Trong phần trước, SOM đã nêu ra những phương thức phân tích dữ liệu định tính phổ biến nhất. Ở phần này, chúng ta sẽ tiếp tục đi qua 11 phương thức phân tích dữ liệu được ứng dụng nhiều nhất hiện nay. Cùng tham khảo nhé!
1. Phân tích dữ liệu theo cụm (Cluster Analysis)
Phương pháp phân tích cụm là một kĩ thuật phổ biến trong thống kê được sử dụng để nhóm các đối tượng có chung đặc điểm. Phân tích cụm được dùng trong nhiều lĩnh vực, bao gồm nhận dạng mẫu, phân tích ảnh, truy hồi thông tin, tin sinh học, nén dữ liệu, đồ họa máy tính và học máy.
Ví dụ về phương pháp này trong lĩnh vực đầu tư, các nhà đầu tư sử dụng phương pháp phân tích cụm để phát triển phương pháp giao dịch theo cụm nhằm xây dựng các danh mục đầu tư đa dạng. Các cổ phiếu có mối tương quan cao trong lợi nhuận sẽ được đưa vào một giỏ, tương tự với những cổ phiếu ít tương quan hơn cho đến khi mọi cổ phiếu đều được đưa vào các danh mục.
2. Phân tích dữ liệu tổ hợp (Cohort analysis)
Cohort analysis là quá trình chia đối tượng thành nhiều nhóm nhỏ hơn có những đặc điểm chung nhất định, từ đó tiến hành phân tích từng nhóm. Những đặc điểm chung của họ có thể bao gồm cùng khu vực hoặc ngôn ngữ chung, các mặt hàng ưa thích, ngày bắt đầu sử dụng và bất kỳ đặc điểm chung nào khác mà bạn có thể nghĩ đến.
Các doanh nghiệp thường sử dụng cohort analysis để:
- Tối ưu hóa chiến dịch thu hút người dùng (UA)– bằng cách xác định phân khúc nào hoạt động kém hiệu quả và bạn có thể cải thiện những điểm nào.
- Cải thiện tỷ lệ giữ chân người dùng và giá trị trọn đời (LTV)– bằng cách tương tái lại người dùng chất lượng cao và giảm tỷ lệ rời bỏ.
3. Phân tích số liệu quy hồi
Phân tích hồi quy trong tiếng Anh là Regression analysis. Phân tích hồi quy là kĩ thuật thống kê dùng để ước lượng phương trình phù hợp nhất với các tập hợp kết quả quan sát của biến phụ thuộc và biến độc lập.
Phân tích hồi quy cho phép đạt được kết quả ước lượng tốt nhất về mối quan hệ chân thực giữa hai vấn đề (tạm gọi là A và B). Từ phương trình ước lượng được này, người ta có thể dự báo về sự thay đổi của A dựa trên những biến động của B.
Ví dụ, chúng ta có thể đưa ra phương trình giữa mức tiêu trung bình và thu nhập của mỗi người. Từ đó, khi đã có mức lương của họ, chúng ta sẽ dễ dàng ước lượng họ sẽ tiêu bao nhiêu trong 1 tháng.
4. Cách thức phân tích dữ liệu qua mạng nơ-ron nhân tạo (Neural Network)
Phương pháp phân tích Neural Network (Mạng nơ-ron nhân tạo) là phương pháp phân tích dữ liệu bằng cách đưa ra những thuật toán để tìm kiếm các mối quan hệ cơ bản trong tập hợp các dữ liệu. Những thuật toán này được tạo ra bằng cách bắt bước cách thức hoạt động từ não bộ con người. Nói cách khác, mạng nơ ron nhân tạo được xem là hệ thống của các tế bào thần kinh “nhân tạo” được xây dựng để phân tích dữ liệu.
Hiện nay, Neural Network được ứng dụng rộng rãi trong nhiều lĩnh vực như kinh doanh, giáo dục, y tế, công nghệ thông tin, công nghệ blockchain,.. Ví dụ như nhận dạng chữ viết tay, tối ưu hóa quãng đường duy chuyển trên bản đồ, nén hình ảnh,…
5. Phân tích số liệu nhân tố khám phá (Factor analysis)
Phân tích nhân tố khám phá, gọi tắt là EFA, dùng để rút gọn một tập hợp k biến quan sát thành một tập F (với F < k) các nhân tố có ý nghĩa hơn.
Ví dụ như trong nghiên cứu khoa học, chúng ta thường thu thập được một số lượng biến khá lớn và rất nhiều các biến quan sát trong đó có liên hệ tương quan với nhau. Nhưng thay vì đi nghiên cứu 20 đặc điểm nhỏ của một đối tượng, chúng ta có thể chỉ nghiên cứu 4 đặc điểm lớn. Trong mỗi đặc điểm lớn này gồm 5 đặc điểm nhỏ có sự tương quan với nhau. Điều này giúp tiết kiệm thời gian và kinh phí nhiều hơn cho người nghiên cứu.
6. Phương pháp phân tích dữ liệu khai phá (Data mining)
Data Mining (hay còn gọi là Khai phá dữ liệu) là một quy trình quan trọng trong quá trình trình Phân tích dữ liệu tổng thể (Overall Data Analytics Process). Đó là quy trình liên tục loại bỏ các chi tiết ngẫu nhiên, ngoại lệ và khám phá các mẫu, mô hình, quy luật tiềm ẩn, các thông tin có giá trị trong bộ dữ liệu.
Trong lĩnh vực chăm sóc sức khỏe, data mining có thể hỗ trợ các công ty cung cấp dịch vụ bảo hiểm sức khỏe phát hiện gian lận hay lạm dụng. Data Mining cũng giúp doanh nghiệp phân tích nhu cầu thị trường để hiểu về sản phẩm thường được mua cùng nhau….
