Einführung
Der Einsatz analytischer Methoden hat in den letzten Jahren unmittelbar an Bedeutung gewonnen. Die Praxis, aus Daten nützliche Informationen zu gewinnen, hat mehreren Unternehmen geholfen, ihre Geschäftsleistung zu verbessern.
Analysen ermöglichen es Unternehmen, sich ein klares Bild von vergangenen und zukünftigen Ereignissen und deren Leistung zu machen. Ein Blick in die Zukunft hilft Unternehmen, sich auf das Unglück vorzubereiten (Ja da ist) das kommt gleich an.
Durch Analytik, Unternehmen können Antworten auf drei Hauptfragen finden: “Was ist passiert”, “Was ist los” Ja “Was wird passieren”. Es wäre nicht falsch zu sagen, dass der Anstieg der Daten diese skandalöse Durchdringung des Einsatzes von Analytik vorangetrieben hat.
Analytics beschränkt sich nicht nur darauf, Erkenntnisse aus der Vergangenheit zu gewinnen, sondern ermöglicht es auch, zukünftige Ergebnisse vorherzusagen und die kommerziellen Ressourcen optimal zu nutzen. Während, die fortschrittlichsten Analyseformen, nämlich, das prädiktive und das präskriptive, haben eine größere Relevanz bei der Unterstützung der Entscheidungsbedürfnisse von Institutionen erlangt.
In diesem Beitrag, Ich habe das erklärt 3 Hauptanalyseformen, die alle Alternativen für analytische Modelle kategorisieren, die in allen Ländern angewendet werden.
Laut einer Studie, Institutionen, die sich auf grundlegende Automatisierung konzentrieren, um ihre Berichtsfunktionen zu erweitern, können ihren ROI in a 188%. Trotz dieses, Das Hinzufügen erweiterter analytischer Implementierungen, die die Strategie des Unternehmens verbessern, kann Ihren ROI um bis zu 1 erhöhen 1209 Prozent.
Dann, grundsätzlich, Welche verschiedenen Analysearten gibt es??
1. Beschreibende Analyse
Beginnen wir mit der grundlegendsten Art der Analyse, Mit anderen Worten deskriptive Analytik. Ziel deskriptiver Modelle ist es, historische Trends zu analysieren und relevante Muster aufzudecken, um Informationen über das Verhalten der Bevölkerung zu erhalten.. Descriptive Analytics beinhaltet das Finden von Antworten auf “was ist passiert?”. Es ist die Analyseform, die von Institutionen für ihren täglichen Betrieb am häufigsten verwendet wird und im Allgemeinen am wenigsten komplex ist..
Deskriptive Modelle verwenden grundlegende mathematische und statistische Techniken, um KPIs abzuleiten, die historische Trends hervorheben. Der Hauptzweck des Modells besteht nicht darin, einen Wert zu schätzen, aber Informationen über das zugrunde liegende Verhalten erhalten. Zu den gängigen Tools zur Durchführung deskriptiver Analysen gehören MS Excel, SPSS und STATA.
Ein typisches Beispiel in der Bankenbranche wäre die Kundensegmentierung. Historische Daten werden extrahiert, um die Ausgabenmuster der Kunden und das Engagement der Brieftasche zu analysieren, um einen gezielten Marketing- und Vertriebsfokus zu ermöglichen. Solche Modelle sind leistungsstarke Werkzeuge für das Populationsprofiling, aber sie haben eine begrenzte Vorhersagekraft in Bezug auf das Verhalten einzelner Mitglieder derselben Population.
Hilfreiche Ressourcen:
- Online-Ressourcen zum Erlernen der grundlegenden deskriptiven Statistik finden Sie bei der Khan Academy: Verknüpfung
- Hier ist ein Video zum Ausführen von deskriptiven Statistiken in SPSS: Verknüpfung
- Ein unverzichtbarer MOOC auf Coursera- Data Scientist-Toolkit: Verknüpfung
2. Prädiktive Analysen
Prädiktive Analysen Verwenden Sie statistische Modelle, um die Wahrscheinlichkeit des Eintretens einer zukünftigen Situation oder eines zukünftigen Ergebnisses zu ermitteln. Es geht darum, Antworten auf „Was könnte passieren“ zu finden?’.
Prädiktive Modelle konzentrieren sich auf deskriptive Modelle, da sie über die Verwendung historischer Daten als primäre Grundlage für die Entscheidungsfindung hinausgehen, häufig mit strukturierten und unstrukturierten Daten aus verschiedenen Quellen. Sie ermöglichen Entscheidungsträgern, fundierte Entscheidungen zu treffen, indem sie eine umfassende Darstellung der Wahrscheinlichkeit eines zukünftigen Ereignisses liefern. Sie umfassen verschiedene fortschrittliche statistische Modelle und ausgeklügelte mathematische Konzepte wie Random Forests, GBM, SVM, GLM, Spieltheorie, etc.
Ein Vorhersagemodell basiert auf einem beschreibenden Modell, um zukünftiges Verhalten vorherzusagen. Trotz dieses, im Gegensatz zu einem beschreibenden Modell, das nur die Bevölkerung profiliert, Ein Vorhersagemodell konzentriert sich auf die Vorhersage des Verhaltens eines einzelnen Kunden.
Die zur Ausführung von Vorhersagemodellen verwendeten Werkzeuge variieren je nach Art der Modellkomplexität, trotz dieses, Einige der am häufigsten verwendeten Tools sind RapidMiner, R, Python, SAS, Matlab, Dataiku DSS, unter vielen anderen. Online-Ressourcen zur Verwendung dieser Tools finden Sie auf Coursera.
