें
• वर्णनात्मक सांख्यिकी पर डेटा डीमिस्टिफाइड श्रृंखला की अगली कड़ी पढ़ें