Az adatelemzés áttekintése
Ahhoz, hogy az adatok felhasználhatók legyenek egy történet elmondásához, át kell futtatni azokat egy folyamaton, amely felhasználhatóvá teszi azokat. Az adatelemzés az a folyamat, amely az adatok azonosításával, tisztításával, átalakításával és modellezésével jelentős és hasznos információkat tár fel. Az adatok ez után jelentésekkel formálhatók elemezhető történetté a kritikus döntéshozatali folyamatot támogatásához.
Az egyre inkább adatokra támaszkodó világban az adatelemzés általi történetmesélés alapvető összetevője és tényezője a kis és nagy üzleteknek egyaránt. Ez az oka annak, hogy a vállalatok adatelemzőket alkalmaznak.
Az adatokra támaszkodó üzletek az adataik által elmesélt történet alapján hoznak döntéseket, márpedig az üzletek többsége számára nehézséget jelent, hogy napjaink adatalapú világában nincs kihasználva az adatokban rejlő összes lehetőség. Az adatelemzés minden vállalatnál kritikus fontosságú tényező, és annak is kell lennie. Ez segít meghatározni az üzleti hatást, beleértve az ügyfelek hangulatának kiértékelését, a piaccal és a termékekkel kapcsolatos kutatások elvégzését, a trendek azonosítását és más adatelemzési eredményeket is.
Bár az adatelemzési folyamat elsősorban az adatok tisztításával, modellezésével és vizuális megjelenítésével foglalkozik, az adatelemzés elvét és üzleti jelentőségét nem szabad alábecsülni. Az adatelemzéshez az elemzés alapvető összetevői az alábbi kategóriákba sorolhatók:
- Leíró
- Diagnosztikai
- Előrejelző
- Előíró
- Kognitív
Leíró elemzés
A deskriptív (leíró) elemzés az előzményadatok alapján segít megválaszolni a múltbeli eseményekre vonatkozó kérdéseket. A leíró elemzési technikák nagy szemantikai modelleket foglalnak össze az érintettek eredményeinek leírásához.
Fő teljesítménymutatók (KPI-k) kialakításával az ilyen stratégiák segítenek a fő célkitűzések megvalósulásának vagy sikertelenségének nyomon követésében. Az olyan metrikákat, mint a megtérülési ráta (ROI), számos iparágban használják, az egyes iparágakban pedig speciális metrikákat fejlesztenek ki a teljesítmény nyomon követésére.
A leíró elemzés körébe tartozik például az olyan jelentések előállítása, amelyek egy vállalat értékesítési és pénzügyi adatairól nyújtanak áttekintést.
Diagnosztikai elemzés
A diagnosztikai elemzés a megtörtént események okával kapcsolatos kérdésekre segít választ találni. A diagnosztikai elemzési technikák az alapszintű leíró elemzést egészítik ki, és a leíró elemzés eredményeit felhasználva tárják fel az események okait. A teljesítménymutatók további elemzése felderítheti, hogy az események miért fordultak jobbra vagy rosszabbra. Ez a folyamat általában három lépésből áll:
Rendellenességek felderítése az adatokban. Ezek a rendellenességek lehetnek például egy metrika vagy egy adott piac váratlan változásai.
A rendellenességekkel kapcsolatos adatok gyűjtése.
A rendellenességeket magyarázó összefüggések és trendek felderítése statisztikai módszerekkel.
Előrejelző elemzés
A prediktív (előrejelző) elemzés a jövőbeli eseményekre vonatkozó kérdésekre segít választ találni. A prediktív elemzési technikák az előzményadatok használatával azonosítják a trendeket, és megállapítják, hogy valószínű-e azok megismétlődése. A prediktív elemzési eszközök értékes eredményekkel szolgálnak arról, ami a jövőben történhet. A módszerei közé tartozik többféle statisztikai és gépi tanulási technika, például a neurális hálózatok, a döntési fák és a regresszió.
Előíró elemzés
A preskriptív (előíró) elemzés az olyan kérdések megválaszolásában segít, hogy mely lépéseket kell megtenni egy cél elérése érdekében. Az előíró elemzésekből származó megállapítások használatával a szervezetek adatvezérelt döntéseket hozhatnak. Ezzel a technikával az üzletek tájékozottan dönthetnek a bizonytalan helyzetekben. Az előíró elemzési technikák a gépi tanulásra támaszkodnak, mint a nagy szemantikai modellek mintáinak megtalálására. A múltbeli döntések és események elemzésével a vállalatok megbecsülhetik a különböző kimenetek valószínűségét.
Kognitív elemzés
A kognitív elemzés megkísérel következtetéseket levonni a meglévő adatokból és mintázatokból, kiszámítani a következményeket a meglévő tudásbázisok alapján, majd ezeket az eredményeket a tudásbázishoz adja a jövőbeli következtetésekhez egy öntanulási visszacsatolásos ciklusban. A kognitív elemzés segít megtudni, hogy mi történhet a körülmények változása esetén, és meghatározni, hogy hogyan kezelhetők az ilyen helyzetek.
A következtetések nem egy szabályokból álló adatbázisra épített strukturált lekérdezések, hanem több forrásból összegyűjtött, különböző megbízhatósági szintekkel kifejezett strukturálatlan hipotézisek. A hatékony kognitív elemzés gépi tanulási algoritmusokra épül, és a természetes nyelvi feldolgozás több alapelvét hasznosítva értelmez olyan, korábban kihasználatlan adatforrásokat, mint az ügyfélszolgálati beszélgetések naplói és a termékértékelések.
Példa
Egy kereskedelmi üzlet a jelentéskészítés és az adatvizualizációk alapján leíró elemzéssel keres mintázatokat a korábbi évek értékesítéseiben, hogy meghatározza, mely termékek lesznek népszerűek jövőre. A vállalat a kiegészítő adatokat is megvizsgálhatja annak megértéséhez, hogy egy adott termék miért lett népszerű és hogy ez a trend tartós lesz-e, ez pedig segít eldönteni, hogy érdemes-e továbbra is raktáron tartaniuk ezt a terméket.
A vállalatok azt is megállapíthatják, hogy egy bizonyos termék egy meghatározható időszakban volt népszerű. Ilyenkor ezzel az elemzéssel dönthetik el, hogy egy bizonyos marketingtevékenység, vagy az online közösségi tevékenység járult hozzá az értékesítés növekedéséhez.
Az adatelemzés egyik háttérbeli tényezője az, hogy az üzleteknek bízniuk kell a saját adataikban. A gyakorlatban az adatelemzési folyamat megbízható forrásokból rögzít adatokat, amelyeket aztán fogyasztható, jelentéssel bíró és könnyen érthető alakra formál, hogy támogassa a döntéshozatali folyamatot. Az adatelemzéssel az üzletek teljesen megérthetik az adataikat, és az adatalapú folyamatok és döntések miatt magabiztosan hozhatják meg döntéseiket.
Az adatok mennyiségével együtt növekszik az adatelemzés iránti igény is. Az adatelemzők tudják, hogyan rendszerezzék az információkat, és hogyan szűrjék ki azok lényegét egy célratörő és érthető formában. Az adatelemzők tudják, hogyan gyűjtsék össze a megfelelő adatokat, és mihez kezdjenek azokkal, tehát ők azok, akik képesek eligazodni a rengeteg adat között.