introduction
L'utilisation de méthodes analytiques a acquis une pertinence immédiate ces dernières années. La pratique consistant à obtenir des informations utiles à partir des données a aidé plusieurs entreprises à améliorer leurs performances commerciales.
Les analyses permettent aux entreprises d'avoir une image claire des événements passés et futurs et de leurs performances. Un aperçu du futur aide les entreprises à se préparer au malheur (Oui il y a) qui est sur le point d'arriver.
Grâce à l'analyse, les entreprises peuvent trouver des réponses à trois questions principales: “Que s'est-il passé”, “Ce qui se passe” Oui “Que se passera-t-il”. Il ne serait pas faux de dire que la montée en puissance des données a entraîné cette pénétration scandaleuse de l'utilisation de l'analytique.
L'analytique ne se limite pas à tirer des enseignements du passé, mais permet aussi de prédire les résultats futurs et de tirer le meilleur parti des ressources commerciales. Comme conséquence, les formes d'analyse les plus avancées, a savoir, le prédictif et le prescriptif, ont acquis une plus grande pertinence pour soutenir les besoins décisionnels des institutions.
Dans ce billet, j'ai expliqué le 3 principales formes d'analyse qui catégorisent toutes les alternatives pour les modèles analytiques appliqués dans tous les pays.
Selon une étude, Les institutions qui se concentrent sur l'automatisation de base pour étendre leurs capacités de reporting peuvent améliorer leur retour sur investissement dans un 188%. Malgré cela, L'ajout d'implémentations analytiques avancées qui améliorent la stratégie de l'organisation peut augmenter votre retour sur investissement jusqu'à un 1209 pourcent.
Ensuite, en principe, Quels sont les différents types d'analyse?
1. Analyse descriptive
Commençons par le type d'analyse le plus basique, En d'autres termes analytique descriptive. L'objectif des modèles descriptifs est d'analyser les tendances historiques et de découvrir des modèles pertinents pour obtenir des informations sur le comportement de la population.. L'analyse descriptive consiste à trouver des réponses à “que s'est-il passé?”. C'est la forme d'analyse la plus utilisée par les institutions pour leur fonctionnement quotidien et en général c'est la moins complexe..
Les modèles descriptifs utilisent des techniques mathématiques et statistiques de base pour dériver des KPI qui mettent en évidence les tendances historiques. L'objectif principal du modèle n'est pas d'estimer une valeur, mais obtenir des informations sur le comportement sous-jacent. Les outils courants utilisés pour exécuter une analyse descriptive incluent MS Excel, SPSS et STATA.
Un exemple typique dans le secteur bancaire serait la segmentation de la clientèle. Les données historiques sont extraites pour analyser les habitudes de dépenses des clients et l'engagement du portefeuille afin de permettre une concentration ciblée sur le marketing et les ventes. De tels modèles sont des outils puissants pour le profilage de la population, mais ils ont un pouvoir prédictif limité concernant le comportement des membres individuels de la même population.
Ressources utiles:
- Des ressources en ligne pour apprendre les statistiques descriptives de base sont disponibles sur Khan Academy: Relier
- Voici une vidéo sur la façon d'exécuter des statistiques descriptives dans SPSS: Relier
- Un MOOC incontournable sur Coursera- Boîte à outils du scientifique des données: Relier
2. Analyses prédictives
Analyses prédictives utiliser des modèles statistiques pour établir la probabilité qu'une situation ou un résultat futur se produise. Il s'agit de trouver des réponses à « Qu'est-ce qui pourrait arriver ??'.
Les modèles prédictifs se concentrent sur les modèles descriptifs car ils vont au-delà de l'utilisation de données historiques comme base principale de prise de décision, utilisant souvent des données structurées et non structurées provenant de diverses sources. Ils permettent aux décideurs de prendre des décisions éclairées en fournissant un compte rendu complet de la probabilité qu'un événement se produise à l'avenir. Ils englobent divers modèles statistiques avancés et des concepts mathématiques sophistiqués tels que les forêts aléatoires, GBM, SVM, GLM, théorie des jeux, etc.
Un modèle prédictif s'appuie sur un modèle descriptif pour prédire le comportement futur. Malgré cela, contrairement à un modèle descriptif qui ne profile que la population, un modèle prédictif se concentre sur la prédiction du comportement d'un seul client.
Les outils utilisés pour exécuter des modèles prédictifs varient en fonction de la nature de la complexité du modèle, malgré cela, certains des outils les plus utilisés sont RapidMiner, R, Python, SAS, Matlab, Dataiku DSS, parmi beaucoup d'autres. Des ressources en ligne sur l'utilisation de ces outils sont disponibles sur Coursera.
Un exemple typique dans le secteur bancaire serait l'analyse de campagne avancée. Peut aider à prédire la probabilité qu'un client réponde à une offre marketing donnée pour stimuler la vente croisée et la vente incitative de produits. Un autre exemple serait de prédire la probabilité de fraude par carte de crédit..
