Desktiptive Analyse (beschreibende Analyse)

Was ist desktiptive Analyse (beschreibende Analyse)?

Die deskriptive oder beschreibende Analyse ist eine Art der Datenanalyse, bei der vergangene Daten untersucht werden, um einen Bericht über das Geschehen zu erstellen. Die Ergebnisse werden in der Regel in Berichten, Dashboards, Balkendiagrammen und anderen leicht verständlichen Visualisierungen dargestellt.

Der Bereich der Datenanalyse wird im Allgemeinen in vier Haupttypen unterteilt: deskriptive Analyse, diagnostische Analyse, prädiktive Analyse und präskriptive Analyse. Ein fünfter Typ, die Echtzeitanalyse, analysiert Daten, während sie generiert, gesammelt oder aktualisiert werden.

Die beschreibende Analyse ist die einfachste dieser Techniken. Sie kann allein verwendet oder als Vorstufe der Datenverarbeitung behandelt werden, um eine Zusammenfassung oder Abstraktion zu erstellen, die wiederum weitere Untersuchungen, Analysen oder Maßnahmen unterstützt, die von anderen Analysetypen durchgeführt werden.

Wie funktion iert deskriptive Analyse?

Deskriptive Analyse verwendet verschiedene statistische Analysetechniken, um Rohdaten in eine Form zu bringen, die es Menschen ermöglicht, Muster zu erkennen, Anomalien zu identifizieren, die Planung zu verbessern und Dinge zu vergleichen. Unternehmen erzielen den größten Nutzen aus deskriptiver Analyse, wenn sie damit Elemente im Zeitverlauf oder miteinander vergleichen. Ein Finanzmanager kann beispielsweise Produktverkäufe von Monat zu Monat oder mit verwandten Kategorien vergleichen.

Deskriptive Analysen können mit numerischen Daten, qualitativen Daten oder einer Kombination aus beidem arbeiten. Numerische Daten können Dinge wie Umsatz, Gewinn oder eine physische Veränderung quantifizieren. Qualitative Daten können Elemente wie Geschlecht oder Beruf charakterisieren. Um das Verständnis zu verbessern, werden numerische Rohdaten oft in Bereiche oder Kategorien wie Altersgruppen, Einkommensklassen oder Postleitzahlen eingeteilt.

Deskriptive Analysetechniken führen verschiedene mathematische Berechnungen durch, die das Erkennen oder Kommunizieren eines Musters von Interesse erleichtern. So beschreibt beispielsweise die zentrale Tendenz, was für einen bestimmten Datensatz normal ist, indem Merkmale wie Durchschnitt, Mittelwert und Median berücksichtigt werden. Weitere Elemente sind Häufigkeit, Variation, Rangfolge, Bereich und Abweichung.

Wie wird die deskriptive Analyse eingesetzt?

Die deskriptive Analyse unterstützt eine Vielzahl von Benutzern bei der Interpretation von Daten. Sie wird häufig für folgende Zwecke eingesetzt:

• Finanzberichte
• Planung eines neuen Programms
• Messung der Effektivität eines neuen Programms
• Verständnis von Verkaufstrends
• Vergleich von Unternehmen
• Motivation von Verhalten mit KPIs
• Erkennung von anormalem Verhalten
• Interpretation von Umfrageergebnissen

Was kann deskriptive Analyse leisten?

Unternehmen nutzen deskriptive Analysen, um zu bewerten, zu vergleichen, Anomalien zu erkennen und relative Stärken und Schwächen zu identifizieren. Lassen Sie uns durchgehen, wie diese in der Praxis funktionieren könnten.

Bewertung. Die Beschreibung der verschiedenen Aspekte des Geschäftsbetriebs bildet die Grundlage für ein Unternehmen und kann zur Bewertung von Verhaltensweisen verwendet werden, die die Ergebnisse verbessern oder verschlechtern. Zu den wichtigen Kennzahlen gehören die Unternehmensleistung (Umsatz, Kosten und Gewinn), die Website-Leistung (Klickrate, Konversionsrate) und die Kundenzufriedenheit (Net Promoter Score, Kundenzufriedenheitswert und Social-Media-Likes) oder die Geräteleistung (Betriebszeit, Reparaturzeit und Wartungskosten).

Vergleichen. Basismetriken für ein Merkmal können über Zeit, Kategorien, Programme oder Interventionen hinweg verglichen werden. Die aktuelle Verkaufsleistung kann mit den Verkäufen des letzten Monats oder mit dem gleichen Zeitraum des Vorjahres oder über einen längeren Zeitraum hinweg verglichen werden, um historische Trends zu verstehen. Ebenso können Teams die Verkäufe über Produktkategorien hinweg vergleichen oder die Leistung eines Unternehmens mit der eines verbundenen Unternehmens vergleichen.

Auffälligkeiten erkennen. Durch die Analyse deskriptiver Statistiken können manchmal Ausreißer aufgedeckt werden, die einer weiteren Untersuchung bedürfen. Beispielsweise kann eine deskriptive Analyse zeigen, dass die Umsätze in einer Region deutlich höher sind als in anderen oder dass eine erfolgreiche Produktlinie plötzlich einbricht. Diese Auffälligkeiten können eine zusätzliche Untersuchung mit Hilfe diagnostischer Analysen erforderlich machen, um die Ursachen zu verstehen.

Relative Stärken und Schwächen identifizieren. Ein Unternehmen kann beispielsweise feststellen, dass es tendenziell besser an jüngere als an ältere Käufer verkauft. Diese Erkenntnis kann zu Bemühungen führen, die Stärken durch gezielteres Marketing zu verdoppeln, oder zu Maßnahmen, um die Schwächen in dem Bereich anzugehen, in dem die Verkäufe zurückbleiben.

