Diagnostisk analyse bygger videre på deskriptiv analyse og besvarer spørgsmålet: "Hvorfor skete det?" Når en deskriptiv rapport viser et fald i omsætningen eller en stigning i kundeafgang, bruger diagnostisk analyse teknikker til at identificere de underliggende årsager.
Drill-down analyse er den mest intuitive diagnostiske teknik. Når et overordnet tal ser uventet ud, borer analytikeren ned i detaljerne. Et fald i samlet omsætning kan for eksempel spores til en specifik region, derefter til en specifik butik, og endelig til en bestemt produktkategori der er udgået.
Root cause analysis (rodårsagsanalyse) bruger strukturerede metoder til at finde den egentlige årsag bag et problem. Ishikawa-diagrammer (fiskebensdiagrammer) kategoriserer potentielle årsager i grupper som mennesker, processer, teknologi og materialer. 5-Why metoden stiller gentagne "hvorfor"-spørgsmål indtil grundårsagen er fundet.
Korrelationsanalyse undersøger statistiske sammenhænge mellem variable. Pearsons korrelationskoefficient måler lineære sammenhænge, mens Spearmans rangkorrelation fanger monotone, ikke-lineære relationer. Det er vigtigt at huske at korrelation ikke er kausalitet. To variable kan være korrelerede uden at den ene forårsager den anden.
A/B-test og kontrolgrupper er eksperimentelle metoder til at fastslå kausalitet. Ved at ændre en variabel (for eksempel en prisændring eller et nyt website-design) og sammenligne med en kontrolgruppe, kan man isolere effekten af den specifikke ændring.
Anomalidetektion identificerer datapunkter der afviger markant fra det forventede mønster. Statistiske metoder som z-scores og IQR-metoden finder outliers, mens mere avancerede teknikker som Isolation Forest og DBSCAN kan detektere komplekse anomalier i høj-dimensionelle data.
I danske virksomheder bruges diagnostisk analyse typisk i kvalitetsstyring, kundeafgangsanalyse og performanceoptimering. Værktøjer som Tableau med Explain Data-funktionen og Power BI med Key Influencers-visualiseringen automatiserer dele af den diagnostiske proces.