Autoscaling of Cloud-Native Apps Lowers TCO and Improves Availability

Automation has been the dream of workers since the dawn of the industrial revolution. As technology became more complex,...

 data-srcset

データ分析を新たな高みへと進めるための 5 つのテクニック

定量データ vs 定性データ定量データの分析定性データの分析 あなたの組織に適したビジネスインテリジェンスを実装することは、単に追加データを収集する以上のことです。そう、このようなデータをすぐに使用可能な洞察へと変換することです。様々なソースから組織が現在集めることができるデータの量は、どのプロセスが機能しているかを理解し、今後の傾向に向けてチームが備えるのに役立つ、中身を確認できる能力を提供します。しかし、適切な分析や集めたデータを把握しなければ、手に入れているすべての値や数字にはなんの関係性もありません。 さらに重要なことに、データを分析する方法に正解はないのです。あなたのニーズや集めるデータの種類によって、正しいデータ分析方法は変わります。また、これにより、各種類のデータやどの方法が最善の結果をもたらすのかを理解しておく必要性がでてきます。それでも、一部の共通のテクニックは効果的であるため、ほとんどのデータ分析ソフトウェアにはそのような方法が含まれています。この記事でご紹介する 5 つの方法は、より効果的ですぐに使用可能な洞察を作成する手助けになります。 定量データと定性データ: その違いは? あなたのデータセットに対して正しいデータ分析テクニックを選ぶための第 1 歩は、データの種類が定量データなのか、または定性データなのか、ということを理解することです。その名が示す通り、定量データはデータの量や具体的な数字を指します。このデータには、販売数や、クリックスルー率のようなマーケティングデータ、賃金データ、収益、その他客観的に数えられるデータや測定可能なデータが含まれています。 定性データは、組織のより解釈的で主観的な点と関係しているため、特定するのがより難しくなります。定性データには、顧客調査や従業員との面談から得られた情報が含まれており、一般的に量より質を指しています。そのため、定性データの分析方法は、定量データに対する分析テクニックよりも構造化されていません。 定量データの分析 定量データの分析方法は、確固たる事実に基づいた正確な数字や、データを解釈する能力に依存しています。分析方法を向上させるために最初にご紹介する 3 つの方法は、定量データに焦点を当てています: 1.回帰分析 回帰分析は、予測を立てたり今後の傾向を予想する必要がある際には素晴らしい方法となります。回帰分析は、従属変数(測定したいもの)と独立変数(従属変数を予想するために使用するデータ)の関係性を測定します。従属変数は...

Dana Liberty avatar image Dana Liberty
embed sdk featured image

Embed Fully-Integrated Analytic Apps Fast with Embed SDK

Imagine this scenario: you are trying to improve the stickiness and adoption of your application by delivering additional value...

Shruthi Panicker avatar image Shruthi Panicker

Subscribe to our blog

Sign up to get the latest news and developments in business analytics, data analysis and Sisense.

By submitting this form, I agree to Sisense's
privacy policy and terms of service.

Knowledge Graph
技術者の話 | 5 min read

Knowledge Graphs – Why Every Company Needs Them

If you’ve come across a knowledge graph recently, then you know what I’m talking about when I say that...

Yael Lev avatar image Yael Lev
AI replace data engineers
ビジネスの展望 | 7 min read

Will AI Assist Data Engineers or Replace Them?

Humans losing jobs to robots has been the preoccupation of economists and sci-fi writers alike for almost 100 years....

Inna Tokarev Sela avatar image Inna Tokarev Sela
 data-srcset
技術者の話 | 12 min read

REST API Testing Strategy: What Exactly Should You Test?

The API layer of any application is one of the most crucial software components. It is the channel which...

Roy Mor avatar image Roy Mor
 data-srcset
技術者の話 | 16 min read

How to Build a Performant Data Warehouse in Redshift

Having seven years of experience with managing Redshift, a fleet of 335 clusters, combining for 2000+ nodes, we (your...

Sisense Data Team avatar image Sisense Data Team
 data-srcset

Why Your BI and Analytics Platform Should be Cloud-Agnostic

In the early days of software development, applications were built to run on a single, compatible, physical machine. With...

Scott Castle avatar image Scott Castle
 data-srcset
技術者の話 | 3 min read

SQL, Python, and R — Why You Need a Unified Analytics Stack

Python, R, and Analytics SQL is a critical skill for business intelligence. From accessing to transforming to reporting on...

Adam Bonefeste avatar image Adam Bonefeste
 data-srcset
Sisense News | 4 min read

Deliver AI-Powered Analytic Apps on Cloud-Native Sisense

Introducing Sisense Release Q3 2019 Just over two years ago, our CEO, Amir Orad, delivered an internal announcement that...

Adam Blau avatar image Adam Blau
 data-srcset

Answering Deeper Data Questions with SQL, Python, and R Together

To understand how businesses in the future will create the most value with data, it helps to take a...

Tom O'Neill avatar image Tom O'Neill
 data-srcset
技術者の話 | 5 min read

AI in Analytics: The NLQ Use Case

In my previous blog, I wrote about Natural Language Query (NLQ, or search analytics for some), as one of...

Inna Tokarev Sela avatar image Inna Tokarev Sela