9 Tips til præsentation af tabelresultater og analyse af data i Excel - dummier

Lad os tage et skridt tilbage fra dataanalysens detaljer i Excel og tilbyde en håndfuld generelle tips. For det meste er disse tip opsummeringer og generaliseringer, der vil hjælpe dig med det grundlæggende i Excel.

Arbejde hårdt med at importere data

At arbejde med at importere gode, rige data til Excel-workbooks er virkelig umagen værd. Nogle gange kan import af data være problematisk. Hovedpine og hjerteslag 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 til et format, der giver mulighed for nyttig dataanalyse med Excel.

Men på trods af besværet med at indhente dataene, vil du opdage, at import af gode data til Excel er værd at indsatsen. Traditionelt træffer folk beslutninger ved at bruge meget standard informationskilder. Og de traditionelle kilder producerer traditionelle indsigter, hvilket er fantastisk. Men når du kan arbejde med et rigere og dybere datasæt med rå information, opsamler du ofte indsigter, der simpelthen ikke forekommer i de traditionelle kilder.

Design informationssystemer til at producere rige data

Mens du måske vil koncentrere dig om at skabe systemer, der producerer rapporter, som ledere og beslutningstagere vil have, og som producerer former (fx fakturaer og checks og køb ordrer), at virksomhederne skulle operere, er det ikke den eneste måde.

Du skal også genkende, at der sandsynligvis vil være uplanlagte, uortodokse, usædvanlige men stadig meget værdifulde måder, hvorpå de data, der indsamles af disse ledelsesinformationssystemer, kan analyseres. Og så, hvis du arbejder med eller designer eller deltager i implementering af informationssystemer, skal du indse, at rådata fra systemet kan og bør overføres til dataanalyseværktøjer som Excel.

At have rige, detaljerede oversigter over de produkter eller tjenester, som en virksomhed sælger, gør det muligt for firmaet at se trends i salg efter produkt eller service. Derudover tillader det et firma at oprette tværgående tabuleringer, 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 let eksporteres til Excel, hvor enkel dataanalyse kan føre til rig indsigt i virksomhedens drift, dets muligheder og mulige trusler.

Glem ikke om tredjeparts kilder

Et hurtigt punkt: Anerkend, at der findes mange tredjepartskilder. 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.

Webrowsningsværktøjet, der findes i Excel, gør det meget nemt at udvinde information fra tabeller, der er gemt på websider.

Bare tilføj det

Du tror måske, at kraftig dataanalyse kræver kraftige dataanalyseteknikker. Chi-pladser. Inferential statistik. Regressions analyse.

Men det er ikke nødvendigvis sådan. Nogle af de mest kraftfulde dataanalyser, som du kan gøre indebærer blot at tilføje numre. Hvis du tilføjer tal og får summer, som andre ikke engang kender til - og hvis disse beløb er vigtige eller viser tendenser - kan du få vigtig indsigt og indsamle værdifuld information gennem de enkleste dataanalyseteknikker.

Det vigtigste er at samle rigtig god information i første omgang og derefter have disse oplysninger gemt i en container, som f.eks. En Excel-projektmappe, så du kan regne og analysere dataene aritmetisk.

Altid udforske beskrivende statistikker

De beskrivende statistiske værktøjer, Excel giver, er virkelig kraftfulde værktøjer. Må ikke føles som om disse værktøjer er uden for dit færdighedssæt.

Beskrivende statistikker beskriv blot de data, du har i nogle Excel-regneark. De er ikke magiske, og du behøver ingen særlig statistisk træning til at bruge dem eller dele dem med de mennesker, som du præsenterer dine dataanalyseresultater på.

Bemærk også, at nogle af de enkleste beskrivende statistiske foranstaltninger ofte er de mest nyttige.

Se efter trends

Peter Drucker, måske den mest kendte og mest indsigtsfulde observatør af moderne ledelsespraksis, bemærket i flere af hans sidste bøger, at en af ​​de mest betydningsfulde dataanalyser kan gøre, er at se en ændring i tendenser. Tendenser er næsten det mest betydningsfulde, du kan se. Hvis din industris samlede indtægter vokser, er det signifikant. Hvis de ikke har vokset, eller hvis de begynder at falde, er det nok mere signifikant.

I din egen dataanalyse skal du sørge for at opbygge dine regneark og indsamle dine data på en måde, der hjælper dig med at identificere tendenser og ideelt set identificere ændringer i tendenser.

Tværtabulation

Kommandoen PivotTable er et vidunderligt værktøj. Cross-tabuleringer er yderst nyttige måder at skære og terninger data på. Og den pæne ting ved hjælp af PivotTable-værktøjet er, at du nemt kan krydse-tabulere og derefter re-cross-tabulere igen.

Hvis du har gode rige datakilder, og du ikke regelmæssigt krydser tabellerne dine data, mangler du sandsynligvis absolutte skatte af information. Der er guld i dem her bakker.

Chart it, Baby

En vigtig komponent i god dataanalyse præsenterer visuelt og undersøger dine data.

Ved at se på et linjediagram over nogle vigtige statistikker eller ved at oprette et kolonnediagram over et sæt data, ser du ofte ting, der ikke er tydelige i en tabelformat af de samme oplysninger. Kort sagt er chartring ofte en fantastisk måde at opdage ting, som du ellers ikke vil se.

Vær opmærksom på inferentiel statistik

Excel giver inferentielle statistikværktøjer. Inferentiel statistik giver dig mulighed for at indsamle en prøve og derefter afgive indledninger om den befolkning, hvorfra prøven er tegnet ud fra egenskaberne af prøven.

I de rigtige hænder er inferentiel statistik ekstremt kraftfulde og nyttige værktøjer. Med gode færdigheder i inferential statistik kan du analysere alle mulige ting for at få alle mulige indsigter i data, som almindelige folk aldrig får. Men helt ærligt, hvis du ikke har omfattende kendskab til inferentiel statistik, har du sandsynligvis ikke nok rå statistisk viden til retfærdigt at udføre inferentiel statistisk analyse.