Аналитика — это систематический вычислительный анализ данных или статистики . [1] Он используется для обнаружения, интерпретации и передачи значимых закономерностей в данных . Это также предполагает применение шаблонов данных для эффективного принятия решений. Это может быть ценно в областях, богатых записанной информацией; аналитика опирается на одновременное применение статистики , компьютерного программирования и исследования операций для количественной оценки производительности.
Организации могут применять аналитику к бизнес-данным для описания, прогнозирования и улучшения эффективности бизнеса. В частности, области аналитики включают описательную аналитику, диагностическую аналитику, прогнозную аналитику , предписывающую аналитику и когнитивную аналитику. [2] Аналитика может применяться к различным областям, таким как маркетинг , менеджмент , финансы , онлайн-системы, информационная безопасность и программные услуги. Поскольку аналитика может потребовать обширных вычислений (см. « Большие данные» ), алгоритмы и программное обеспечение, используемые для аналитики, используют самые современные методы информатики, статистики и математики. [3] По данным International Data Corporation , глобальные расходы на решения для больших данных и бизнес-аналитики (BDA) в 2021 году, по оценкам, достигнут $215,7 млрд. [4] [5] По данным Gartner , общий рынок программного обеспечения для аналитических платформ вырос на $25,5 млрд. в 2020 году. [6]
Анализ данных фокусируется на процессе изучения прошлых данных посредством понимания бизнеса, понимания данных, подготовки данных, моделирования и оценки, а также развертывания. [7] Это подмножество анализа данных, которое требует нескольких процессов анализа данных, чтобы сосредоточиться на том, почему произошло событие и что может произойти в будущем на основе предыдущих данных. [8] [ ненадежный источник? ] Аналитика данных используется для формулирования более крупных организационных решений. [ нужна цитата ]
Аналитика данных — это междисциплинарная область. Широко используются компьютерные навыки, математика, статистика, описательные методы и прогнозные модели для получения ценных знаний из данных посредством аналитики. [ нужна цитата ] Все чаще используется термин расширенная аналитика , обычно используемый для описания технических аспектов аналитики, особенно в новых областях, таких как использование методов машинного обучения , таких как нейронные сети , деревья решений, логистическая регрессия, линейное к множественному. регрессионный анализ и классификация для прогнозного моделирования . [9] [7] Он также включает в себя методы машинного обучения без учителя, такие как кластерный анализ , анализ главных компонентов , анализ профиля сегментации и анализ ассоциаций. [ нужна цитата ]
Маркетинговые организации используют аналитику для определения результатов кампаний или усилий, а также для принятия решений по инвестициям и ориентации на потребителей. Демографические исследования, сегментация клиентов, совместный анализ и другие методы позволяют маркетологам использовать большие объемы потребительских покупок, опросов и панельных данных для понимания и распространения маркетинговой стратегии. [10]
Маркетинговая аналитика состоит из качественных и количественных, структурированных и неструктурированных данных, используемых для принятия стратегических решений относительно бренда и доходов. Этот процесс включает в себя прогнозное моделирование, маркетинговые эксперименты, автоматизацию и коммуникацию в режиме реального времени. Данные позволяют компаниям делать прогнозы и изменять стратегическое исполнение, чтобы максимизировать результаты деятельности. [10]
Веб-аналитика позволяет маркетологам собирать информацию о взаимодействиях на веб-сайте на уровне сеанса с помощью операции, называемой сеансизацией . Google Analytics — пример популярного бесплатного инструмента аналитики, который маркетологи используют для этой цели. [11] Эти взаимодействия предоставляют информационным системам веб-аналитики информацию, необходимую для отслеживания реферера, поиска по ключевым словам, идентификации IP-адреса, [12] и отслеживания действий посетителя. С помощью этой информации маркетолог может улучшить маркетинговые кампании, креативный контент веб-сайта и информационную архитектуру. [13]
Методы анализа, часто используемые в маркетинге, включают моделирование комплекса маркетинга, анализ цен и продвижения, оптимизацию продаж и анализ клиентов, например: сегментацию. Веб-аналитика и оптимизация веб-сайтов и онлайн-кампаний теперь часто работают рука об руку с более традиционными методами маркетингового анализа. Акцент на цифровых медиа немного изменил словарный запас, так что моделирование маркетинг-микса обычно называют моделированием атрибуции в контексте цифрового моделирования или моделирования маркетинг-микса . [ нужна цитата ]
Эти инструменты и методы поддерживают как стратегические маркетинговые решения (например, сколько в целом потратить на маркетинг, как распределить бюджеты по портфелю брендов и маркетинговому комплексу), так и более тактическую поддержку кампании с точки зрения ориентации на лучшего потенциального клиента с помощью оптимальное сообщение на наиболее экономически эффективном носителе в идеальное время.