7. Phân tích dữ liệu lớn theo chuỗi thời gian
Chuỗi thời gian (time series) là một chuỗi các điểm dữ liệu xảy ra theo thứ tự liên tiếp trong một khoảng thời gian. Một chuỗi thời gian sẽ theo dõi chuyển động của các điểm dữ liệu đã chọn (chẳng hạn như giá của chứng khoán) trong một khoảng thời gian xác định.
Ứng dụng của chuỗi thời gian trải khắp các ngành công nghiệp đa dạng. Nó hỗ trợ con người quan sát hoạt động sóng điện trong não, đo lượng mưa, dự báo giá cổ phiếu, theo dõi doanh số bán lẻ hàng năm, người đăng ký hàng tháng, nhịp tim mỗi phút,…
Dữ liệu chuỗi thời gian là tập hợp các quan sát thu được thông qua các phép đo lặp lại theo thời gian. Dữ liệu chuỗi thời gian ở khắp mọi nơi, vì thời gian là thành phần của mọi thứ mà chúng ta có thể nhận biết được.
8. Phân tích dữ liệu lớn theo mô hình cây quyết định (Decision Trees)
Decision Trees là một thuật ngữ rất quan trọng trong phân tích dữ liệu nói riêng lẫn quá trình khai phá dữ liệu nói chung. Trong kỹ thuật Decision Trees, gốc cây là một câu hỏi đơn giản có nhiều câu trả lời. Ngoài ra, mỗi câu hỏi dẫn đến bộ câu hỏi khác. Và nó sẽ giúp chúng ta xác định dữ liệu. Vì vậy, chúng ta có thể đưa ra quyết định cuối cùng nhờ vào kỹ thuật này.
Decision tree có ưu điểm là rất dễ hiểu. Người đọc dữ liệu có thể dễ dàng nhìn được mối tương quan của các biến số với nhau thông qua mô hình cây, vì thế chúng được ứng dụng rất rộng rãi khi phân tích và trình bày dữ liệu.
9. Phân tích dữ liệu kết hợp (Conjoint analysis)
Hãy tưởng tượng một đại lý xe hơi nơi bạn có thể tùy chỉnh chiếc xe mơ ước của mình, lựa chọn từ một loạt các tùy chọn như kích thước động cơ, mức tiết kiệm nhiên liệu và các tính năng nội thất. Phân tích Conjoint phản ánh trải nghiệm này, trình bày cho người tiêu dùng các cấu hình sản phẩm giả định, bao gồm các kết hợp khác nhau của các thuộc tính, và yêu cầu họ đánh giá hoặc lựa chọn các tùy chọn ưa thích của họ.
Conjoint đóng vai trò quan trọng trong nhiều lĩnh vực việc. Trong kinh doanh, chúng giúp các doanh nghiệp xác định sự kết hợp tối ưu của các tính năng cho các sản phẩm mới. Conjoint cũng hướng dẫn các quyết định giá cả bằng cách tiết lộ cách độ nhạy cảm về giá khác nhau giữa các phân khúc người tiêu dùng.
10. Phân tích tương ứng (Correspondence Analysis- CA)
Phân tích tương ứng (Correspondence Analysis- CA) là phương pháp trực quan để phân tích dữ liệu được biểu diễn bằng các bảng dữ liệu 2 chiều (contingency table). Kết quả của CA là bản đồ các điểm (Map of Points). Trong đó các điểm biểu diễn cho các dòng (rows) và các cột (columns) của bảng. Vị trí của các điểm trong bản đồ cho biết sự tương tự (similarities) giữa các dòng, sự tương tự giữa các cột và sự kết hợp (association) giữa dòng và cột trong bảng. Mục đích của CA giúp phát hiện các mối quan hệ tiềm ẩn trong các bảng dữ liệu lớn.
Phân tích tương ứng được áp dụng rất rộng rãi trong rất nhiều lĩnh vực như phân tích dữ liệu kinh doanh, điều tra xã hội học, khai phá dữ liệu,…. CA cho phép phát hiện các tri thức tiềm ẩn trong khối lượng dữ liệu lớn một cách dễ dàng thông qua phương pháp trực quan hóa (sử dụng bản đồ các điểm).
11. Phân tích thang đo đa hướng
Phương pháp phân tích đo lường đa hướng MDS (Multidimensional Scaling) là phương pháp chủ yếu được sử dụng khi định vị sản phẩm hay định vị thương hiệu trong nghiên cứu. Mục đích của phương pháp này là chuyển những ý kiến đánh giá của con người về sự giống nhau, khác nhau hoặc sở thích về các đối tượng thành những khoảng cách trong không gian đa hướng.
Ví dụ, trong các nghiên cứu về marketing – định vị sản phẩm, sau khi thu thập được dữ liệu về, nhà nghiên cứu sử dụng công cụ phân tích nhân tố (factor analysis) để tìm ra những thành phần (nhân tố) chính, từ đó tiến hành định vị mỗi sản phẩm theo mỗi thành phần vừa mới xác định, mỗi sản phẩm có thể biểu diễn phụ thuộc vào hai hoặc nhiều thành phần dựa theo phương pháp hệ trục toạ độ.
Một khi nắm rõ 11 hướng phân tích dữ liệu trên đây, bạn có thể thực hành các nhiệm vụ phân tích dữ liệu hiệu quả, nhanh chóng. Tất nhiên, các data analyst cần phải trang bị những kiến thức bài bản chuyên sâu, những công cụ phân tích phù hợp lẫn kinh nghiệm thức tế. Chúc các bạn thành công!
Có thể bạn quan tâm:
