Η ανάλυση δεδομένων δεν αφορά μόνο αριθμούς, γραφήματα και dashboards. Συχνά, η μεγαλύτερη πρόκληση είναι να καταλάβεις τι κρύβεται πίσω από τα δεδομένα, πόσο αξιόπιστα είναι τα συμπεράσματά σου και τι μπορείς να περιμένεις στη συνέχεια.

Ας υποθέσουμε ότι μια επιχείρηση παρατηρεί αύξηση στις πωλήσεις της, ένα email campaign συγκεντρώνει περισσότερα clicks από το αναμενόμενο ή ένα μοντέλο προβλέπει ότι ένας πελάτης είναι πιθανό να διακόψει τη συνδρομή του. Πώς αξιολογείς αυτά τα αποτελέσματα; Και πώς ξεχωρίζεις μια πραγματική τάση από μια τυχαία διακύμανση;

Εδώ έρχονται οι πιθανότητες. Αποτελούν βασικό εργαλείο για την κατανόηση της αβεβαιότητας, την ερμηνεία των δεδομένων και τη λήψη τεκμηριωμένων αποφάσεων.

Αν θέλεις να αναπτύξεις τις δεξιότητές σου στο data analytics, οι παρακάτω 10 έννοιες αποτελούν ένα χρήσιμο σημείο εκκίνησης.

1. Βασική έννοια των πιθανοτήτων

Η πιθανότητα εκφράζει το πόσο πιθανό είναι να συμβεί ένα γεγονός. Οι τιμές της κυμαίνονται από το 0, που σημαίνει ότι ένα γεγονός είναι αδύνατο, έως το 1, που σημαίνει ότι είναι βέβαιο. Μπορεί επίσης να εκφραστεί ως ποσοστό.

Για παράδειγμα, αν 200 από τους 1.000 επισκέπτες ενός ηλεκτρονικού καταστήματος πραγματοποιήσουν αγορά, το παρατηρούμενο conversion rate είναι 20%.

Για έναν Data Analyst, αυτός ο αριθμός αποτελεί την αφετηρία της ανάλυσης. Το επόμενο βήμα είναι να εξετάσει αν το ποσοστό είναι συνηθισμένο, πώς συγκρίνεται με προηγούμενες περιόδους και ποιοι παράγοντες ενδέχεται να επηρεάζουν την απόδοση.

Γιατί έχει σημασία: Η βασική κατανόηση των πιθανοτήτων βοηθά στην ποσοτικοποίηση των αποτελεσμάτων και στη δημιουργία μιας αξιόπιστης βάσης για περαιτέρω ανάλυση.

2. Δειγματικός χώρος και ενδεχόμενα

Ο δειγματικός χώρος περιλαμβάνει όλα τα πιθανά αποτελέσματα μιας τυχαίας διαδικασίας. Ένα ενδεχόμενο είναι ένα συγκεκριμένο αποτέλεσμα ή μια ομάδα αποτελεσμάτων που θέλουμε να μελετήσουμε.

Ας δούμε το παράδειγμα μιας επιχείρησης ηλεκτρονικού εμπορίου. Οι παραγγελίες της μπορεί να παραδίδονται, να ακυρώνονται ή να επιστρέφονται. Αν η επιχείρηση θέλει να μελετήσει τις επιστροφές εντός 30 ημερών, αυτό είναι το ενδεχόμενο που θα εξετάσει.

Ο σαφής ορισμός των ενδεχομένων βοηθά τον αναλυτή να διατυπώνει συγκεκριμένα ερωτήματα και να αποφεύγει ασάφειες κατά τον υπολογισμό των δεικτών.

Γιατί έχει σημασία: Οι σωστοί ορισμοί εξασφαλίζουν συνέπεια στους υπολογισμούς και διευκολύνουν την επικοινωνία των αποτελεσμάτων.

3. Θεωρητική και εμπειρική πιθανότητα

Η θεωρητική πιθανότητα υπολογίζεται με βάση γνωστούς κανόνες και υποθέσεις. Η εμπειρική πιθανότητα προκύπτει από την παρατήρηση πραγματικών δεδομένων.

