Processo de Modelagem Típico:
Em um processo de modelagem típico, é importante começar a desenhar uma hipótese. Uma RFP (solicitação de proposta) é recebida e, em seguida, uma hipótese é desenhada.
o que é chef e fantoche
- Determine a fonte de dados certa - Aqui, o cliente pode fornecer a fonte de dados, caso contrário, temos que procurar uma fonte de dados. Diante de um cenário em que tentamos avaliar quem venceria a eleição, é feita uma análise pública dos dados com fontes que incluem mídias sociais, canais de notícias ou opinião pública. Também precisamos entender a quantidade de dados necessários para analisar o problema. Nesse caso, normalmente procuramos amostras grandes, pois é um caso de Eleição. Por outro lado, se a análise for feita na área de Saúde, é difícil ir para uma grande população porque existe a possibilidade de não conseguir gente suficiente para validar a hipótese. Além disso, a qualidade dos dados é muito importante.
- Extrair dados - Por exemplo, se tomarmos uma amostra da população, podemos olhar para atributos, como alta renda, baixa renda, idade, população ativa (externa / local), residentes, NRI, cobertura de hospitais, etc., para iniciar o estudo . Aqui, podemos não precisar de tantos atributos para a hipótese. Entendemos que atributos, como alta e baixa renda, podem não ser os fatores que contribuem para determinar quem vencerá a eleição. Mas a idade pode fazer a diferença, pois dá uma contagem direta de quantas pessoas vão votar. Muitas vezes podemos excluir atributos menos usados ou incluir atributos que são úteis. Isso pode dar errado em ambos os casos. Essa é a razão pela qual a análise é um desafio.
- Massageie os dados para se ajustarem à ferramenta - Isso ocorre porque nem todas as ferramentas podem aceitar todos os dados. Certas ferramentas aceitam apenas dados CSV ou dados Excel. A falta de ferramentas é um desafio.
- Execute a análise - Esta operação pode ser realizada usando várias técnicas de análise.
- Tirar conclusões - A análise fornece números para ser mais preciso. Mas cabe ao usuário tirar conclusões desses números. Por exemplo, se diz 10% ou 20%, devemos entender o que significa? Ele deriva correlação entre o Atributo A e o Atributo B?
- Implementar resultados - É importante implementar conclusões para ver os resultados nos negócios. Por exemplo, pode-se concluir que ‘Pessoas compram Umbrella na estação das chuvas’ o que pode resultar em mais negócios. Aqui, precisamos implementar a conclusão onde fazemos guarda-chuva, disponível nas lojas, mas então pode haver problemas de gestão. No momento em que as estatísticas dão resultado, a implementação pode dar errado.
- Monitorar o progresso - A última etapa aqui, o monitoramento desempenha um papel importante. O monitoramento pode dar errado porque poucas organizações desejam monitorar o progresso e isso é considerado uma etapa insignificante. Mas o monitoramento é importante porque podemos entender se nossas pesquisas e conclusões estão indo na direção certa.
Verifique também este artigo' Correlação não significa causalidade 'o que dá uma ideia de como os analistas podem errar. Um ponto importante a ser observado neste gráfico é que a execução da análise é a única etapa em que a máquina é responsável e, além disso, cabe a um ser humano que determinará como a pesquisa é feita.
Tem alguma questão para nós? Mencione-os na seção de comentários e entraremos em contato com você.
Noções básicas de servidor sql para iniciantes
Postagens relacionadas: