CC BY
35Е.С. Чернова
УРОВНИ АНАЛИТИКИ ДАННЫХ
В статье рассматриваются четыре уровня аналитики данных и примеры их использования, а также то, как они все работают вместе.
Ключевые слова: Аналитика данных, уровни аналитики данных, искусственный интеллект, машинное обучение.
Введение. Аналитика данных — важная инвестиция для бизнеса. Понимание того, как компания работает сейчас и где она будет через год, пять или десять лет, имеет решающее значение для построения эффективной стратегии развития и ускорения ее роста. Современная аналитика, как правило, делится на четыре уровня: описательная, диагностическая, предиктивная и предписывающая [1, с. 21]. Как узнать, какую аналитику следует использовать, когда ее следует использовать и почему?
Рассмотри каждый уровень аналитики подробнее и начнем с описательной.
Описательная аналитика. Она отвечает на вопрос «Что произошло?». Этот тип аналитики на сегодняшний день наиболее часто используется клиентами, предоставляя отчеты и анализ, основанный на прошлых событиях. Это помогает компаниям понять такие вещи, как:
•Сколько мы продали как компания?
•Какова была наша общая продуктивность?
•Сколько клиентов ушло за последний квартал?
Описательная аналитика используется для понимания общей производительности на агрегированном уровне и, безусловно, является самым простым способом для компании начать работу с аналитикой данных, поскольку данные, как правило, легко доступны для создания отчетов и приложений. Чрезвычайно важно сначала развить основные компетенции в описательной аналитике, прежде чем пытаться продвинуться вверх по модели зрелости аналитики данных. К основным компетенциям относятся такие вещи, как основы моделирования данных и внедрение передового опыта базовой схемы «звезда», обмен данными с помощью правильных визуализаций, а также базовые навыки проектирования дашбордов. Несмотря на то, что описательная аналитика является лишь первым столпом аналитики, она также, как правило, находится там, где большинство организаций останавливаются в модели зрелости аналитики. Описательная аналитика чрезвычайно полезна для определения исторических показателей и тенденций, но ей, как правило, не хватает ощутимого призыва к действию или вывода о том, почему что-то произошло, что приводит нас к следующей категории аналитики: диагностической аналитике.
Диагностическая аналитика. Данный уровень, как и описательная аналитика, использует исторические данные для ответа на вопрос «Почему это произошло?». Диагностическая аналитика является наиболее упускаемой из виду и пропускаемым шагом в рамках модели зрелости аналитики. Большинство компаний пытаются перейти от «что случилось» к «что произойдет», даже не тратя время на рассмотрение шага «почему это произошло». Этот тип аналитики помогает компаниям ответить на такие вопросы, как:
•Почему продажи компании снизились в предыдущем квартале?
•Почему наблюдаем увеличение оттока клиентов?
Нахождение на этапе диагностической аналитики, вероятно, означает, что вы приняли современный инструмент аналитики. Большинство современных инструментов аналитики содержат множество поисковых или облегченных возможностей искусственного интеллекта. Эти функции позволяют получать подробные сведения на более глубоком уровне (например, визуализация ключевых драйверов в Power BI или функция анализа на основе поиска в Qlik). Диагностическая аналитика — важный шаг в модели зрелости, который, к сожалению, часто пропускают или замалчивают. Если вы не можете сделать вывод, почему ваши продажи упали на 20% в 2022 году, то переход к предиктивной аналитике и попытка ответить на вопрос «что будет с продажами в 2023 году» — будет проблематичной.
Предиктивная аналитика. Это форма расширенной аналитики, которая отвечает на вопрос «Что может случиться?» и определяет на основе исторических данных с использованием машинного обучения. Исторические данные, составляющие основную часть описательной и диагностической аналитики, используются в качестве основы для построения моделей предиктивной аналитики. Предиктивная аналитика помогает компаниям решать такие задачи, как:
•Прогнозирование проблем с обслуживанием и поломки деталей в машинах.
