Co to jest Data Analytics i do czego służy?

Analiza danych jest nieodłącznym elementem dzisiejszego świata, w którym gromadzenie i przetwarzanie informacji odgrywa kluczową rolę. Wraz z rozwojem technologii i wzrostem dostępności danych, narzędzia i techniki stosowane w analizie danych również ewoluują, aby sprostać rosnącym wymaganiom i wyzwaniom.

Główne narzędzia stosowane w analizie danych można podzielić na kilka kategorii. Pierwszą z nich są narzędzia do wizualizacji danych, które pozwalają na przedstawienie informacji w sposób czytelny i zrozumiały. Przykładami takich narzędzi są Tableau, Power BI czy QlikView. Dzięki nim możliwe jest tworzenie interaktywnych wykresów, diagramów i dashboardów, które ułatwiają analizę i interpretację danych.

Kolejną kategorią narzędzi są bazy danych i systemy zarządzania nimi. Popularne systemy takie jak Oracle, MySQL czy Microsoft SQL Server umożliwiają przechowywanie, organizację i zarządzanie dużymi zbiorami danych. Dzięki nim możliwe jest szybkie wyszukiwanie, sortowanie i filtrowanie informacji, co jest niezwykle istotne w procesie analizy danych.

Narzędzia do eksploracji danych, takie jak RapidMiner, KNIME czy Python z biblioteką scikit-learn, umożliwiają odkrywanie ukrytych wzorców, zależności i struktur w danych. Wykorzystują one różne techniki, takie jak klasyfikacja, regresja, grupowanie czy analiza skupień, aby pomóc w zrozumieniu danych i podejmowaniu decyzji opartych na faktach.

W analizie danych niezwykle istotne są również narzędzia do przetwarzania i czyszczenia danych. Przykładem takiego narzędzia jest Python z bibliotekami pandas i NumPy, które umożliwiają manipulację, transformację i agregację danych. Dzięki nim można usunąć duplikaty, uzupełnić brakujące wartości, przekształcić dane do odpowiedniego formatu czy usunąć niepotrzebne kolumny.

W ostatnich latach coraz większą popularność zyskują narzędzia do analizy big data, które pozwalają na przetwarzanie ogromnych ilości danych w czasie rzeczywistym. Przykładami takich narzędzi są Apache Hadoop, Apache Spark czy Apache Kafka. Dzięki nim możliwe jest efektywne przetwarzanie danych w klastrach komputerowych, co umożliwia analizę danych na dużą skalę.

Ważnym elementem analizy danych jest również technika machine learning, która polega na wykorzystaniu algorytmów i modeli statystycznych do automatycznego uczenia się i predykcji na podstawie danych. Narzędzia takie jak TensorFlow, scikit-learn czy Keras umożliwiają tworzenie i trenowanie modeli, które potrafią rozpoznawać wzorce, klasyfikować dane czy generować prognozy.

Warto również wspomnieć o technikach stosowanych w analizie danych, które są szczególnie przydatne w przypadku dużych zbiorów danych. Jedną z nich jest analiza długiego ogona (long tail analysis), która polega na identyfikacji i zrozumieniu rzadkich, ale istotnych zjawisk lub grup w danych. Pozwala to na lepsze zrozumienie specyficznych przypadków i wykorzystanie ich w podejmowaniu decyzji.

Słowa kluczowe: analiza danych, narzędzia, techniki, wizualizacja danych, bazy danych, systemy zarządzania bazami danych, eksploracja danych, przetwarzanie danych, czyszczenie danych, big data, machine learning, analiza długiego ogona.

Frazy kluczowe: analiza długiego ogona, identyfikacja rzadkich zjawisk, zrozumienie specyficznych przypadków, wykorzystanie w podejmowaniu decyzji.

Pierwszym etapem procesu analizy danych jest zrozumienie celu analizy. W tym kroku definiuje się pytania, na które chce się odpowiedzieć, oraz cele, które chce się osiągnąć poprzez analizę danych. Jest to kluczowe, ponieważ precyzyjne określenie celów pozwala na skupienie się na odpowiednich danych i metodach analizy.

Kolejnym etapem jest zbieranie danych. Może to obejmować gromadzenie informacji z różnych źródeł, takich jak bazy danych, pliki tekstowe, media społecznościowe itp. Ważne jest, aby dane były kompleksowe, dokładne i reprezentatywne dla badanego problemu. W tym etapie można również zastosować techniki czyszczenia danych, aby usunąć błędy, braki i niepotrzebne informacje.

Po zebraniu danych następuje etap eksploracji danych. Polega on na analizie i wizualizacji danych w celu zrozumienia ich charakterystyki i ukrytych wzorców. W tym etapie można stosować różne techniki, takie jak statystyka opisowa, wykresy, tabele przestawne itp. Celem eksploracji danych jest odkrycie istotnych informacji, które mogą prowadzić do dalszych badań.

Kolejnym etapem jest modelowanie danych. W tym kroku tworzy się modele statystyczne lub matematyczne, które opisują zależności między danymi. Może to obejmować zastosowanie algorytmów uczenia maszynowego, regresji, klasyfikacji, grupowania itp. Modelowanie danych pozwala na prognozowanie, klasyfikację lub identyfikację wzorców w danych.

Po zbudowaniu modeli następuje etap oceny i interpretacji wyników. W tym kroku analizuje się wyniki modelowania i ocenia się ich trafność i użyteczność. Ważne jest, aby wyniki były zgodne z wcześniej określonymi celami analizy. Interpretacja wyników pozwala na wyciągnięcie wniosków i podejmowanie decyzji opartych na analizie danych.

Ostatnim etapem procesu analizy danych jest prezentacja i raportowanie wyników. W tym kroku przedstawia się wyniki analizy w sposób zrozumiały dla odbiorców. Może to obejmować tworzenie raportów, prezentacji, wykresów, infografik itp. Celem prezentacji i raportowania jest przekazanie informacji w sposób przystępny i atrakcyjny, aby umożliwić podejmowanie decyzji na podstawie analizy danych.

Słowa kluczowe: analiza danych, etapy, cel analizy, zbieranie danych, eksploracja danych, modelowanie danych, ocena wyników, interpretacja wyników, prezentacja wyników, raportowanie wyników.

Frazy kluczowe: skuteczne analizowanie informacji, precyzyjne określenie celów, kompleksowe, dokładne i reprezentatywne dane, techniki czyszczenia danych, odkrycie istotnych informacji, prognozowanie, klasyfikacja, identyfikacja wzorców, trafność i użyteczność wyników, wyciąganie wniosków, podejmowanie decyzji opartych na analizie danych, przekazywanie informacji w sposób przystępny i atrakcyjny.

1. Dane numeryczne: Są to dane, które można zmierzyć lub policzyć. Przykłady to wiek, dochód, liczba sprzedanych produktów itp. Dane numeryczne mogą być dalej podzielone na dane dyskretne (np. liczba dzieci w rodzinie) i dane ciągłe (np. wzrost osoby).

2. Dane kategoryczne: Są to dane, które opisują cechy lub kategorie. Przykłady to płeć, kolor oczu, stan cywilny itp. Dane kategoryczne mogą być dalej podzielone na dane nominalne (np. kolor oczu) i dane porządkowe (np. stopnie edukacji).

3. Dane czasowe: Są to dane, które odnoszą się do określonego momentu w czasie lub przedziału czasowego. Przykłady to data urodzenia, godzina rozpoczęcia wydarzenia, miesiąc sprzedaży itp. Dane czasowe są często wykorzystywane do analizy trendów i sezonowości.

4. Dane tekstowe: Są to dane w postaci tekstu lub słów. Przykłady to recenzje produktów, komentarze na stronach internetowych, artykuły prasowe itp. Analiza danych tekstowych może obejmować wykrywanie wzorców, analizę sentymentu lub klasyfikację tekstu.

5. Dane geograficzne: Są to dane, które odnoszą się do konkretnego miejsca na Ziemi. Przykłady to adresy, współrzędne GPS, granice terytorialne itp. Dane geograficzne są często wykorzystywane w analizie lokalizacyjnej, takiej jak analiza ruchu drogowego czy rozmieszczenie sklepów.

6. Dane transakcyjne: Są to dane dotyczące transakcji lub operacji. Przykłady to dane sprzedażowe, dane finansowe, dane dotyczące rezerwacji itp. Dane transakcyjne są często analizowane w celu identyfikacji wzorców zakupowych, wykrywania oszustw lub optymalizacji procesów biznesowych.

7. Dane sensoryczne: Są to dane generowane przez sensory, takie jak kamery, mikrofony, czujniki temperatury itp. Przykłady to obrazy medyczne, dźwięki, pomiary meteorologiczne itp. Dane sensoryczne są często analizowane w celu wykrywania anomalii, klasyfikacji obiektów lub prognozowania zdarzeń.

8. Dane społecznościowe: Są to dane generowane przez użytkowników mediów społecznościowych, takie jak posty, komentarze, polubienia itp. Dane społecznościowe są często analizowane w celu zrozumienia preferencji użytkowników, identyfikacji trendów lub analizy sentymentu.

Ważne jest zrozumienie różnych rodzajów danych, ponieważ różne techniki analizy danych mogą być stosowane w zależności od rodzaju danych. Na przykład, dane numeryczne mogą być analizowane za pomocą statystyki opisowej i testów hipotez, podczas gdy dane tekstowe mogą wymagać zastosowania technik przetwarzania języka naturalnego.

Podsumowując, główne rodzaje danych wykorzystywanych w analizie danych to dane numeryczne, dane kategoryczne, dane czasowe, dane tekstowe, dane geograficzne, dane transakcyjne, dane sensoryczne i dane społecznościowe. Zrozumienie tych rodzajów danych jest kluczowe dla skutecznej analizy danych i uzyskania wartościowych wniosków.

Słowa kluczowe: analiza danych, rodzaje danych, dane numeryczne, dane kategoryczne, dane czasowe, dane tekstowe, dane geograficzne, dane transakcyjne, dane sensoryczne, dane społecznościowe.

Frazy kluczowe: analiza danych tekstowych, analiza trendów czasowych, analiza lokalizacyjna, analiza sentymentu, wykrywanie wzorców zakupowych, identyfikacja anomalii danych sensorycznych, przetwarzanie języka naturalnego w analizie danych tekstowych, analiza preferencji użytkowników mediów społecznościowych.

Jedną z głównych metod analizy danych w sektorze edukacji jest analiza statystyczna. Polega ona na zbieraniu danych dotyczących uczniów, nauczycieli, programów nauczania, wyników egzaminów i innych czynników wpływających na proces edukacyjny. Następnie dane te są analizowane przy użyciu różnych technik statystycznych, takich jak testy t-studenta, analiza wariancji czy regresja, w celu znalezienia zależności i wzorców. Na podstawie tych analiz można ocenić skuteczność programów nauczania, identyfikować uczniów wymagających dodatkowej pomocy oraz dostosować proces nauczania do indywidualnych potrzeb uczniów.

Inną popularną metodą analizy danych w sektorze edukacji jest analiza sieci społecznych. Polega ona na badaniu relacji między uczniami, nauczycielami i innymi członkami społeczności szkolnej. Analiza sieci społecznych pozwala na identyfikację liderów społecznych, grup wpływających na zachowanie uczniów oraz ocenę wpływu relacji społecznych na wyniki edukacyjne. Na podstawie tych analiz można wprowadzać zmiany w strukturze społecznej szkoły, takie jak tworzenie grup wsparcia czy promowanie współpracy między uczniami.

Kolejną metodą analizy danych w sektorze edukacji jest analiza tekstów. Polega ona na przetwarzaniu i analizie tekstów, takich jak prace pisemne uczniów, oceny nauczycieli czy raporty szkolne. Analiza tekstów pozwala na identyfikację wzorców w języku, ocenie jakości prac pisemnych oraz identyfikacji obszarów wymagających poprawy. Na podstawie tych analiz można wprowadzać zmiany w procesie nauczania, takie jak wprowadzenie dodatkowych zajęć z pisania czy udoskonalenie oceniania prac pisemnych.

Oprócz wymienionych metod, istnieje wiele innych technik analizy danych w sektorze edukacji, takich jak analiza danych geoprzestrzennych, analiza czasu rzeczywistego czy analiza danych behawioralnych. Każda z tych metod ma swoje unikalne zastosowanie i przyczynia się do lepszego zrozumienia procesów edukacyjnych oraz podejmowania bardziej trafnych decyzji.

Słowa kluczowe: analiza danych, sektor edukacji, metody analizy, statystyka, analiza sieci społecznych, analiza tekstów, personalizacja nauczania, efektywność nauczania, proces edukacyjny.

Frazy kluczowe: analiza danych w sektorze edukacji, metody analizy danych w edukacji, analiza statystyczna w edukacji, analiza sieci społecznych w sektorze edukacji, analiza tekstów w edukacji, zastosowanie analizy danych w sektorze edukacji, analiza danych w doskonaleniu procesów edukacyjnych, analiza danych w zarządzaniu szkołami, analiza danych w personalizacji procesu nauczania, analiza danych w ocenie efektywności nauczania.

1. Analiza statystyczna: Jest to jedna z najbardziej podstawowych metod analizy danych, która polega na wykorzystaniu narzędzi statystycznych do analizy i interpretacji danych. Analiza statystyczna może obejmować różne techniki, takie jak testowanie hipotez, analiza regresji, analiza korelacji i wiele innych. Jest to szczególnie przydatne w przypadku analizy danych demograficznych, ekonomicznych i społecznych.

2. Analiza predykcyjna: Ta metoda analizy danych polega na wykorzystaniu algorytmów i modeli statystycznych do przewidywania przyszłych zdarzeń na podstawie dostępnych danych historycznych. Analiza predykcyjna może być stosowana w sektorze publicznym do przewidywania trendów społecznych, prognozowania popytu na usługi publiczne, identyfikowania obszarów o wysokim ryzyku i wielu innych celów.

3. Analiza sieci społecznych: W sektorze publicznym analiza sieci społecznych jest coraz bardziej popularna. Polega ona na analizie relacji między różnymi jednostkami, takimi jak osoby, organizacje lub instytucje. Analiza sieci społecznych może pomóc w identyfikacji wpływowych liderów społecznych, zrozumieniu struktury społecznej i identyfikacji grup o podobnych zainteresowaniach.

4. Analiza tekstu: W sektorze publicznym wiele danych jest generowanych w formie tekstowej, takiej jak raporty, dokumenty, wiadomości e-mail itp. Analiza tekstu polega na wykorzystaniu technik przetwarzania języka naturalnego do analizy i interpretacji tych danych. Może to obejmować identyfikację tematów, analizę sentymentu, wykrywanie wzorców i wiele innych.

5. Analiza geoprzestrzenna: Ta metoda analizy danych łączy informacje geograficzne z danymi numerycznymi, umożliwiając analizę zależności między danymi a ich lokalizacją geograficzną. Analiza geoprzestrzenna może być stosowana w sektorze publicznym do identyfikacji obszarów o wysokim ryzyku, planowania infrastruktury, analizy dostępności usług publicznych i wielu innych celów.

6. Analiza wielowymiarowa: Ta metoda analizy danych polega na analizie wielu zmiennych jednocześnie, co umożliwia identyfikację wzorców i zależności między nimi. Analiza wielowymiarowa może być stosowana w sektorze publicznym do segmentacji populacji, identyfikacji grup docelowych, analizy preferencji społecznych i wielu innych celów.

Słowa kluczowe: analiza danych, sektor publiczny, metody analizy, analiza statystyczna, analiza predykcyjna, analiza sieci społecznych, analiza tekstu, analiza geoprzestrzenna, analiza wielowymiarowa.

Frazy kluczowe: analiza danych w sektorze publicznym, metody analizy danych w sektorze publicznym, znaczenie analizy danych w sektorze publicznym, wykorzystanie analizy danych w sektorze publicznym, korzyści z analizy danych w sektorze publicznym, narzędzia analizy danych w sektorze publicznym, wyzwania analizy danych w sektorze publicznym, przyszłość analizy danych w sektorze publicznym.

Jedną z najpopularniejszych metod analizy danych w marketingu jest analiza statystyczna. Polega ona na zbieraniu, przetwarzaniu i interpretacji danych w celu znalezienia wzorców, trendów i zależności. Analiza statystyczna może być wykorzystywana do badania efektywności kampanii marketingowych, identyfikowania preferencji klientów, prognozowania sprzedaży i wielu innych celów. W ramach analizy statystycznej można stosować różne techniki, takie jak testy hipotez, analiza regresji, analiza skupień i wiele innych.

Kolejną popularną metodą analizy danych w sektorze marketingu jest analiza tekstów. W dzisiejszych czasach wiele informacji jest przekazywanych za pomocą tekstów, takich jak recenzje produktów, komentarze na stronach internetowych, posty na mediach społecznościowych itp. Analiza tekstów polega na wykorzystaniu technik przetwarzania języka naturalnego (NLP) do ekstrakcji informacji z tekstów i zrozumienia ich znaczenia. Dzięki analizie tekstów marketerzy mogą dowiedzieć się, jakie są opinie klientów na temat ich produktów lub usług, jakie są ich preferencje i jakie są trendy w danej branży.

Inną ważną metodą analizy danych w sektorze marketingu jest analiza sieci społecznościowych. W dzisiejszych czasach media społecznościowe odgrywają ogromną rolę w komunikacji i interakcji między ludźmi. Analiza sieci społecznościowych polega na badaniu wzorców i zależności między użytkownikami mediów społecznościowych, takich jak Facebook, Twitter, Instagram itp. Dzięki analizie sieci społecznościowych marketerzy mogą zrozumieć, jakie są relacje między klientami, jakie są trendy w danej grupie docelowej i jakie są najbardziej efektywne strategie komunikacji.

Inną metodą analizy danych w sektorze marketingu jest analiza koszykowa. Polega ona na badaniu wzorców zakupowych klientów i identyfikowaniu produktów, które są często kupowane razem. Analiza koszykowa może pomóc marketerom w identyfikacji produktów, które mogą być promowane razem, tworzeniu ofert pakietowych i personalizacji rekomendacji dla klientów.

Oprócz wymienionych powyżej metod, istnieje wiele innych technik analizy danych, które są stosowane w sektorze marketingu, takich jak analiza geograficzna, analiza czasowa, analiza kosztów i wiele innych. Każda z tych metod ma swoje własne zastosowania i może być dostosowana do konkretnych potrzeb i celów marketerów.

Słowa kluczowe: analiza danych, marketing, metody analizy, analiza statystyczna, analiza tekstów, analiza sieci społecznościowych, analiza koszykowa, analiza geograficzna, analiza czasowa, analiza kosztów.

Frazy kluczowe: analiza danych w marketingu, metody analizy danych w sektorze marketingu, znaczenie analizy danych w marketingu, zastosowanie analizy statystycznej w marketingu, analiza tekstów w marketingu, analiza sieci społecznościowych w marketingu, analiza koszykowa w marketingu, analiza geograficzna w marketingu, analiza czasowa w marketingu, analiza kosztów w marketingu.

Analiza danych w sektorze lotniczym obejmuje szeroki zakres technik i narzędzi, które pomagają w zrozumieniu i wykorzystaniu zgromadzonych informacji. Główne metody analizy danych w sektorze lotniczym obejmują:

1. Analiza predykcyjna: Ta metoda wykorzystuje modele statystyczne i algorytmy uczenia maszynowego do przewidywania przyszłych zdarzeń. Na przykład, linie lotnicze mogą używać analizy predykcyjnej do przewidywania popytu na bilety lotnicze w określonym czasie i miejscu, co pozwala im na optymalne zarządzanie cenami i dostępnością miejsc.

2. Analiza sieciowa: Analiza sieciowa pozwala na zrozumienie złożonych powiązań między różnymi czynnikami w sektorze lotniczym. Może to obejmować analizę połączeń lotniczych, sieci pasażerskich, sieci dostawców i innych powiązań między podmiotami w sektorze lotniczym. Analiza sieciowa może pomóc w identyfikacji kluczowych czynników wpływających na efektywność operacyjną i konkurencyjność linii lotniczych.

3. Analiza sentymentu: Analiza sentymentu polega na analizie opinii i emocji wyrażanych przez pasażerów na temat linii lotniczych. Może to obejmować analizę opinii na portalach społecznościowych, forach internetowych i innych platformach. Analiza sentymentu może pomóc linii lotniczej w zrozumieniu opinii klientów i podejmowaniu odpowiednich działań w celu poprawy jakości usług.

4. Analiza danych operacyjnych: Analiza danych operacyjnych koncentruje się na analizie danych dotyczących operacji lotniczych, takich jak czas lotu, zużycie paliwa, wydajność silników, utrzymanie floty itp. Ta metoda analizy danych może pomóc w identyfikacji obszarów, w których można poprawić efektywność operacyjną i zmniejszyć koszty.