Ressources utiles
- MOOC à Coursera sur R pour les débutants: Relier
- Un guide complet de Python pour les débutants: Relier
- Construire des modèles prédictifs sur Coursera: Relier
3. Analyse prescriptive
Analyse prescriptive est le type d'analyse le plus sophistiqué qui utilise l'optimisation stochastique et la simulation pour explorer un ensemble d'alternatives possibles et recommander la meilleure action possible pour une situation donnée. Il s'agit de trouver des réponses à “Qu'est-ce qui devrait être fait?”.
Les modèles prescriptifs vont au-delà des modèles descriptifs qui ne traitent que de ce qui se passe, et au-delà des modèles prédictifs qui ne peuvent que dire ce qui va se passer, au fur et à mesure qu'ils vont conseiller ce qui devrait vraiment être fait dans l'avenir prédit. Quantifier l'effet des actions futures sur les indicateurs clés de l'entreprise et suggérer l'action la plus optimale.
Les modèles prescriptifs synthétisent le Big Data et les règles métier à l'aide d'algorithmes complexes pour comparer les résultats probables d'une série d'actions et sélectionner l'action la plus optimale pour atteindre les objectifs commerciaux. Les modèles prescriptifs les plus avancés suivent une procédure de simulation dans laquelle le modèle apprend en continu et automatiquement à partir des données actuelles pour renforcer son intelligence..
Ces modèles sont généralement de nature plus complexe et, pour cela, sont utilisés par certaines grandes entreprises progressistes, car ils sont difficiles à administrer. Malgré cela, lorsqu'il est correctement mis en œuvre, peut avoir un impact important sur l'efficacité de la prise de décision d'une entreprise et, pour cela, dans vos résultats finaux.
Cela dit, les avancées techniques telles que les supercalculateurs, Cloud computing, Hadoop HDFS, Étincelle, traitement dans la base de données, Architecture MPP, etc. ont rendu la mise en œuvre de modèles prescriptifs complexes qui utilisent des données structurées et non structurées beaucoup plus facile. Les outils utilisés pour exécuter des modèles prescriptifs sont pour la plupart les mêmes que les modèles prédictifs, malgré cela, nécessitent des capacités d'infrastructure de données avancées.
Un exemple courant de modèles normatifs dans le secteur de la banque de détail est la répartition optimale du personnel de vente dans diverses succursales bancaires afin de maximiser l'acquisition de nouveaux clients.. En combinant les informations de localisation géographique avec les performances et le potentiel de chaque agence, le modèle peut prescrire la répartition la plus optimale du personnel de vente dans toutes les succursales.
Une approche de modélisation prescriptive plus sophistiquée est utilisée dans les systèmes de tarification des billets d'avion pour tirer le meilleur parti du prix des billets d'avion en fonction des facteurs de voyage, niveaux de demande, temps d'achat, etc. maximiser les marges bénéficiaires, mais en même temps ne décourage pas les ventes.
Selon une enquête, autour du 10% des institutions utilisent actuellement une forme d'analyse prescriptive, ce chiffre est passé de 3% dans 2014 et devrait augmenter de 35% dans 2020. Des facteurs tels que des investissements massifs dans l'analyse prédictive, L'expansion des capacités IoT qui complètent l'analyse prescriptive stimule cette croissance et étend la portée des modèles prescriptifs.
Ressources utiles (en même temps de celles de l'analyse prédictive):
- Guide de création d'un moteur de recommandation en Python: Relier
- MOOC sur Coursera pour un apprentissage machine pratique: Relier
- Guide d'apprentissage des forêts aléatoires: relier
Remarques finales
Dans ce billet, j'ai analysé 3 différentes versions d'analyse utilisées dans les industries aujourd'hui. Ce sont les éléments constitutifs de l'industrie de l'analytique dans le monde. Il est juste de dire que tous les modèles, Les développements et découvertes réalisés avec des données peuvent être classés dans l'une de ces trois catégories.
Cet article est destiné à aider les personnes qui débutent dans l'analyse ou envisagent de passer à l'analyse pour obtenir une vue claire du domaine. J'espère que les ressources ci-dessus vous aideront à commencer à apprendre.
A propos de l'auteur
Sajal jaïn est un professionnel de l'analytique avec plus de 6 années d'expérience dans la banque et l'analyse de la main-d'œuvre. A terminé sa maîtrise en statistiques de la London School of Economics (une bourse d'étude) et travaille actuellement avec une société de technologie et de conseil basée sur la recherche à Gurgaon.
Vous avez une expérience en Business Intelligence / Apprentissage automatique / Big Data / Science des données? Montrez vos connaissances et aidez la communauté DataPeaker en publiant votre blog.
