Introdução
O uso de métodos analíticos ganhou relevância imediata nos últimos anos. A prática de obter informações úteis de dados tem ajudado várias empresas a melhorar seu desempenho comercial.
A análise permite que as empresas obtenham uma imagem clara de eventos passados e futuros de seu desempenho. Um vislumbre do futuro ajuda as empresas a se prepararem para o infortúnio (Sim existe) que está para chegar.
A través de la analíticaAnalytics refere-se ao processo de coleta, Meça e analise dados para obter insights valiosos que facilitam a tomada de decisões. Em vários campos, como negócio, Saúde e esporte, A análise pode identificar padrões e tendências, Otimize processos e melhore resultados. O uso de ferramentas avançadas e técnicas estatísticas é essencial para transformar dados em conhecimento aplicável e estratégico...., as empresas podem encontrar respostas para três perguntas principais: “O que aconteceu”, “O que está acontecendo” e “O que vai acontecer”. Não seria errado dizer que o aumento dos dados levou a essa penetração escandalosa do uso de análises.
Analytics não se limita apenas a obter insights do passado, mas também permite prever resultados futuros e aproveitar ao máximo os recursos comerciais. Como consequência, as formas mais avançadas de análise, a saber, o preditivo e o prescritivo, adquiriram maior relevância no suporte às necessidades de tomada de decisão das instituições.
Neste post, Eu expliquei o 3 principais formas de análise que categorizam todas as alternativas de modelos analíticos aplicados em todos os países.
De acordo com um estudo, As instituições que se concentram na automação básica para expandir seus recursos de relatórios podem melhorar seu ROI em um 188%. Apesar disto, Adicionar implementações analíticas avançadas que melhoram a estratégia da organização pode estender seu ROI em até um 1209 por cento.
Então, em principio, Quais são os diferentes tipos de análise?
1. Análise descritiva
Vamos começar com o tipo mais básico de análise, Em outras palavras analítica descritiva. O objetivo dos modelos descritivos é analisar tendências históricas e descobrir padrões relevantes para obter informações sobre o comportamento da população.. A análise descritiva envolve encontrar respostas para “tem acontecido?”. É a forma de análise mais utilizada pelas instituições para o seu funcionamento diário e, em geral, é a menos complexa..
Modelos descritivos usam técnicas matemáticas e estatísticas básicas para derivar KPIs que destacam tendências históricas. O principal objetivo do modelo não é estimar um valor, mas obtenha informações sobre o comportamento subjacente. Ferramentas comuns usadas para executar análises descritivas incluem MS Excel, SPSS e STATA.
Un ejemplo típico en la industria bancaria sería la O desempenho é exibido como gráficos de dispersão e caixaA segmentação é uma técnica de marketing chave que envolve a divisão de um mercado amplo em grupos menores e mais homogêneos. Essa prática permite que as empresas adaptem suas estratégias e mensagens às características específicas de cada segmento, melhorando assim a eficácia de suas campanhas. A segmentação pode ser baseada em critérios demográficos, psicográfico, geográfico ou comportamental, facilitando uma comunicação mais relevante e personalizada com o público-alvo.... de clientes. Os dados históricos são extraídos para analisar os padrões de gastos do cliente e o envolvimento da carteira para permitir o marketing direcionado e o foco nas vendas. Esses modelos são ferramentas poderosas para o perfil da população, mas eles têm poder preditivo limitado em relação ao comportamento de membros individuais da mesma população.
Recursos Úteis:
- Recursos online para aprender estatísticas descritivas básicas podem ser encontrados na Khan Academy: Ligação
- Aqui está um vídeo sobre como executar estatísticas descritivas no SPSS: Ligação
- Um MOOC essencial no Coursera- Data Scientist Toolkit: Ligação
2. Análise preditiva
Análise preditiva usar modelos estatísticos para estabelecer a probabilidade de ocorrência de uma situação ou resultado futuro. Envolve encontrar respostas para "o que poderia acontecer?’.
Los modelos predictivos se centran en modelos descriptivos a mediro "medir" É um conceito fundamental em várias disciplinas, que se refere ao processo de quantificação de características ou magnitudes de objetos, Fenômenos ou situações. Na matemática, Usado para determinar comprimentos, Áreas e volumes, enquanto nas ciências sociais pode se referir à avaliação de variáveis qualitativas e quantitativas. A precisão da medição é crucial para obter resultados confiáveis e válidos em qualquer pesquisa ou aplicação prática.... que van más allá del uso de datos históricos como base principal para la toma de decisiones, frequentemente usando dados estruturados e não estruturados de várias fontes. Eles permitem que os tomadores de decisão tomem decisões informadas, fornecendo um relato abrangente da probabilidade de um evento ocorrer no futuro. Eles abrangem vários modelos estatísticos avançados e conceitos matemáticos sofisticados, como florestas aleatórias, GBM, SVM, GLM, teoria dos jogos, etc.
Um modelo preditivo se baseia em um modelo descritivo para prever o comportamento futuro. Apesar disto, ao contrário de um modelo descritivo que apenas traça o perfil da população, um modelo preditivo se concentra em prever o comportamento de um único cliente.
As ferramentas usadas para executar modelos preditivos variam dependendo da natureza da complexidade do modelo, Apesar disto, algumas das ferramentas mais utilizadas são RapidMiner, R, Pitão, SAS, Matlab, Dataiku DSS, entre muitos outros. Recursos online sobre como usar essas ferramentas podem ser encontrados no Coursera.
Um exemplo típico no setor bancário seria a análise avançada de campanha. Pode ajudar a prever a probabilidade de um cliente responder a uma determinada oferta de marketing para gerar vendas cruzadas e upsell de produtos. Outro exemplo seria prever a probabilidade de fraude de cartão de crédito..
Recursos Úteis
- MOOC no Coursera on R para iniciantes: Ligação
- Um guia completo de Python para iniciantes: Ligação
- Construindo modelos preditivos no Coursera: Ligação
3. Análise prescritiva
Análise prescritiva é o tipo mais sofisticado de análise que usa otimização e simulação estocástica para explorar um conjunto de alternativas possíveis e recomendar a melhor ação viável para uma determinada situação. Envolve encontrar respostas para “O que deveria ser feito?”.
Os modelos prescritivos vão além dos modelos descritivos que apenas abordam o que está acontecendo, e além de modelos preditivos que só podem dizer o que vai acontecer, como eles vão aconselhar o que realmente deve ser feito no futuro previsto. Quantifique o efeito de ações futuras nas principais métricas de negócios e sugira a ação mais adequada.
Modelos prescritivos sintetizam big data e regras de negócios usando algoritmos complexos para comparar os resultados prováveis de uma série de ações e selecionar a ação mais adequada para direcionar as metas de negócios. A maioria dos modelos prescritivos avançados segue um procedimento de simulação em que o modelo aprende contínua e automaticamente com os dados atuais para aumentar sua inteligência..
Esses modelos são geralmente mais complexos por natureza e, por isso, estão sendo usados por algumas grandes empresas progressistas, uma vez que são difíceis de administrar. Apesar disto, quando implementado corretamente, pode ter um forte impacto na eficácia da tomada de decisão de uma empresa e, por isso, em seus resultados finais.
Tendo dito isto, avanços técnicos, como supercomputadores, computação em nuvem, Hadoop HDFSHDFS, o Sistema de Arquivos Distribuído Hadoop, É uma infraestrutura essencial para armazenar grandes volumes de dados. Projetado para ser executado em hardware comum, O HDFS permite a distribuição de dados em vários nós, garantindo alta disponibilidade e tolerância a falhas. Sua arquitetura é baseada em um modelo mestre-escravo, onde um nó mestre gerencia o sistema e os nós escravos armazenam os dados, facilitando o processamento eficiente de informações.., Fagulha, el procesamiento en la base de dadosUm banco de dados é um conjunto organizado de informações que permite armazenar, Gerencie e recupere dados com eficiência. Usado em várias aplicações, De sistemas corporativos a plataformas online, Os bancos de dados podem ser relacionais ou não relacionais. O design adequado é fundamental para otimizar o desempenho e garantir a integridade das informações, facilitando assim a tomada de decisão informada em diferentes contextos...., Arquitetura MPP, etc. tornaram a implementação de modelos prescritivos complexos que usam dados estruturados e não estruturados muito mais fácil. As ferramentas usadas para executar modelos prescritivos são basicamente as mesmas que modelos preditivos, Apesar disto, exigem recursos avançados de infraestrutura de dados.
Um exemplo comum de modelos prescritivos no setor de banco de varejo é a alocação ideal da equipe de vendas em várias agências bancárias para maximizar a aquisição de novos clientes.. Combinando informações de localização geográfica com o desempenho e potencial de cada filial, o modelo pode prescrever a alocação ideal da equipe de vendas em todas as filiais.
Uma abordagem de modelagem prescritiva mais sofisticada é usada em sistemas de preços de passagens aéreas para aproveitar ao máximo o preço das passagens aéreas com base em fatores de viagem, níveis de demanda, tempo de compra, etc. para maximizar as margens de lucro, mas ao mesmo tempo não impede as vendas.
De acordo com uma investigação, em volta do 10% das instituições atualmente usam alguma forma de análise prescritiva, este número aumentou de 3% sobre 2014 e espera-se que aumente em 35% sobre 2020. Fatores como grandes investimentos em análises preditivas, A expansão dos recursos de IoT que complementam a análise prescritiva está impulsionando esse crescimento e expandindo o alcance dos modelos prescritivos.
Recursos Úteis (ao mesmo tempo das análises preditivas):
- Guia para construir um mecanismo de recomendação em Python: Ligação
- MOOC no Coursera para aprendizado de máquina prático: Ligação
- Guia para aprender florestas aleatórias: ligação
Notas finais
Neste post, Eu analisei 3 diferentes versões de análise usadas nas indústrias hoje. Esses são os blocos de construção da indústria de análise em todo o mundo. É justo dizer que todos os modelos, Desenvolvimentos e descobertas feitas com dados podem ser categorizados em qualquer uma dessas três categorias.
Esta postagem tem como objetivo ajudar as pessoas que são novas em análises ou que planejam mudar para análises para obter uma visão clara do domínio. Espero que os recursos acima ajudem você a começar a aprender.
Sobre o autor
Sajal jain é um analítico profissional com mais de 6 anos de experiência em análise bancária e de força de trabalho. Concluiu seu mestrado em estatística pela London School of Economics (uma bolsa de estudos) e está atualmente trabalhando com uma empresa de consultoria e tecnologia baseada em pesquisa em Gurgaon.
Você tem experiência em Business Intelligence / Aprendizado de Máquina / Big Data / Ciência de Dados? Mostre seu conhecimento e ajude a comunidade DataPeaker postando em seu blog.