Για παράδειγμα, σε ένα δίκαιο ζάρι έξι πλευρών, η θεωρητική πιθανότητα να εμφανιστεί το 4 είναι 1/6. Στην επιχειρηματική ανάλυση, όμως, πολλές εκτιμήσεις βασίζονται σε ιστορικά στοιχεία.

Αν 80 από τους 400 πελάτες ανανεώσουν τη συνδρομή τους σε μια συγκεκριμένη περίοδο, το παρατηρούμενο ποσοστό ανανέωσης είναι 20%.

Αυτό δεν σημαίνει ότι ακριβώς το 20% των πελατών θα ανανεώνει πάντα τη συνδρομή του. Η συμπεριφορά μπορεί να αλλάξει ανάλογα με το δείγμα, τα χαρακτηριστικά των πελατών και τις συνθήκες της αγοράς.

Γιατί έχει σημασία: Η διάκριση μεταξύ θεωρητικής και εμπειρικής πιθανότητας βοηθά στην ορθή ερμηνεία των αποτελεσμάτων και των περιορισμών τους.

4. Συμπληρωματικά ενδεχόμενα

Κάθε ενδεχόμενο έχει ένα συμπληρωματικό ενδεχόμενο: την περίπτωση κατά την οποία αυτό δεν συμβαίνει. Οι πιθανότητες των δύο ενδεχομένων έχουν άθροισμα ίσο με 1.

Ο σχετικός τύπος είναι:

P(A^c) = 1 − P(A)

Αν, για παράδειγμα, η πιθανότητα ανανέωσης μιας συνδρομής είναι 75%, τότε η πιθανότητα μη ανανέωσης είναι 25%.

Η ίδια λογική μπορεί να εφαρμοστεί στην ανάλυση ακυρώσεων, αποτυχημένων συναλλαγών και απώλειας πελατών.

Γιατί έχει σημασία: Τα συμπληρωματικά ενδεχόμενα επιτρέπουν τον υπολογισμό πιθανοτήτων με απλό τρόπο, χωρίς να χρειάζεται να εξετάζεις ξεχωριστά κάθε πιθανό αποτέλεσμα.

5. Ο κανόνας της πρόσθεσης

Ο κανόνας της πρόσθεσης χρησιμοποιείται για τον υπολογισμό της πιθανότητας να συμβεί ένα ενδεχόμενο ή ένα άλλο.

Όταν δύο ενδεχόμενα δεν μπορούν να συμβούν ταυτόχρονα, οι πιθανότητές τους προστίθενται. Όταν υπάρχει επικάλυψη, πρέπει να αφαιρεθεί η κοινή πιθανότητα ώστε να μην υπολογιστεί δύο φορές.

Ας υποθέσουμε ότι ένας retailer θέλει να υπολογίσει πόσοι πελάτες αγόρασαν laptop ή tablet. Εφόσον κάποιοι μπορεί να αγόρασαν και τα δύο, η απλή πρόσθεση των δύο ποσοστών θα οδηγούσε σε υπερεκτίμηση.

Γιατί έχει σημασία: Ο κανόνας βοηθά στον σωστό υπολογισμό του μεγέθους των ομάδων πελατών και στην ανάλυση διαφορετικών κατηγοριών δεδομένων.

6. Ο κανόνας του πολλαπλασιασμού

Ο κανόνας του πολλαπλασιασμού χρησιμοποιείται όταν θέλουμε να υπολογίσουμε την πιθανότητα να συμβούν δύο ενδεχόμενα μαζί.

Για ανεξάρτητα ενδεχόμενα, πολλαπλασιάζουμε τις επιμέρους πιθανότητες. Για εξαρτημένα ενδεχόμενα, πρέπει να λάβουμε υπόψη πώς το πρώτο επηρεάζει την πιθανότητα του δεύτερου.

