Lad os tage et skridt tilbage fra detaljerne i dataanalyse i Excel og tilbyde en håndfuld generelle tips. For det meste er disse tips opsummeringer og generaliseringer, der vil hjælpe dig med det grundlæggende i Excel.
Arbejd hårdt på at importere data
At arbejde på at importere gode, rige data til Excel-projektmapper er virkelig umagen værd. Nogle gange kan det være problematisk at importere data. Hovedpine og hjertesorg kan ske, når man forsøger at få fat i data fra andre ledelsesinformationssystemer, og når man forsøger at arbejde med en databaseadministrator for at få de rigtige data ind i et format, der giver nyttig dataanalyse med Excel.
Men på trods af besværet med at skaffe data, vil du opdage, at import af gode data til Excel er besværet værd. Traditionelt tager folk beslutninger ved at bruge meget standard informationskilder. Og de traditionelle kilder producerer traditionel indsigt, hvilket er fantastisk. Men når du kan arbejde med et rigere, dybere datasæt af rå information, får du ofte indsigt, som simpelthen ikke vises i de traditionelle kilder.
Design informationssystemer til at producere rig data
Selvom du måske ønsker at koncentrere dig om at skabe systemer, der producerer rapporter, som ledere og beslutningstagere ønsker, og som producerer formularer (såsom fakturaer og checks og indkøbsordrer), som virksomheder har brug for at drive, er dette ikke den eneste måde.
Du skal også erkende, at der sandsynligvis vil være uplanlagte, uortodokse, usædvanlige, men stadig meget værdifulde måder, hvorpå de data, der indsamles af disse ledelsesinformationssystemer, kan analyseres. Så hvis du arbejder med eller designer eller deltager i implementering af informationssystemer, bør du indse, at rådata fra systemet kan og bør videregives til dataanalyseværktøjer som Excel.
At have rige, detaljerede optegnelser over de produkter eller tjenester, som en virksomhed sælger, gør det muligt for virksomheden at se tendenser i salg efter produkt eller service. Derudover giver det en virksomhed mulighed for at oprette krydstabeller, der viser, hvordan bestemte kunder vælger og bruger bestemte produkter og tjenester.
Organisationer skal designe informationssystemer, så de også indsamler gode, rige, rå data. Senere kan disse data nemt eksporteres til Excel, hvor simpel dataanalyse kan føre til rig indsigt i en virksomheds drift, dens muligheder og mulige trusler.
Glem ikke tredjepartskilder
Et hurtigt punkt: Erkend, at der findes mange tredjepartsdatakilder. For eksempel kan leverandører og kunder have meget interessante data tilgængelige i et format, der er tilgængeligt for Excel, som du kan bruge til at analysere deres marked eller din branche.
Webforespørgselsværktøjet, der er tilgængeligt i Excel, gør det meget nemt at udtrække information fra tabeller, der er gemt på websider.
Bare tilføje det
Du tror måske, at kraftfuld dataanalyse kræver kraftfulde dataanalyseteknikker. Chi-firkanter. Inferential statistik. Regressions analyse.
Men det er ikke nødvendigvis sådan. Nogle af de mest kraftfulde dataanalyser, du kan lave, involverer blot at lægge tal sammen. Hvis du tilføjer tal og får summer, som andre mennesker ikke engang kender til - og hvis disse summer er vigtige eller viser tendenser - kan du få vigtig indsigt og indsamle værdifuld information gennem de enkleste dataanalyseteknikker.
Det vigtigste er at indsamle rigtig god information i første omgang og derefter have den information gemt i en container, såsom en Excel-projektmappe, så du aritmetisk kan manipulere og analysere dataene.
Udforsk altid beskrivende statistik
De beskrivende statistiske værktøjer, som Excel tilbyder, er virkelig kraftfulde værktøjer. Føl dig ikke, som om disse værktøjer er ud over dine færdigheder.
Beskrivende statistik beskriver ganske enkelt de data, du har i nogle Excel-regneark. De er ikke magiske, og du behøver ikke nogen særlig statistisk træning for at bruge dem eller dele dem med de personer, som du præsenterer dine dataanalyseresultater for.
Bemærk også, at nogle af de enkleste beskrivende statistiske mål ofte er de mest nyttige.
Hold øje med trends
Peter Drucker, måske den mest kendte og mest indsigtsfulde observatør af moderne ledelsespraksis, bemærkede i flere af sine sidste bøger, at en af de mest betydningsfulde ting, dataanalyse kan gøre, er at få øje på en ændring i tendenser. Trends er næsten det vigtigste, du kan se. Hvis din branches samlede indtægter vokser, er det væsentligt. Hvis de ikke er vokset, eller hvis de begynder at skrumpe, er det nok endnu mere væsentligt.
I din egen dataanalyse skal du sørge for at konstruere dine arbejdsark og indsamle dine data på en måde, der hjælper dig med at identificere tendenser og ideelt set identificere ændringer i tendenser.
Krydstabulering
PivotTable-kommandoen er et vidunderligt værktøj. Krydstabuleringer er ekstremt nyttige måder at opdele data på. Og det smarte ved PivotTable-værktøjet er, at du nemt kan krydstabulere igen og derefter krydstabulere igen.
Hvis du har gode rige datakilder, og du ikke regelmæssigt krydstabulerer dine data, går du sandsynligvis glip af absolutte skatte af information. Der er guld i bakkerne.
Kortlæg det, skat
En vigtig komponent i god dataanalyse er at præsentere og undersøge dine data visuelt.
Ved at se på et linjediagram med en vigtig statistik eller ved at oprette et søjlediagram over et sæt data, ser du ofte ting, der ikke er tydelige i en tabelpræsentation af den samme information. Grundlæggende er kortlægning ofte en vidunderlig måde at opdage ting, som du ellers ikke vil se.
Vær opmærksom på slutningsstatistikker
Excel giver værktøjer til inferential statistik. Inferentielle statistikker giver dig mulighed for at indsamle en stikprøve og derefter drage konklusioner om den population, som stikprøven er trukket fra, baseret på stikprøvens karakteristika.
I de rigtige hænder er inferentielle statistikker ekstremt kraftfulde og nyttige værktøjer. Med gode færdigheder i inferentiel statistik kan du analysere alle mulige ting for at få alle mulige indsigter i data, som almindelige mennesker aldrig får. Men helt ærligt, hvis du ikke har omfattende viden om inferentiel statistik, besidder du sandsynligvis ikke nok rå statistisk viden til retfærdigt at udføre inferentiel statistisk analyse.