introduzione
El uso de métodos analíticos ha ganado una relevancia inmediata en los últimos años. La práctica de obtener información útil a partir de los datos ha ayudado a varias compañías a mejorar su desempeño comercial.
Los análisis posibilitan a las compañías ottenere una immagine clara de los eventi del pasado y del futuro de su desempeño. Un vistazo al futuro ayuda a las compañías a prepararse para la desgracia (Si C'è) que está a punto de llegar.
A través de la analiticoL'analisi si riferisce al processo di raccolta, Misura e analizza i dati per ottenere informazioni preziose che facilitano il processo decisionale. In vari campi, come business, Salute e sport, L'analisi può identificare modelli e tendenze, Ottimizza i processi e migliora i risultati. L'utilizzo di strumenti avanzati e tecniche statistiche è fondamentale per trasformare i dati in conoscenze applicabili e strategiche...., las compañías pueden hallar respuestas a tres preguntas principales: “Qué ha pasado”, “Qué está pasando” e “Qué pasará”. No sería incorrecto decir que el aumento de los datos ha impulsado esta escandalosa penetración del uso de la analítica.
L'analitica non si limita solo a ottenere conoscenze dal passato, ma permette anche di prevedere risultati futuri e di sfruttare al massimo le risorse aziendali. Dovuto, le forme più avanzate di analisi, vale a dire, quella predittiva e quella prescrittiva, hanno acquisito una maggiore rilevanza nel supportare le esigenze decisionali delle istituzioni.
In questo post, ho spiegato il 3 forme principali di analisi che categorizzano tutte le alternative per modelli analitici applicati in tutti i paesi.
Secondo uno studio, le istituzioni che si concentrano sull'automazione di base per ampliare le loro capacità di generazione di report possono migliorare il loro ROI in un 188%. Nonostante questo, aggiungere implementazioni analitiche avanzate che migliorano la strategia dell'organizzazione può estendere il suo ROI fino a 1209 per cento.
Quindi, in linea di principio, quali sono i diversi tipi di analisi?
1. Analisi descrittiva
Cominciamo con il tipo di analisi più basilare, In altre parole analitica descrittiva. L'obiettivo dei modelli descrittivi è analizzare le tendenze storiche e scoprire schemi rilevanti per ottenere informazioni sul comportamento della popolazione. L'analitica descrittiva implica trovare risposte a “Cosa è successo?”. È la forma di analisi più utilizzata dalle istituzioni per il loro funzionamento quotidiano e, in generale, è la meno complessa.
I modelli descrittivi utilizzano tecniche statistiche e matematiche di base per derivare indicatori chiave di prestazione che evidenziano le tendenze storiche. Lo scopo principale del modello non è stimare un valore, ma ottenere informazioni sul comportamento sottostante. Gli strumenti comuni utilizzati per eseguire analisi descrittive includono MS Excel, SPSS e STATA.
Un esempio tipico nel settore bancario sarebbe segmentazioneLa segmentazione è una tecnica di marketing chiave che comporta la divisione di un ampio mercato in gruppi più piccoli e omogenei. Questa pratica consente alle aziende di adattare le proprie strategie e i propri messaggi alle caratteristiche specifiche di ciascun segmento, migliorando così l'efficacia delle tue campagne. Il targeting può essere basato su criteri demografici, psicografico, geografico o comportamentale, facilitando una comunicazione più pertinente e personalizzata con il pubblico di destinazione.... dei clienti. I dati storici vengono estratti per analizzare i modelli di spesa dei clienti e la quota di portafoglio per consentire un approccio mirato al marketing e alle vendite. Tali modelli sono strumenti potenti per profilare la popolazione, ma hanno una capacità limitata di previsione rispetto al comportamento dei singoli membri della stessa popolazione.
Risorse utili:
- Le risorse online per imparare le statistiche descrittive di base si possono trovare su Khan Academy: Collegamento
- Ecco un video su come eseguire statistiche descrittive in SPSS: Collegamento
- Un MOOC imperdibile su Coursera- Kit di strumenti per data scientist: Collegamento
2. Analisi predittiva
Analisi predittiva utilizzare modelli statistici per stabilire la probabilità che si verifichi una situazione o un risultato futuro. Implica trovare risposte alla domanda 'Cosa potrebbe accadere'?'.
I modelli predittivi si concentrano sui modelli descrittivi man mano che vanno oltre l'uso dei dati storici come base principale per il processo decisionale, spesso utilizzando dati strutturati e non strutturati provenienti da diverse fonti. Consentono ai decisori di prendere decisioni informate fornendo un resoconto completo della probabilità che un evento si verifichi in futuro. Coprono vari modelli statistici avanzati e concetti matematici sofisticati come le foreste casuali, GBM, SVM, GLM, teoria dei giochi, eccetera.
Un modello predittivo si basa su un modello descrittivo per prevedere il comportamento futuro. Nonostante questo, a differenza di un modello descrittivo che si limita a profilare la popolazione, un modello predittivo si concentra nel prevedere il comportamento di un singolo cliente.
Gli strumenti utilizzati per eseguire modelli predittivi variano a seconda della complessità del modello, nonostante questo, alcuni degli strumenti più utilizzati sono RapidMiner, R, Pitone, SAS, Matlab, Dataiku DSS, tra molti altri. Le risorse online sull'uso di questi strumenti possono essere trovate su Coursera.
Un esempio tipico nell'industria bancaria sarebbe l'analisi avanzata delle campagne. Può aiutare a prevedere la probabilità che un cliente risponda a una determinata offerta di marketing per favorire la vendita incrociata e quella aggiuntiva dei prodotti. Un altro esempio sarebbe prevedere la probabilità di frodi con le carte di credito.
