科学化决策数据分析,先从量化开始

这篇具有很好参考价值的文章主要介绍了科学化决策数据分析,先从量化开始。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

在当今信息爆炸的时代,数据已经成为我们生活和工作中不可或缺的一部分。在各行各业,人们越来越依赖数据来指导决策和优化业务。在这个背景下,量化成为了一种重要的方法论,通过收集、分析和解读数据,为我们提供了更准确、更可靠的决策依据。本文将介绍定性、定量和量化的概念、应用和优势,并探讨其在不同领域中的实际应用。

现实情况呢?我们在做数据分析,有可能遇到如下类似情况:

以加油站(或其他场所都适用)进站方向可视度(考虑弯道、上坡、建筑物、树林遮挡等)为例,进站方向可视度评价结果分为好和差。

针对这种凭经验评价好和差,在数据分析中,我给出的解决方案是满分为5分,发生一个因素扣1分,如下所示:

序号 进站可视度影响因素 评分
1 考虑弯道 -1
2 上坡 -1
3 建筑物 -1
4 树林遮挡 -1

1. 定性分析与定量分析法

1.1. 概念不同

定性分析是指研究者运用历史回顾、文献分析、访问、观察、参与经验等方法获得教育研究的资料,并用非量化的手段对其进行分析、获得研究结论的方法。

例如PEST、波特五力、波士顿矩阵、SWOT、价值链等模型,

定量分析的结果通常是由大量的数据来表示的,研究设计是为了是使研究者通过对这些数据的比较和分析作出有效的解释。

1.2. 理论基础不同。

定性分析主要是一种价值判断,它建立在解释学、现象学和建构主义理论等人文主义的方法论基础上。其主要观点是:社会现象不像自然现象那样受因果关系的支配,社会现象与自然现象有着本质的不同。

定量分析是一种事实判断,它是建立在实证主义的方法论基础上的。实证主义源于经验主义哲学,其主要观点是:社会现象是独立存在的客观现实,不以人的主观意志为转移。在评价过程中,主体与客体是相互孤立的实体,事物内部和事物之间必定存在内在的逻辑因果关系。

1.3. 特性不同。

定性分析:分析者与分析对象密切接触、互相影响,分析者通过与分析对象的交往互动,通过移情作用来获取资料信息。

定量分析:定量分析中分析者与分析对象相互独立,彼此分离。

1.4. 定性分析与定量分析法的联系

定性分析与定量分析,它是从不同的事物角度研究事物,都是重要的。前者把事物的属性研究出来,把其中的各种关系找到,后者是把这些属性、关系给量化出来,找到其中的数量关系。比如定性分析研究出来了可能性存在概率,定量分析就进一步把这个可能性量化,找到可能性的数量刻画数量关系,即可能性概率是多少的问题。

研究事物从来都是先进行定性分析,先定性,找到其中的各种属性关联、特征、关系,然后定量,然后进一步把其中的量的关系找到才算是研究完成,彻底认识。只有深入到了数学模型的程度才算是基本认识清楚了,把其中的数学模型建立出来,各种数据找到,各种简单的复杂的数量关系找到,才算是完成了研究。

1.5. 定量分析方法的种类

  • 比率分析法,它是财务分析的基本方法,也是定量分析的主要方法。

  • 趋势分析法,它对同一单位相关财务指标连续几年的数据作纵向对比,观察其成长性。通过趋势分析,分析者可以了解该企业在特定方面的发展变化趋势。

  • 结构分析法,它通过对企业财务指标中各分项目在总体项目中的比重或组成的分析,考量各分项目在总体项目中的地位。

  • 相互对比法,它通过经济指标的相互比较来揭示经济指标之间的数量差异,既可以是本期同上期的纵向比较,也可以是同行业不同企业之间的横向比较,还可以与标准值进行比较。通过比较找出差距.进而分析形成差距的原因。

  • 数学模型法,在现代管理科学中,数学模型被广泛应用,特别是在经济预测和管理工作中,由于不能进行实验验证,通常都是通过数学模型来分析和预测经济决策所可能产生的结果的。

2. 什么是量化?

