Omówienie analizy danych
Zanim dane będą mogły być użyte do opowiedzenia historii, musisz przejść przez proces, który umożliwia ich użycie w tej historii. Analiza danych to proces identyfikowania, czyszczenia, przekształcania i modelowania danych w celu odnalezienia istotnych i przydatnych informacji. Dane są następnie przekształcane w historię za pośrednictwem raportów do analizy, aby zapewnić obsługę procesu podejmowania krytycznych decyzji.
Ponieważ świat staje się w coraz większym stopniu sterowany danymi, opowiadanie historii za pośrednictwem analizy danych staje się żywotnym składnikiem i aspektem dla dużych i małych firm. Jest przyczyną, dla której organizacje nadal zatrudniają analityków danych.
Firmy sterowane danymi podejmują decyzje na podstawie historii opowiadanej przez ich dane, a we współczesnym świecie sterowanym danymi, dane nie są używane odpowiednio do ich pełnego potencjału, a tym samym stanowią wyzwanie, przed którym stoi większość firm. Analiza danych jest i powinna być istotnym aspektem dla wszystkich organizacji w celu określenia wpływu na ich działalność, a w tym badań nad opiniami klientów, rynkiem i produktem, identyfikowania trendów lub wszelkich innych szczegółowych informacji o danych.
Chociaż proces analizy danych koncentruje się na zadaniach czyszczenia, modelowania i wizualizacji danych, koncepcja analizy danych i to, jak jest ona ważna dla działalności biznesowej, nie powinny być niedoceniane. W celu analizowania danych podstawowe składniki analizy są podzielone na następujące kategorie:
- Opisowe
- Diagnostyczne
- Predykcyjne
- Normatywne
- Poznawcze
Analiza opisowa
Analiza opisowa pomaga na podstawie danych historycznych odpowiedzieć na pytania dotyczące tego, co się stało. Techniki analizy opisowej zawierają podsumowanie dużych modeli semantycznych w celu opisania wyników dla uczestników projektu.
Dzięki opracowaniu wskaźników KPI (kluczowych wskaźników wydajności) te strategie mogą pomóc w śledzeniu powodzenia lub niepowodzenia kluczowych celów. Takie metryki jak zwrot z inwestycji (ROI) są używane w wielu branżach, a wyspecjalizowane metryki są opracowywane w celu śledzenia wydajności w określonych branżach.
Przykłady analizy opisowej obejmują generowanie raportów w celu zapewnienia wglądu w dane dotyczące sprzedaży i finansów w organizacji.
Analiza diagnostyczna
Analiza diagnostyczna pomaga odpowiedzieć na pytania dotyczące przyczyn wystąpienia zdarzenia. Techniki analizy diagnostycznej uzupełniają podstawową analizę opisową oraz pobierają wyniki z analizy opisowej, aby odnaleźć przyczynę zdarzeń. Wskaźniki wydajności są jeszcze dokładniej badane, aby odkryć, dlaczego są one lepsze lub gorsze. Zwykle odbywa się to w trzech krokach:
Identyfikacja anomalii w danych. Mogą to być nieoczekiwane zmiany w metryce lub na konkretnym rynku.
Zbieranie danych związanych z tymi anomaliami.
Użyj technik statystycznych, aby odnaleźć relacje i trendy objaśniające te anomalie.
Analiza predykcyjna
Analiza predykcyjna pomaga odpowiedzieć na pytania dotyczące tego, co się wydarzy w przyszłości. Techniki analizy predykcyjnej korzystają z danych historycznych w celu identyfikowania trendów i określania, czy mogą się one powtarzać. Narzędzia do analizy predykcyjnej zapewniają cenne informacje o tym, co może się wydarzyć w przyszłości. Techniki obejmują różne techniki statystyczne i uczenia maszynowego, takie jak sieci neuronowe, drzewa decyzyjne i regresję.
Analiza preskryptywna
Analiza preskryptywna pomaga odpowiedzieć na pytania dotyczące działań, które należy podjąć w celu osiągnięcia celu. Korzystając ze szczegółowych informacji z analizy preskrypcyjnej, organizacje mogą podejmować decyzje oparte na danych. Ta technika umożliwia firmom podejmowanie świadomych decyzji w obliczu niepewności. Techniki analizy preskrypcyjnej polegają na uczeniu maszynowym jako jednej z strategii znajdowania wzorców w dużych modelach semantycznych. Analizując przeszłe decyzje i zdarzenia, organizacje mogą oszacować prawdopodobieństwo różnych wyników.
Analiza poznawcza
Analiza poznawcza próbuje wyciągnąć wnioski z istniejących danych i wzorców, uzyskać wnioski na podstawie istniejących baz wiedzy, a następnie dodać te wyniki z powrotem do bazy wiedzy w celu wnioskowania w przyszłości, tworząc pętlę sprzężenia zwrotnego samodzielnej nauki. Analiza poznawcza pomaga dowiedzieć się, co mogłoby się stać w przypadku zmiany okoliczności, oraz jak można poradzić sobie z tymi sytuacjami.
Wnioskowanie to nie są zapytania strukturalne oparte na bazie danych reguł, są one raczej nieposiadającą struktury hipotezą uzyskaną z kilku źródeł i wyrażoną za pomocą różnych stopni ufności. Efektywna analiza poznawcza zależy od algorytmów uczenia maszynowego i używa kilku koncepcji przetwarzania języka naturalnego, aby poznać wcześniej niewykorzystane źródła danych, takie jak dzienniki rozmów centrum obsługi telefonicznej i przeglądy produktów.
Przykład
Dzięki włączeniu raportów i wizualizacji danych detaliczna firma handlowa używa analizy opisowej, aby poznać wzorce zakupów z poprzednich lat w celu określenia, które produkty mogą być popularne w następnym roku. Firma może również przeglądać dane pomocnicze, aby zrozumieć, dlaczego dany produkt był popularny, a jeśli ten trend jest kontynuowany, określić, czy muszą nadal magazynować ten produkt.
Firma może określić, że pewien produkt był popularny w określonym przedziale czasu. Następnie może użyć analizy, aby określić, czy jakiekolwiek wysiłki marketingowe lub działania społecznościowe online przyczyniły się do wzrostu sprzedaży.
Podstawowym aspektem analizy danych jest to, że firmy muszą mieć możliwość zaufania swoim danym. Praktycznie to proces analizy danych pobiera dane z zaufanych źródeł i kształtuje je w coś, co jest przyswajalne, ma znaczenie i jest łatwe do zrozumienia, aby ułatwić proces podejmowania decyzji. Analiza danych pozwala firmom w pełni zrozumieć swoje dane dzięki procesom i decyzjom opartym na danych, dzięki czemu firmy mogą mieć zaufanie do podejmowanych decyzji.
Wraz ze wzrostem ilości danych rośnie również zapotrzebowanie na analityków danych. Analityk danych wie, jak zorganizować informacje i przekształcić je w coś znaczącego i zrozumiałego. Analityk danych wie, jak zebrać właściwe dane, i co należy z nimi zrobić, to znaczy zrozumienie danych w dużym zbiorze.