Ein typisches Beispiel in der Bankenbranche wäre die erweiterte Kampagnenanalyse. Kann helfen, die Wahrscheinlichkeit vorherzusagen, mit der ein Kunde auf ein bestimmtes Marketingangebot reagiert, um Cross- und Upselling von Produkten zu fördern. Ein weiteres Beispiel wäre die Vorhersage der Wahrscheinlichkeit von Kreditkartenbetrug..
Hilfreiche Ressourcen
- MOOC in Coursera auf R für Anfänger: Verknüpfung
- Eine vollständige Anleitung zu Python für Anfänger: Verknüpfung
- Erstellen von Vorhersagemodellen auf Coursera: Verknüpfung
3. Präskriptive Analyse
Präskriptive Analytik ist die anspruchsvollste Art der Analyse, die stochastische Optimierung und Simulation verwendet, um eine Reihe möglicher Alternativen zu untersuchen und die beste durchführbare Aktion für eine bestimmte Situation zu empfehlen. Es geht darum, Antworten zu finden auf “Was soll getan werden?”.
Präskriptive Modelle gehen über deskriptive Modelle hinaus, die nur das Geschehen behandeln, und darüber hinaus Vorhersagemodelle, die nur sagen können, was passieren wird, wie sie gehen, um zu beraten, was in der vorhergesagten Zukunft wirklich getan werden sollte. Quantifizieren Sie die Auswirkungen zukünftiger Maßnahmen auf wichtige Geschäftskennzahlen und schlagen Sie die optimalste Maßnahme vor.
Präskriptive Modelle synthetisieren Big Data und Geschäftsregeln mithilfe komplexer Algorithmen, um die wahrscheinlichen Ergebnisse einer Reihe von Aktionen zu vergleichen und die optimale Aktion auszuwählen, um die Geschäftsziele zu erreichen. Die meisten fortgeschrittenen präskriptiven Modelle folgen einem Simulationsverfahren, bei dem das Modell kontinuierlich und automatisch aus aktuellen Daten lernt, um seine Intelligenz zu steigern..
Diese Modelle sind in der Regel komplexer und, deshalb, werden von einigen großen fortschrittlichen Unternehmen verwendet, da sie schwer zu handhaben sind. Trotz dieses, bei richtiger Umsetzung, kann einen starken Einfluss auf die Effektivität der Entscheidungsfindung eines Unternehmens haben und, deshalb, in deinen Endergebnissen.
Nachdem ich das gesagt habe, technische Fortschritte wie Supercomputer, Cloud Computing, Hadoop-HDFS, Funke, Verarbeitung in der Datenbank, MPP-Architektur, etc. haben die Implementierung komplexer präskriptiver Modelle, die strukturierte und unstrukturierte Daten verwenden, erheblich erleichtert. Die zum Ausführen von präskriptiven Modellen verwendeten Tools sind größtenteils dieselben wie bei prädiktiven Modellen, trotz dieses, erfordern erweiterte Dateninfrastrukturfunktionen.
Ein gängiges Beispiel für präskriptive Modelle im Retail Banking ist die optimale Allokation von Vertriebsmitarbeitern in verschiedenen Bankfilialen zur Maximierung der Neukundenakquise.. Durch die Kombination von geografischen Standortinformationen mit der Leistung und dem Potenzial jeder Filiale, das Modell kann die optimale Verteilung der Vertriebsmitarbeiter in allen Filialen vorschreiben.
In Preissystemen für Flugtickets wird ein ausgefeilterer präskriptiver Modellierungsansatz verwendet, um den Preis von Flugtickets basierend auf Reisefaktoren optimal zu nutzen, Nachfrageniveaus, Kaufzeit, etc. um die Gewinnmargen zu maximieren, aber schreckt gleichzeitig den Verkauf nicht ab.
Laut einer Untersuchung, um die 10% der Institutionen verwenden derzeit irgendeine Form der präskriptiven Analyse, diese Zahl hat sich von erhöht 3% In 2014 und wird voraussichtlich um zunehmen 35% In 2020. Faktoren wie massive Investitionen in Predictive Analytics, Die Erweiterung der IoT-Funktionen, die die präskriptive Analytik ergänzen, treibt dieses Wachstum an und erweitert die Reichweite präskriptiver Modelle.
Hilfreiche Ressourcen (gleichzeitig von denen der Predictive Analytics):
- Anleitung zum Erstellen einer Empfehlungs-Engine in Python: Verknüpfung
- MOOC auf Coursera für praktisches maschinelles Lernen: Verknüpfung
- Anleitung zum Erlernen von Random Forests: Verknüpfung
Abschließende Anmerkungen
In diesem Beitrag, Ich habe analysiert 3 verschiedene Analyseversionen, die heute in der Industrie verwendet werden. Das sind die Bausteine der Analytics-Branche auf der ganzen Welt. Es ist fair zu sagen, dass alle Modelle, Entwicklungen und Entdeckungen, die mit Daten gemacht wurden, können in jede dieser drei Kategorien eingeteilt werden.
Dieser Beitrag soll Personen helfen, die neu in der Analytik sind oder einen Wechsel zu Analytics planen, um einen klaren Überblick über die Domäne zu erhalten. Ich hoffe, die oben genannten Ressourcen helfen Ihnen beim Lernen.
Über den Autor
Sajal jain ist ein Analytics-Profi mit mehr als 6 langjährige Erfahrung in Banking und Personalanalyse. Er hat seinen Master in Statistik an der London School of Economics abgeschlossen (ein Stipendium) und arbeitet derzeit mit einem forschungsbasierten Technologie- und Beratungsunternehmen in Gurgaon.
Sie haben Erfahrung im Bereich Business Intelligence? / Maschinelles Lernen / Big Data / Datenwissenschaft? Zeigen Sie Ihr Wissen und helfen Sie der DataPeaker-Community, indem Sie Ihren Blog veröffentlichen.
