Veriyi Anlamak: Analitiğin Dört Türü

Bir ay sürecek veriyi anlama serimizin dördüncü bölümüne hoş geldiniz. Veri Okuryazarlığı Ayı kapsamında, bu seri veri dünyasındaki temel kavramları netleştirecek, sormaya çekinmiş olabileceğiniz soruları yanıtlayacak ve bunu yaparken keyifli bir yolculuk sunacak. Başa dönmek isterseniz, serimizin ilk yazısını okuyun: Veri Kümesi Nedir?

Bu bölümde, betimleyiciden reçeteleyiciye farklı analitik türlerini inceleyecek, verinin yanıtlayabileceği soru türlerini belirleyecek, örnekler sunacağız ve daha fazlasını yapacağız. 

Dört soru türü, dört analitik türü

Veri, neredeyse sonsuz sayıda soruyu yanıtlamak için kullanılabilir, ancak bu soruları dört kategoriye ayırabiliriz. Bu da doğal olarak farklı veri analizi türlerine yol açar: her soru kategorisinin karşılık gelen bir analitik türü vardır.

Bu dört analiz türü, artan karmaşıklık sırasına göre listelenmiştir. Bir veri projesinin kapsamına bağlı olarak, kapsamlı bir analiz tamamlamak birden fazla analiz türünü bir arada içerebilir.

Farklı analitik türlerine dalmadan önce, doktora giden bir hastanın gerçek dünyadaki karşılığını düşünelim. Önce doktor, semptomların bir betimlemesini almak için hastayı muayene eder. Ardından, semptomlara neden olan tıbbi sorunu teşhis etmeye çalışır. Üçüncü olarak, semptomların zaman içinde nasıl değişeceğini (hastanın iyileşip iyileşmeyeceğini) tahmin etmeye çalışır. Son olarak, hastaya bir tedavi reçete eder.

Betimleyici Analitik: Ne Olduğunu Anlamak

Betimleyici analitik, "ne oluyor?" ya da "ne oldu?" biçimindeki soruları yanıtlar.

Betimleyici analitikte kullanılan başlıca teknikler özet istatistiklerin hesaplanması ve veri görselleştirmeleri çizilmesidir. Özet istatistikler, veri sayımları, ortalama ve medyan gibi ortalamalar ve aralık ile standart sapma gibi değişkenlik ölçülerini içerir. 

Özet istatistikler hakkında daha fazla bilgiyi, betimsel istatistikler üzerine veriyi anlama serisinin bir sonraki bölümünde okuyabilirsiniz. Ayrıca, veri görselleştirmelerine derinlemesine dalmak için şu el kitabına göz atabilirsiniz. 

Betimleyici Analitik Örneği

Bir örneğe bakalım. Diyelim ki şirketinizin gelir dinamiklerini anlamak istiyorsunuz. Satış verileriniz üzerinde betimleyici analitik uygular ve şu gibi soruları yanıtlarsınız:

• Geçen ay kaç satış yapıldı? (Satış sayısı.)
• Ortalama işlem tutarı ne kadar? (Ortalama satış fiyatı.)
• Mağaza başına toplam satışlar arasında ne kadar farklılık var? (Mağaza bazında toplam satışların standart sapması.)
• Günlük toplam satışlar neydi? (Tarih karşısında toplam satışların çizgi grafiği.)

Teşhisleyici Analitik: Nedenini Anlamak

Betimleyici analitik çoğu zaman yeni sorular doğurur. Satış örneğinde, bir perşembe günü toplam satışların beklenmedik şekilde düşük olduğunu görebilirsiniz. Ne olduğunu bilmek iyi bir başlangıçtır, ancak analizi bitirmek için yeterli değildir. Bir sonraki bariz soru, "o perşembe satışlar neden düşüktü?" olur.

Bu, teşhisleyici bir analiz gerektiren bir sorudur. Genel olarak teşhisleyici analizler, "bir şey neden oldu?" türündeki soruları yanıtlar. Genellikle söz konusu olan şey beklenenden yüksek veya beklenenden düşük bir değer, yani aykırı değerdir.

Teşhisleyici analitik genellikle şu adımları içerir:

1. Sıradışı şeyin neden olduğuna dair hipotezler kurmak.
2. Olası nedenlerle ilgili verileri elde etmek.
3. Verinizin alt kümeleri üzerinde betimleyici analitik yapmak ("veri madenciliği").
4. regresyon gibi istatistiksel modeller kurarak nedenler ile sıradışı olay arasındaki ilişkiyi incelemek.

Şu noktaya dikkat etmek gerekir: Pek çok durumda, ölçtüğünüz şey ile şüphelenilen neden arasında yalnızca bir ilişki belirleyebilirsiniz. Gerçekten neden olduğunu kanıtlayamayabilirsiniz. Veriyi Anlamak serisinin yakında çıkacak bir bölümünde, korelasyon ve nedensellik yanılgısını ele alacağız. 

Teşhisleyici Analitik Örneği

Satış örneğimize dönersek, geçen ay bir perşembe günü beklenenden düşük toplam satışlar keşfettikten sonra satış verileri üzerinde teşhisleyici bir analiz yapmaya karar verirsiniz.

• Hipotez kurma: İlk hipoteziniz, çevrim içi satışları engelleyen bir web sitesi kesintisi nedeniyle satışların düştüğüdür. 
• Veri toplama: Web sitesi performans verilerini alırsınız.
• Betimleyici analitik: Zaman içindeki performansın bir çizgi grafiğini çizersiniz ancak o perşembede bir düşüş görmezsiniz. Sonra çevrim içi ve mağaza içi olarak ayrılmış toplam satışları hesaplar ve daha düşük satışların bir ülke bölgesinde mağaza içinde gerçekleştiğini görürsünüz.
• Yeni bir hipotez kurma: Ülkenin o bölgesinde o perşembe şiddetli bir fırtına olduğunu hatırlar ve bunun müşterileri uzaklaştırmış olabileceğini varsayarsınız.
• Veri toplama: Her mağaza lokasyonu için hava durumu verilerini alırsınız.
• İstatistiksel modeller kurma: Toplam satış verilerinize, hava durumunu modele girdi olarak kullanarak bir zaman serisi modeli kurarsınız. Bu, kötü havanın daha düşük satışlarla ilişkili olduğunu gösterir.

Öngörücü Analitik: Ne Olacağını Anlamak

Veri analizi yalnızca geçmişi anlamanızı sağlamaz. Üçüncü analitik türü, tahminler yapmaya odaklanır. Bunlar geleceğe yönelik tahminler olabilir; bu durumda tahminler kestirim olarak adlandırılır, ancak bunun böyle olması şart değildir. Tahminler, müşterilerin belirli müşteri segmentlerine uyup uymadığına ya da bir işlemin sahte olup olmadığına dair de olabilir. Öngörücü analitikte kullanılan başlıca teknikler istatistiksel modellerdir; ancak tahmin bağlamında bunlara sıklıkla makine öğrenmesi modelleri denir. 

Makine öğrenmesi hakkında daha fazla bilgiyi, Veriyi Anlamak serisinin üçüncü bölümünde, veri bilimi, yapay zeka, makine öğrenmesi ve derin öğrenme arasındaki farklara dair yazımızda okuyabilirsiniz. 

Öngörücü Analitik Örneği

Düşük satışlarla ilgili sorunu teşhis ettikten sonra, yöneticiniz şimdi gelecek çeyrek konusunda endişeli ve önümüzdeki aylarda gelirin nasıl olacağını bilmek istiyor. Bunun üzerine, aynı zaman serisi modelini bu kez gelecekteki satışları tahmin etmek için kullanırsınız. 

Yöneticiniz ayrıca, kimlerin satın alma olasılığı en yüksek olduğuna göre hangi potansiyel müşterilerin hedeflenmesi gerektiğini de anlamak istiyor. Bu nedenle, önceki satın alma geçmişi ve tahmini gelir gibi müşteri özelliklerine dayalı bir makine öğrenmesi modeli oluşturarak satın alma olasılıklarını tahmin edersiniz. 

Reçeteleyici Analitik: Nasıl Olmasını Sağlarız? 

Veri analitiğinin büyük faydalarından biri, daha iyi kararlar almanıza yardımcı olmasıdır. Yani, içgüdülerinize göre değil, veriye dayalı kararlar verirsiniz. Reçeteleyici analitik, "Ne yapmalıyız?" türündeki soruları yanıtlamanıza yardımcı olur.

Reçeteleyici analitikte kullanılan teknikler, teşhisleyici ve öngörücü analitiğin makine öğrenmesi modelleri üzerine inşa edilerek farklı senaryoları keşfetmenizi sağlar. Ayrıca reçeteleyici analitik, çeşitli seçenekler arasından en iyi olası senaryoyu bulmak için optimizasyonu içerir.

Reçeteleyici Analitik Örneği

Yöneticiniz ikilemde. Gelir tahminleri, kurulun umduğu kadar yüksek değil; bu nedenle geliri artıracak fikirler geliştirmesi için baskı altında. Veri odaklı bir çözüm bulmanız için size başvuruyor.

• Yöneticinizle birlikte, mağaza içi/çevrim içi satış karmasını ve kilit ürünlerin fiyatlarını değiştirmeye yönelik bazı olası senaryolar geliştirirsiniz.
• Bu senaryoların her biri için öngörücü analitik kullanarak tahminler yaparsınız.
• Umut vadeden bazı senaryolar keşfettikten sonra, senaryoyu en iyi sonuca ulaşacak şekilde iyileştirmek için optimizasyon uygularsınız.

Daha Fazla Öğrenmek İster misiniz?

Farklı veri analitiği türlerine kısa bir girişten keyif aldığınızı umuyoruz. Serinin bir sonraki bölümünde betimleyici analitiği daha derinlemesine inceleyerek betimleyici analitik içindeki istatistiksel tekniklere odaklanacağız. 

• Veri okuryazarlığı ayı için neler planladığımıza göz atın
• Veriyi Anlama Konuları Yetenek Yoluna başlayın
• DataFramed Podcast’ine abone olun
• Yaklaşan etkinliklerimize göz atın
• Veriyi Anlamak Serisi’nin betimsel istatistikler bölümünü okuyun