Για παράδειγμα, μια επιχείρηση θέλει να εξετάσει την πιθανότητα ένας επισκέπτης να κάνει click σε μια διαφήμιση και στη συνέχεια να πραγματοποιήσει αγορά. Για να εκτιμήσει την πιθανότητα να συμβούν και τα δύο, χρειάζεται να γνωρίζει τη σχέση μεταξύ των clicks και των αγορών.

Γιατί έχει σημασία: Ο κανόνας είναι χρήσιμος στην ανάλυση conversion funnels, στη μελέτη της συμπεριφοράς των χρηστών και στην αξιολόγηση συνδυαστικών αποτελεσμάτων.

7. Ανεξάρτητα και εξαρτημένα ενδεχόμενα

Δύο ενδεχόμενα είναι ανεξάρτητα όταν η πραγματοποίηση του ενός δεν επηρεάζει την πιθανότητα του άλλου. Αντίθετα, στα εξαρτημένα ενδεχόμενα, η πιθανότητα μεταβάλλεται ανάλογα με το τι έχει ήδη συμβεί.

Το αποτέλεσμα μιας δίκαιης ρίψης νομίσματος δεν επηρεάζει την επόμενη. Αντίθετα, η πιθανότητα ένας πελάτης να πραγματοποιήσει δεύτερη αγορά μπορεί να επηρεάζεται από την εμπειρία του κατά την πρώτη συναλλαγή.

Η διάκριση αυτή είναι ιδιαίτερα σημαντική όταν ένας αναλυτής δημιουργεί μοντέλα ή υπολογίζει πιθανότητες με βάση ιστορικά δεδομένα.

Γιατί έχει σημασία: Η κατανόηση της εξάρτησης μεταξύ γεγονότων βοηθά στην αποφυγή λανθασμένων υποθέσεων και στην ανάπτυξη πιο αξιόπιστων αναλύσεων.

8. Δεσμευμένη πιθανότητα

Η δεσμευμένη πιθανότητα περιγράφει πόσο πιθανό είναι να συμβεί ένα γεγονός, δεδομένου ότι ένα άλλο έχει ήδη συμβεί.

Ο τύπος είναι:

P(A | B) = P(A ∩ B) / P(B)

Στην πράξη, ένας Data Analyst μπορεί να εξετάσει αν οι πελάτες που χρησιμοποίησαν εκπτωτικό κωδικό έχουν μεγαλύτερη πιθανότητα να πραγματοποιήσουν δεύτερη αγορά σε σχέση με όσους δεν χρησιμοποίησαν.

Μια τέτοια σύγκριση μπορεί να αποκαλύψει ενδιαφέροντα μοτίβα. Ωστόσο, δεν αποδεικνύει από μόνη της ότι η έκπτωση προκάλεσε την επιπλέον αγορά, καθώς ενδέχεται να παίζουν ρόλο και άλλοι παράγοντες.

Γιατί έχει σημασία: Η δεσμευμένη πιθανότητα υποστηρίζει την τμηματοποίηση πελατών, την ανάλυση συμπεριφοράς και τη διερεύνηση σχέσεων μεταξύ μεταβλητών.

9. Κατανομές πιθανοτήτων

Μια κατανομή πιθανοτήτων περιγράφει τις πιθανές τιμές μιας μεταβλητής και την πιθανότητα εμφάνισης καθεμιάς από αυτές.

Διαφορετικές κατανομές χρησιμοποιούνται ανάλογα με τα δεδομένα και το ερώτημα που θέλουμε να απαντήσουμε.

Η διωνυμική κατανομή, για παράδειγμα, μπορεί να χρησιμοποιηθεί για την εκτίμηση του αριθμού των επιτυχιών σε έναν προκαθορισμένο αριθμό δοκιμών, εφόσον πληρούνται οι σχετικές προϋποθέσεις. Η κανονική κατανομή περιγράφει δεδομένα που συγκεντρώνονται γύρω από έναν μέσο όρο με συμμετρική, καμπανοειδή μορφή.

Ένας αναλυτής μπορεί να αξιοποιήσει αυτές τις κατανομές για να εξετάσει πόσες μετατροπές είναι εύλογο να αναμένονται σε μια καμπάνια ή πώς κατανέμονται οι χρόνοι παράδοσης παραγγελιών.

