Analytics

Analytics ist die Entdeckung und Kommunikation sinnvolle Muster in Daten. In Bereichen, die reich an aufgezeichneten Information besonders wertvoll setzt Analytik auf der gleichzeitigen Anwendung von Statistiken, Computer-Programmierung und Operations Research, um die Leistung zu quantifizieren. Analytics oft begünstigt Datenvisualisierung, um einen Einblick zu kommunizieren.

Firmen können gemeinsam Analytics, um Geschäftsdaten anzuwenden, um zu beschreiben, vorherzusagen und zu verbessern Geschäftsentwicklung. Insbesondere Arenen innerhalb Analytik gehören Predictive Analytics, Enterprise Decision Management, Retail Analytics, Shop Sortiment und Lagerhaltung Geräteoptimierung, Marketing-Optimierung und Marketing-Mix-Modellierung, Web-Analyse, Vertrieb Dimensionierung und Optimierung, Preis und Promotion-Modellierung, vorausschauende Wissenschaft, Kredit Risikoanalyse und Betrug Analytik. Seit Analytics können umfangreiche Berechnung erfordern, die Algorithmen und Software für Analysen verwendet nutzen die aktuellsten Methoden der Informatik, Statistik und Mathematik.

Analytics vs. Analyse

Analytics ist ein multi-dimensionale Disziplin. Es gibt umfangreiche Verwendung von Mathematik und Statistik, die Verwendung von beschreibenden Techniken und Vorhersagemodelle, um wertvolles Wissen aus den Daten zu gewinnen - Datenanalyse. Die Erkenntnisse aus den Daten werden verwendet, um Maßnahmen zu empfehlen oder die Entscheidungsfindung im Business-Kontext verwurzelt zu führen. So Analytics ist nicht so sehr mit Einzelanalysen oder Analyseschritte, sondern um die gesamte Methodik. Es gibt eine ausgeprägte Tendenz, den Begriff Analysen in Business-Einstellungen zB verwenden Textanalyse im Vergleich zu den allgemeineren Text Mining, um dieses breiteren Perspektive zu betonen .. Es gibt eine zunehmende Verwendung des Begriffs erweiterte Analysen, die typischerweise verwendet werden, um die technischen Aspekte der Analytik, insbesondere prädiktive Modellierung, Techniken des maschinellen Lernens, und neuronale Netze zu beschreiben.

Beispiele

Marketing-Optimierung

Marketing hat sich von einem kreativen Prozess zu einem hochdatengesteuerten Prozess entwickelt. Marketing-Organisationen verwenden Analytics, um die Ergebnisse von Kampagnen oder Anstrengungen zu bestimmen und um Entscheidungen für Investitionen und Verbraucher Targeting führen. Demographische Studien, Kundensegmentierung, Conjoint-Analyse und andere Techniken ermöglichen Vermarkter, um große Mengen von Verbraucherkauf, Umfrage und Panel-Daten verwenden, um zu verstehen und zu kommunizieren Marketing-Strategie.

Web Analytics können Marketer Sitzungsebene Informationen über Wechselwirkungen auf einer Website mit Hilfe einer Operation namens sessionization zu sammeln. Diese Interaktionen bieten die Web-Analyse-Informationssysteme mit den Informationen, die Referrer verfolgen, Suchbegriffe, IP-Adresse und die Aktivitäten der Besucher. Mit diesen Informationen kann ein Vermarkter die Marketing-Kampagnen, Website kreativen Inhalten und Informationsarchitektur zu verbessern.

Analysetechniken im Marketing häufig verwendet werden, umfassen Marketing-Mix-Modellierung, Preisgestaltung und Förderung Analysen, Vertriebsoptimierung, Kundenanalysen zB: Segmentierung. Webanalyse und Optimierung von Websites und Online-Kampagnen heute oft Hand in Hand mit den eher traditionellen Marketing-Analysetechniken. Ein Fokus auf digitalen Medien hat sich leicht verändert den Wortschatz, so dass Marketing-Mix-Modellierung wird allgemein als Zuschreibung Modellierung in der digitalen Marketing-Mix oder Modellierung Kontext bezeichnet.

Diese Werkzeuge und Techniken unterstützen sowohl strategische Marketingentscheidungen und mehr taktische Kampagnenunterstützung in Bezug auf die zur Förderung der besten potenziellen Kunden mit der optimalen Nachricht in die kostengünstigste Medium zum idealen Zeitpunkt.

Portfolio-Analyse

Eine häufige Anwendung von Business-Analytics ist Portfolio-Analyse. Dabei hat eine Bank oder ein Kreditvergabe Agentur eine Sammlung von Konten unterschiedlicher Wert und Risiko. Die Konten können durch den sozialen Status des Inhabers, der geografischen Lage, seines Nettowert, und vielen anderen Faktoren abweichen. Der Kreditgeber muss die Rendite auf das Darlehen mit dem Ausfallrisiko für jedes Darlehen auszugleichen. Die Frage ist dann, wie man das Portfolio als Ganzes zu beurteilen.

Das geringste Risiko Darlehen kann auf die sehr wohlhabend zu sein, aber es gibt eine sehr begrenzte Anzahl von wohlhabenden Menschen. Auf der anderen Seite gibt es viele schlechte, die ausgeliehen werden können, aber ein höheres Risiko. Einige Restbetrag muss geschlagen, die Rendite maximiert und minimiert das Risiko werden. Die Analytics-Lösung kann der Zeitreihenanalyse mit vielen anderen Fragen, um Entscheidungen darüber, wann Geld, um diese verschiedenen Kreditnehmer Segmente oder Entscheidungen über die Zins an den Mitgliedern dieser Portfoliosegment berechnet leihen, um eventuelle Verluste unter den Mitgliedern in diesem Segment zu decken kombinieren .

