WikiDer > Аналитика

Analytics

Аналитика это систематический вычислительный анализ данных или статистики.[1] Он используется для обнаружения, интерпретации и передачи значимых закономерностей в данные. Это также влечет за собой применение шаблонов данных для эффективного принятия решений. Это может быть полезно в областях, богатых записанной информацией; аналитика полагается на одновременное применение статистика, компьютерное программирование и исследование операций для количественной оценки производительности.

Организации могут применять аналитику к бизнес-данным для описания, прогнозирования и повышения эффективности бизнеса. В частности, области аналитики включают прогнозная аналитика, предписывающая аналитика, управление корпоративными решениями, описательная аналитика, когнитивная аналитика, аналитика больших данных, аналитика розничной торговли, аналитика цепочки поставок, ассортимент магазинов и складская единица оптимизация, оптимизация маркетинга и моделирование маркетингового комплекса, веб-аналитика, аналитика звонков, речевая аналитика, определение размеров и оптимизация продаж, моделирование цен и продвижения, прогнозная наука, графическая аналитика, кредит анализ риска, и аналитика мошенничества. Поскольку аналитика может потребовать обширных вычислений (см. большое количество данных), алгоритмы и программное обеспечение, используемые для аналитики, используют самые современные методы в области компьютерных наук, статистики и математики.[2]

Анализ трафика самой английской Википедии

Аналитика против анализа

Анализ ориентирован на понимание прошлого; что случилось и почему это произошло. Аналитика фокусируется на том, почему это произошло и что произойдет в будущем.[3]

Аналитика данных это мультидисциплинарный поле. Широко используются компьютерные навыки, математика, статистика, использование методов описания и прогнозных моделей для получения ценных знаний из данных с помощью аналитики.[нужна цитата]. Выводы из данных используются, чтобы рекомендовать действия или руководить принятием решений, основанных на бизнес-контексте. Таким образом, аналитика касается не столько отдельных анализов или этапов анализа, сколько всего методология[согласно кому?]. Существует ярко выраженная тенденция к употреблению термина аналитика в бизнес-настройках, например текстовая аналитика по сравнению с более общим интеллектуальный анализ текста чтобы подчеркнуть эту более широкую перспективу.[нужна цитата] Термин расширенная аналитика, обычно используется для описания технических аспектов аналитики, особенно в новых областях, таких как использование машинное обучение такие методы, как нейронные сети, дерево решений, логистическая регрессия, линейная к множеству регрессивный анализ, классификация делать прогнозное моделирование.[4] Он также включает Техники неконтролируемого машинного обучения любить кластерный анализ, Анализ главных компонентов, анализ профиля сегментации и анализ ассоциаций.[5]

Приложения

Оптимизация маркетинга

Маркетинг превратился из творческого процесса в процесс, основанный на данных. Маркетинговые организации используют аналитику для определения результатов кампаний или усилий и для принятия решений в отношении инвестиций и ориентации на потребителей. Демографические исследования, сегментация клиентов, совместный анализ и другие методы позволяют маркетологам использовать большие объемы данных о покупках потребителей, опросов и панельных данных для понимания и передачи маркетинговой стратегии.

Маркетинговая аналитика состоит как из качественных, так и из количественных, структурированных и неструктурированных данных, используемых для принятия стратегических решений в отношении брендов и доходов. Этот процесс включает в себя прогнозное моделирование, маркетинговые эксперименты, автоматизацию и обмен информацией о продажах в реальном времени. Эти данные позволяют компаниям делать прогнозы и изменять стратегическое исполнение для достижения максимальных результатов.

Веб-аналитика позволяет маркетологам собирать информацию на уровне сеанса о взаимодействиях на веб-сайте с помощью операции, называемой сессионизация. Гугл Аналитика является примером популярного бесплатного инструмента аналитики, который маркетологи используют для этой цели. Эти взаимодействия обеспечивают веб-аналитика информационные системы с информацией, необходимой для отслеживания реферера, ключевых слов для поиска, определения IP-адреса и отслеживания действий посетителя. С помощью этой информации маркетолог может улучшить маркетинговые кампании, креативное содержание веб-сайта и информационную архитектуру.

Методы анализа, часто используемые в маркетинге, включают моделирование маркетингового комплекса, анализ ценообразования и продвижения, оптимизацию продаж и аналитику клиентов, например, сегментацию. Веб-аналитика и оптимизация веб-сайтов и онлайн-кампаний теперь часто работают рука об руку с более традиционными методами маркетингового анализа. Акцент на цифровых медиа немного изменил словарный запас, так что моделирование маркетингового комплекса обычно называют моделирование атрибуции в цифровом или моделирование маркетингового комплекса контекст.

