Αναπτύσσοντας το Analytics και το Data Wrangling για να μετατρέψετε τα ακαδημαϊκά δεδομένα σε Ενέργειες που μπορούν να υποβληθούν σε ενέργεια - ανδρείκελα <[SET:descriptionel]μετατρέποντας τα δεδομένα σας σε επεξεργάσιμα δεδομένα

Η μετατροπή των ανεπεξέργαστων δεδομένων σας σε στοιχεία που μπορούν να υποβληθούν σε ενέργεια είναι το πρώτο βήμα στην εξέλιξη από τα δεδομένα που έχετε συλλέγονται σε κάτι που πραγματικά σας ωφελεί. Οι επιχειρησιακοί επιστήμονες δεδομένων χρησιμοποιούν αναλύσεις δεδομένων για να δημιουργήσουν στοιχεία από ακατέργαστα δεδομένα.

Εντοπισμός τύπων αναλυτικών στοιχείων

Παρακάτω, κατά σειρά αυξανόμενης πολυπλοκότητας, είναι οι τέσσερις τύποι αναλυτικών δεδομένων που πιθανότατα θα συναντήσετε:

• Περιγραφικές αναλύσεις: Αυτός ο τύπος αναλυτικών στοιχείων απαντά στην ερώτηση "Τι συνέβη; "Οι περιγραφικές αναλύσεις βασίζονται σε ιστορικά και τρέχοντα δεδομένα. Ένας επιχειρηματικός αναλυτής ή ένας επιχειρηματίας-επιστήμονας δεδομένων βασίζεται σύγχρονη επιχειρηματική ευφυΐα στις περιγραφικές αναλύσεις.

• Διαγνωστικές αναλύσεις: Χρησιμοποιείτε αυτόν τον τύπο αναλυτικών στοιχείων για να βρείτε απαντήσεις στην ερώτηση "γιατί συνέβη αυτό το συγκεκριμένο πράγμα; "Ή" τι πήγε στραβά; "Οι διαγνωστικές αναλύσεις είναι χρήσιμες για την εξαγωγή και την εξαγωγή της επιτυχίας ή της αποτυχίας των υποσυστημάτων κάθε πρωτοβουλίας που βασίζεται σε δεδομένα.

• Προγνωστική ανάλυση: Παρόλο που αυτό το είδος αναλύσεων βασίζεται σε ιστορικά και τρέχοντα δεδομένα, τα προγνωστικά αναλύονται σε ένα βήμα παραπάνω από τα περιγραφικά στοιχεία ανάλυσης. Οι προγνωστικές αναλύσεις περιλαμβάνουν σύνθετο μοντέλο ανάπτυξης και ανάλυσης για την πρόβλεψη ενός μελλοντικού γεγονότος ή τάσης. Σε ένα επιχειρησιακό πλαίσιο, οι αναλύσεις αυτές θα διεξάγονται από τον επιχειρηματία-επιστήμονα δεδομένων.

• Προειδοποιητικές αναλύσεις: Αυτός ο τύπος αναλύσεων στοχεύει στη βελτιστοποίηση των διαδικασιών, των δομών και των συστημάτων μέσω ενημερωμένης δράσης που βασίζεται σε αναλυτικά στοιχεία πρόβλεψης - ουσιαστικά σας λέει τι πρέπει να κάνετε με βάση μια ενημερωμένη εκτίμηση του τι θα συμβεί. Τόσο οι επιχειρηματικοί αναλυτές όσο και οι επιχειρησιακοί επιστήμονες δεδομένων μπορούν να παράγουν αναλυτικά στοιχεία, αλλά οι μέθοδοι και οι πηγές δεδομένων τους διαφέρουν.

Στην ιδανική περίπτωση, μια επιχείρηση θα πρέπει να ασχολείται και με τους τέσσερις τύπους αναλυτικών δεδομένων, αλλά οι αναλυτικές αναλύσεις είναι το πιο άμεσο και αποτελεσματικό μέσο για την παραγωγή αξίας από τις πληροφορίες.

Εντοπισμός κοινών προκλήσεων σε αναλυτικά στοιχεία

Το Analytics συνήθως θέτει τουλάχιστον δύο προκλήσεις στην επιχείρηση. Πρώτον, οι οργανώσεις συχνά έχουν πολύ δύσκολο χρόνο να βρουν νέες προσλήψεις με συγκεκριμένα σύνολα δεξιοτήτων που περιλαμβάνουν αναλυτικά στοιχεία. Δεύτερον, ακόμη και οι ειδικευμένοι αναλυτές έχουν συχνά δυσκολία στην επικοινωνία σύνθετων στοιχείων με τρόπο που να είναι κατανοητό στους υπεύθυνους λήψης αποφάσεων της διοίκησης.

Για να ξεπεραστούν αυτές οι προκλήσεις, ο οργανισμός πρέπει να δημιουργήσει και να καλλιεργήσει μια κουλτούρα που εκτιμά και δέχεται τα προϊόντα της ανάλυσης. Η επιχείρηση πρέπει να εργαστεί για να εκπαιδεύσει όλα τα επίπεδα του οργανισμού, έτσι ώστε η διοίκηση να έχει μια βασική έννοια της ανάλυσης και την επιτυχία που μπορεί να επιτευχθεί με την εφαρμογή τους.

