متن پادکست

به گفتگوی کاربردی خوش آمدید. واقعاً فوق العاده است که در شروع ماژول 4 با ما باشید. فقط به این فکر کنید که تا همین الان چقدر پیشرفت کرده‌اید، در اکوسیستم‌های داده حرکت کرده‌اید، در جمع‌آوری اطلاعات بحث‌برانگیز مهارت پیدا کرده‌اید. باید به خودتان افتخار کنید. مطمئناً هر مرحله، بلوک‌های سازنده‌ی مهمی را در اختیار شما قرار داده است و اکنون شما واقعاً آماده‌اید تا این مهارت‌ها را کنار هم قرار دهید تا درک بسیار عمیق‌تری از داده‌ها به دست آورید. و این دقیقاً همان چیزی است که این ماژول در مورد آن است، کاوش و مصورسازی داده‌ها و انتقال نتایج. ما قصد داریم بررسی کنیم که چگونه تحلیل آماری به آشکار کردن آن داستان‌های پنهان در داده‌ها کمک می‌کند. ما به ابزارهایی برای یافتن الگوهای کلیدی و مهم‌تر از همه، نحوه‌ی نمایش مؤثر آموخته‌های خود از طریق مصورسازی‌ها، خواهیم پرداخت. بله، و این مجموعه مهارت ها، فوق العاده ارزشمند است. گرفتن داده های خام، تبدیل آن به بینش های واضح و کاربردی که در همه جا مورد نیاز است. کسب و کار، مراقبت‌های بهداشتی، تحقیقات، بخش عمومی، هر چه که فکرش را بکنید. درک چگونگی تحلیل داده‌ها و سپس انتقال خوب آن، این روزها تقریباً مثل یک ابرقدرت است. يه ابرقدرت از این اصطلاح خوشم اومد این واقعا چیزی است که به سازمان ها اجازه می دهد تصمیمات واقعا آگاهانه بگیرند، می دانی اهممم پیشرفت واقعی را هدایت می‌کند بسیار خب، پس بیایید به هسته اصلی این ماژول بپردازیم. به نظر می رسد که یک فرآیند متصل است. ما با تحلیل آماری شروع می‌کنیم، سپس داده‌کاوی گوهرها را پیدا می‌کند، سپس آن را تجسم می‌کند و در نهایت، داستان‌سرایی داده‌ها همه چیز را کنار هم قرار می‌دهد. درسته تحلیل آماری، پایه و اساس کار شماست. روش‌ها و چارچوب‌های دقیقی را ارائه می‌دهد، مجموعه‌های بزرگ داده را بررسی می‌کند و الگوهای معنادار را شناسایی می‌کند. در واقع، این علم است که به ما اجازه می‌دهد به نتیجه‌گیری‌های خود از داده‌ها اعتماد کنیم. درسته، اعتبارسنجی. آره و داده‌کاوی سپس آن چارچوب‌ها را می‌گیرد و به نوعی به کاوش می‌پردازد. بله داده‌کاوی از تکنیک‌هایی، اغلب از یادگیری ماشین یا آمار، برای غربال کردن حجم عظیمی از داده‌ها استفاده می‌کند. ما به دنبال همبستگی‌ها، ناهنجاری‌ها، روندها، و چیزهایی هستیم که بلافاصله آشکار نیستند. در واقع در مورد کشف آن بینش‌های غیرمنتظره است، شاید مانند خوشه‌بندی رفتارهای مشتری برای یافتن بخش‌هایی که حتی نمی‌دانستید وجود دارند. یافتن سوزن در یک انبار کاه، اما با کمک فناوری هوشمند. و وقتی آن الگوها را پیدا کردید، اینجاست که تجسم برای روشن کردن آنها وارد عمل می‌شود. قطعا تجسم بسیار مهم است. انگار مغز ما فقط برای اطلاعات بصری سیم‌کشی شده است. ما آن را خیلی سریع پردازش می‌کنیم. درسته، من شنیده‌ام این پردازش ۶۰،۰۰۰ برابر سریع‌تر از پردازش متن است. بله، این همان چیزی است که اغلب به آن اشاره می‌شود. یک نمودار خوب، یک گراف خوب می‌تواند روابط پیچیده را خیلی سریع‌تر، خیلی شهودی‌تر از جداول اعداد، منتقل کند. درک فوری شما یک خط روند را می‌بینید که به شدت افت می‌کند. و بلافاصله داستان تغییر را دریافت می کنید، درست است؟ که کاملاً به داستان‌سرایی داده‌ها منجر می‌شود. این فقط نشان دادن تصویر نیست. نه، بلکه ساختن روایت پیرامون آن است. با در نظر گرفتن آن بینش‌ها، آن تصاویر، و ساختاردهی آنها. فراهم کردن زمینه، و توضیح چرایی پشت داده‌ها. این چیزی است که اطلاعات را به یاد ماندنی و متقاعدکننده می‌کند. تحقیقاتی وجود دارد که نشان می‌دهد یک داستان، داده‌ها را، مثلاً ۲۲ برابر، تأثیرگذارتر می‌کند؟ ۲۲ برابر. خب، بیایید این را ملموس کنیم. یک مثال دنیای واقعی دیگر چطور است؟ شاید. جریان ترافیک در یک شهر. اوه، این يکي عاليه موافقم شورای شهر می‌خواهد ترافیک را بهبود بخشد. آنها می‌توانند با تحلیل آماری روی داده‌های حسگر شروع کنند. با نگاه به سرعت‌های متوسط، نقاط تراکم، زمان‌های روز، و حجم ترافیک در مسیرهای مختلف. خب، پس ابتدا مناطق مشکل‌دار را شناسایی و آن را کمّی می‌کنند بله . سپس تکنیک‌های داده‌کاوی ممکن است به دنبال همبستگی‌های کمتر واضح باشند. شاید آنها یک ارتباط شگفت‌انگیز بین مثلاً پیاده کردن دانش‌آموزان مدرسه در یک منطقه و تراکم بسیار زیاد در یک شریان اصلی، مثلاً نیم ساعت بعد، پیدا کنند. ارتباطی غیر منتظره ای که به طور معمول برقرار نمی کنید. درسته و آنها چگونه این را تصور می کنند؟ خب، آنها می‌توانند نقشه‌های تعاملی ایجاد کنند که جریان ترافیک را نشان می‌دهد، شاید نقاط حساس را که در طول زمان تغییر می‌کنند، برجسته کنند. و آنها می‌توانند آن همبستگی خاصی را که پیدا کرده‌اند، تجسم کنند، شاید نمودارهای پیوندی که زمان‌ها و مکان‌های پیاده کردن دانش‌آموزان از مدرسه را در کنار الگوهای ازدحام بعدی نشان می‌دهند. ترافیک اینجا به درد میخوره، نشان می‌دهد که کجا، چه زمانی و به طور بالقوه چرا. دقیقا پیشنهاد راه حل های هدفمند را بسیار آسان تر می کند، اینطور نیست؟ آره، کاملا و داستان در مورد چگونگی ارتباط این عوامل مختلف می‌شود و اینکه چگونه تغییرات خاص مبتنی بر داده‌ها می‌توانند واقعاً کمک کنند،. این واقعا کل رویکرد شما را به حل مسئله تغییر می دهد. شما از نوعی حدس زدن به سمت داشتن شواهد واقعی که تصمیمات شما را هدایت می‌کند، حرکت می‌کنید. این یک تغییر طرز فکر بزرگ است، اینطور نیست؟ دیدن داده‌ها نه فقط به عنوان اعداد، بلکه به عنوان سرنخ‌هایی در یک داستان. همینطوره. کسی که این مهارت‌ها را ندارد، ممکن است فقط یک صفحه گسترده ببیند و شاید احساس سردرگمی کند. اما کسی که این ماژول را می‌فهمد، با کنجکاوی به آن داده‌ها نزدیک می‌شود. آنها به دنبال روایت هستند. شکار داستان دقیقا و آن لحظه اغلب زمانی فرا می‌رسد که تجسم فرا می رسد و الگوهایی را که در دید ساده پنهان بودند، آشکار می‌کند. به نظر فوق العاده قدرتمند است. خوب، برای افرادی که تازه این ماژول را شروع می کنند، یکی - دو نکته کلیدی چیست؟ اول. همیشه با یک سوال شروع کنید. هدفتان کاملا واضح باشد. قبل از اینکه به تحلیل یا تجسم بپردازید، بپرسید من سعی دارم چه چیزی را بفهمم؟ چه مشکلی نیاز به حل دارد؟ این تمرکز مثل قطب نمای شماست. شما را در مسیر نگه می دارد. مانع از گم شدن شما در انبوه داده‌ها می‌شود. آره و نکته دوم، تجسم های خود را ساده نگه دارید. ساده، نه پیچیده خب، همیشه وضوح بر پیچیدگی ارجحیت دارد. می‌تواند وسوسه‌انگیز باشد که نمودارهای واقعاً پیچیده‌ای بسازید، اما هدف شما ارتباط است. از نمودارهایی استفاده کنید که پیام اصلی را به وضوح نشان می‌دهند. از شلوغی، چیزی که برخی آن را نمودارهای بی‌ارزش می‌نامند، اجتناب کنید. می‌دانید، به نسبت داده به جوهر فکر کنید. سیگنال را به حداکثر برسانید. درسته نویز را به حداقل برسانید. ضربات واضح و مستقیم حتی اگر چشمگیر به نظر برسد، گیج‌کننده است. فهميدم و شاید نکته سوم ، مخاطب خود را بشناسید.داستان و تصاویر را متناسب با کسانی که با آنها صحبت می کنید تنظیم کنید. نکته خوبیه ایجاد تعادل بین جزئیات فنی و دسترسی‌پذیری. دقیقا خیلی خوب در ماژول قبلی، ما در مورد شناسایی داده های بالقوه برای تصمیم گیری صحبت کردیم. اکنون، مرحله بعدی این است که فکر کنید چگونه می توانید داده های خاص را تجسم کنید. چه نوع نمودار یا گراف میله‌ای، خطی، دایره‌ای، شاید یک نقشه، بهترین راه برای انتقال بینش بالقوه از آن داده‌ها به شخص دیگری است؟ اوه من این را دوست دارم. حتی فقط طراحی یک ایده اولیه روی کاغذ، واقعاً می‌تواند به تثبیت چیزها کمک کند. این یک تمرین فوق العاده است. داده ها را مستقیماً به استراتژی ارتباطی متصل می کند. واقعا کاربردی. . همانطور که همه ماژول چهارم را شروع می‌کنند، در اینجا یک سوال تأملی نهایی برای شما وجود دارد. به زمانی فکر کنید که یک نمودار یا گراف دیدید، شاید در اخباریا در محل کار، که فوراً به شما کمک کرد چیزی پیچیده را درک کنید. چه چیزی در مورد آن تجسم بود که آن را بسیار مؤثر کرد؟ و چگونه می‌توانید این اصول را هنگام یادگیری ایجاد بینش خودتان به کار ببرید؟ بله فکر کردن به این موضوع به شما کمک می‌کند تا هم مصرف‌کننده بهتری شوید و هم در نهایت خالق بهتری از این بینش‌های مبتنی بر داده باشید. ممنون از گوش دادن و به ماژول چهارم خوش آمدید. از یادگیری خود لذت ببرید. این بخش، بخش گفتگوی کاربردی است.