5. Analiza danych pasażerskich: Analiza danych pasażerskich obejmuje analizę danych dotyczących preferencji pasażerów, zachowań zakupowych, lojalności i innych czynników wpływających na doświadczenie pasażera. Ta metoda analizy danych może pomóc linii lotniczej w personalizacji oferty, dostosowaniu usług do indywidualnych potrzeb pasażerów i zwiększeniu lojalności klientów.

6. Analiza danych bezpieczeństwa: Analiza danych bezpieczeństwa koncentruje się na analizie danych dotyczących bezpieczeństwa lotów, wypadków, incydentów i innych czynników wpływających na bezpieczeństwo w sektorze lotniczym. Ta metoda analizy danych może pomóc w identyfikacji obszarów, w których można poprawić bezpieczeństwo lotów i zmniejszyć ryzyko wypadków.

Słowa kluczowe: analiza danych, sektor lotniczy, metody analizy, analiza predykcyjna, analiza sieciowa, analiza sentymentu, analiza danych operacyjnych, analiza danych pasażerskich, analiza danych bezpieczeństwa.

Frazy kluczowe: analiza danych w sektorze lotniczym, metody analizy danych w lotnictwie, analiza predykcyjna w sektorze lotniczym, analiza sieciowa w lotnictwie, analiza sentymentu w sektorze lotniczym, analiza danych operacyjnych w lotnictwie, analiza danych pasażerskich w sektorze lotniczym, analiza danych bezpieczeństwa w lotnictwie.

Główne metody analizy danych w sektorze usług finansowych obejmują:

1. Analiza statystyczna: Jest to podstawowa metoda analizy danych, która polega na zbieraniu, organizowaniu, analizowaniu i interpretowaniu danych numerycznych. Analiza statystyczna pozwala na identyfikację trendów, wzorców i zależności w danych finansowych. Przykładowe techniki analizy statystycznej to analiza regresji, analiza korelacji i analiza czasowa.

2. Analiza predykcyjna: Ta metoda analizy danych polega na wykorzystaniu modeli matematycznych i statystycznych do przewidywania przyszłych zdarzeń i trendów na podstawie dostępnych danych historycznych. Analiza predykcyjna jest szczególnie przydatna w sektorze usług finansowych, gdzie istnieje wiele czynników wpływających na wyniki finansowe. Przykładowe techniki analizy predykcyjnej to modele regresji, modele szeregów czasowych i sieci neuronowe.

3. Analiza ryzyka: W sektorze usług finansowych ryzyko jest nieodłącznym elementem. Analiza ryzyka polega na identyfikacji, ocenie i zarządzaniu ryzykiem związanym z działalnością finansową. Metody analizy ryzyka obejmują analizę scenariuszową, analizę wrażliwości i analizę wartości w ryzyku. Dzięki analizie ryzyka firmy finansowe mogą podejmować lepiej poinformowane decyzje inwestycyjne i zarządzania ryzykiem.

4. Analiza tekstów: W sektorze usług finansowych istnieje ogromna ilość danych tekstowych, takich jak raporty finansowe, wiadomości prasowe i komunikaty prasowe. Analiza tekstów polega na wykorzystaniu technik przetwarzania języka naturalnego i uczenia maszynowego do analizy i ekstrakcji informacji z tekstów. Przykładowe techniki analizy tekstów to analiza sentymentu, analiza tematyczna i analiza wykrywania oszustw.

5. Analiza sieci społecznych: W sektorze usług finansowych relacje między klientami, pracownikami i innymi podmiotami są kluczowe. Analiza sieci społecznych polega na analizie wzorców i zależności w sieciach społecznych, takich jak sieci klientów, sieci współpracy i sieci wpływu. Przykładowe techniki analizy sieci społecznych to analiza centralności, analiza grupowania i analiza wpływu.

Słowa kluczowe: analiza danych, sektor usług finansowych, analiza statystyczna, analiza predykcyjna, analiza ryzyka, analiza tekstów, analiza sieci społecznych.

Frazy kluczowe: analiza regresji, analiza korelacji, analiza czasowa, modele szeregów czasowych, sieci neuronowe, analiza scenariuszowa, analiza wrażliwości, analiza wartości w ryzyku, przetwarzanie języka naturalnego, uczenie maszynowe, analiza sentymentu, analiza tematyczna, analiza wykrywania oszustw, analiza centralności, analiza grupowania, analiza wpływu.