Business Analytics tornou-se uma palavra-chave para qualquer coisa que tenha a ver com dados.
Por isso, se você é novo neste campo e não entende a que as pessoas estão se referindo “Análise de negócio”, Evite se preocupar!
Mesmo depois de gastar mais do que 6 anos nesta indústria, Há momentos em que é difícil para mim entender o trabalho que uma pessoa fez lendo seu currículo.
É assim que um trecho de um JD típico seria:
- Analisar, preparar relatórios e apresentá-los à equipe de liderança com uma frequência definida.
o
- Liderar vários projetos analíticos e planejamento de negócios para ajudar a equipe de liderança a entregar desempenho de negócios.
Por um lado, isso cria confusão na mente da pessoa que se candidata a uma determinada posição. Por outro lado, deixa os seletores com uma função difícil de entender e julgar o que uma pessoa fez no passado.
Agora, se eu consegui isso como uma descrição para um dos empregos para os quais me candidatei, Eu ficaria com medo! Com medo, não porque eu não sei o assunto, mas porque eles podem significar qualquer coisa. O trabalho pode se referir à preparação de relatórios básicos em um nível júnior para conduzir mergulhos profundos multivariados em vários tópicos.
Então, O que você faz quando está em tal situação?
Nós vamos, A primeira coisa a fazer é entender o espectro de Business Analytics. Depois de ter entendido, pergunte a qual parte do espectro a função se aplica e, em seguida, decida se é adequada às suas habilidades ou não.
Abaixo está uma boa representação deste espectro:
Deixe-me explicar cada uma dessas áreas com um pouco mais de detalhes..
Relatórios: resposta ao que aconteceu?
O domínio do Analytics começa respondendo a uma pergunta simples: O que aconteceu? Esta atividade é regularmente chamada de relatórios. Em geral, estes são os MIS que as pessoas querem receber logo de manhã. É um instantâneo do que aconteceu. A seguir, mostra um exemplo de como seria um relatório típico:
Ferramentas usadas em relatórios:
A maioria dos relatórios elementares é feita em MS Excel em todo o mundo. As instituições mais evoluídas podem extrair os dados por meio de bancos de dados usando ferramentas como SQL, MS Access u Oracle. Mas, em geral, a divulgação dos relatórios é feita por meio do Excel.
Habilidades necessárias para relatar:
- MS Excel
- Compreensão de negócios
- Capacidade de realizar tarefas monótonas com diligência.
Análise de detetive: resposta para por que isso aconteceu?
A análise de detetive começa onde termina o relatório. Comece a procurar razões para mudanças inesperadas. Problemas típicos em que você trabalha são “Por que as vendas diminuíram no último 2 meses?” o “Por que a última campanha teve um desempenho inferior ou inferior?”. Para encontrar respostas a essas perguntas, Observe as tendências anteriores ou mudanças de distribuição para descobrir os motivos das mudanças. Apesar disto, tudo isso é retrospectivo.
Algumas dessas ideias, O que você descobre depois de analisar a análise retroativa, pode ser usado para planejamento de negócios, mas o objetivo da análise é geralmente descobrir o que funcionou e o que não.
Ferramentas usadas na análise de detetive:
As ferramentas mais utilizadas são o MS Excel, MS Access, Minitab, R (regressão básica). Você costuma usar Excel avançado e tabelas dinâmicas para corrigir esses problemas e, em geral, criar gráficos de série temporal ajuda muito.
Habilidades indispensáveis para análise de detetive:
- Pensamento estruturado
- MS Access, Excel, regressão básica
- Compreensão de negócios
Painéis de controle: resposta ao que está acontecendo agora?
O painel é um resumo organizado e bem apresentado das principais métricas de negócios. Eles geralmente são interativos para que o usuário possa encontrar as informações exatas que procura. O tabuleiro, em estado ideal, deve fornecer informações em tempo real sobre o desempenho. A seguir, mostra um exemplo de como seria uma placa:
Toda a ciência da modelagem de dados, painéis e relatórios com base nesses dados também são conhecidos como “Business Intelligence“.
Ferramentas usadas para criar painéis:
Para um tamanho de dados limitado, painéis podem ser criados com Excel avançado. Mas, em geral, instituições usam ferramentas mais avançadas para a criação e disseminação de ferramentas. Objetos de Negócios, Qlikview, Hyperion são nomes de alguns desses softwares.
Habilidades essenciais para a criação de painéis:
- Pensamento estruturado forte: a pessoa precisará criar toda a arquitetura e modelo de dados
- Compreensão de negócios: se você não entende o que você quer representar, Deus te ajude!
Modelagem preditiva – Resposta ao que provavelmente acontecerá?
É aqui que você pega todas as suas tendências e informações históricas e as aplica para prever o futuro.. Tente prever o comportamento do cliente com base em informações anteriores. Observe que há uma pequena diferença na previsão e modelagem preditiva. A previsão é feita regularmente no nível agregado, enquanto a modelagem preditiva é feita regularmente no nível do cliente / instância.
Ferramentas usadas para modelagem preditiva:
SAS tem a maior participação de mercado entre as ferramentas usadas para modelagem preditiva, seguida de SPSS, R, Matlab.
Habilidades essenciais para modelagem preditiva:
- Pensamento estruturado forte
- Compreensão de negócios
- Resolução de problemas
Big data – Resposta ao que pode acontecer, dado o comportamento da comunidade?
Imagine aplicar modelagem preditiva com um microscópio na mão. E se você puder armazenar, analisar e dar sentido às informações de cada cliente? A que tipo de comunidade de mídia social você está vinculado? Que tipo de pesquisas você está fazendo? Os problemas de big data surgem quando os dados crescem nos três Vs (volume, velocidade e variedade). Você precisa de cientistas de dados para extrair esses dados.
Ferramentas usadas em Big Data:
Este é um domínio muito dinâmico no momento. Uma ferramenta que costumava ser líder de mercado faz 6 meses não é mais o melhor. Por isso, é difícil especificar ferramentas específicas. Essas ferramentas geralmente funcionam no Hadoop para salvar os dados.
Habilidades essenciais para aproveitar as vantagens do Big Data:
- Pensamento estruturado forte
- Conhecimento avançado de arquitetura de dados
- Capacidade de trabalhar com dados não estruturados.
Então, Agora que você entende o espectro do Analytics, se você se encontra em uma função que não é clara para você, reserve um tempo para entender a qual domínio você está se referindo e se ele se encaixa bem com o que você deseja alcançar.
Se você se deparou com essa confusão sobre a compreensão “Análise de negócio“, Esta postagem deveria ter ajudado você. Caso haja mais confusão, avise.