量化是一种利用数学和统计方法对数据进行测量、分析和解释的过程。它的核心思想是将主观和直觉的决策过程转化为可量化的指标和模型。通过对数据的收集和分析,量化可以帮助我们理解和揭示数据背后的规律和趋势,从而做出更加明智和准确的决策。

2.1. 量化的应用领域

  • 金融领域:在金融市场中,量化交易已经成为了主流。通过对历史数据和市场行为的分析,量化交易员可以建立模型和策略,以预测市场走势并进行交易。量化交易的优势在于它可以剔除情绪因素,减少决策的主观性,提高交易的效率和稳定性。

  • 市场营销:在市场营销中,量化分析可以帮助企业了解消费者的需求和行为模式,从而制定更精准的营销策略。通过分析大量的市场数据,企业可以了解产品的受欢迎程度、市场份额以及竞争对手的表现,从而做出针对性的决策,提高市场竞争力。

  • 运营管理:在运营管理中,量化分析可以帮助企业优化供应链、生产流程和资源分配。通过收集和分析数据,企业可以发现瓶颈、优化生产效率、降低成本,并提高客户满意度。例如,一些电子商务平台利用大数据分析来预测需求、调整库存和优化配送,以提供更好的购物体验。

2.2. 量化的优势

  • 准确性:量化分析基于大量的数据和统计模型,能够提供更加准确和可靠的结果。相比主观判断和直觉,量化分析可以消除主观偏见和情绪干扰,从而做出更明智的决策。

  • 效率:通过量化分析,我们可以快速地处理和分析大量的数据。这使得我们能够迅速捕捉到数据中的模式和趋势,做出及时的调整和决策,提高工作效率和业务竞争力。

  • 风险管理:量化分析可以帮助我们评估和管理风险。通过对历史数据的回顾和模拟测试,我们可以预测和评估不同决策的风险和回报,从而降低投资和经营的风险。

3. 量化的方法

当面对无形之物或者是庞然大物需要进行量化时,最常用的方法就是就想办法将他分解,将不确定的部分分离出来解决,其中最著名的案例莫过于被谷歌用来做面试题的芝加哥钢琴调音师问题。这个问题最早是由物理学家恩里科·费米提出的,他要求他的学生估计芝加哥的钢琴调音师的人数,大家都无法立即回答,他又问了以下一系列的问题:

	1.当前芝加哥有多少人?(1930-1950年,约30万人)
	2.每家平均几口人?(2或3)
	3.家庭平均拥有的需要定期调音的钢琴数量?(10户里最多1家,30户里至少有1家)
	4.每部钢琴需要调音的频率?(平均1年1次)
	5.一个调音师每天能调多少台?(4~5台)
	6.调音师一年工作多少天?(250天)

芝加哥调音师的数量 = 芝加哥人口 / 每户人口 × 有钢琴家庭的比例 × 每年调音次数 /(调音师每天调音的钢琴数 × 年工作天数)
根据数据计算出调音师的人数大概在26~150人左右。由此这类问题被称为“费米问题”,而求解这种问题的方法被称为“费米分解法”。

3.1. 一次量化与二次量化

一次量化是指对考核指标进行直接的定量刻画,量化对象一般具有明显的数量关系,也称为实质量化。这种方法通常适用于可以通过直接测量或统计数据来反映的指标,例如销售额、生产量等。一次量化的优点是简单明了,易于操作和计算,能够直观地反映数据的变化和差异。但是,一次量化无法处理那些无法直接测量的指标,例如员工的工作态度、团队合作能力等。

二次量化则是指对考核指标进行间接的定量刻画,即先进行定性描述,再通过一定的方法进行定量刻画。这种方法通常适用于那些无法直接进行定量测量的指标,例如员工的工作态度、团队合作能力等。二次量化的具体方法包括行为锚定法、等级评估法等。二次量化的优点是可以对那些难以直接测量的指标进行量化处理,提高了评估的准确性和客观性。但是,二次量化需要一定的主观判断和经验,同时也需要设计合适的评估标准和方法。