Эти инструменты и методы поддерживают как стратегические маркетинговые решения (например, сколько в целом потратить на маркетинг, как распределять бюджеты по портфелю брендов и маркетинговому миксу), так и более тактическую поддержку кампании с точки зрения нацеливания на лучшего потенциального клиента с помощью оптимальное сообщение в наиболее экономически выгодном носителе в идеальное время.

Аналитика людей

People Analytics использует поведенческие данные, чтобы понять, как работают люди, и изменить способ управления компаниями.[6]

Людская аналитика также известна как аналитика персонала, HR-аналитика, аналитика талантов, понимание людей, понимание талантов, понимание коллег, аналитика человеческого капитала и аналитика HRIS. HR-аналитика - это приложение аналитики, помогающее компаниям управлять человеческие ресурсы.[7] Кроме того, HR-аналитика стала стратегическим инструментом анализа и прогнозирования тенденций, связанных с человеческими ресурсами, на меняющихся рынках труда с использованием инструментов карьерной аналитики.[8] Цель состоит в том, чтобы определить, каких сотрудников нанять, каких поощрить или продвинуть, какие обязанности возложить и аналогичные проблемы с человеческими ресурсами.[9] HR-аналитика становится все более важной для понимания того, какие поведенческие профили будут успешными, а какие - нет. Например, анализ может выявить, что люди, соответствующие определенному типу профиля, с наибольшей вероятностью преуспеют на определенной должности, что сделает их лучшими сотрудниками для найма.

Было высказано предположение, что People Analytics - это отдельная дисциплина от HR-аналитики, в которой больше внимания уделяется бизнес-вопросам, а не административным процессам.[10] и что People Analytics может не относиться к отделу кадров в организациях.[11] Однако эксперты не согласны с этим, поскольку многие утверждают, что отделу кадров необходимо будет развивать People Analytics как ключевую часть более способной и стратегической бизнес-функции в меняющемся мире труда, вызванном автоматизацией.[12] Некоторые эксперты утверждают, что вместо того, чтобы вынести People Analytics за пределы HR, она относится к сфере HR, хотя и поддерживается новым поколением специалистов по персоналу, которые более ориентированы на данные и разбираются в бизнесе.[13]

Портфельная аналитика

Распространенное применение бизнес-аналитики: портфельный анализ. В этом банка или кредитное агентство имеет коллекцию счетов различных ценность и риск. Счета могут различаться в зависимости от социального статуса (богатый, средний класс, бедный и т. Д.) Держателя, географического положения, чистой стоимости и многих других факторов. Кредитор должен уравновесить доход ссуда с риском дефолта по каждой ссуде. Тогда возникает вопрос, как оценить портфель в целом.

Ссуда ​​с наименьшим риском может быть предоставлена ​​очень богатым, но число состоятельных людей очень ограничено. С другой стороны, есть много бедных, которым можно дать взаймы, но они подвергаются большему риску. Необходимо найти некоторый баланс, который максимизирует прибыль и минимизирует риск. Решение для аналитики может сочетать Временные ряды анализ со многими другими вопросами для принятия решений о том, когда давать деньги в долг этим различным сегментам заемщиков, или решений по процентной ставке, взимаемой с участников сегмента портфеля для покрытия любых убытков между участниками в этом сегменте.

Аналитика рисков

Прогнозные модели в банковской сфере разрабатываются для обеспечения достоверности оценок риска для отдельных клиентов. Кредитные рейтинги строятся для прогнозирования поведения отдельных лиц в отношении просрочки платежей и широко используются для оценки кредитоспособности каждого заявителя. Кроме того, анализ рисков проводится в научном мире и в страховой отрасли. Он также широко используется в финансовых учреждениях, таких как компании-поставщики шлюзов онлайн-платежей, для анализа того, была ли транзакция подлинной или мошеннической. Для этого они используют историю транзакций клиента. Это чаще всего используется при покупке по кредитной карте, когда происходит внезапный всплеск объема клиентских транзакций, клиент получает запрос с подтверждением, если транзакция была инициирована им / ею. Это помогает снизить потери из-за таких обстоятельств.

Цифровая аналитика

Цифровая аналитика - это набор деловых и технических действий, которые определяют, создают, собирают, проверяют или преобразуют цифровые данные в отчеты, исследования, анализ, рекомендации, оптимизацию, прогнозы и автоматизацию.[14] Это также включает в себя SEO (поисковая оптимизация), где отслеживается поиск по ключевым словам и эти данные используются в маркетинговых целях. Даже баннерная реклама и клики подпадают под цифровую аналитику. Все большее число брендов и маркетинговых фирм полагаются на цифровую аналитику в своих задачах цифрового маркетинга, где MROI (маркетинговая окупаемость инвестиций) является важным фактором. ключевой показатель (КПЭ).

