الخطوة الأولى هي تحديد الاتجاهات. إذا كانت معظم بياناتك بتنسيق رقمي، فمن السهل نسبيًا إظهار الأنماط في المخططات أو غيرها من التصورات المرئية. ولكن إذا كانت لديك بيانات غير منظمة، مثل رسائل البريد الإلكتروني أو تذاكر الدعم، فقد تحتاج إلى نهج مختلف. فيما يلي بعض تقنيات تحليل البيانات التي يمكنك تجربتها في هذه الحالة:
تستخدم تحليلات النصوص التعلم الآلي لاستخراج المعلومات من بيانات نصية غير منظمة، مثل رسائل البريد الإلكتروني ومنشورات وسائل التواصل الاجتماعي وطلبات الدعم ومراجعات المنتجات. تكتشف هذه الطريقة الأنماط في البيانات غير المنظمة وتفسرها. أمثلة لأدوات تحليل النصوص: Thematic بيانات رقم الهاتف للرسائل القصيرة للتسويق عبر الهاتف وRe:infer
تستخدم تحليلات المشاعر التعلم الآلي ومعالجة اللغة الطبيعية للكشف عن المشاعر الإيجابية أو السلبية في بيانات النص غير المنظمة. غالبًا ما تستخدم الشركات هذا التحليل لتقييم تصور العلامة التجارية في منشورات وسائل التواصل الاجتماعي ومراجعات المنتجات وطلبات خدمة العملاء. أمثلة لأدوات تحليل المشاعر: IBM Watson وMonkeyLearn.
يستخدم التحليل الموضوعي معالجة اللغة الطبيعية لتعيين علامات محددة مسبقًا لبيانات النص. وهذا مفيد لتنظيم وهيكلة بيانات النص. على سبيل المثال، يمكنك استخدام التحليل الموضوعي لتصنيف مراجعات دعم العملاء لفهم المجالات التي تسبب أكبر قدر من المشاكل للعملاء. أمثلة على أدوات التحليل الموضوعي: Datumbox وMonkeyLearn.
يتضمن التحليل الجماعي فحص البيانات في مجموعات من العملاء المتشابهين على مدى إطار زمني محدد. يمكنك تتبع التغييرات في استخدام المنتج من قبل العملاء الذين اشتركوا في الإشعارات خلال نفس الفترة الزمنية. أمثلة على أدوات التحليل الجماعي: جداول البيانات وLooker
عند البحث عن الأنماط، لا تفترض أن العلاقة بين شيئين هي دائمًا سبب ونتيجة. على سبيل المثال، إذا لاحظت زيادة كبيرة في متابعي وسائل التواصل الاجتماعي وزيادة موازية في الاشتراكات عبر البريد الإلكتروني، فقد تفترض أن جميع عملائك الجدد يأتون من وسائل التواصل الاجتماعي. ولكن إذا قمت بتتبع البيانات في Google Analytics، فسترى أن عددًا قليلاً جدًا من الأشخاص يزورون موقعك من وسائل التواصل الاجتماعي، ناهيك عن الاشتراك.
إن افتراض أن شيئين مرتبطين، وأن أحدهما هو السبب، يُسمى بالسببية الخاطئة، وهو أحد الأخطاء الأكثر شيوعًا في تحليل البيانات. غالبًا ما يكون هناك عامل آخر يتسبب في الاتجاه الذي تجده. لذا خذ الوقت الكافي لجمع معلومات كافية للتأكد من دقة استنتاجاتك.
قارن البيانات الحالية بالفترة السابقة
إذا واجهت صعوبة في تحديد الاتجاهات والأنماط، فقد يكون ذلك لأنك تنظر إلى البيانات بمعزل عن بعضها البعض. أنت تفشل في تحديد الاتجاهات لأن كل ما تراه هو مجرد جزء من شيء أكبر. أنت تفتقد الصلة ببيانات الفترة السابقة.
للعثور على هذه الصلة، قارن بياناتك الحالية بالبيانات التاريخية. إذا لم يكن ذلك ممكنًا - على سبيل المثال، إذا كنت تبحث عن بيانات الاستخدام لميزة منتج جديدة تمامًا، أو كان هذا هو تحليلك الأول - فانظر إلى معايير الصناعة الخاصة بك.
سيوفر البحث في Google عن "إحصائيات أداء [القسم]" أو "إحصائيات [القسم] [الصناعة]" معايير مفيدة لشركات وأقسام وصناعات مختلفة. وتعد المجلات المتخصصة في هذا الموضوع، فضلاً عن الأبحاث المقدمة في المؤتمرات، مصادر جيدة أيضًا لبيانات مرجعية.
