Når de fleste mennesker tænker på dataanalyse, tænker de på at manipulere og analysere data i et værktøj som Microsoft Excel^{(like Microsoft Excel)} . Virkeligheden er, at dataanalyse omfatter en bred vifte af værktøjer og en masse forskellige metoder til at manipulere og forstå den historie, som dataene fortæller.

Hvad er dataanalyse? Dataanalyse^(Data) bruges meget forskelligt, hvis du taler om forretningsdata, produktionsdata, marketingdata eller data, der er specifikke for den branche og virksomhed, du driver.

I denne artikel lærer du om de forskellige aspekter af dataanalyse, hvad de betyder, og hvordan de generelt bruges over hele linjen.

Dataindsamling^{(Data Collection)}

Den første fase af enhver dataanalyse er dataindsamling. Dette betyder simpelthen at indsamle data fra alle de kilder, der indeholder information, du har brug for.

Data kan omfatte en af ​​følgende og mere:

• Controllere til fremstilling af maskiner
• Nogen, der manuelt indtaster data på en computer
• Sensorer, der måler temperatur, tryk og meget mere
• Skybaserede^{(Cloud based)} datakilder
• Oplysninger fra internettet som vejr- eller regeringsdatabaser
• Databaser^(Databases) placeret på dit firmanetværk

En stor udfordring for mange organisationer er at finde ud af, hvilke tekniske værktøjer der er tilgængelige til at indsamle disse oplysninger. Det meste af tiden kræves software for at oprette forbindelse til den eksterne enhed eller datakilde og derefter trække dem ind i en intern database eller et datahistorikersystem.

Disse lagerområder omtales ofte som et "data warehouse".

Når først information er indsamlet i et datavarehus inde i en organisation, kan forskellige værktøjer bruges til at udføre selve dataanalysen.

Business Intelligence

Når først data er indsamlet, er næste trin at beslutte, hvad der skal gøres med alle disse data. Når det kommer til business intelligence, bør de nødvendige data hjælpe en organisation med at træffe bedre forretningsbeslutninger.

Business Intelligence (BI) rapporter og dashboards hjælper ledere og andre virksomhedsledere med bedre at forstå tendenser og få indsigt i forskellige aspekter af virksomheden. 

Disse aspekter omfatter:

• Supply chain behov eller begrænsninger
• Reduktion af omkostninger
• Forbedring af salget
• Kundernes behov og adfærd
• Forudsigelse af fremtidige salg eller markedskrav
• Logistik og forsendelse

Indsamling af data fra alle disse forskellige systemer i hele din organisation lader dig opbygge forbindelser mellem information, som måske aldrig har været mulig før.

Manufacturing Intelligence

Vanskeligheden, når det kommer til at indsamle data fra fremstillingsprocesser, er, at der normalt bare er så meget af det.

Hvis du tænker på en typisk produktionsfacilitet, indsamler hver enkelt maskine på værkstedet dusinvis til hundrede af datapunkter, der inkluderer:

• Temperaturer og tryk
• Dele eller produkt fremstillet
• Råmateriale brugt
• Dårlige dele skrottet
• Fejltæller og alarmer

I de fleste tilfælde er produktionsudstyr automatiseret ved brug af en programmerbar logisk controller ( PLC ). Disse enheder kører ikke kun udstyret i henhold til, hvordan det er programmeret, men de indsamler og indsamler også data fra dette udstyr.

At få data ud af disse PLC'er^(PLCs) involverer software, der kører på en server på samme netværk som disse PLC'er^(PLCs) . Der er mange leverandører, der har skrevet software til at få data ud af disse controllere og ind i en datahistoriker eller en database.

Datahistorikernes ledere på dette område inkluderer:

• OSIsoft : Dette firma har eksisteret i årtier og inkluderer "integratorer" eller drivere, der kan få data ud af næsten enhver form for processor, sensor eller database.
• Factorytalk : Mangeårig automationsleder Rockwell Automation producerede deres egen datahistoriker kaldet Factorytalk for at hjælpe deres kunder med at indsamle data fra maskinprocessorer. 
• Aveva : Tidligere kendt som Wonderware , lover AVEVA-historikeren^{(AVEVA Historian)} at give "åben adgang" til maskindata som procesdata, alarmer, hændelser og mere.
• Iconics : En mindre spiller på datahistoriker-markedet, skaberne af Iconics lover at levere "højhastighedsarkivering", så den lagrede dataopløsning matcher, hvad der oprindeligt fandt sted på maskinen.