3.2. 类别量化与模糊量化

类别量化是指将素质测评对象划分到事先确定的几个类别中去,然后对每个类别赋予不同的数字。这种量化的特点是,每个测评对象仅属于一个类别,不能同时属于两个以上的类别。这种量化方法通常适用于那些具有明显界限、分类明确的指标,例如性别、婚姻状况等。类别量化的优点是可以对那些界限明确、分类简单的指标进行快速、准确的评估,但无法处理那些分类复杂或边界模糊的指标。

模糊量化则是指将素质测评对象按照一定的标准划分为不同的等级,并对每个等级进行相应的数值赋值。这种量化的特点是,每个测评对象可以属于多个等级,即具有模糊性。这种量化方法通常适用于那些难以明确划分界限、分类不明确的指标,例如工作态度、学习能力等。模糊量化的优点是可以处理那些分类复杂或边界模糊的指标,提高了评估的准确性和客观性。但是,模糊量化需要设计合适的评估标准和方法,并需要考虑如何处理测评对象的模糊性。

3.3. 顺序量化、等距量化、比例量化

顺序量化是指将素质测评对象按照一定的标准划分为不同的等级,并对每个等级进行相应的顺序编号。这种量化的特点是,每个测评对象仅属于一个等级,但不同等级之间没有明确的距离关系。顺序量化通常适用于那些分类简单、边界明确的指标,例如考试成绩等。顺序量化的优点是简单明了、易于操作和计算,但无法处理那些需要精确测量或比例关系的指标。

等距量化是指将素质测评对象按照一定的标准划分为不同的等级,并对每个等级进行相应的数值赋值。这种量化的特点是,每个测评对象可以属于多个等级,但不同等级之间的距离是相等的。等距量化通常适用于那些需要精确测量或比例关系的指标,例如温度、高度等。等距量化的优点是可以处理那些需要精确测量或比例关系的指标,但无法处理那些分类复杂或边界模糊的指标。

比例量化是指将素质测评对象按照一定的标准划分为不同的等级,并对每个等级进行相应的数值赋值。这种量化的特点是,每个测评对象可以属于多个等级,但不同等级之间的距离是不等的。比例量化通常适用于那些分类复杂、边界模糊的指标,例如收入水平等。比例量化的优点是可以处理那些分类复杂或边界模糊的指标,并可以反映不同等级之间的实际差距,但需要设计合适的评估标准和方法。

3.4. 当量量化

当量量化是指将不同的指标或变量按照一定的标准进行转换,使其具有可比性和可加性。当量量化的目的是为了将不同的指标或变量纳入到一个统一的标准或框架中,以便更好地比较和分析它们之间的关系和影响。当量量化可以通过对不同指标或变量进行标准化处理、因子分析等方法来实现。当量量化的优点是可以将不同的指标或变量进行统一处理和分析,提高了分析的准确性和客观性。但是,当量量化需要设计合适的标准和方法,并需要考虑如何处理不同指标或变量之间的差异和特点。

4. 量化评价和质化评价

量化评价和质化评价是研究中常用的两种评价方法。量化评价是指通过数值化的方法来评价研究对象的某些特征或变量,例如通过问卷调查来统计某个群体的人口结构、收入水平、教育程度等。而质化评价则是通过对研究对象进行深入的观察和分析,来评价其特征和变量,例如通过访谈、观察等方法来了解某个社会群体的文化、价值观等。

质化评价:

