Martijn Zoet en Eric Mantelaers onderscheiden in hun artikel Data-analyse nader geanalyseerd zes vormen van data-analyse:

Hoofdindeling van data-analyse

In totaal kunnen zes verschillende typen data-analyse worden onderkend:

• beschrijvende data-analyse;
• verkennende data-analyse;
• inferentiële data-analyse;
• voorspellende data-analyse;
• causale data-analyse;
• mechanistische data-analyse.

In het Engels worden deze zes typen aangeduid als 1. Descriptive, 2. Explanatory, 3. Inferential, 4. Predictive, 5. Causal en 6. Mechanistic.

De meeste eenvoudige analyse is de beschrijvende data-analyse, waarvan het doel is om een samenvatting te geven van de measurements (metingen, waarden, elementen) in de dataset. Voorbeelden hiervan zijn het debiteurensaldo, de omzet, kosten en het aantal klanten.

Een verkennende data-analyse bouwt voort op de beschrijvende data-analyse. Hierbij wordt gezocht naar trends en correlaties, met als doel om hypotheses te formuleren maar nog niet om deze te bevestigen. Een voorbeeld van een dergelijke hypothese is dat debiteuren niet te hoog mogen zijn gewaardeerd.

Het derde type data-analyse, inferentiële data-analyse, is data-analyse gefocust op een gevonden trend, waarvan gevalideerd moet worden of deze trend ook standhoudt buiten de geselecteerde data (steekproef/deelwaarneming). Dit betekent - in termen van de controle - dat een trend is gevonden in de deelwaarneming en dat deze over de gehele dataset wordt getoetst. Dit is de meeste gebruikte analyse wereldwijd, die u zich misschien nog herinnert van de module statistiek (SPSS) in uw opleiding. Een voorbeeld hiervan is dat er een correlatie bestaat tussen omzet en debiteurenstand. Let op: er wordt in dit geval alleen een correlatie aangetoond, maar (nog) geen casueel verband.

De vierde vorm van data-analyse is het voorspellen van een waarde in de toekomst op basis van data (predictive analytics). In dit geval kan de vraag zijn: voorspel de debiteurenstand over zes maanden. Predictive analytics laat puur de voorspellingen zien, maar beschrijft niet waarom de voorspelling werkt.

Een causale data-analyse is gericht op het vinden van de relaties tussen twee metingen. Dit betekent dat wanneer je één meting verandert, je aan kunt geven wat dit gemiddelde voor een andere meting betekent. Bijvoorbeeld: hoe hoger de omzet, hoe hoger de debiteurenstand. Deze analyse laat - gegeven een bepaalde relatie - de gemiddelde impact van de wijziging van de ene meting op de andere zien.

De laatste vorm van data-analyse is de mechanistische data-analyse. Deze vorm van data-analyse zoekt ook naar het effect van één meting op een andere meting. Het verschil met een causale data-analyse is dat een mechanistische analyse zoekt naar hoe het aanpassen van één meting altijd en zeer specifiek leidt tot een voorspelbaar gedrag in de andere meting. Een voorbeeld hiervan - van buiten de accountancy - is hoe het aanpassen van de vleugels van een vliegtuig leidt tot minder weerstand. In de financiële wereld kan gedacht worden aan de harde oorzaak-gevolgrelatie tussen verhoging van het rentepercentage en verhoging van de post rente in de winst- en verliesrekening.

Bron: Data-analyse nader geanalyseerd, Martijn Zoet & Eric Mantelaers