Αντίστροφα, οι επιστήμονες δεδομένων που έχουν επίκεντρο τις επιχειρήσεις πρέπει να έχουν πολύ σταθερή εργασιακή γνώση για τις επιχειρήσεις γενικότερα και, ειδικότερα, για μια σταθερή κατανόηση της υπό εξέλιξη επιχείρησης. Μια ισχυρή επιχειρησιακή γνώση είναι μία από τις τρεις βασικές απαιτήσεις κάθε επιχειρησιακής επιστήμης δεδομένων - οι άλλες δύο είναι μια ισχυρή κωδικοποιητική σκέψη και ισχυρές δεξιότητες ποσοτικής ανάλυσης μέσω μαθηματικών και στατιστικών μοντέλων.

Εξόρυξη ακατέργαστων δεδομένων με πληροφορίες που μπορούν να υποβληθούν σε ενέργεια

Η διαμαρτυρία δεδομένων είναι ένα άλλο σημαντικό μέρος της εργασίας που απαιτείται για τη μετατροπή δεδομένων σε πληροφορίες. Για να δημιουργήσετε αναλυτικά στοιχεία από ανεπεξέργαστα δεδομένα, θα πρέπει σχεδόν πάντα να χρησιμοποιείτε διαταραχές δεδομένων - τις διαδικασίες και τις διαδικασίες που χρησιμοποιείτε για να καθαρίσετε και να μετατρέψετε δεδομένα από μία μορφή και δομή σε άλλη, έτσι ώστε τα δεδομένα να είναι ακριβή και στο εργαλείο ανάλυσης μορφής και τα σενάρια απαιτούν για κατανάλωση.

Ο ακόλουθος κατάλογος υπογραμμίζει μερικές από τις πρακτικές και τα πιο συναφή ζητήματα:

• Εξόρυξη δεδομένων: Ο επιστήμονας δεδομένων με επίκεντρο τις επιχειρήσεις πρέπει πρώτα να προσδιορίσει ποια σύνολα δεδομένων σχετίζονται με το πρόβλημα στο χέρι και στη συνέχεια εξάγετε επαρκείς ποσότητες των δεδομένων που απαιτούνται για την επίλυση του προβλήματος. (Αυτή η διαδικασία εξαγωγής αναφέρεται συνήθως ως εξόρυξη δεδομένων).

• Μείωση δεδομένων: Η ανάμειξη δεδομένων περιλαμβάνει τον καθαρισμό των ακατέργαστων δεδομένων που εξάγονται μέσω της εξόρυξης δεδομένων και, στη συνέχεια, η μετατροπή τους σε μορφή που επιτρέπει μια πιο άνετη κατανάλωση των δεδομένων. (Η Mung ξεκίνησε τη ζωή ως μια καταστρεπτική διαδικασία, όπου θα μετατρέπετε κάτι αναγνωρίσιμο σε κάτι που δεν ήταν αναγνωρίσιμο, και έτσι η φράση Mash μέχρι το τίποτα καλό ή MUNG.)

• Διακυβέρνηση δεδομένων: Τα πρότυπα διακυβέρνησης δεδομένων είναι πρότυπα που χρησιμοποιούνται ως μέτρο ελέγχου ποιότητας για να διασφαλιστεί ότι οι μη αυτόματες και αυτοματοποιημένες πηγές δεδομένων συμμορφώνονται με τα πρότυπα δεδομένων του συγκεκριμένου μοντέλου. Τα πρότυπα διακυβέρνησης δεδομένων πρέπει να εφαρμόζονται έτσι ώστε τα δεδομένα να έχουν τη σωστή λεπτομέρεια όταν αποθηκεύονται και είναι έτοιμα για χρήση.

  Η περιεκτικότητα είναι ένα μέτρο του επιπέδου λεπτομέρειας ενός συνόλου δεδομένων. Η κοκκοποίηση δεδομένων προσδιορίζεται από το σχετικό μέγεθος των υποομάδων στις οποίες χωρίζονται τα δεδομένα.

• Αρχιτεκτονική δεδομένων: Η αρχιτεκτονική πληροφορικής είναι καθοριστική. Εάν τα δεδομένα σας είναι απομονωμένα σε ξεχωριστά, σταθερά αποθετήρια - αυτά τα περίφημα δεδομένα σιλό που όλοι διαμαρτύρονται - τότε είναι διαθέσιμα μόνο σε λίγους ανθρώπους σε μια συγκεκριμένη γραμμή επιχειρήσεων. Οι δομές δεδομένων με ράγες οδηγούν σε σενάρια όπου η πλειοψηφία των δεδομένων ενός οργανισμού είναι απλώς διαθέσιμη για χρήση από τον οργανισμό γενικότερα.

Αν ο στόχος σας είναι να αντλήσετε την μεγαλύτερη δυνατή αξία και γνώση από τα επιχειρηματικά δεδομένα του οργανισμού σας, τότε θα πρέπει να βεβαιωθείτε ότι τα δεδομένα είναι αποθηκευμένα σε μια κεντρική αποθήκη δεδομένων και όχι σε ξεχωριστά σιλό.