Основные компоненты аналитики

Процесс анализа данных в первую очередь направлен на задачи очистки, моделирования и визуализации данных, важность анализа данных для бизнеса не следует недооценивать. Основные компоненты аналитики делятся на следующие категории:

• описательная;
• диагностическая;
• прогнозная;
• предписывающая;
• когнитивная.

Описательная аналитика

Описательная аналитика помогает отвечать на вопросы о том, что уже произошло, на основе исторических данных. Методы описательной аналитики предполагают обобщение больших наборов данных для описания результатов заинтересованным лицам.

Благодаря разработке ключевых показателей эффективности (КПЭ) эти стратегии могут помочь в отслеживании достижения основных целей. Такие метрики, как рентабельность инвестиций, используются во многих отраслях. Кроме того, для отдельных отраслей разрабатываются специализированные метрики с целью отслеживания производительности.

Примером описательной аналитики может служить создание отчетов для представления данных по продажам и финансовых данных организации.

Диагностическая аналитика

Диагностическая аналитика помогает отвечать на вопросы о том, почему произошло то или иное событие. Методы диагностической аналитики дополняют более простую описательную аналитику, результаты которой используются для выявления причин событий. Затем показатели производительности изучаются с целью узнать, почему они улучшились или ухудшились. Как правило, этот процесс состоит из трех этапов.

1. Выявление аномалий в данных. Это могут быть непредвиденные изменения метрики или изменения на определенном рынке.
2. Сбор данных, связанных с аномалиями.
3. Используйте статистические методы для выявления связей и тенденций, объясняющих аномалии.

Прогнозная аналитика

Прогнозная аналитика позволяет ответить на вопросы о том, что произойдет в будущем. Методы прогнозной аналитики используют исторические данные для выявления тенденций и определения вероятности их повторения. Средства прогнозной аналитики предоставляют ценную информацию о том, что может произойти в будущем. Они включают в себя различные статистические методы и методы машинного обучения, такие как нейронные сети, деревья принятия решений и регрессия.

Предписывающая аналитика

Предписывающая аналитика помогает отвечать на вопросы о том, какие действия следует предпринять для достижения цели. На основе результатов прогнозной аналитики организации могут принимать решения, обусловленные данными. Такой метод позволяет компаниям принимать взвешенные решения в условиях неопределенности. Методы предписывающей аналитики используют стратегии машинного обучения для обнаружения закономерностей в больших наборах данных. Анализируя прошлые решения и события, организации могут оценивать вероятность различных исходов.

Когнитивная аналитика

Когнитивная аналитика пытается делать выводы из существующих данных и шаблонов, делать заключения на основе существующих баз знаний, а затем возвращает результаты в базу знаний для последующего использования. Таким образом формируется цикл обратной связи самообучения. Когнитивная аналитика позволяет узнать, что может произойти при изменении условий и как можно справиться с этими ситуациями.

Выводы представляют собой не структурированные запросы на основе базы данных правил, а неструктурированные гипотезы, собранные из нескольких источников и имеющие различную степень достоверности. Эффективный когнитивный анализ зависит от алгоритмов машинного обучения. Некоторые принципы обработки естественного языка позволяют анализировать источники данных, потенциал которых ранее не использовался, такие как журналы бесед в центре обработки вызовов и обзоры продуктов.

Пример

Используя отчеты и визуализации данных, розничная компания применяет описательную аналитику для выявления закономерностей в покупках за предыдущие годы, чтобы определить, какие продукты могут быть популярными на следующий год. Она также может обращаться к вспомогательным данным, чтобы понять, почему конкретный продукт был популярным и сохранится ли тенденция. От этого зависит решение о дальнейшей его закупке.

Предприятие может узнать, что определенный продукт был популярен в течение некоторого периода времени. Затем с помощью анализа она может определить, повлияли ли на увеличение продаж какие-либо маркетинговые меры или кампании в социальных сетях.

Анализ данных предполагает, что предприятие может доверять своим данным. На практике процесс анализа данных заключается в принятии данных из доверенных источников и преобразовании их в доступную, осмысленную и понятную форму, позволяющую принимать бизнес-решения. Анализ позволяет компаниям полностью понять свои данные с помощью процессов, управляемых данными, и принимать решения с уверенностью.

По мере увеличения объема данных растет и потребность в аналитиках данных. Аналитик данных знает, как упорядочить информацию и преобразовать ее в осмысленную и понятную форму. Аналитик данных знает, как собирать нужные данные и что делать с ними, т. е. его задача — придать данным смысл.