9 Tips for å presentere tabellresultater og analysere data - dummier

Her er en håndfull generelle tips om analyse av data med Excel. For det meste oppsummerer og generaliserer disse tipsene mye mer detaljerte prosesser for å analysere data.

Arbeid hardt for å importere data

Det er verdt å jobbe med å importere gode, riktige data til Excel-arbeidsbøker. Noen ganger kan det være problematisk å importere data. Hodepine og heartbreaks kan skje når du prøver å hente data fra andre ledelsesinformasjonssystemer, og når du prøver å jobbe med en databaseadministrator for å få de riktige dataene til et format som gir nyttig dataanalyse med Excel.

Men på tross av bryet med å skaffe dataene, vil du finne at det er vel verdt å importere gode data til Excel. Tradisjonelt tar folk beslutninger ved å bruke svært vanlige informasjonskilder … som regnskapssystemet, eller noen tredjepartsrapport, nyhetsbrev eller publisering. Og de tradisjonelle kildene gir tradisjonelle innsikt, noe som er flott. Men når du kan jobbe med et rikere, dypere datasett med rå informasjon, oppdager du ofte innsikt som bare ikke vises i de tradisjonelle kildene.

Designinformasjonssystemer for å produsere rik data

For mer enn 20 år siden har designere konsentrert seg om å skape systemer som produserte rapporter som ledere og beslutningstakere ønsket og som produserte skjemaer (for eksempel fakturaer og sjekker og innkjøpsordrer) som bedrifter måtte operere.

Disse elementene er fremdeles åpenbart viktige ting å tenke på mens du designer og installerer og administrerer informasjonssystemer, for eksempel et regnskapssystem. Men du må også gjenkjenne at det trolig vil være uplanlagte, uortodokse, uvanlige, men likevel svært verdifulle måter der dataene som samles inn av disse styringsinformasjonssystemene, kan analyseres. Og så, hvis du jobber med eller designer eller deltar i å implementere informasjonssystemer, bør du innse at rådata fra systemet kan og skal sendes til dataanalyseværktøy som Excel.

Å ha rike, detaljerte oversikt over produktene eller tjenestene som et firma selger, gjør det mulig for firmaet å se trender i salg etter produkt eller tjeneste. I tillegg tillater det et firma å lage cross-tabuleringer som viser hvordan bestemte kunder velger og bruker bestemte produkter og tjenester.

Bunnlinjen er at organisasjoner trenger å designe informasjonssystemer, slik at de også samler inn gode, rike, raske data. Senere kan disse dataene enkelt eksporteres til Excel, hvor enkel dataanalyse kan føre til rik innsikt i selskapets operasjon, muligheter og mulige trusler.

Ikke glem tredjeparts kilder

Ett raskt punkt: Gjenkjenne at det finnes mange tredjepartskilder. For eksempel kan leverandører og kunder ha svært interessante data tilgjengelige i et format som er tilgjengelig for Excel, som du kan bruke til å analysere deres marked eller din bransje.

En rask endelig kommentar om tredjeparts datakilder er dette: Web Query-verktøyet som er tilgjengelig i Excel, gjør det svært enkelt å utvinne informasjon fra tabeller lagret på nettsider.

Bare legg til det

Du tror kanskje at kraftig dataanalyse krever kraftige dataanalyseteknikker. Chi-rutene. Inferentiell statistikk. Regresjonsanalyse.

Noen av de kraftigste dataanalysene du kan gjøre innebærer bare å legge til tall. Hvis du legger til tall og får summer som andre ikke engang vet om - og hvis disse summene er viktige eller viser trender - kan du få viktig innsikt og samle verdifull informasjon gjennom de enkleste dataanalyseteknikker.

Igjen, det viktigste er å samle inn virkelig god informasjon i utgangspunktet og deretter ha den informasjonen lagret i en beholder, for eksempel en Excel-arbeidsbok, slik at du kan regne og analysere dataene aritmetisk.

Utfør alltid beskrivende statistikk

De beskrivende statistiske verktøyene som Excel gir - inkludert målinger som sum, gjennomsnitt, median, standardavvik og så videre - er virkelig kraftige verktøy. Ikke føl deg som om disse verktøyene er utenfor dine ferdigheter.

Beskrivende statistikk beskriver bare dataene du har i noen Excel-regneark. De er ikke magiske, og du trenger ikke noen spesiell statistisk trening for å bruke dem eller dele dem med de personene du presenterer dataanalyseresultatene på.

Merk at noen av de enkleste beskrivende statistiske tiltakene ofte er mest nyttige. For eksempel kan det være veldig nyttig å vite den minste verdien i et datasett eller den største verdien. Å vite middel, median eller modus i et datasett er også veldig interessant og praktisk. Og til og med tilsynelatende kompliserte sofistikerte tiltak som en standardavvik (som bare måler spredning om gjennomsnittet), er egentlig ganske nyttige verktøy.

Å se på beskrivende statistikkendring (eller ikke endre) over tid, for eksempel fra år til år, gir deg ofte svært verdifull innsikt.

Se etter trender

Peter Drucker, kanskje den mest kjente og mest innsiktsfulle observatøren av moderne administrasjonspraksis, bemerket i flere av sine siste bøker at en av de viktigste dataanalysene kan gjøre, er å se en endring i trender. Trender er nesten det viktigste du kan se. Hvis bransjens samlede inntekter vokser, er det betydelig. Hvis de ikke har vokst eller hvis de begynner å krympe, er det sannsynligvis enda viktigere.

I din egen dataanalyse, sørg for å konstruere regnearkene dine og samle inn dataene dine på en måte som hjelper deg med å identifisere trender og ideelt sett identifisere endringer i trender.

Slicing og dicing: cross-tabulation

Kommandoen PivotTable er et flott verktøy.Cross-tabuleringer er ekstremt nyttige måter å skive og terningdata. Og den ryddige tingen om PivotTable-verktøyet er at du enkelt kan kryss-oversette og deretter kryss-tabulere igjen.

Hvis du har gode rike datakilder, og du ikke regelmessig overskrider dine data, savner du sannsynligvis absolutt skatter av informasjon. Det er gull i dem her bakker.

Figur det, baby

En viktig komponent i god dataanalyse presenterer og undersøker dataene dine visuelt.

Ved å se på et linjediagram over noen viktige statistikker eller ved å lage et kolonnediagram over et sett med data, ser du ofte ting som ikke er tydelige i en tabellpresentasjon av samme informasjon. I utgangspunktet er kartlegging ofte en flott måte å oppdage ting som du ellers ikke vil se.

Vær oppmerksom på inferensiell statistikk

Inferentiell statistikk gjør at du kan samle et utvalg og deretter lage avledninger om befolkningen som prøven trekkes ut basert på egenskapene til prøven.

I høyre hender er inferensiell statistikk ekstremt kraftige og nyttige verktøy. Med gode ferdigheter i inferentiell statistikk kan du analysere alle mulige ting for å få all slags innsikt i data som vanlig folk aldri får. Men helt ærlig, hvis din eneste eksponering for inferensielle statistiske teknikker er minimal, har du sannsynligvis ikke nok rå statistisk kunnskap til å utføre inferensiell statistisk analyse.