Overzicht van gegevensanalyse
Voordat gegevens kunnen worden gebruikt om een verhaal te vertellen, moeten ze een proces doorlopen dat ze bruikbaar maakt in het verhaal. Gegevensanalyse is het proces van het identificeren, opschonen, transformeren en modelleren van gegevens om zinvolle en nuttige informatie te detecteren. Van de gegevens wordt vervolgens door middel van rapporten voor analyse een verhaal gemaakt om het kritieke besluitvormingsproces te ondersteunen.
Naarmate de wereld meer gegevensgestuurd wordt, wordt het vertellen van verhalen door middel van data-analyse een essentieel onderdeel en aspect van grote en kleine bedrijven. Het is de reden dat organisaties gegevensanalisten blijven inhuren.
Gegevensgestuurde bedrijven nemen beslissingen op basis van het verhaal dat hun gegevens vertellen. De uitdaging waar de meeste bedrijven echter voor staan, is dat ze het potentieel van hun gegevens in deze gegevensgestuurde wereld niet volledig benutten. Gegevensanalyse is en zou een cruciaal aspect moeten zijn van alle organisaties om de impact op hun bedrijf te helpen bepalen, waaronder het evalueren van het klantensentiment, het uitvoeren van markt- en productonderzoek en het identificeren van trends of andere gegevensinzichten.
Hoewel het proces van gegevensanalyse zich richt op de taken van het opschonen, modelleren en visualiseren van gegevens, mag het concept van gegevensanalyse en het belang ervan voor het bedrijfsleven niet worden onderschat. Om gegevens te analyseren, zijn de kerncomponenten van analyse onderverdeeld in de volgende categorieën:
- Beschrijvend
- Diagnostisch
- Voorspellend
- Voorschrijvend
- Cognitief
Descriptive analytics
Beschrijvende analyses helpen vragen te beantwoorden over wat er is gebeurd op basis van historische gegevens. Met beschrijvende analysetechnieken worden grote semantische modellen samengevat om de resultaten aan belanghebbenden te beschrijven.
Door key performance indicators (KPI's) te ontwikkelen, kunnen deze strategieën helpen bij het volgen van het slagen of mislukken van de belangrijkste doelstellingen. Metrische gegevens zoals return on investment (ROI) worden in veel industrieën gebruikt en gespecialiseerde metrics worden ontwikkeld om de prestaties in specifieke industrieën te volgen.
Een voorbeeld van beschrijvende analyse is het genereren van rapporten om een overzicht te krijgen van de verkoop- en financiële gegevens van een organisatie.
Diagnostische analyse
Diagnostische analyse helpt bij het beantwoorden van vragen over waarom gebeurtenissen zijn gebeurd. Diagnostische analysetechnieken vullen de beschrijvende basisanalyses aan en gebruiken de bevindingen van beschrijvende analyses om de oorzaak van deze gebeurtenissen te achterhalen. Vervolgens worden prestatie-indicatoren verder onderzocht om te ontdekken waarom deze gebeurtenissen verbeterden of verergerden. Dit gebeurt meestal in drie stappen:
Afwijkingen in de gegevens identificeren. Deze afwijkingen kunnen onverwachte veranderingen zijn in een metriek of een bepaalde markt.
Gegevens verzamelen die verwant zijn aan deze afwijkingen.
Statistische technieken gebruiken om relaties en trends te ontdekken die deze afwijkingen verklaren.
Predictive analytics
Predictive analytics helpt om vragen te beantwoorden over wat er in de toekomst zal gebeuren. Bij predictive analytics-technieken worden historische gegevens gebruikt om trends te identificeren en te bepalen of er een kans bestaat dat deze zich zullen herhalen. Hulpprogramma's voor predictive analytics bieden waardevolle inzichten in wat er in de toekomst zou kunnen gebeuren. De technieken bestaan uit een verscheidenheid aan statistische en machine learning-technieken zoals neurale netwerken, beslissingsstructuren en regressie.
Voorschrijvende analyses
Prescriptive analytics helpt om vragen te beantwoorden over welke acties moeten worden ondernomen om een doel te bereiken. Door inzichten uit prescriptieve analyses te gebruiken, kunnen organisaties gegevensgestuurde beslissingen nemen. Met deze techniek kunnen bedrijven weloverwogen beslissingen nemen bij onzekerheden. Prescriptieve analysetechnieken zijn afhankelijk van machine learning als een van de strategieën om patronen te vinden in grote semantische modellen. Door eerdere beslissingen en gebeurtenissen te analyseren, kunnen organisaties de waarschijnlijkheid van verschillende uitkomsten schatten.
Cognitive analytics
Met cognitive analytics wordt geprobeerd om zaken te deduceren uit bestaande gegevens en patronen en om conclusies te trekken op basis van bestaande Knowledge Bases. Deze bevindingen worden ook weer in de Knowledge Base opgenomen voor toekomstige conclusies, als een zelflerende feedbacklus. Cognitive analytics helpt u te leren wat er kan gebeuren als de omstandigheden veranderen en om te bepalen hoe u met deze situaties zou kunnen omgaan.
Inferenties zijn geen gestructureerde zoekopdrachten op basis van een regeldatabase; het zijn eerder ongestructureerde hypothesen die uit verschillende bronnen worden verzameld en met wisselend vertrouwen worden uitgedrukt. Effectieve cognitive analytics zijn afhankelijk van machine learning-algoritmen en zullen verschillende natuurlijke taalverwerkingsconcepten gebruiken om betekenis te geven aan voorheen onbenutte gegevensbronnen, zoals callcenter-gesprekslogboeken en productrecensies.
Voorbeeld
Door rapportages en gegevensvisualisaties mogelijk te maken, maakt een retailbedrijf gebruik van descriptive analytics om te kijken naar de aankooppatronen van afgelopen jaren om te bepalen welke producten het komende jaar populair kunnen worden. Het bedrijf kan ook kijken naar ondersteunende gegevens om te begrijpen waarom een bepaald product populair was en of die trend zich voortzet, wat hen zal helpen bepalen of ze dat product in voorraad blijven houden.
Een bedrijf kan bepalen dat een bepaald product gedurende een bepaalde periode populair was. Vervolgens kunnen ze deze analyse gebruiken om te bepalen of bepaalde marketinginspanningen of online sociale activiteiten hebben bijgedragen aan de omzetstijging.
Een onderliggend facet van gegevensanalyse is dat een bedrijf op zijn data moet vertrouwen. In de praktijk zal het gegevensanalyseproces gegevens van vertrouwde bronnen vastleggen en deze omvormen tot iets dat consumeerbaar, zinvol en gemakkelijk te begrijpen is om te helpen bij het besluitvormingsproces. Dankzij gegevensanalyse kunnen bedrijven hun gegevens volledig begrijpen door middel van gegevensgestuurde processen en beslissingen, waardoor zij met vertrouwen beslissingen kunnen nemen.
Naarmate de hoeveelheid gegevens toeneemt, neemt ook de behoefte aan gegevensanalisten toe. Een gegevensanalist weet hoe hij informatie moet ordenen en distilleren tot iets relevants en begrijpelijks. Een gegevensanalist weet hoe de juiste gegevens kunnen worden verzameld en wat ermee moet gebeuren, namelijk uw gegevensmoeras omvormen tot iets begrijpelijks.