Schritte in der deskriptiven Analyse

Eine deskriptive Analyse umfasst folgende Schritte:

1. Ziele quantifizieren. Der Prozess beginnt mit der Übersetzung einiger allgemeiner Geschäftsziele, wie zum Beispiel einer besseren Geschäftsleistung, in spezifische, messbare Ergebnisse wie Umsatz pro Produkt, Kosten pro Verkauf oder Konversionsrate.
2. Relevante Daten identifizieren. Teams müssen alle Arten von Daten identifizieren, die zum besseren Verständnis der kritischen Kennzahl beitragen können. Die Daten können in einem oder mehreren internen Systemen oder verschiedenen Datenquellen von Drittanbietern verborgen sein.
3. Daten organisieren. Daten aus verschiedenen Quellen, Anwendungen oder Teams müssen bereinigt und normalisiert werden, um die Genauigkeit der Analyse zu verbessern.
4. Analyse. Verschiedene statistische und mathematische Verfahren kombinieren, fassen zusammen und vergleichen die Rohdaten auf unterschiedliche Weise, um Datenmerkmale zu generieren.
5. Präsentation. Datenmerkmale können in einem Bericht, Dashboard oder einer Visualisierung numerisch dargestellt werden. Zu den gängigen Visualisierungstechniken gehören Balkendiagramme, Tortendiagramme, Liniendiagramme, Blasendiagramme und Histogramme.

Vor- und Nachteile der deskriptiven Analyse

Die Verwendung deskriptiver Analysen kann folgende Vorteile bieten:

• Sie kann die Kommunikation über numerische Daten vereinfachen.
• Sie kann das Verständnis komplexer Situationen verbessern.
• Unternehmen können ihre Leistung mit der der Konkurrenz oder über Produktlinien hinweg vergleichen.
• Sie kann dazu verwendet werden, Teams zu motivieren, neue Ziele zu erreichen.

Zu den größten Schwächen der deskriptiven Analyse gehören:

• Bestehende Verzerrungen können versehentlich oder absichtlich verstärkt werden.
• Die Ergebnisse können den Fokus eines Unternehmens auf Kennzahlen lenken, die nicht hilfreich sind, wie zum Beispiel Umsatz im Vergleich zu Gewinn.
• Motivationskennzahlen können manipuliert werden, um unbeabsichtigtes Verhalten zu fördern, wie zum Beispiel Mausbewegungen oder Verkaufsbetrug.
• Schlecht gewählte Kennzahlen können zu einem falschen Sicherheitsgefühl führen.

Werkzeuge für deskriptive Analysen

Relativ einfache Tools wie eine Excel-Tabelle und einige Kenntnisse in Unternehmensführung reichen aus, um grundlegende deskriptive Analysen zu erstellen. Teams können jedoch einen größeren Mehrwert für das gesamte Unternehmen erzielen, indem sie verschiedene Arten von Tools skalieren, um die Entwicklung von Analysen zu demokratisieren und den Austausch von Geschäftsinformationen zu fördern.

Business Intelligence Tools wie Power BI, Tableau und Qlik können viele Schritte des deskriptiven Analyseprozesses vereinfachen.

Deskriptive Analyse-Tools bieten verschiedene Möglichkeiten, Rohdaten neu zu organisieren, um neue Muster zu erkennen, indem Merkmale wie Durchschnittswerte, Häufigkeiten, Variationen, Ranglisten, Bereiche und Abweichungen berechnet werden. Während diese grundlegenden Techniken in wesentliche BI-Tools integriert sind, kann ein Team für komplexe Statistiken auf ausgefeiltere datenwissenschaftliche Tools zurückgreifen, darunter:

• die Programmiersprache R
• das Statistical Package for the Social Sciences (SPSS) von IBM
• die Analysesoftware von SAS Institute Inc
• die Open-Source-Software von Knime

Datenaufbereitungs-Tools können dabei unterstützen, Datenverarbeitungsprozesse zu automatisieren, um Daten aus vielen verschiedenen Quellen zu bereinigen, neu zu formatieren und zu kombinieren. Zu den beliebten Tools gehören Angebote von Alteryx, Cambridge Semantics, Trifacta, Talend und Tamr.

Deskriptive Analyse versus präskriptive, prädiktive und diagnostische Analyse

Wie bereits erwähnt, werden im Bereich der Analytik im Allgemeinen vier Hauptarten von Fähigkeiten unterschieden.

Die beschreibende Analytik liefert, wie bereits erläutert, Informationen darüber, was passiert ist. So kann beispielsweise nach einer neuen Werbeaktion ein Anstieg der Verkaufszahlen beobachtet werden.

Die diagnostische Analytik befasst sich eingehender mit Daten, um die Ursachen von Ereignissen und Verhaltensweisen zu verstehen. Im Falle des gestiegenen Umsatzes kann untersucht werden, welche Personengruppen am stärksten darauf reagiert haben und warum dies der Fall ist.

Die prädiktive Analyse identifiziert zukünftige Wahrscheinlichkeiten und Trends auf der Grundlage eines Modells des Verhaltens in der Vergangenheit. Wenn Sie beispielsweise die Ursache für diesen Anstieg der Verkaufszahlen ermittelt haben, könnte die prädiktive Analyse dabei unterstützen, die Wahrscheinlichkeit und das Ausmaß einer ähnlichen Umsatzsteigerung in anderen Märkten zu berechnen.

Die präskriptive Analyse gibt Empfehlungen oder automatisiert Entscheidungen auf der Grundlage einer gegebenen Vorhersage. Sie kann beispielsweise die besten Möglichkeiten vorschlagen, wie eine erfolgreiche Verkaufsförderung in einer anderen Region auf der Grundlage der lokalen Demografie dieser Region strukturiert und umgesetzt werden kann.