  • 访谈
    访谈是一种常用的质化评价方法,通过与研究对象进行深入的交流和沟通,了解其思想、观点、经历等。访谈可以帮助研究者深入了解研究对象的内心世界和行为动机,为研究提供重要的素材和数据支持。
  • 观察
    观察是一种常用的质化评价方法,通过对研究对象的行为、语言、肢体语言等进行观察和记录,了解其行为模式和特征。观察可以帮助研究者深入了解研究对象的行为和思想,为研究提供重要的素材和数据支持。
  • 文献分析
    文献分析是一种常用的质化评价方法,通过对相关文献进行分析和解读,了解研究对象的历史、文化、社会背景等。文献分析可以帮助研究者深入了解研究对象的背景和特征,为研究提供重要的素材和数据支持。
  • 焦点小组讨论
    焦点小组讨论是一种常用的质化评价方法,通过组织一组人进行深入的讨论和交流,了解其观点、态度、经验等。焦点小组讨论可以帮助研究者深入了解研究对象的思想和观点,为研究提供重要的素材和数据支持。
  • 案例分析
    案例分析是一种常用的质化评价方法,通过对某个案例进行深入的分析和解读,了解其背景、特征、影响等。案例分析可以帮助研究者深入了解研究对象的特征和影响,为研究提供重要的素材和数据支持。

5. 如何量化

比较容易的“一次量化与二次量化”,就不再说了,下面说的都是比较让人头疼的问题。

5.1. 选择和设计量化方法

让管理者看到他们认为不可量化的事情,都可以量化。唯一的问题,他们是否能够重要到非要量化不可。量化真正障碍在概念上,而不是缺乏理解几十个复杂方法的能力。

我们对事物的哪部分不确定,分解不确定的事物,使之可以用其他确定的事物来计算。

数据不在多,够用就好。

5.2. 随机抽样:窥一斑而知全豹

  • T统计量法:只需一个小样本
    当不确定性很高时,少量的样本会极大地减少不确定性,尤其是群体的同质化程度较高时。

  • 不用计算,就可以估计出平均值
    评估者有时可以依据有限的几次观测,使用参数方法或者非参数方法,就能极大地减少不确定性。

  • 两次独立抽样:抓与重抓就能算出湖里有多少鱼?
    抓与重抓是两次独立抽样,比较两次抽样的重合程度,可以估计群体总数。

5.3. 贝叶斯方法:利用已知估算未知

  • 贝叶斯定理:若A发生,则B发生的可能性多大?

  • 使用你天生的贝叶斯:用新信息更新旧信息

  • 异构标杆法:借助“类比法”评估
    我把这种与被测事物不同但有关的事物作为基准,以此更新先验信息的方法,称为异构标杆法(Heterogeneous Benchmark,即告知评估者其他数据,然后评估者以此为标杆,评估不确定。即使提供的数据和评估的数量相关性很小,也没有关系,比如,我们可以通过了解其他产品或竞争对手的相似产品的评估新产品的销量。

  • 贝叶斯反演法:如X为真,如何看到这一点

  • 区间范围的贝叶斯反演法:每种结果出现的概率是多少?

  • 贝叶斯法教会我们什么?

6. 总结

在量化之前,金字塔模型、麦肯锡矩阵、SWOT分析等分析模型是我们分析入门便捷之路,为我们量化工作提供了指引,有了量化,就有了数据分析。例如AHP-SWOT分析法,充分体现了量化的路径,定性与定量密不可分。

虽然大数据说一切皆可量化,从某种意义上说,人类的偏好是量化的唯一来源。如果意味着量化是主观的,只能说明这种量化的性质就是主观的。它不是物体的物理特性,而是人对事物的权衡和看法。我们唯一要关注的问题就是:该如何量化人们的选择。

参考:

Douglas W. Hubbard. 数据化决策. 广东人民出版社. 2018.05
数者匠心. 学会量化的方法去做决策.2019
kwunkau. 统计学-Week8. CSDN博客. 2019.12文章来源地址https://www.toymoban.com/news/detail-736563.html

到了这里,关于科学化决策数据分析,先从量化开始的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 数据仓库的数据科学与机器学习:实现智能化的数据分析

    数据仓库是一种用于存储和管理大量结构化数据的系统,它通常用于企业和组织的业务分析和决策支持。数据科学和机器学习是数据分析的两个重要领域,它们可以帮助企业和组织从大量数据中发现隐藏的知识和模式,从而提高业务效率和竞争力。 在过去的几年里,随着数据