Næsten alle disse softwareudbydere inkluderer dataanalyseværktøjer til at gå sammen med deres datahistorikerløsning. At vælge den rigtige dataindsamlings- og analyseløsning til din produktionsfacilitet afhænger virkelig af de controllere, du bruger, hvordan du vil gemme dataene, og hvor meget du er villig til at bruge.

Datavisualisering

Det mest populære værktøj til at indsamle, analysere og visualisere forretningsdata er Microsoft PowerBI .

PowerBI er et kraftfuldt visualiseringsværktøj, der tilbydes af Microsoft , som lader dig hente data fra mange forskellige datakilder. Du kan derefter opdele dataene på tværs af forskellige cirkel- og søjlediagrammer, linjegrafer, tabeller og mere.

Evnen til at kombinere information fra forskellige datakilder lader dig finde sammenhænge, ​​som ikke ville have været mulige før. Dette er magien ved moderne dataanalyse. Det giver mulighed for at få indsigt, som aldrig før var muligt før værktøjer, der lader dig visualisere data fra mange kilder.

PowerBI er ikke den eneste app med evnen til at manipulere og visualisere data på denne måde. Faktisk er der et voksende marked for netop disse typer værktøjer. 

De førende datavisualiseringsværktøjer i dag omfatter:

• Metabase : En open source (gratis) løsning, der fremstår som at lade folk i din organisation "stille spørgsmål og lære af data".
• Tableau : En populær datavisualiseringsplatform brugt på tværs af mange forskellige brancher. Forbindelse^{(Connectivity)} med mange forskellige datakilder er tilgængelig.
• Whatagraph : Populært blandt marketingbureauer, fordi det er nemt at producere letforståelige rapporter. Værktøjet inkluderer automatisk rapportgenerering og kan automatisk sende dem til enhver.
• JasperReports : Dette er en anden open source-rapporteringsløsning. Dets kraft kommer fra evnen til at udskrive rapporter i mange forskellige formater som trykte dokumenter, PDF'er^(PDFs) og webbaserede rapporter.

Den mulighed, du beslutter dig for, afhænger virkelig af den investering, du eller din organisation ønsker at foretage. Heldigvis er der fremragende open source-muligheder tilgængelige, hvis det er der, du skal starte.

Data Mining

En af de mest kraftfulde nye dataanalyseteknikker er noget, der kaldes data mining.

Data mining fokuserer på at bruge statistisk modellering til at trække mønstre og tendenser ud af en stor mængde data for at forudsige fremtidige tendenser. 

De applikationer, der kan udføre statistisk data mining-analyse, er højt specialiserede og skal ofte tilpasses til den aktuelle applikation eller situation.

Typer af data mining-analyse omfatter:

• Exploratory Data Analysis ( EDA ): Dette involverer at søge efter mønstre i data for at identificere nye tendenser eller lære ny information.
• Bekræftende dataanalyse^{(Confirmatory Data Analysis)} ( CDA : Dette involverer at bruge alle de indsamlede data til at forsøge at afgøre, om formodede sammenhænge er sande.

Nogle af de førende data mining-softwareværktøjer, der er tilgængelige på markedet i dag, inkluderer:

• Rapid Miner : Et fremragende open source forudsigende analysesystem skrevet i Java . Det er i stand til maskinlæring, forudsigelig analyse og tekstmining.
• Sisense : Licenseret software skræddersyet til business intelligence, med mulighed for at skalere op til store organisationer. Det indeholder et fremragende rapporteringsmodul.
• Oracle : Et af de førende navne i dataindustrien, Oracle tilbyder data mining-funktion i SQL , der lader organisationer bruge data, der er gemt i en Oracle - database.
• IBM Cognos : Denne software er i stand til at behandle store mængder data for at identificere vigtige tendenser. Disse kan bruges til at generere rapporter til ledelsen eller andre.
• SAS : Et andet stort navn i dataindustrien, Statistical Analysis System ( SAS ) blev specielt designet til at mine, administrere og endda opdatere data baseret på analytiske resultater.

