สูตรทางสถิติที่สำคัญสำหรับข้อมูลขนาดใหญ่ - หุ่น

คำว่า สถิติ อาจทำให้เกิดความหวาดกลัวในผู้เริ่มต้นบางส่วนในการแสดงข้อมูล แต่ถ้าคุณไม่สนใจหัวข้อนี้ วิธีที่มีประสิทธิภาพมากที่สุดเพื่อให้ได้ข้อมูลเชิงลึกที่แท้จริงและคุ้มค่าจาก Big Data

สถิติ คือการปฏิบัติหรือวิทยาศาสตร์ในการรวบรวมข้อมูลเชิงตัวเลขในปริมาณมาก คุณไม่จำเป็นต้องออกไปและกลายเป็นนักวิทยาศาสตร์ข้อมูล (คำศัพท์ที่ใช้สำหรับนักสถิติซึ่งเป็นผู้เชี่ยวชาญทางด้านข้อมูลและคนที่มักถือปริญญาขั้นสูงเช่นปริญญาเอก) แต่คุณอาจต้องการพิจารณายกขึ้น หนังสือสถิติ 101 หรือชั้นถ้าคุณมีความสนใจ

สูตรทางสถิติเช่นความน่าจะเป็นความแปรปรวนและการคาดการณ์เป็นที่นิยมในปัจจุบัน พวกเขาค่อนข้างง่ายที่จะใช้กับชุดข้อมูลใด ๆ และผู้อ่านส่วนใหญ่จะเข้าใจพวกเขาอย่างชัดเจน คุณสามารถรวมสูตรทางสถิติเหล่านี้ไว้ในภาพข้อมูลขนาดใหญ่เพื่อให้คุณค่าที่แท้จริงแก่ผู้ใช้โดยใช้เทคนิคที่กล่าวถึงในหัวข้อต่อไปนี้

รู้ความน่าจะเป็นที่เหตุการณ์จะเกิดขึ้น

สูตรทางสถิติที่คุณอาจคุ้นเคยคือ p robability - ความเป็นไปได้หรือโอกาสที่เหตุการณ์อาจเกิดขึ้น สูตรต่อไปนี้จะคำนวณความน่าจะเป็นพื้นฐานสำหรับภาพจำลองเชิงเส้น (สถานการณ์ที่ไม่ซับซ้อนมีความซับซ้อนและมากเกินไปสำหรับการสมัครรับสมัครสมาชิกใหม่)

ความน่าจะเป็น = ความน่าจะเป็นของเหตุการณ์ที่เกิดขึ้น / จำนวนผลลัพธ์ที่เป็นไปได้

รูปต่อไปนี้แสดงความเป็นไปได้ที่จะมีสีเตือน ข้อความที่อ่านได้ง่ายและสำคัญที่สุดในการระบุอย่างชัดเจนว่าจำเป็นต้องมีการดำเนินการทันที

ความเป็นไปได้คือการตรวจสอบความเป็นจริงอย่างรวดเร็วและตั้งโทนโดยรวมสำหรับเรื่องราวที่จะมีการแสดงข้อมูลในช่วงเวลาที่กำหนด (วันสัปดาห์สัปดาห์และอื่น ๆ)

การใช้ความแปรปรวนเพื่อแสดงขนาดของการเปลี่ยนแปลง

อีกมาตรการทางสถิติที่นิยมคือ v ariance ซึ่งเป็นความแตกต่างระหว่างชุดจุดข้อมูล

สูตรที่ใช้บ่อยที่สุดในการคำนวณความแปรปรวนคือ

ความแปรปรวน = ความต้องการขั้นสุดท้าย - สถานะปัจจุบัน

ผลลัพธ์ที่แสดงเป็นจำนวนเต็มหรือเปอร์เซ็นต์หรือไม่สูตรแสดงขนาดของการเปลี่ยนแปลงระหว่างจุดเริ่มต้นและจุดสิ้นสุดของ จุดข้อมูล

การแสดงความแปรปรวนคือการชนะอย่างรวดเร็วและเป็นการทดแทนบรรทัดคำสั่งผสมแบบเส้น / แท่งซึ่งเป็นวิธีที่ความสัมพันธ์ของความแปรปรวนปรากฏขึ้นในการสร้างภาพข้อมูลส่วนใหญ่

แผนภูมิในรูปด้านล่างนี้แสดงคำสั่งผสมแบบเส้น / แท่งกราฟซึ่งช่วยให้ผู้ใช้สามารถถอดรหัสความแปรปรวนได้ในแต่ละเดือน

แผนภูมิที่สองแสดงในรูปต่อไปนี้แปลงค่าความแปรปรวนได้อย่างชัดเจนและใช้การคาดเดาทั้งหมดออกจากภาพ

การคาดการณ์อนาคต

สูตรทางสถิติที่น่าสนใจอื่น ๆ ที่คุณอาจคุ้นเคยคือ f orecast , ซึ่งเป็นการคาดการณ์หรือประมาณเหตุการณ์หรือแนวโน้ม

เมื่อคุณคำนวณการคาดการณ์คุณกำลังใช้ข้อมูลทางประวัติศาสตร์จำนวนมากในการคาดการณ์พฤติกรรมเหตุการณ์เฉพาะหรือแนวโน้ม ตัวอย่างเช่นคุณสามารถคำนวณยอดขายสำหรับปีตามข้อเท็จจริงทางประวัติศาสตร์ที่มกราคมมักจะคิดเป็น 5% ของยอดขาย ถ้าคุณทำยอดขาย 500 เหรียญในเดือนมกราคมคุณจะใช้สูตรต่อไปนี้เพื่อคาดการณ์ยอดขายที่คุณคาดการณ์ได้สำหรับปี:

500 เหรียญ / 05 = $ 10, 000

ในสมการนี้ $ 500 เป็นยอดขายในเดือนมกราคม. 05 เป็นเปอร์เซ็นต์ของยอดขายที่ผ่านมาในเดือนมกราคม และ $ 10,000 เป็นยอดขายที่คาดการณ์ไว้สำหรับปี

รูปด้านล่างแสดงให้เห็นว่าการคาดการณ์จะได้รับการแสดงผลอย่างไรในการสร้างภาพข้อมูลส่วนใหญ่เป็นบรรทัดที่เรียบง่ายในแผนภูมิ การคาดการณ์ระบุว่ากิจกรรมที่กำหนดอาจดำเนินการได้ในอนาคต

การแสดงผลทั่วไปของบรรทัดการคาดการณ์นี้แสดงให้เห็นว่ากระแสเงินสดจะกลายเป็นปัญหาสำหรับองค์กรนี้