Přehled analýzy dat
Předtím, než se dají data použít k vyprávění příběhu, musí projít procesem, díky kterému je bude možné v příběhu použít. Analýza dat je proces identifikace, čištění, transformace a modelování dat za účelem zjištění smysluplných a užitečných informací. Z dat se pak vytvoří příběh prostřednictvím sestav pro účely analýzy, který podpoří zásadní proces rozhodování.
Svět je stále více řízen daty, proto se vyprávění příběhů prostřednictvím analýzy dat stává zásadní součástí a aspektem velkých i malých firem. Je důvodem, proč organizace stále nabírají datové analytiky.
Firmy založené na datech se rozhodují na základě příběhu, který jejich data vyprávějí, ale v dnešním světě založeném na datech se nevyužívá celý potenciál dat. Této výzvě čelí většina firem. Analýza dat je a měla by být nepostradatelným aspektem všech organizací, aby bylo možné lépe určit dopad na jejich podnikání, včetně vyhodnocení mínění zákazníků, provádění průzkumu trhu a produktů a identifikace trendů nebo dalších poznatků z dat.
Proces analýzy dat se zaměřuje na úlohy čištění, modelování a vizualizace dat, ale koncept analýzy dat a jeho důležitost pro firmy by se neměl podceňovat. Základní komponenty analýzy dat jsou rozdělené do těchto kategorií:
- popisné
- diagnostické
- prediktivní
- preskriptivní
- kognitivní
Popisná analýza
Popisná analýza pomáhá na základě historických dat zodpovědět otázky ohledně toho, co se stalo. Techniky deskriptivní analýzy shrnují rozsáhlé sémantické modely a popisují výsledky zúčastněným stranám.
Díky vývoji klíčových ukazatelů výkonu můžou tyto strategie pomáhat při sledování úspěchu nebo neúspěchu klíčových cílů. V mnoha odvětvích se používají metriky jako návratnost investice a ke sledování výkonu v konkrétních odvětvích jsou vyvíjeny specializované metriky.
Příkladem popisných analýz je generování sestav, které vám poskytují přehled o prodejních a finančních datech organizace.
Diagnostická analýza
Diagnostická analýza pomáhá zodpovědět otázky, proč k událostem došlo. Techniky diagnostické analýzy jsou doplněním základních popisných analýz a používají zjištění z popisných analýz k odhalení příčiny těchto událostí. Ukazatele výkonu se potom dál prověřují, aby se zjistilo, proč se tyto události zlepšily nebo zhoršily. Obecně tento proces probíhá ve třech krocích:
Identifikace anomálií v datech. Tyto anomálie můžou být neočekávané změny v metrice nebo na konkrétním trhu.
Shromáždění dat, která s těmito anomáliemi souvisí.
Zjištění vztahů a trendů, které tyto anomálie vysvětlují, pomocí statistických metod.
Prediktivní analýza
Prediktivní analýza pomáhá zodpovědět otázky ohledně toho, co se stane v budoucnu. Techniky prediktivní analýzy využívají historická data k identifikaci trendů a určení, jestli se pravděpodobně budou opakovat. Nástroje prediktivní analýzy poskytují užitečné poznatky o tom, co by se v budoucnu mohlo stát. Mezi techniky patří nejrůznější statistické techniky a techniky strojového učení, jako jsou neurální sítě, rozhodovací stromy a regrese.
Preskriptivní analýza
Preskriptivní analýza pomáhá zodpovědět otázky, co je potřeba udělat k dosažení cíle. S využitím přehledů z preskriptivní analýzy můžou organizace rozhodovat na základě dat. Tato technika firmám umožňuje provádět informovaná rozhodnutí tváří v tvář nejistotě. Techniky preskriptivní analýzy spoléhají na strojové učení jako jednu ze strategií při hledání vzorů ve velkých sémantických modelech. Díky analýze minulých rozhodnutí a událostí můžou organizace odhadnout pravděpodobnost různých výsledků.
Kognitivní analýza
Kognitivní analýza se snaží odvozovat závěry z existujících dat a vzorů, vyvozovat závěry na základě existujících znalostních bází a pak tato zjištění přidávat zpět do znalostní báze pro budoucí odvozování. Vzniká tak smyčka zpětné vazby pro automatické učení. Kognitivní analýza pomáhá zjistit, co by se mohlo stát, kdyby se změnily okolnosti, a určit, jak byste tyto situace mohli zvládnout.
Odvozené závěry nejsou strukturované dotazy založené na databázi pravidel, ale spíš nestrukturované hypotézy získané z několika zdrojů a vyjádřené s různou mírou spolehlivosti. Účinná kognitivní analýza závisí na algoritmech pro strojové učení a využije několik konceptů zpracování přirozeného jazyka k pochopení dříve neprobádaných zdrojů dat, jako jsou protokoly konverzací z call center a recenze produktů.
Příklad
Když maloobchodní firma umožní vytváření sestav a vizualizace dat, pomocí popisné analýzy se podívá na vzory nákupů z předchozích let, aby zjistila, které produkty můžou být oblíbené v příštím roce. Firma se také může podívat na podpůrná data, aby pochopila, proč byl konkrétní produkt oblíbený, a pokud tento trend pokračuje, aby jí tato data pomohla zjistit, jestli tento produkt dál naskladňovat.
Firma může zjistit, že určitý produkt byl oblíbený v určitém časovém období. Potom může pomocí této analýzy zjistit, jestli ke zvýšení prodeje přispěly nějaké prodejní snahy nebo online sociální aktivity.
Základní aspekt analýzy dat je, že firmy potřebují svým datům důvěřovat. V praxi proces analýzy dat vezme data z důvěryhodných zdrojů a zformuje z nich něco upotřebitelného, smysluplného a snadno pochopitelného, co pomůže v procesu obchodních rozhodnutí. Analýza dat umožňuje firmám plně pochopit data prostřednictvím daty řízených procesů a rozhodnutí, a ty se tak potom můžou rozhodovat s jistotou.
S tím, jak objem dat roste, roste i potřeba datových analytiků. Datový analytik ví, jak uspořádat informace a vytěžit z nich něco relevantního a srozumitelného. Datový analytik ví, jak shromáždit správná data a co s nimi dělat, jinými slovy dokáže dát smysl datům ve vaší obrovské zásobě dat.