© Е.С. Чернова, 2022.
•Определение кредитного риска и выявление потенциального мошенничества.
•Прогнозирование и избежание оттока клиентов, определяя признаки неудовлетворенности клиентов.
В начале любой работы с предиктивной аналитикой необходимо установить три основных элемента - определить проблему, которую необходимо решить и определить, что именно хотите предсказать, а также указать, чего вы добьетесь, сделав это. Далее вы должны собрать существующие данные, организовать данные удобным способом, чтобы можно было моделировать данные, очистить ваши данные и проверить общее качество и, наконец, определить цель моделирования.
В то время как моделирование находится в центре внимания предиктивной аналитики, подготовка данных является важным шагом, который необходимо выполнить в первую очередь. Вот почему организации с прочным фундаментом в области описательной и диагностической аналитики лучше подготовлены к работе с предиктивной аналитикой. Проще говоря, время и усилия по подготовке, преобразованию и обеспечению качества данных для ретроспективной отчетности уже потрачены. Основа должна быть относительно хорошо заложена, чтобы быстро идентифицировать и использовать данные для этапа моделирования. Например, в качестве первого варианта использования прогнозной аналитики можно брать с четко определенными КР1 и бизнес-логикой в определенной области бизнес-отчетности (например, отчет о продажах). Цель состоит в том, чтобы быстро извлечь выгоду, и нет лучшего места для начала, чем область, где вы знаете, что данные четко определены и имеют высокое качество. Предиктивная аналитика открывает путь к следующему шагу — предписывающей аналитике.
Предписывающая аналитика. Это аналитика, отвечающая на вопрос «Что делать сейчас?» и направляющая вас к конкретным действиям. Предписывающая аналитика требует сильных компетенций в области описательной, диагностической и предиктивной аналитики, поэтому она, как правило, используется в узкоспециализированных отраслях (нефтегазовая, клиническая медицина, финансы и страхование, и это лишь некоторые из них), где варианты использования четко определены. Предписывающая аналитика помогает решать такие варианты использования, как:
•Автоматическая корректировка цен на продукцию с учетом ожидаемого покупательского спроса и внешних факторов.
•Предсказать, будет ли статья на определенную тему популярна среди читателей, на основе данных о поисковых запросах и социальных сетях по связанным темам.
Основная цель предписывающей аналитики — исключить обоснованные предположения или оценки из анализа данных и упростить процесс принятия решений. Она основана на методах искусственного интеллекта, таких как машинное обучение, чтобы понимать и продвигаться на основе полученных данных, постоянно адаптируясь [2, с. 56]. Предписывающая аналитика работает с другим типом аналитики данных, предиктивной аналитикой, которая включает использование статистики и моделирования для определения будущей производительности на основе текущих и исторических данных. Однако дело идет еще дальше: используя оценку предиктивной аналитики, а именно того, что может произойти, она рекомендует, какой курс следует предпринять в будущем.
•Заключение. Есть много вещей, которые компании могут сделать, чтобы обеспечить свой успех и принимать более правильные решения. Аналитика данных — это один из инструментов, которым они располагают для достижения этих целей. Но продвижение по категориям аналитики данных не должно быть гонкой. Знание того, как каждый вид аналитики помогает вам лучше понять ваши данные и как их использовать для достижения ваших бизнес-целей, является ключом к реализации окупаемости инвестиций в данные и аналитику.
Библиографический список:
1.Филлипс Т. Управление на основе данных. Как интерпретировать цифры и принимать качественные решения в бизнесе / Пер. Ю. Константинова - Издательство Манн, Иванов и Фербер, 2017. - 192 с.
2.Тирни Б., Келлехер Д. Наука о данных. Базовый курс // Пер. Белоголовский М. - Издательство Альпина Ди-джитал, 2020. - 220 с.
ЧЕРНОВА ЕКАТЕРИНА СЕРГЕЕВНА - бакалавр, Санкт-Петербургский государственный экономический университет, Россия.
