تحلیل داده ها

{data analysis} [آمار، رایانه و فنّاوری اطلاعات، رمزشناسی] [آمار] فرایندی با هدف استخراج اطلاعات مفید که معمولاً مشتمل است بر پالایش و انتقال و مدل بندی داده ها [رمزشناسی، رایانه و فنّاوری اطلاعات] فرایند به کار بستن سامانمند روش ها و فنون آماری و منطقی برای توصیف...

تحلیل داده ( به انگلیسی: Data analysis ) فرایند فهمیدن، پاک سازی، آماده سازی و تحلیل داده هاست که به منظور استخراج اطلاعات سودمند برای تصمیم گیری انجام می شود. تحلیل داده ها امروزه در اغلب شاخه های علوم و صنعت از جمله اقتصاد، رشته های مهندسی، بازاریابی، پزشکی و غیره کاربرد دارد. و یا منظور از تحلیل داده به فرایند ارزیابی داده با استفاده از ابزارهای آماری و تحلیلی است. هدف از این مهارت تعیین اطلاعات مفید و همچنین کمک به فرایند گرفتن تصمیمات مهم در کسب وکار است.
داده کاوی، روش خاصی برای تحلیل داده است که بر مدل سازی و کشف دانش برای اهداف قابل پیش بینی و نه صرفاً توصیفی متمرکز است؛ در حالی که هوش کسب وکار را پوشش می دهد که به طور عمده بر تجمع اطلاعات کسب وکار متکی است. در کاربردهای آماری، تجزیه وتحلیل داده ها را می توان به آمار توصیفی، تجزیه وتحلیل داده های اکتشافی ( EDA ) و تجزیه وتحلیل داده های تأییدی ( CDA ) تقسیم کرد. EDA بر کشف ویژگی های جدید در داده ها و CDA بر تأیید یا تکذیب فرضیه های موجود تمرکز دارد. علم تجزیه وتحلیل بر کاربرد مدل های آماری برای پیش بینی یا طبقه بندی تمرکز دارد، در حالی که تجزیه وتحلیل متن روش های آماری، زبانی و ساختاری را برای استخراج و طبقه بندی اطلاعات از منابع متنی به کار می بندد. تمام این ها، انواع تحلیل داده به شمار می آیند.
یکپارچه سازی داده ها پیش زمینه ای برای تحلیل داده ها است و تحلیل داده با مصورسازی داده و انتشار داده رابطۀ نزدیکی دارد. واژه تحلیل داده گاهی به عنوان مترادف برای مدل سازی داده استفاده می شود.
تجزیه وتحلیل به معنای شکستن کل به اجزاء جداگانه است. تحلیل داده روند به دست آوردن دادهٔ جدید و تبدیل آن به اطلاعاتی مفید در جهت تصمیم گیری کاربران است. داده جمع آوری و تحلیل می شود تا پاسخگوی سوالات، آزمایش فرضیه ها یا تکذیب نظریه ها باشد.
آمارگر جان توکی در سال ۱۹۶۱ تحلیل داده ها را به صورت زیر تعریف کرد: «روش هایی برای تجزیه وتحلیل داده ها، تکنیک هایی برای تفسیر کردن نتایج حاصل از چنین روش هایی، روش های برنامه ریزی جمع آوری داده ها برای آسان تر ساختن تجزیه وتحلیل دقیق تر و صحیح تر و تمام ماشین آلات و نتایج حاصل از آمار که برای تحلیل کردن داده ها به کار بسته می شود. »
چندین مرحله قابل تشخیص وجود دارد که در زیر توضیح داده می شود.

💡 ، که معمولاً نماد زمان است، قابل بیان می‌باشند. تعلق این توابع به فضاهای با بعد بینهایت، استفاده از روش‌های متداول در آمار کلاسیک را برای تحلیل آنها، با چالش رو برو می‌کند. تحلیل مؤلفه های اصلی تابعی و همچنین مدل های خطی تابعی از زمینه های مهم تحلیل داده های تابعی است.

💡 زمینه تجسم اطلاعات "از تحقیقات در تعامل انسان و کامپیوتر، علوم کامپیوتر، گرافیک، طراحی بصری، روانشناسی، و روش های تجاری پدید آمده است. از این رو است که به طور فزاینده ای به عنوان یک جزء مهم در تحقیقات علمی، کاربردی کتابخانه های دیجیتال، داده کاوی، تحلیل داده های مالی، مطالعات بازار، تولید کنترل تولید و کشف مواد مخدر "به کار میرود.

💡 استفاده از انبار داده ها به کاربران در تصمیم گیری هایی که بر اساس داده گرفته می‌شود، کمک می کند. در واقع، این انبارها برای تحلیل داده های تاریخی و پیش‌بینی آینده به کار می‌روند و به تصمیم گیری های بهتر و دقیق تر کمک می کنند.

💡 ایرج و همکاران در مقاله سال 2020 خود نشان دادند که تحلیل یادگیری می تواند برای داده های بازخورد نیز بکار گرفته شود و می توان از روشهای داده محور در بازاریابی دیجیتال برای طراحی بازخورد آموزشی و تحلیل داده ها استفاده کرد