Γιατί έχει σημασία: Οι κατανομές πιθανοτήτων βοηθούν στην κατανόηση της μεταβλητότητας, στην εκτίμηση αναμενόμενων αποτελεσμάτων και στη δημιουργία στατιστικών μοντέλων.

10. Το θεώρημα του Bayes

Το θεώρημα του Bayes επιτρέπει την αναθεώρηση μιας αρχικής πιθανότητας όταν προκύπτουν νέα στοιχεία.

Για παράδειγμα, μια επιχείρηση μπορεί να εκτιμήσει την πιθανότητα μια συναλλαγή να είναι δόλια, αξιοποιώντας ιστορικά δεδομένα. Αν η συναλλαγή παρουσιάζει επιπλέον ασυνήθιστα χαρακτηριστικά, η αρχική εκτίμηση μπορεί να αναθεωρηθεί με βάση αυτές τις νέες πληροφορίες.

Η συγκεκριμένη προσέγγιση εφαρμόζεται στην ανίχνευση απάτης, στα συστήματα φιλτραρίσματος ανεπιθύμητων μηνυμάτων και σε εφαρμογές machine learning.

Γιατί έχει σημασία: Το θεώρημα του Bayes βοηθά τους αναλυτές να συνδυάζουν προηγούμενη γνώση με νέα δεδομένα και να προσαρμόζουν τις εκτιμήσεις τους ανάλογα με τα διαθέσιμα στοιχεία.

Πώς να αξιοποιήσεις τις πιθανότητες στην ανάλυση δεδομένων

Η κατανόηση των πιθανοτήτων αποκτά μεγαλύτερη αξία όταν εφαρμόζεται σε πραγματικά προβλήματα. Μπορείς να ξεκινήσεις εξετάζοντας ιστορικά δεδομένα, υπολογίζοντας ποσοστά εμφάνισης και αναζητώντας μοτίβα στη συμπεριφορά πελατών ή στην απόδοση μιας επιχείρησης.

Στη συνέχεια, χρειάζεται να ελέγχεις τις παραδοχές σου. Είναι το δείγμα αρκετά μεγάλο; Επηρεάζουν τα γεγονότα το ένα το άλλο; Υπάρχουν μεταβλητές που δεν έχουν ληφθεί υπόψη; Και πόσο αντιπροσωπευτικά είναι τα δεδομένα για τον πληθυσμό που σε ενδιαφέρει;

Εξίσου σημαντική είναι η επικοινωνία των ευρημάτων. Ένα ποσοστό ή μια πρόβλεψη χρειάζεται το κατάλληλο πλαίσιο, ώστε να μπορεί να αξιοποιηθεί σωστά στη λήψη αποφάσεων.

Οι πιθανότητες αποτελούν ένα μέρος του ευρύτερου συνόλου δεξιοτήτων που χρειάζεται ένας Data Analyst. Σε συνδυασμό με τη στατιστική, την Python, την SQL και το data visualization, προσφέρουν τα εργαλεία για να μετατρέπεις τα δεδομένα σε χρήσιμα επιχειρηματικά συμπεράσματα.

Ανάπτυξε τις δεξιότητές σου στο Data Analytics με τη Big Blue Data Academy

Θέλεις να περάσεις από τη θεωρία στην πράξη; Το Data Analytics & AI Bootcamp της Big Blue Data Academy σε βοηθά να αναπτύξεις τεχνικές δεξιότητες και να αποκτήσεις εμπειρία στην ανάλυση πραγματικών δεδομένων.

Μέσα από την εκπαίδευση σε Python, SQL, exploratory data analysis και data visualization, θα μάθεις να εντοπίζεις μοτίβα, να διερευνάς επιχειρηματικά ερωτήματα και να παρουσιάζεις τα ευρήματά σου μέσα από dashboards και πρακτικά projects.

Ανακάλυψε το Data Analytics & AI Bootcamp και κάνε το επόμενο βήμα προς μια καριέρα στον χώρο του data analytics.