Что такое гранулярность данных? (Плюс, почему это важно)

2 апреля 2022 г.

Аналитики данных, которые изучают большие наборы информации, часто предпочитают работать с более простыми данными. Детализация данных, которая представляет собой концепцию разделения данных на подполя, является обычной практикой среди аналитиков данных и других подобных специалистов. Понимание того, что такое гранулярность данных, может помочь вам легче собирать и анализировать данные. В этой статье мы определяем, что такое гранулярность данных, показываем, почему она важна, и приводим несколько ее примеров.

Что такое гранулярность данных?

Детализация данных — это самый низкий уровень детализации, доступный в коллекции данных. Информация, представленная в одной строке или поле в базе данных или хранилище данных, имеет грубую степень детализации, поскольку не имеет подразделений. Информация, представленная в нескольких строках или полях в базе данных или хранилище данных, имеет высокую степень детализации, поскольку она имеет различные подразделения.

Почему важна детализация данных?

Детализация данных важна, потому что она позволяет аналитикам данных и другим специалистам более полно изучать информацию. Вместо того, чтобы аналитики данных хранили сложные данные в одном поле, они могут реализовать детализацию данных, чтобы упростить их разделение. Профессионалы могут агрегировать и дезагрегировать детализированные данные в соответствии с требованиями своих уникальных ситуаций. Они также могут объединять их с данными из других внешних источников и более эффективно управлять ими и интегрировать их.

Использование детализации данных

Вот некоторые распространенные способы детализации данных:

Заказ инвентаря

Детализация данных распространена среди специалистов по данным, которые управляют уровнями запасов компаний. Они могут определять, какие элементы приобретать, на основе различных уровней данных, таких как позиция продукта или номер заказа на покупку. Они могут даже заказывать пользовательские элементы, учитывая уровень детализации данных.

Управление данными временных рядов

Данные временного ряда — это информация, которую аналитик данных получает путем записи последовательных измерений за определенный период. Эта информация может быть полезна для чего угодно: от прогнозирования погодных условий до понимания эффективности медицинских устройств. Детализация данных полезна для профессионалов, которые хотят разделить эти зависящие от времени измерения на определенные периоды, будь то часы, дни, недели, месяцы или годы.

Сбор результатов опроса

Детализация данных также полезна для облегчения сбора качественных данных. Если компания проводит опросы, требующие от своих клиентов открытых ответов, клиенты, скорее всего, дадут разные ответы. Разделение опроса на несколько разных частей является наиболее разумным способом обеспечения согласованности информации, которая может сильно различаться у разных респондентов.

Налагает ли гранулярность данных какие-либо ограничения?

Детализация данных — полезный способ сбора и анализа сложных данных, но он имеет некоторые ограничения. Например, более высокие уровни детализации требуют больше вычислительных ресурсов. Также может потребоваться больше памяти и места для хранения в базе данных или хранилище данных.

Компании, которая стремится поддерживать высокий уровень детализации данных, часто приходится выделять большую часть своих операционных расходов на ввод и хранение данных. Это может представлять собой дополнительные методы и объекты в модели объектно-ориентированного программирования. Это также может потребовать большего количества вызовов подпрограмм для параллельных вычислений и ситуаций процедурного программирования. Несмотря на эти потенциальные недостатки, большинство аналитиков данных по-прежнему предпочитают достигать высокого уровня детализации данных, поскольку это обеспечивает оптимальную гибкость при обработке данных.

Примеры детализации данных

Вот несколько примеров детализации данных:

Пример 1

Вот пример маркетолога, который предлагает своим клиентам заполнить анкету, указав их имена:

Джон — маркетолог, который пытается собрать информацию о своей целевой аудитории. Он создает опрос для своих клиентов и делает отдельный раздел, чтобы они могли вставить свои имена. Получив результаты опроса, он обнаружил, что предоставленную информацию трудно интерпретировать, потому что клиенты помещали свои ответы в различные форматы, такие как «Гаррет Уайлдер», «доктор Браун» и «миссис Джейн Диккенс».

Джон хочет распространить аналогичный опрос среди новой группы клиентов. Чтобы получить более согласованные результаты, он воссоздает опрос, чтобы в нем было несколько полей для каждой части имен клиентов. Три обязательных поля в опросе предназначены для предпочитаемого клиентом титула, полного имени и полной фамилии. Он также включает необязательное поле для каждого клиента, чтобы вставить свое второе имя, если клиент решит это сделать.

Пример 2

Вот пример специалиста по данным, который работает в области медицины и реализует концепцию детализации данных:

Мелисса — специалист по обработке данных, помогающий разработчикам продуктов оптимизировать новые медицинские технологии. Одним из устройств, над которым работает ее команда, является трекер инсулина, который носят пациенты с диабетом. Команда изначально разрабатывает инсулиновый трекер для отправки информации о глюкозе пациента, инсулине, артериальном давлении и других жизненно важных показателях членам семьи пациентов каждый час. Это новшество позволяет членам семей пациентов с диабетом знать, нужно ли им потреблять сахар или иным образом обращаться за медицинской помощью.

Получив отзывы от медицинских работников, Мелисса и ее команда определяют, что этот одночасовой период не обеспечивает достаточного уведомления членов семьи. Мелисса и ее команда хотят реализовать концепцию детализации данных, чтобы устройство отправляло информацию каждые 15 минут, а не каждый час. Этот более высокий уровень детализации помогает членам семей пациентов получать более точные и обновленные данные и оказывать более эффективную помощь своим близким.

Пример 3

Вот пример детализации данных в розничной среде:

Майкл — специалист по обработке данных, работающий в сфере розничной торговли. Он хочет, чтобы менеджерам магазинов было проще определять продажи конкретных товаров. Прежде чем он реализует более высокий уровень детализации данных, можно отслеживать только каждую транзакцию, которая происходит.

Это затрудняет анализ тенденций продаж, поскольку некоторые транзакции включают десятки и даже сотни товаров. Он изменяет процессы базы данных, чтобы теперь она могла отслеживать конкретный товар в определенной продаже. База данных записывает такую ​​информацию, как код предмета, номер кассы транзакции, номер магазина транзакции, а также дату и время транзакции, чтобы сделать это возможным.