Аналитика безопасности

Под аналитикой безопасности понимаются информационные технологии (ИТ) для сбора событий безопасности для понимания и анализа событий, которые представляют наибольший риск.[15] Продукты в этой области включают информация о безопасности и управление событиями и аналитика поведения пользователей.

Программная аналитика

Программная аналитика - это процесс сбора информации о том, как программного обеспечения используется и производится.

Вызовы

В индустрии коммерческого программного обеспечения для аналитики особое внимание уделяется решению задач анализа массивных и сложных наборов данных, часто когда такие данные находятся в состоянии постоянного изменения. Такие наборы данных обычно называют большое количество данных. Если раньше проблемы, создаваемые большими данными, находили только в научном сообществе, сегодня большие данные представляют собой проблему для многих предприятий, которые используют транзакционные системы в Интернете и, как следствие, быстро накапливают большие объемы данных.[16]

Анализ неструктурированные данные типы - еще одна проблема, привлекающая внимание в отрасли. Неструктурированные данные отличаются от структурированные данные в этом его формат широко варьируется и не может быть сохранен в традиционных реляционных базах данных без значительных усилий по преобразованию данных.[17] Источники неструктурированных данных, такие как электронная почта, содержимое документов текстового процессора, файлы PDF, геопространственные данные и т. Д., Быстро становятся актуальным источником бизнес-аналитика для предприятий, правительств и университетов.[18] Например, в Великобритании обнаружение того факта, что одна компания незаконно продавала поддельные медицинские записи, чтобы помочь людям обманывать работодателей и страховые компании,[19] это возможность для страховых компаний повысить бдительность анализа неструктурированных данных. По оценке McKinsey Global Institute, анализ больших данных может сэкономить американской системе здравоохранения 300 миллиардов долларов в год и европейскому государственному сектору 250 миллиардов евро.[20]

Эти вызовы в настоящее время служат источником вдохновения для многих инноваций в современных информационных системах аналитики, порождая относительно новые концепции машинного анализа, такие как сложная обработка событий, полнотекстовый поиск и анализ, и даже новые идеи в презентации.[21] Одним из таких нововведений является введение в машинный анализ сетевой архитектуры, позволяющей увеличить скорость массивно параллельный обработка путем распределения рабочей нагрузки на множество компьютеров с равным доступом к полному набору данных.[22]

Аналитика все чаще используется в образование, особенно на уровне округа и правительства. Однако сложность показателей успеваемости учащихся создает проблемы, когда преподаватели пытаются понять и использовать аналитику для выявления закономерностей в успеваемости учеников, прогнозирования вероятности их окончания, повышения шансов на успех учеников и т. Д. Например, в исследовании с участием округов, известных сильным использованием данных. 48% учителей затруднялись задавать вопросы, связанные с данными, 36% не понимали данные и 52% неправильно интерпретировали данные.[23] Чтобы бороться с этим, некоторые инструменты аналитики для преподавателей придерживаются внебиржевые данные формат (встраивание этикеток, дополнительная документация и справочная система, а также принятие ключевых решений по упаковке / отображению и содержанию) для улучшения понимания преподавателями и использования отображаемой аналитики.[24]

Еще одна возникающая проблема - это динамичные нормативные потребности. Например, в банковской отрасли требования Базеля III и будущие потребности в достаточности капитала, вероятно, заставят даже небольшие банки принять модели внутреннего риска. В таких случаях облачные вычисления и язык программирования с открытым исходным кодом р может помочь небольшим банкам внедрить аналитику рисков и поддерживать мониторинг на уровне филиалов, применяя прогнозную аналитику.[нужна цитата]

Риски

Главный риск для людей - дискриминация как ценовая дискриминация или статистическая дискриминация. См. Рецензию на книгу Scientific American "Оружие математического разрушения".

Также существует риск того, что разработчик может извлечь выгоду из идей или работы, проделанной пользователями, как в этом примере: пользователи могут писать новые идеи в приложении для создания заметок, которые затем могут быть отправлены как настраиваемое событие, а разработчики могут получать прибыль от эти идеи. Это может произойти из-за того, что право собственности на контент обычно не определено законом.[25]

Если личность пользователя не защищена, рисков больше; например, риск того, что личная информация о пользователях станет общедоступной в Интернете.

В высшей степени существует риск того, что правительства могут собрать слишком много частной информации теперь, когда правительства предоставляют себе больше полномочий для доступа к информации граждан.

