9 Tips för att presentera tabellresultat och analysera data i Excel - dummies

Låt oss ta ett steg tillbaka från detaljerna i dataanalys i Excel och erbjuda en handfull allmänna tips. För det mesta är dessa tips sammanfattningar och generaliseringar som hjälper dig med grunderna i Excel.

Arbeta hårt för att importera data

Det är värt att arbeta för att importera bra, rik data till Excel-arbetsböcker. Ibland kan det vara problematiskt att importera data. Huvudvärk och heartbreaks kan hända när man försöker fånga data från andra managementinformationssystem och när man försöker arbeta med en databasadministratör för att få rätt data till ett format som ger användbar dataanalys med Excel.

Men trots att det är svårt att skaffa data kommer du att upptäcka att det är väl värt att importera god data till Excel. Traditionellt fattar människor beslut genom att använda mycket vanliga informationskällor. Och de traditionella källorna ger traditionella insikter, vilket är bra. Men när du kan arbeta med en rikare, djupare dataset av rå information, samlar du ofta insikter som helt enkelt inte förekommer i de traditionella källorna.

Designinformationssystem för att producera rik data

Medan du kanske vill koncentrera dig på att skapa system som producerar rapporter som chefer och beslutsfattare vill ha och som producerar formulär (till exempel fakturor och checkar och inköp order) som företag måste driva, det här är inte det enda sättet.

Du måste också erkänna att det förmodligen kommer att finnas oförplägna, oortodoxa, ovanliga men ändå väldigt värdefulla sätt på vilka data som samlas in av dessa förvaltningsinformationssystem kan analyseras. Och så, om du arbetar med eller utformar eller deltar i att implementera informationssystem, bör du inse att rådata från systemet kan och bör överföras till dataanalysverktyg som Excel.

Att ha rika, detaljerade register över de produkter eller tjänster som ett företag säljer gör det möjligt för företaget att se trender i försäljning per produkt eller tjänst. Dessutom gör det möjligt för ett företag att skapa cross tabulations som visar hur vissa kunder väljer och använder vissa produkter och tjänster.

Organisationerna behöver utforma informationssystem så att de också samlar in god, rik, rå data. Senare kan dessa data exporteras enkelt till Excel, där enkel dataanalys kan leda till rik inblick i företagets verksamhet, möjligheter och möjliga hot.

Glöm inte källa från tredje part

En snabb punkt: Känn igen att det finns många datakällor från tredje part. Till exempel kan leverantörer och kunder ha mycket intressanta data tillgängliga i ett format som är tillgängligt för Excel som du kan använda för att analysera sin marknad eller din bransch.

Websökverktyget tillgängligt i Excel gör det väldigt enkelt att extrahera information från tabeller som är lagrade på webbsidor.

Lägg bara till det

Du kanske tror att kraftfull dataanalys kräver kraftfulla dataanalysstekniker. Chi-torg. Inferentiell statistik. Regressionsanalys.

Men det är inte nödvändigtvis så. Några av de mest kraftfulla dataanalyserna som du kan göra innebär helt enkelt att lägga upp nummer. Om du lägger till siffror och får summor som andra inte ens vet om - och om dessa belopp är viktiga eller visar trender - kan du få viktiga insikter och samla in värdefull information genom de enklaste dataanalyseteknikerna.

Den viktigaste saken är att samla in riktigt bra information i första hand och sedan ha den informationen lagrad i en behållare, till exempel en Excel-arbetsbok, så att du kan aritmetiskt manipulera och analysera data.

Undersök alltid beskrivande statistik

De beskrivande statistiska verktygen som Excel tillhandahåller är verkligen kraftfulla verktyg. Känn inte som om de här verktygen är bortom din skicklighet.

Beskrivande statistik beskriv bara de uppgifter du har i ett Excel-kalkylblad. De är inte magiska, och du behöver ingen särskild statistisk träning för att använda dem eller dela dem med de personer du presenterar dina dataanalysresultat för.

Notera också att några av de enklaste beskrivande statistiska åtgärderna ofta är mest användbara.

Titta på trender

Peter Drucker, kanske den mest kända och mest uppmärksamma observatören av moderna ledarskapspraxis, noterade i flera av hans senaste böcker att en av de viktigaste sakerna dataanalys kan göra är att se en förändring i trender. Trender är nästan det viktigaste du kan se. Om din branschs sammanlagda intäkter växer, är det betydande. Om de inte har växt eller om de börjar krympa, är det förmodligen ännu viktigare.

I din egen dataanalys ska du bygga dina arbetsblad och samla in dina data på ett sätt som hjälper dig att identifiera trender och helst identifiera förändringar i trender.

Kors-tabulering

Kommandot PivotTable är ett underbart verktyg. Cross-tabuleringar är extremt användbara sätt att skära och tärning data. Och den snygga grejen om PivotTable-verktyget är att du enkelt kan kryssa över tabellen och sedan korsa tabellen igen.

Om du har bra rika datakällor och du inte regelbundet tvärsätter din data saknar du förmodligen absoluta skatter av information. Det finns guld i dem här kullar.

Diagram det, Baby

En viktig komponent i god dataanalys presenterar och granskar dina data visuellt.

Genom att titta på ett linjediagram över någon viktig statistik eller genom att skapa ett kolumnschema över en viss uppsättning data ser du ofta saker som inte är uppenbara i en tabellformad presentation med samma information. I grund och botten är kartläggning ofta ett underbart sätt att upptäcka saker som du annars inte kommer att se.

Var medveten om inferentiell statistik

Excel ger inferentiella statistikverktyg. Inferentiell statistik gör det möjligt för dig att samla ett prov och sedan göra inferenser om befolkningen från vilken provet ritas baserat på provets egenskaper.

I de rätta händerna är inferentiell statistik extremt kraftfulla och användbara verktyg. Med goda kunskaper i inferentiell statistik kan du analysera alla möjliga saker för att få alla möjliga insikter på data som vanligt förekommande folk aldrig får. Men helt uppriktigt, om du inte har omfattande kunskaper om inferentiell statistik, har du förmodligen inte tillräckligt med rå statistisk kunskap för att rättvist utföra inferentiell statistisk analys.