Data Analytics

تحليلات البيانات هي ممارسة فحص البيانات للإجابة عن الأسئلة ودعم القرارات. وتشمل جمع البيانات وتنظيفها وتحليلها إحصائيًا وباستخدام تعلم الآلة، ثم عرض النتائج عبر التقارير ولوحات المعلومات وتصور البيانات. ومن أمثلتها أن يبحث تاجر تجزئة عن المتاجر التي تراجعت مبيعاتها في الربع الماضي، أو تقدّر مستشفى حالات القبول في الأسبوع المقبل، أو تحصي مدينة السيارات عند تقاطع باستخدام بث الكاميرات.

الأنواع الأربعة للتحليلات#

تُقسم التحليلات عادةً بحسب السؤال الذي تجيب عنه، ويبني كل نوع على النوع الذي يسبقه:

• التحليلات الوصفية: ماذا حدث؟ تلخص المجاميع والمتوسطات والتوزيعات والاتجاهات البيانات السابقة، وهي أساس تقارير الأعمال.
• التحليلات التشخيصية: لماذا حدث ذلك؟ تبحث عمليات التعمق والارتباطات والمقارنات بين الشرائح عن الأسباب.
• التحليلات التنبؤية: ماذا سيحدث؟ تتنبأ النماذج الإحصائية ونماذج تعلم الآلة بنتائج مثل الطلب أو تراجع العملاء أو تعطل المعدات.
• التحليلات التوجيهية: ما الإجراء المناسب؟ يحول التحسين والمحاكاة التنبؤات إلى إجراءات موصى بها، مثل تحديد عدد مسارات الدفع التي ينبغي فتحها.

يمكن تنفيذ الأنواع الثلاثة الأولى في بضعة أسطر باستخدام pandas وscikit-learn على مجموعة بيانات السكري المرفقة مع scikit-learn، التي تسجل 10 قياسات أساسية لـ442 مريضًا ودرجة تطور المرض بعد عام واحد:

from sklearn.datasets import load_diabetes
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 442 diabetes patients: 10 baseline measurements and a disease progression score one year later
data = load_diabetes(as_frame=True).frame

# Descriptive: how far did the disease progress?
print(f"progression: mean {data['target'].mean():.0f}, range {data['target'].min():.0f}-{data['target'].max():.0f}")

# Diagnostic: which measurements move with progression?
print(data.corr()["target"].drop("target").nlargest(3).round(2).to_dict())

# Predictive: how well do the measurements forecast progression for new patients?
X_train, X_test, y_train, y_test = train_test_split(data.drop(columns="target"), data["target"], random_state=0)
model = LinearRegression().fit(X_train, y_train)
print(f"R^2 on held-out patients: {model.score(X_test, y_test):.2f}")

تعرض الخطوة الوصفية متوسط درجة تطور يبلغ 152 ضمن نطاق من 25 إلى 346. وتجد الخطوة التشخيصية أن مؤشر كتلة الجسم هو الأكثر ارتباطًا بالتطور (0.59)، يليه مقياس الدهون الثلاثية في المصل s5 (0.57) ثم ضغط الدم (0.44). وتوضح الخطوة التنبؤية 36% من التباين في تطور المرض لدى مرضى لم يرهم النموذج من قبل، أي إن R² يساوي 0.36.

عملية التحليل#

يبدأ المشروع بسؤال محدد ومقياس يجيب عنه، ثم يجمع البيانات ذات الصلة من قواعد البيانات أو السجلات أو المستشعرات أو الكاميرات. تعالج تنقية البيانات والمعالجة المسبقة للبيانات القيم المفقودة والتكرارات والوحدات غير المتسقة، ويعرض التحليل الاستكشافي التوزيعات والعلاقات قبل بناء أي نموذج. ثم يطبق المحللون خوارزميات الإحصاء أو تحليل السلاسل الزمنية أو تنقيب البيانات، ويعرضون النتائج مع مقدار عدم اليقين فيها. وتشمل الأدوات الشائعة SQL وجداول البيانات للأسئلة البسيطة، وpandas ودفاتر الملاحظات للتحليل، ومحركات موزعة مثل Apache Spark لـالبيانات الضخمة، وأدوات ذكاء الأعمال مثل Tableau وPower BI للوحات المعلومات.

تجري مشاريع تعلم الآلة التحليل نفسه على بياناتها ونماذجها. قبل التدريب، تكشف أعداد الفئات وإحصاءات التسميات عن عدم التوازن وتحيز مجموعة البيانات؛ وبعد التدريب، توضح مصفوفة الالتباس والمقاييس لكل فئة الفئات أو ظروف الإضاءة أو أحجام العناصر التي يخطئ النموذج في تصنيفها.

تحليلات الفيديو#

تحول الرؤية الحاسوبية الكاميرات إلى مصادر بيانات للتحليلات. يحول كل من كشف الأجسام وتتبع الأجسام كل إطار إلى أعداد ومواضع ومسارات، تتجمع لتنتج عدد المارة في الساعة ومقاييس إدارة الطوابير مثل أوقات الانتظار وعدد المركبات في كل مسار ومعدلات العيوب في كل وردية إنتاج. ويعتمد كل من إحصاء الأشخاص وتحليلات الإشغال في المتاجر والمكاتب وإدارة حركة المرور عند التقاطعات على هذا التحويل من وحدات البكسل إلى الجداول.

ينفذ حل التحليلات في Ultralytics YOLO هذا التحويل في خطوة واحدة: يشغّل نموذج YOLO26 مزودًا بالتتبع على كل إطار من الفيديو، ويرسم النتائج في مخطط مباشر، إما رسمًا خطيًا لإجمالي الاكتشافات في كل إطار أو مخططًا شريطيًا أو دائريًا أو مساحيًا للأعداد بحسب الفئة، ويمكن كتابة ذلك إلى فيديو ناتج.

تحليلات البيانات والمصطلحات ذات الصلة#

• علم البيانات: مجال أوسع يشمل التحليلات، ويطوّر أيضًا النماذج ومنتجات البيانات، مثل محركات التوصية، لتعمل في بيئة الإنتاج.
• ذكاء الأعمال (BI): تقارير ولوحات معلومات تستند إلى بيانات الشركة المنقّحة، وتركّز في معظمها على التحليلات الوصفية والتشخيصية.
• تنقيب البيانات: خطوة اكتشاف الأنماط ضمن التحليلات، وتستخدم الخوارزميات للعثور تلقائيًا على الارتباطات والعناقيد والقيم الشاذة في مجموعات البيانات الكبيرة.