Смотрите также

использованная литература

  1. ^ «Оксфордское определение аналитики».
  2. ^ Кохави, Ротледер и Симудис (2002). «Новые тенденции в бизнес-аналитике». Коммуникации ACM. 45 (8): 45–48. CiteSeerX 10.1.1.13.3005. Дои:10.1145/545151.545177. S2CID 15938729.
  3. ^ «Анализ против аналитики: прошлое против будущего».
  4. ^ «Искусственный интеллект, большие данные и расширенная аналитика в цепочке поставок». Forbes.com. Получено 2020-04-16.
  5. ^ Ронин Майерс (19 мая 2019 г.). Методы управления данными и статистического анализа. ISBN 9781839473395. Получено 2020-04-16.
  6. ^ lukem (4 ноября 2016 г.). «Аналитика людей: трансформация управления с помощью поведенческих данных». Программы для профессионалов | MIT Professional Education. Получено 2018-04-03.
  7. ^ Чалуц Бен-Гал, Хила (2019). «Обзор HR-аналитики на основе ROI: инструменты практической реализации» (PDF). Обзор персонала, Том. 48 No. 6, pp. 1429-1448. Цитировать журнал требует | журнал = (Помогите)
  8. ^ Села, А., Чалутц Бен-Гал, Хила (2018). «Карьерная аналитика: анализ текучести кадров и карьерного роста в наукоемких фирмах: Google, Facebook и др.» (PDF). В 2018 году Международная конференция IEEE по науке об электротехнике в Израиле (ICSEE). IEEE. Цитировать журнал требует | журнал = (Помогите)CS1 maint: несколько имен: список авторов (ссылка на сайт)
  9. ^ «Людская аналитика - Пенсильванский университет». Coursera.
  10. ^ "People Analytics: MIT 24 июля 2017 г.". HR Examiner. 2017-08-02. Получено 2018-04-03.
  11. ^ Берсин, Джош. "Вундеркинды приходят в HR: аналитика людей уже здесь". Forbes. Получено 2018-04-03.
  12. ^ «Руководство генерального директора по конкуренции через HR». Получено 2020-07-24.
  13. ^ Макналти, Кит. «Пришло время для HR 3.0». Экономика талантов. Получено 2020-07-24.
  14. ^ Филлипс, Джуда «Создание организации цифровой аналитики» Financial Times Press, 2013 г., стр. 7–8.
  15. ^ «Аналитика безопасности вселяет надежду на обнаружение нарушений». Корпоративные инновации. Архивировано из оригинал 12 февраля 2019 г.. Получено 27 апреля, 2015.
  16. ^ Наоне, Эрика. «Новые большие данные». Обзор технологий, Массачусетский технологический институт. Получено 22 августа, 2011.
  17. ^ Инмон, Билл; Несавич, Энтони (2007). Использование неструктурированных данных. Прентис-Холл. ISBN 978-0-13-236029-6.
  18. ^ Мудрый, Линдси. «Анализ данных и неструктурированные данные». Dashboard Insight. Архивировано из оригинал 5 января 2014 г.. Получено 14 февраля, 2011.
  19. ^ "Фальшивые больничные листы врачей продаются за 25 фунтов стерлингов, предупреждает отдел по расследованию мошенничества Национальной службы здравоохранения". Телеграф. Лондон. 26 августа 2008 г.. Получено 16 сентября 2011.
  20. ^ «Большие данные: новый рубеж для инноваций, конкуренции и производительности, как сообщается в статье« Строительство с большими данными »». Экономист. 26 мая 2011 г. В архиве из оригинала от 3 июня 2011 г.. Получено 26 мая, 2011.
  21. ^ Ортега, Дэн. «Мобильность: развитие умной бизнес-аналитики». ИТ-бизнес Edge. Архивировано из оригинал 5 июля 2011 г.. Получено 21 июня, 2011.
  22. ^ Хамбадконе, Криш. «Готовы ли вы к большим данным?». InfoGain. Архивировано из оригинал 14 марта 2011 г.. Получено 10 февраля, 2011.
  23. ^ Управление планирования, оценки и разработки политики Министерства образования США (2009 г.). Внедрение принятия решений на основе данных в школах: доступ учителя, поддержка и использование. Министерство образования США (Номер службы репродукции документов ERIC ED504191)
  24. ^ Ранкин, Дж. (28 марта 2013 г.). Как системы данных и отчеты могут бороться или распространять эпидемию ошибок анализа данных и как руководители учебных заведений могут помочь. Презентация проведена на Саммите школы лидерства Технологического информационного центра административного лидерства (TICAL).
  25. ^ Алан Нортон (9 июля 2012 г.). «10 причин, по которым я избегаю социальных сетей». TechRepublic. Получено 4 января 2016.

внешние ссылки