Kesalahan Pembisnis Dalam Analisis Data

Kompihub.com – Kita memasuki era pengetahuan serta teknologi yg belum pernah terjadi sebelumnya. waktu ini ada lebih berasal 1 miliar pekerja berpengetahuan, masing-masing menggunakan berita serta keahlian buat menghasilkan keputusan usaha krusial. Di saat yg sama, BI generasi berikutnya beralih asal dasbor berdikari dan analis spesifik, memungkinkan wawasan berasal data menjangkau seluruh pekerja di semua aplikasi yg mereka gunakan. Pasangkan keduanya bersama-sama dan kita berada pada era di mana seluruh bisnis bisa melepaskan pembuat keputusan serta membentuk nilai yg belum pernah terdengar pada seluruh industri dan pada semua tingkatan.

Tetapi, potensi ini akan tetap belum dimanfaatkan Jika kami tidak memperbaiki kesalahan umum yg kami buat saat menggunakan data saat ini. Kami tidak bisa begitu saja mendorong proliferasi lebih banyak dasbor, menghadirkan bagan ke kedap, dan berfokus di metrik yg rupawan tetapi tak bisa ditindaklanjuti. Buat memastikan bahwa kami melakukan pendekatan yg tepat buat memasangkan pekerja pengetahuan dan BI generasi berikutnya, kami harus meninjau pulang dasar-dasar cara memanfaatkan wawasan dari data sebagai akibatnya kami menghindari perulangan baru dari kesalahan paling awam ini. Mari kita lihat penyebab masing-masing bisa bermasalah dan bagaimana Anda dapat menghindari dilema ini.

Beberapa Penyebab Kesalahan  Pembisnis Dalam Melakukan Analisis Data

Agar Pengambilan Sampel

Terjadi ketika sampel yang tidak representatif dipergunakan. contohnya, kampanye politik mungkin mengambil sampel 1.300 pemilih hanya buat mengetahui bahwa keliru satu anggota partai politik secara dramatis terwakili secara hiperbola. Bias pengambilan sampel wajib dihindari karena bisa membebani analisis terlalu jauh ke satu arah eksklusif.

Pengambilan Ceri

Terjadi ketika data ditumpuk buat mendukung hipotesis eksklusif. Ini adalah salah satu duduk perkara yg lebih disengaja yg muncul di daftar ini sebab selalu ada godaan buat mendorong analisis ke arah yang “benar”. tidak hanya memetik ceri tidak etis, tetapi mungkin mempunyai konsekuensi yang lebih serius pada bidang-bidang seperti kebijakan publik, teknik, dan kesehatan.

Pengungkapan Metrik

Menjadi duduk perkara karena metrik menjadi tak bermanfaat setelah subjek mengetahui nilainya. Hal ini akhirnya menimbulkan persoalan seperti norma pada bidang pendidikan yang mengajarkan apa yang terdapat pada tes baku. problem serupa terjadi pada hari-hari awal pencarian internet waktu situs web mulai membanjiri konten mereka menggunakan kata kunci buat mempermainkan cara peringkat laman.

Overfitting Cenderung

Selama proses analisis seorang mungkin memiliki model, misalnya, dan kurva yg dihasilkan sang contoh tersebut sepertinya bersifat prediktif. Sayangnya, kurva tadi hanya berupa kurva karena datanya sinkron menggunakan contoh. Kegagalan contoh mungkin hanya sebagai jelas, namun, waktu contoh tersebut dibandingkan dengan pengamatan masa depan yang tidak begitu pas.

Berfokus Hanya Pada Angka

Mengkhawatirkan sebab bisa memiliki konsekuensi dunia nyata yang merugikan. contohnya, bias sosial yang terdapat bisa dimasukkan ke pada model. Perusahaan yang menangani pinjaman mungkin menghasilkan contoh yang mengakibatkan bias geografis dengan memakai data yang asal dari sumber yg bias. nomor -angka tersebut mungkin terlihat higienis serta rapi, namun bias yg mendasarinya dapat bergejolak secara sosial dan ekonomi.

Bias solusi dapat dianggap sebagai sepupu yang lebih lembut dari pemetikan ceri. menggunakan bias solusi, solusi mungkin sangat keren, menarik, atau elegan sehingga sulit buat tak jatuh cinta. Sayangnya, solusinya mungkin salah , serta tingkat ketelitian ilmiah serta matematis yg sinkron mungkin tak diterapkan karena menyanggah solusi hanya akan tampak mengecewakan.

Berkomunikasi Dengan Jelek

Lebih bermasalah daripada yg Anda duga. menghasilkan analisis merupakan satu hal, tetapi memberikan temuan menggunakan cara yg dapat diakses oleh orang-orang yang tidak berpartisipasi dalam proyek sangatlah penting. Ilmuwan data wajib terbiasa membentuk dasbor, bagan, serta produk kerja lain yang elegan dan menarik buat memastikan temuan mereka dikomunikasikan menggunakan baik.

Cara Menghindari Penyebab Perkara Ini

Proses serta ketekunan adalah senjata utama kamu dalam memerangi kesalahan dalam analisis data. Pertama, kalian harus mempunyai proses yang menekankan pentingnya melakukan sesuatu menggunakan sahih. ketika kamu membuat eksperimen ilmu data, perlu ada investigasi yg akan memaksa kalian buat berhenti dan mempertimbangkan hal-hal seperti:

• Dari mana datanya berasal?
• Apakah ada bias yang diketahui dalam data?
• Bisakah Anda menyaring data untuk masalah?
• Siapa yang memeriksa pekerjaan semua orang?
• Kapan hasil akan dianalisis ulang untuk memverifikasi integritas?
• Apakah ada implikasi etis, sosial, ekonomi atau moral yang perlu diperiksa lebih dekat sebelum memulai?

Ketekunan juga penting kalian harus melihat kekhawatiran tentang apakah:

• Anda memiliki sampel yg cukup akbar serta representatif buat dikerjakan
• Terdapat cara yg lebih ketat buat melakukan analisis
• Bagaimana anda akan memastikan analis mengikuti mekanisme yang diuraikan dengan sahih

Menangani proyek ilmu data membutuhkan perencanaan yg memadai dan luas. Anda juga harus mempertimbangkan cara buat menyempurnakan pekerjaan kamu serta terus menaikkan proses anda berasal ketika ke ketika. Dibutuhkan komitmen, tetapi grup menggunakan budaya yang tepat dapat melakukan pekerjaan yang lebih baik untuk menghindari kesalahan yg bisa dihindari.