Som du kan se, er der mange facetter til dataanalyse, og de værktøjer, du skal bruge, afhænger virkelig af, hvad du håber at lære af disse data.

Fremskridt inden for dataanalyse fortsætter med at udvikle sig hvert år, og enhver virksomhed eller organisation, der håber at være på forkant i deres branche, skal være på forkant med, hvilke dataanalyseværktøjer der er tilgængelige, og bruge dem til deres fulde potentiale.

What Is Data Analysis And The Best Tools To Use

When most people think оf data analysis, they think of manipυlating and anаlуzing data in a tool like Microsoft Excel. The reality is that data analysis encompasses a wide range of tools and a lot of different methods to manipulate and understand the story that the data tells.

What is data analysis? Data analysis is used very differently if you’re talking about business data, manufacturing data, marketing data, or data specific to the industry and business that you operate.

In this article, you’ll learn about the different aspects of data analysis, what they mean, and how they’re generally used across the board.

Data Collection

The first stage of any data analysis is data collection. This simply means gathering data from all of the sources that hold information you need.

Data can include any of the following and more:

• Manufacturing machinery controllers
• Someone manually entering data into a computer
• Sensors that measure temperature, pressure, and more
• Cloud based data sources
• Information from the internet like weather or government databases
• Databases housed on your company network

A major challenge for a lot of organizations is figuring out what technical tools are available to gather that information. Most of the time software is required to connect to that remote device or data source and then pull them into an internal database or data historian system.

These storage areas are often referred to as a “data warehouse”.

Once information is collected into a data warehouse inside an organization, various tools can be used to conduct the actual data analysis.

Business Intelligence

Once data is collected, the next step is deciding what to do with all that data. When it comes to business intelligence, the required data should help an organization make better business decisions.

Business Intelligence (BI) reports and dashboards help managers and other business leaders better understand trends and gain insights into various aspects of the business. 

These aspects include:

• Supply chain needs or limitations
• Reducing costs
• Improving sales
• Customer needs and behaviors
• Predicting future sales or market demands
• Logistics and shipping

Gathering data from all of these different systems throughout your organization lets you build connections between information that may never have been possible before.

Manufacturing Intelligence

The difficulty when it comes to gathering data from manufacturing processes is that usually there’s just so much of it.

If you think about a typical manufacturing facility, every single machine on the shop floor collects dozens to hundred of data points that include:

• Temperatures and pressures
• Parts or product made
• Raw material used
• Bad parts scrapped
• Malfunction counts and alarms

In most cases, manufacturing equipment is automated by the use of a programmable logic controller (PLC). These devices not only run the equipment according to how they’re programmed, but they also collect and gather data from that equipment.

Getting data out of those PLCs involves software that runs on a server on the same network as those PLCs. There are many vendors that have written software to get data out of those controllers and into a data historian or a database.

The data historian leaders in this area include:

• OSIsoft: This company has been around for decades, and includes “integrators” or drivers that can get data out of almost any kind of processor, sensor, or database.
• Factorytalk: Long time automation leader Rockwell Automation produced their own data historian called Factorytalk to help their customers collect data from machine processors. 
• Aveva: Formerly known as Wonderware, the AVEVA Historian promises to provide “open access” to machine data like process data, alarms, events, and more.
• Iconics: A smaller player in the data historian marketplace, the makers of Iconics promise to provide “high-speed archiving” so the stored data resolution matches what originally occurred on the machine.

Nearly all of these software providers include data analysis tools to go along with their data historian solution. Choosing the right data collection and analytics solution for your manufacturing facility really depends on the controllers you use, how you want to store the data, and how much you are willing to spend.

Data Visualization

The most popular tool for collecting, analyzing, and visualizing business data is Microsoft PowerBI.

