Tanımlayıcı Analitik
Tanımlayıcı analitik (descriptive analytics), sayımlar, toplamlar, ortalamalar, oranlar ve zaman içindeki trendler kullanılarak ne olduğunu özetlemek için geçmiş verinin analiz edilmesidir; teşhis edici, tahmine dayalı ve kural koyucu analitiğin üzerine inşa edildiği temeldir.
Tanımlayıcı analitik nedir?
Tanımlayıcı analitik, teşhis edici (neden oldu), tahmine dayalı (ne olacak) ve kural koyucu (ne yapılmalı) analitikle birlikte sıkça anılan dört analitik türünün ilkidir. Aylık gelirden haftalık web trafiğine kadar şirket raporlamalarının çoğu bu ilk türe girer.
Üç yapı taşı vardır:
Toplulaştırma: haftalık sipariş sayısı gibi toplamlar ve sayımlar.
Özet istatistikler: ortalama, medyan, yüzdelikler, minimum ve maksimum ile dağılım.
Karşılaştırma: dönemden döneme, hedefe göre ya da segmentler arasında.
Nedenleri açıklamaz veya tahmin yapmaz; geçmişe ilişkin olguları açık ve tutarlı biçimde ortaya koyar. Çıktıları iş hayatının tanıdık unsurlarıdır: aylık yönetim raporları, KPI panelleri, satış sıralama tabloları ve Google Analytics 4 gibi araçlardaki web sitesi trafik özetleri.
Tanımlayıcı analitik nasıl iyi yapılır?
İşin büyük kısmı grafiklerde değil, tanımlarda ve ayrıntı düzeyindedir (grain).
Ayrıntı düzeyini sabitleyin: sipariş başına, oturum başına ya da müşteri başına günlük bir satır.
Her metriği bir formül ve filtrelerle tanımlayın; örneğin churn oranı = dönem içinde kaybedilen müşteriler ÷ dönem başındaki müşteriler.
Doğru özeti seçin: Sipariş tutarları veya anlaşma büyüklükleri gibi çarpık verilerde medyan, ortalamadan daha güvenlidir.
Bağlam ekleyin: Her rakamın yanında karşılaştırma dönemini ve hedefi gösterin.
Sonuca varmadan önce segmentlere ayırın: Genel bir ortalama, iki gruptaki zıt trendleri gizleyebilir; bu durum Simpson paradoksu olarak bilinir.
Bunun büyük kısmını GROUP BY içeren SQL karşılar; sunumu ise tablolama programları, Power BI, Tableau ve Looker üstlenir.
Tanımlayıcı analitik pratikte nasıl görünür?
İyi bir tanımlayıcı değerlendirme neyin nerede değiştiğini netleştirir ve "neden" sorusunu bir sonraki adıma bırakır. 35 klinikli bir fizyoterapi zincirinin çeyreğini değerlendirdiğini düşünün. Diyelim ki yönetim, klinik başına randevuların, iptallerin ve gelirin nasıl değiştiğini öğrenmek istiyor.
Bir analist randevu verilerini rezervasyon sisteminden bir veri ambarına çekiyor ve şunları üretiyor: aylara göre toplam randevu, klinik başına iptal oranı, ziyaret başına medyan gelir ve kapasite kullanımına göre en iyi ve en kötü beş klinik. Bu örnekte özet, dört klinikte iptal oranının %8'den %13'e yükseldiğini, diğerlerinde ise sabit kaldığını gösteriyor.
Tanımlayıcı bulgu budur; bu dört kliniğin neden farklılaştığını sormak ise bir sonraki adımdır: detaya inme (drill-down) ve teşhis çalışması.
Çeyreklik rapor paketi bilinçli olarak sade tutulur: her birinin yanında önceki çeyreğin rakamıyla birlikte tek sayfalık ana rakamlar, klinik bazında tek bir tablo ve değişen herhangi bir tanıma ilişkin kısa bir not. Aynı sorgu her çeyrek çalıştığı için rakamlar zaman içinde karşılaştırılabilir; değerin büyük kısmı da buradan gelir.
Tanımlayıcı analitiğin sınırları ve tuzakları nelerdir?
