Po pierwsze - czym jest Business Intelligence?
Po pierwsze, Business Intelligence. Nie jest to nauka o danych, ale stanowi jej dużą część. Zanim spróbujemy zastosować analizę predykcyjną, musimy przeanalizować wzorce przeszłych zachowań, aby odkryć ścieżkę prognozowania.
BI dostarcza opartych na danych odpowiedzi na pytania takie jak:
„Ile jednostek zostało sprzedanych? W której grupie demograficznej sprzedano najwięcej towarów? Który produkt sprzedawał się najlepiej? Jak kampanie marketingowe wypadły w ostatnim kwartale pod względem współczynnika klikalności i wygenerowanych przychodów? Jak to się ma do wyników w tym samym kwartale ubiegłego roku?”.
Analitycy Business Intelligence tworzą raporty, pulpity nawigacyjne, wykresy i wszelkie inne wizualne reprezentacje danych, aby wyświetlać wyniki w łatwy do przyswojenia sposób. W końcu jaki jest sens analizy, jeśli strona zamawiająca nie może niczego zrozumieć.
Gdzie wykorzystywana jest analityka biznesowa?
- Optymalizacja cen i nauka o danych
- Zarządzanie zapasami i nauka o danych
Druga rzecz przewiduje przyszłość
Nauka o danych to interdyscyplinarna dziedzina, która wykorzystuje metody naukowe, procesy, algorytmy i systemy do wydobywania wiedzy i spostrzeżeń z hałaśliwych, ustrukturyzowanych i nieustrukturyzowanych danych¹². Ci, którzy łączą szereg umiejętności w celu analizy zebranych danych i uzyskania praktycznych spostrzeżeń, nazywani są Data Scientists.
Tak więc, najpierw zespół BI wyciąga wnioski z przeszłych zachowań, a następnie naukowcy zajmujący się danymi mogą zacząć przewidywać przyszłe wartości. Dokładność będzie zależeć od wybranej metody.
Tradycyjne dane: tradycyjne metody nauki o danych
Big Data: Uczenie maszynowe
Tradycyjne metody prognozowania wykorzystują klasyczne metody, takie jak
- analiza regresji liniowej,
- analiza regresji logistycznej,
- grupowanie,
- analiza czynnikowa,
- seria czasowa.
Wszystko zależy od algorytmu
Główną różnicą (i przewagą) uczenia maszynowego nad tradycyjnymi metodami jest algorytm. Daje on wskazówki, których komputer może użyć do znalezienia modelu, który w jak największym stopniu pasuje do danych. Tak więc, zamiast instruować komputer (jak to robimy w tradycyjnych metodach), komputer używa algorytmu do samodzielnego uczenia się i znajdowania modelu. W takim przypadku komputer potrzebuje znacznie mniej zaangażowania człowieka. Jednak, aby nauczyć się algorytmu, musi przejść przez ogromne ilości danych.
Istnieją trzy główne rodzaje uczenia maszynowego:
- nadzorowane,
- bez nadzoru,
- uczenie ze wzmocnieniem
Istnieją trzy główne rodzaje uczenia maszynowego:
- Dowiedz się więcej o swoich klientach
nawyki, dane demograficzne, cechy i wiele więcej. Zrozumienie swoich klientów pomaga zwiększyć zainteresowanie produktami, lepiej je reklamować i rozwijać doświadczenia klientów - Zwiększ bezpieczeństwo i szybciej eliminuj oszustwa
Algorytmy uczenia maszynowego pomogą Ci wykrywać naruszenia szybciej i z większą dokładnością niż ludzie. Niezbędne dla wszystkich banków i pomocne dla wszystkich firm, zwłaszcza tych, które obsługują wrażliwe dane. - Kontrola i prognozowanie finansów wewnętrznych
ML umożliwia prognozowanie wzrostu lub spadku finansów - Zwiększenie wydajności procesów biznesowych
identyfikuje problemy i usprawnia procesy biznesowe. - Przewidywanie trendów rynkowych
dzięki Big Data i Machine Learning możliwe jest zidentyfikowanie możliwych zmian na rynku. Taka opcja daje ogromną przewagę nad wszystkimi konkurentami, którzy nie mogli korzystać z nauki o danych.
Data Science to niesamowita dziedzina, która może przynieść ogromną różnorodność korzyści. Dzięki odpowiednim naukowcom zajmującym się danymi, którzy wiedzą, gdzie szukać, jak przygotowywać i analizować dane, a także zadawać kluczowe pytania, można znaleźć wiele korzystnych odpowiedzi.
¹ Dhar, V. (2013). „Nauka o danych i przewidywanie”. Communications of the ACM. 56 (12): 64-73. doi:10.1145/2500499. S2CID 6107147. Zarchiwizowano od oryginału w dniu 9 listopada 2014 r. Retrieved 2 September 2015.
² Jeff Leek (12 grudnia 2013). „Kluczowym słowem w „Data Science” nie są dane, lecz nauka”. Simply Statistics. Zarchiwizowano od oryginału w dniu 2 stycznia 2014 r. Retrieved 1 January 2014.