PowerBI is a powerful visualization tool offered by Microsoft that lets you bring in data from many different data sources. You can then slice and dice the data across various pie and bar charts, line graphs, tables, and more.

The ability to combine information from various data sources lets you find correlations that wouldn’t have been possible before. This is the magic of modern data analysis. It provides the ability to gain insights that were never before possible before tools that let you visualize data from many sources.

PowerBI isn’t the only app with the ability to manipulate and visualize data in this way. In fact, there’s a growing market for just these types of tools. 

The leading data visualization tools today include:

• Metabase: An open-source (free) solution that touts itself as letting people in your organization “ask questions and learn from data”.
• Tableau: A popular data visualization platform used across many different industries. Connectivity with many different data sources is available.
• Whatagraph: Popular among marketing agencies because it’s easy to produce easy-to-understand reports. The tool includes automated report generation and can automatically email those to anyone.
• JasperReports: This is another open-source reporting solution. It’s power comes from the ability to output reports in many different formats like printed documents, PDFs, and web-based reports.

The option you decide to go with really depends on the investment you or your organization wants to make. Thankfully there are excellent open-source options available if that’s where you need to start.

Data Mining

One of the most powerful new data analysis techniques is something called data mining.

Data mining focuses on using statistical modeling to pull patterns and trends out of a large volume of data in order to predict future trends. 

The applications that can perform data mining statistical analysis are highly specialized and often need to be customized to the application or situation at hand.

Types of data mining analysis include:

• Exploratory Data Analysis (EDA): This involves searching for patterns in data in order to identify new trends or learn new information.
• Confirmatory Data Analysis (CDA: This involves using all of the collected data to try and determine whether suspected correlations are true.

Some of the leading data mining software tools available on the market today include:

• Rapid Miner: An excellent open-source predictive analysis system written in Java. It’s capable of machine learning, predictive analysis, and text mining.
• Sisense: Licensed software tailored for business intelligence, with the ability to scale up for large organizations. It includes an excellent reporting module.
• Oracle: One of the leading names in the data industry, Oracle offers data mining feature within SQL that lets organizations use data stored in an Oracle database.
• IBM Cognos: This software is capable of processing large volumes of data to identify important trends. These can be used to generate reports for management or others.
• SAS: Another big name in the data industry, Statistical Analysis System (SAS) was specifically designed to mine, manage, and even update data based on analytical results.

As you can see, there are many facets to data analysis and the tools you need to use really depends on what you hope to learn from that data.

Advancements in data analysis continue to advance every year, and any company or organization that hopes to stay ahead in their industry needs to stay on top of what data analysis tools are available and to use them to their fullest potential.

Related posts

• Xcode til Windows (8 bedste værktøjer til at udvikle iOS-apps på pc)

• Hvad er den bedste konferenceopkaldstjeneste – de bedste apps sammenlignet

• De 5 bedste Blue Light Filter Apps til Windows, Mac og Linux

• 4 Bedste Port Forwarding Software Apps og hvordan man bruger dem

• De 10 bedste privatlivsudvidelser til Chrome (2022)

• Virker Microsofts Windows-filgendannelse? Vi testede det.

• 6 bedste diskpladsanalysatorer til at finde tabte gigabyte

• 7 bedste værktøjer til fjernelse af bloatware til Windows

• Avast Online Security Extension: Er det værd at bruge?

• Google Chrome Autofyld: En komplet vejledning

• De bedste IFTTT-alternativer

• iMyFone Fixppo Review - Er det den bedste iPhone-gendannelsessoftware?

• 20 af de bedste tv-streamingenheder

• 6 bedste apps til at kontrollere CPU-temperaturen i Windows 11/10

• 5 bedste sikre APK-downloadsider til Android-apps

• 11 bedste gratis skærmbilledesoftware til Windows

• Bedste gratis online Markdown-editorer

• Ting at overveje, før du opretter din egen Wiki

• De bedste apps til at overvåge internetbrug

• Bedste adgangskodeværktøjer til at øge sikkerheden og holde dine data sikre