Risorse utili
- MOOC su Coursera su R per principianti: Collegamento
- Una guida completa di Python per principianti: Collegamento
- Costruzione di modelli predittivi su Coursera: Collegamento
3. Analisi prescrittiva
Analitica prescrittiva es el tipo de análisis más sofisticado que utiliza la optimización estocástica y la simulación para explorar un conjunto de alternativas posibles y recomendar la mejor acción factible para una situación determinada. Implica hallar respuestas a “¿Qué se debe hacer?”.
Los modelos prescriptivos van más allá de los modelos descriptivos que solo abordan lo que está sucediendo, y más allá de los modelos predictivos que solo pueden decir lo que sucederá, a medida que avanzan para aconsejar lo que verdaderamente debería hacerse en el futuro predicho. Cuantifican el efecto de las acciones futuras sobre las métricas comerciales clave y sugieren la acción más óptima.
I modelli prescrittivi sintetizzano big data e regole aziendali utilizzando algoritmi complessi per confrontare i risultati probabili di una serie di azioni e selezionare l'azione più ottimale per promuovere gli obiettivi aziendali. La maggior parte dei modelli prescrittivi avanzati segue una procedura di simulazione in cui il modello apprende in modo continuo e automatico dai dati attuali per aumentare la propria intelligenza.
Questi modelli sono generalmente di natura più complessa e, perché, stanno essendo utilizzati da alcune grandi e progressiste aziende, dato che sono difficili da gestire. Nonostante questo, quando vengono implementati correttamente, possono avere un forte impatto sull'efficacia del processo decisionale di un'azienda e, perché, nei suoi risultati finali.
Avendo detto questo, i progressi tecnologici come i supercomputer, il cloud computing, Hadoop HDFSHDFS, o File system distribuito Hadoop, Si tratta di un'infrastruttura chiave per l'archiviazione di grandi volumi di dati. Progettato per funzionare su hardware comune, HDFS consente la distribuzione dei dati su più nodi, garantire un'elevata disponibilità e tolleranza ai guasti. La sua architettura si basa su un modello master-slave, dove un nodo master gestisce il sistema e i nodi slave memorizzano i dati, facilitare l'elaborazione efficiente delle informazioni.., Scintilla, l'elaborazione in modalità Banca datiUn database è un insieme organizzato di informazioni che consente di archiviare, Gestisci e recupera i dati in modo efficiente. Utilizzato in varie applicazioni, Dai sistemi aziendali alle piattaforme online, I database possono essere relazionali o non relazionali. Una progettazione corretta è fondamentale per ottimizzare le prestazioni e garantire l'integrità delle informazioni, facilitando così il processo decisionale informato in diversi contesti...., l'architettura MPP, eccetera. hanno reso l'implementazione di modelli prescrittivi complessi che utilizzano dati strutturati e non strutturati molto più semplice. Gli strumenti utilizzati per eseguire modelli prescrittivi sono in gran parte gli stessi dei modelli predittivi, nonostante questo, richiedono capacità avanzate di infrastruttura dati.
Un esempio comune di modelli prescrittivi nell'industria bancaria al dettaglio è l'assegnazione ottimale del personale di vendita in varie filiali della banca per massimizzare l'acquisizione di nuovi clienti. Combinando le informazioni sulla posizione geografica con le prestazioni e il potenziale di ciascuna filiale, il modello può prescrivere l'allocazione più ottimale del personale di vendita in tutte le filiali.
Viene utilizzato un approccio di modellazione prescrittiva più sofisticato nei sistemi di prezzo dei biglietti aerei per sfruttare al massimo il prezzo dei biglietti in base ai fattori di viaggio, livelli di domanda, tempo di acquisto, eccetera. per massimizzare i margini di profitto, ma allo stesso tempo senza scoraggiare le vendite.
Secondo una ricerca, attorno a 10% delle istituzioni utilizzano attualmente qualche forma di analisi prescrittiva, questa cifra è aumentata del 3% Su 2014 e si prevede che aumenterà al 35% Su 2020. Fattori come investimenti massicci nell'analisi predittiva, l'espansione delle capacità dell'IoT che completano l'analitica prescrittiva sta stimolando questa crescita e ampliando la portata dei modelli prescrittivi.
Risorse utili (allo stesso tempo di quelli di analisi predittiva):
- Guida per costruire un motore di raccomandazioni in Python: Collegamento
- MOOC su Coursera per l'apprendimento automatico pratico: Collegamento
- Guida per imparare le foreste casuali: collegamento
Note finali
In questo post, ho analizzato 3 diverse versioni di analisi che vengono utilizzate nelle industrie attualmente. Questi sono i componenti di base dell'industria dell'analitica in tutto il mondo. È giusto dire che tutti i modelli, sviluppi e scoperte realizzati con i dati possono essere classificati in una di queste tre categorie.
Este post está destinado a ayudar a las personas que son nuevas en la analítica o que planean changer a la analítica para ottenere una visión clara del dominio. Espero que los recursos mencionados le ayuden a comenzar a aprender.
Circa l'autore
Sajal Jain es un profesional de análisis con más de 6 años de experiencia en análisis bancario y de la fuerza laboral. Completó su Maestría en Estadística de la London School of Economics (con una beca) y en este momento está trabajando con una firma de consultoría y tecnología basada en la investigación en Gurgaon.
Hai esperienza in Business Intelligence? / Apprendimento automatico / Grandi dati / Scienza dei dati? Mostra le tue conoscenze e aiuta la community di DataPeaker pubblicando il tuo blog.