Tanımlayıcı rakamlar neyin değiştiğini söyler ama nedenini asla söylemez; bu yüzden gereğinden fazla anlam yüklenmeye açıktır.
Bir grafikteki korelasyonu neden olarak görmek.
Tek bir büyük müşterinin çarpıtabileceği çarpık verilerde ortalama kullanmak.
Seri ortasında tanımları değiştirerek sahte trendler yaratmak.
Küçük örneklemleri yüzde olarak sunmak; örneğin 2 müşteriden 3 müşteriye çıkışı %50 büyüme olarak göstermek.
Karar stok seviyeleri veya personel planlaması gibi geleceğe bağlı olduğunda tek başına yeterli değildir; bunun üzerine kurulu tahmine dayalı analitik gerekir.
Tanımlayıcı analitiğin teşhis edici ve tahmine dayalı analitikten farkı nedir?
Tanımlayıcı analitik ne olduğunu raporlar, teşhis edici analitik nedenini açıklar, tahmine dayalı analitik ise bundan sonra ne olacağını tahmin eder. Her adım, bir öncekinden daha fazla veri hazırlığı ve daha fazla istatistik becerisi gerektirir.
Tanımlayıcı çalışma herhangi bir BI aracında yapılabilir; teşhis edici çalışma segmentasyon, kohort analizi ve regresyon ekler; tahmine dayalı çalışma ise Python, R veya BigQuery ML gibi veri ambarı ML özelliklerinde makine öğrenmesi modelleri ekler. İlk aşamayı atlayamazsınız: Tutarsız geçmiş metrikler üzerine kurulan bir tahmin, onların hatalarını devralır.
Olgunluk açısından, küçük ve orta ölçekli şirketlerin çoğu en büyük getiriyi, modellere yatırım yapmadan önce tanımlayıcı raporlamayı güvenilir ve otomatik hâle getirerek elde eder.
Tanımlayıcı ve tahmine dayalı analitik karşılaştırması
Tanımlayıcı analitik | Tahmine dayalı analitik | |
|---|---|---|
Soru | Ne oldu? | Ne olması muhtemel? |
Yöntemler | Toplamlar, ortalamalar, oranlar, trendler | Regresyon, makine öğrenmesi, öngörü (forecasting) |
Tipik araçlar | SQL, Excel, Power BI, Tableau | Python, R, BigQuery ML, Azure ML |
Çıktı | Raporlar ve paneller | Skorlar, öngörüler, olasılıklar |
Temel risk | Bir grafikten nedeni yanlış okumak | Yanlı veya güncelliğini yitirmiş eğitim verisi |
VIZIO AI tanımlayıcı analitiğe nasıl yaklaşır?
VIZIO AI'ın panel projeleri büyük ölçüde ölçekli olarak yapılan tanımlayıcı analitiktir; vurgu tutarlı tanımlar ve otomatik yenileme üzerindedir. 30.000'den fazla çalışanı olan küresel bir medya ve eğlence şirketi için DX Studio; oltalama (phishing) tıklama oranlarını, bildirim oranlarını, tekrar eden ihlalleri ve eğitim katılımını özetleyen bir siber güvenlik farkındalığı istihbarat paneli geliştirdi; panel manuel raporlama süresini %45 azalttı ve eğitim sonuçlarının analizini 4 kat hızlandırdı.
Seattle'daki bir aile hukuku bürosu için bir Power BI operasyonel paneli dönüşümü, faturalanabilir kapasite kullanımını ve faturalanan ile tahsil edilen geliri özetledi ve manuel raporlama süresini %65 azalttı. Nereden başlamalı: En çok raporlanan beş metriğinizin formülünü yazın ve her raporun bunu kullandığını kontrol edin.
VIZIO AI vaka çalışmalarında Tanımlayıcı Analitik
- Cybersecurity Awareness Intelligence ›Tıklama, bildirim ve katılım oranlarını özetleyen bir Power BI paneli, manuel raporlama süresini %45 azalttı ve eğitim analizini 4 kat hızlandırdı.
- Legal Operational Performance Analytics ›Dönüşüm, kapasite kullanımı ve faturalanan ile tahsil edilen gelire ilişkin tanımlayıcı görünümler, manuel raporlama süresini %65 azalttı.