Risikoanalyse

Vorhersagemodelle im Bankensektor ist weit entwickelt, um Gewissheit über die Risiko-Scores für die einzelnen Kunden zu bringen. Kredit-Scores sind gebaut, um Delinquenz Verhalten Einzelnen vorherzusagen und auch Noten sind weit verbreitet, um die Kreditwürdigkeit des jeweiligen Antragstellers zu beurteilen und bewertet bei der Verarbeitung von Kreditantrag. Darüber hinaus werden Risikoanalysen in der Welt der Wissenschaft und der Versicherungsbranche durchgeführt. In einem solchen Szenario, Risikoanalyse erläutern das Hauptziel der kontextuellen Verhalten, dass die Varianz der Datenorganisation und Spezifikation prognostiziert ..

Digitale analytics

Digitale Analytics ist eine Reihe von Business-und technische Tätigkeiten, die definieren, zu erstellen, zu sammeln, zu überprüfen oder zu transformieren digitalen Daten in Reporting, Recherchen, Analysen, Empfehlungen, Optimierungen, Vorhersagen und Automatisierungen.

Herausforderungen

In der Branche der kommerziellen Analytics-Software hat sich der Schwerpunkt auf der Lösung der Herausforderungen der Analyse von massiven, komplexe Datensätze entstanden, oft, wenn solche Daten in einem ständigen Zustand der Veränderung. Solche Datensätze werden gemeinhin als Big Data bezeichnet. Wohingegen, wenn die Probleme, die durch große Daten aufgeworfen wurden nur in der wissenschaftlichen Gemeinschaft gefunden, heute ist Big Data ein Problem für viele Unternehmen, die Online-Transaktionssysteme zu betreiben und, als Folge, sammeln große Datenmengen schnell.

Die Analyse von unstrukturierten Datentypen ist eine weitere Herausforderung, Aufmerksamkeit in der Branche. Unstrukturierten Daten unterscheidet sich von strukturierten Daten, dass sein Format ist sehr unterschiedlich und können nicht in herkömmlichen relationalen Datenbanken ohne großen Aufwand an Datenumwandlung gespeichert werden. Quellen von unstrukturierten Daten, wie E-Mail, der Inhalt des Textverarbeitungsdokumente, PDFs, Geodaten, etc., sind schnell zu einem relevanten Quelle von Business Intelligence für Unternehmen, Regierungen und Universitäten. Zum Beispiel in Großbritannien die Entdeckung, dass ein Unternehmen wurde widerrechtlich verkauft Notizen betrügerische Arzt, um die Menschen in Betrug Arbeitgeber und Versicherungsunternehmen zu unterstützen, ist eine Chance für Versicherungsunternehmen, um die Wachsamkeit ihrer unstrukturierten Datenanalyse zu erhöhen. Das McKinsey Global Institute schätzt, dass große Datenanalyse konnte das amerikanische Gesundheitssystem zu sparen $ 300 Milliarden pro Jahr und die europäische öffentliche Sektor 250 Milliarden €.

Diese Herausforderungen sind der aktuelle Inspiration für einen Großteil der Innovation in der modernen Analytik Informationssysteme, der Geburt relativ neue Maschinenanalyse Konzepte wie Complex Event Processing, Volltextsuche und Analyse, und selbst neue Ideen in der Präsentation. Eine solche Innovation ist die Einführung von gitterartigen Architektur im Maschinenanalyse, so erhöht sich der Geschwindigkeit des massiv parallelen Verarbeitung durch die Verteilung der Arbeitslast zu viele Computer alle mit den gleichen Zugang zu den vollständigen Datensatz.

Analytics zunehmend in den Bereichen Bildung, besonders an den Kreis und Regierungsbüroetagen. Allerdings stellt die Komplexität der Schülerleistungen Maßnahmen Herausforderungen, wenn Pädagogen versuchen, zu verstehen und zu verwenden, Analytik, Muster in die Leistungen der Schüler zu erkennen, vorherzusagen, Graduierung Wahrscheinlichkeit, verbessern die Chancen der Schüler Erfolg, etc. Zum Beispiel in einer Studie mit Bezirken für starke Datennutzung bekannt 48% der Lehrer hatte Schwierigkeiten aufwirft Fragen Daten aufgefordert werden, haben 36% nicht angegebenen Daten zu erfassen, und 52% falsch interpretiert Daten. Um dies zu bekämpfen, einige Analyse-Tools für Pädagogen auf ein Over-the-counter-Datenformat festhalten, um das Verständnis Erzieher "und die Nutzung der Analytik angezeigt verbessern.

Eine weitere neue Herausforderung ist dynamisch behördlichen Anforderungen. Zum Beispiel in der Bankenbranche, Basel III und zukünftige Eigenkapital Bedürfnisse sind wahrscheinlich zu machen, auch kleinere Banken erlassen interne Risikomodelle. In solchen Fällen kann Cloud Computing und Open-Source-R kleineren Banken helfen, Risikoanalyse übernehmen und unterstützen Zweigfüllstandsüberwachung durch die Anwendung Predictive Analytics.

  0   0
Vorherige Artikel Box-Behnken-Design
Nächster Artikel Alpha Psi Lambda

In Verbindung Stehende Artikel

Kommentare - 0

Keine Kommentare

Fügen Sie einen Kommentar

smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile
Zeichen übrig: 3000
captcha