    2024年04月13日
    浏览(197)
  • 智能科学毕设分享(算法) 基于大数据的b站数据分析

    今天向大家介绍如何使用大数据技术,对B站的视频数据进行分析,得到可视化结果。 项目运行效果: 毕业设计 基于大数据的b站数据分析 项目获取: https://gitee.com/assistant-a/project-sharing 分析方向:首先从总体情况进行分析,之后分析综合排名top100的视频类别。 总体情况部分

    2024年02月22日
    浏览(39)
  • Spark在数据科学中的应用案例分析

    Spark在数据科学中的应用案例分析 在数据科学领域,Apache Spark已经成为一个不可或缺的工具。其强大的分布式计算能力和丰富的数据处理功能使得数据科学家能够高效地处理大规模数据集,并从中提取有价值的信息。本文将通过几个具体的应用案例来分析Spark在数据科学中的

    2024年02月02日
    浏览(56)
  • 智能决策支持系统在智能家居领域的应用:从数据分析到实时决策

    作者:禅与计算机程序设计艺术 智能决策支持系统在智能家居领域具有广泛的应用前景,可以帮助用户实现更高效、更智能化的家居生活。本文旨在介绍智能决策支持系统的基本原理、实现步骤以及应用示例。通过阅读本文,读者可以了解到智能决策支持系统的工作原理,掌

    2024年02月09日
    浏览(57)
  • 财务数据分析模板有哪些,能满足决策吗?

    虽然企业的业务经营各有不同,但在财务数据分析上却有着相似的需求与流程,因此财务数据分析是可以形成一套标准化模板的。奥威BI数据可视化工具从多年丰富的BI项目中总结经验,形成一套标准化、系统化的财务数据分析模板,内含资产负债表、利润表、现金流量表等,

    2024年02月11日
    浏览(43)
  • 【海量数据挖掘/数据分析】之 决策树模型(决策树模型、决策树构成、决策树常用算法、决策树性能要求、信息增益、信息增益计算公式、决策树信息增益计算实例)

    目录 【海量数据挖掘/数据分析】之 决策树模型(决策树模型、决策树构成、决策树常用算法、决策树性能要求、信息增益、信息增益计算公式、决策树信息增益计算实例) 一、决策树模型 1、常用算法 2、属性划分策略 3、其他算法 三、决策树算法性能要求 四、 决策树模型

    2024年02月13日
    浏览(56)
  • 公司运营数据分析大屏:引领企业决策,驱动业务增长

    在数字化时代,数据已经成为企业决策的关键。为了更好地 洞察市场趋势 、 优化业务流程 、 提升运营效率 ,越来越多的企业开始引入数据分析大屏以分析公司运营状况。这一创新举措不仅改变了传统的管理模式,更引领企业迈向智能化决策的新篇章。 公司运营数据分析大

    2024年01月16日
    浏览(61)
  • 大数据分析案例-基于决策树算法构建员工离职预测模型

    🤵‍♂️ 个人主页:@艾派森的个人主页 ✍🏻作者简介:Python学习者 🐋 希望大家多多支持,我们一起进步!😄 如果文章对你有帮助的话, 欢迎评论 💬点赞👍🏻 收藏 📂加关注+ 目录 1.项目背景 2.项目简介 2.1项目说明

    2024年01月24日
    浏览(48)
  • 【数据分析】基于XGboost(决策树)的银行产品认购预测--小林月

    目录 一、数据探索: 1.1 读取数据 1.2查看数据 1.3 数据预处理 二、字段描述 2.1 非离散型数据 2.2离散数值字段 三、数据建模 四、评估指标: 4.1:混淆矩阵 4.2: 准确率,回归率,F1 五、测试集准确率 六、模型优化 环境:使用python+jupter nodebook 数据:本文数据来源2023年【教

    2024年02月06日
    浏览(45)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包