Olika typer av dataanalys

Dataanalys är en utmaning

Data och information är den mest strategiska tillgången i ett företag, men det är en utmaning för många organisationer att analysera, förstå och använda sin data. Det finns olika typer av dataanalys och många kämpar med det grundläggande, men drömmer om det avancerade. Att inte kunna använda data på ett meningsfullt och produktivt sätt, påverkar möjligheterna att agera datadrivet.

Från affärsprocess till dataanalys

Innan man kan skapa meningsfulla rapporter eller komma till insikter, behöver man dataanalys. Under dataanalysen ska man även identifiera, rensa, transformera och modellera datat. För att få fram den data som är viktig, behöver man också förstå affärsprocessen. Det är inte helt vanligt att den som har kunskap och tillgång till data, också har kunskap om affärsprocesserna.

Olika typer av dataanalys

Genom att känna till olika begrepp inom dataanalys, kan det vara enklare att förstå vad man vill uppnå och varför. I detta inlägg går vi igenom några av dem.

• Beskrivande analys – deskriptiv analys
• Diagnostisk analys
• Förutsägande – prediktiv analys
• Preskriptiv analys
• Kognitiv analys

Beskrivande analys

Den beskrivande, eller deskriptiva dataanalys, beskriver vad som hänt. Denna typ av analys är vanlig och det är oftast resultaten av denna metod man ser i grafer och rapporter. Man använder historisk data och den är vanlig vid t ex KPI-mätning, som ROI eller NPS. Man kan också behöva göra en deskriptiv analys för att få insikt i hur länge medlemmarna är aktiva, hur ofta en kund köper eller vilka som läser e-postutskicken.

När man fått reda på vad som hänt, vill man gärna förstå varför. Vissa räknar med att den beskrivande analysen ska besvara det, medans andra refererar till diagnostisk analys. Här gäller det att som beställare vara tydlig med vad man förväntar sig.

Diagnostisk dataanalys

Den diagnostiska dataanalysen beskriver varför något hände. Med denna typ av analys vill man hitta en förklaring till den deskriptiva analysen. Man kanske ser i sina KPI:er att försäljningen ökar, men inte i alla kundgrupper. För att förstå varför, behöver man gräva djupare och bredare för att hitta hypoteser. Dessa hypoteser behöver man sedan analysera för att hitta förklaringen. Förklaringen kan finnas i den data man analyserat, men datat kan också bara vara en ledtråd. Genom analyserande detektivarbete försöker man koppla denna ledtråd till något annat. En influencer som pratat positivt om en produkt, ger sällan en flagga i försäljningsdatat, men den informationen kan man kanske hitta genom att analysera Google-trafik eller genom att prata med sina medarbetare.

Förutsägande analys

Den förutsägande, den prediktiva analysen, har blivit väldigt trendig senaste åren. I den prediktiva dataanalysen använder man historisk data, för att hitta mönster, trender och sannolikheter för att något ska hända. Dessvärre är det många som inte är redo för den prediktiva metoden. Modeord som machine learning och AI får det att låta enkelt, men även om man lyckas hitta sina sannolikheter, måste man kunna produktionssätta dem. Även om du vet vilken kund som sannolikt öppnar eposten, hjälper det inget om du inte lyckas få in den uppgiften i epostsystemet. Modellen blir heller inte bättre om inte resultatet återkopplas tillbaks till datat.

Preskriptiv dataanalys

Den preskriptiva dataanalysen ger rekommendationer på vad man ska göra för att nå ett önskat resultat. Denna metod kräver avancerad statistik och mycket data, men finns olika typer av preskriptiva analyser och många användningsområden. De flesta har säkert fått en rekommendation på en film Netflix tror att du gillar eller fått epost direkt in i skräpposten.
Netflix använder sig att dataanalys för att ta fram rekommendationer de tror att du tycker om och epostverktyg räknar ut sannolikheter och sorterar bort skräp. Det svåra med denna analysmetod, är att ge rätt rekommendation. Har du inte koll på din prediktiva analys, ska du nog avvakta med denna.