Людская аналитика использует поведенческие данные, чтобы понять, как работают люди, и изменить методы управления компаниями. [14]
Кадровая аналитика также известна как аналитика рабочей силы, HR-аналитика, аналитика талантов, аналитика кадров, аналитика талантов, аналитика коллег, аналитика человеческого капитала и аналитика HRIS. HR-аналитика — это применение аналитики, помогающее компаниям управлять человеческими ресурсами . [15] Кроме того, HR-аналитика стала стратегическим инструментом анализа и прогнозирования человеческих тенденций на меняющихся рынках труда с использованием инструментов Career Analytics. [16] Цель состоит в том, чтобы определить, каких сотрудников нанимать, кого вознаграждать или продвигать по службе, какие обязанности назначать, а также решать аналогичные проблемы с человеческими ресурсами. [17] Например, проверка стратегического феномена текучести кадров с использованием инструментов People Analytics может послужить важным анализом в периоды сбоев. [18] Было высказано предположение, что People Analytics — это отдельная дисциплина по отношению к HR-аналитике, в которой большее внимание уделяется бизнес-вопросам, а не административным процессам, [19] и что People Analytics на самом деле может не относиться к отделу кадров в организациях. [20] Однако эксперты с этим не согласны, многие утверждают, что отделу кадров необходимо будет развивать HR-аналитику как ключевую часть более эффективной и стратегической бизнес-функции в меняющемся мире труда, вызванном автоматизацией. [21] Вместо того, чтобы выводить People Analytics за пределы HR, некоторые эксперты утверждают, что она принадлежит HR, хотя и поддерживается новым поколением HR-специалистов, которые больше ориентируются на данные и разбираются в бизнесе. [22]
Распространенным применением бизнес-аналитики является анализ портфеля . При этом банк или кредитное агентство имеет набор счетов различной стоимости и риска . Счета могут различаться в зависимости от социального статуса (богатый, средний класс, бедный и т. д.) владельца, географического положения, его чистой стоимости и многих других факторов. Кредитор должен сбалансировать доход по кредиту с риском неисполнения обязательств по каждому кредиту. Тогда возникает вопрос, как оценить портфель в целом. [23]
Кредит с наименьшим риском может быть предоставлен очень богатым людям, но число богатых людей очень ограничено. С другой стороны, есть много бедных, которым можно дать кредит, но с большим риском. Необходимо найти некий баланс, который максимизирует прибыль и минимизирует риск. Аналитическое решение может сочетать анализ временных рядов со многими другими вопросами, чтобы принимать решения о том, когда давать деньги взаймы этим различным сегментам заемщиков, или решения о процентной ставке, взимаемой с членов сегмента портфеля для покрытия любых потерь среди участников этого сегмента. . [ нужна цитата ]
Прогнозные модели в банковской сфере разрабатываются для обеспечения уверенности в оценке рисков для отдельных клиентов. Кредитные рейтинги создаются для прогнозирования преступного поведения человека и широко используются для оценки кредитоспособности каждого заявителя. [24] Кроме того, анализ рисков проводится в научном мире [25] и страховой отрасли. [26] Он также широко используется в финансовых учреждениях, таких как компании, предоставляющие шлюзы онлайн-платежей, для анализа того, была ли транзакция подлинной или мошеннической. [27] Для этой цели они используют историю транзакций клиента. Это чаще используется при покупках по кредитной карте: когда происходит внезапный всплеск объема транзакций клиента, клиент получает звонок с подтверждением, если транзакция была инициирована им/ею. Это помогает уменьшить потери из-за таких обстоятельств. [28]
Цифровая аналитика — это набор бизнес- и технических действий, которые определяют, создают, собирают, проверяют или преобразуют цифровые данные в отчеты, исследования, анализ, рекомендации, оптимизации, прогнозы и автоматизацию. [29] Сюда также входит SEO ( поисковая оптимизация ), при которой отслеживается поиск по ключевым словам и эти данные используются в маркетинговых целях. [30] Даже рекламные баннеры и клики подпадают под цифровую аналитику. [31] Все большее число брендов и маркетинговых фирм полагаются на цифровую аналитику в своих задачах цифрового маркетинга , где MROI (рентабельность инвестиций в маркетинг) является важным ключевым показателем эффективности (KPI). [ нужна цитата ]
Аналитика безопасности относится к информационным технологиям (ИТ) для сбора событий безопасности, чтобы понять и проанализировать события, которые представляют наибольшие риски безопасности. [32] [33] Продукты в этой области включают информацию о безопасности, управление событиями и аналитику поведения пользователей.
Аналитика программного обеспечения — это процесс сбора информации о том, как используется и создается часть программного обеспечения . [34]
В индустрии программного обеспечения для коммерческой аналитики особое внимание уделяется решению проблем анализа огромных и сложных наборов данных, часто когда такие данные находятся в состоянии постоянного изменения. Такие наборы данных обычно называют большими данными . [35] Если раньше проблемы, связанные с большими данными, были обнаружены только в научном сообществе, то сегодня большие данные представляют собой проблему для многих предприятий, которые используют транзакционные системы в Интернете и, как следствие, быстро накапливают большие объемы данных. [36] [35]
Анализ неструктурированных типов данных — еще одна проблема, привлекающая внимание отрасли. Неструктурированные данные отличаются от структурированных тем, что их формат широко варьируется и не может храниться в традиционных реляционных базах данных без значительных усилий по преобразованию данных. [37] Источники неструктурированных данных, такие как электронная почта, содержимое документов текстового процессора, PDF-файлы, геопространственные данные и т. д., быстро становятся важным источником бизнес- аналитики для предприятий, правительств и университетов. [38] [39] Например, в Великобритании обнаружение того, что одна компания незаконно продавала поддельные медицинские записи, чтобы помочь людям обманывать работодателей и страховые компании [40] дает страховым компаниям возможность повысить бдительность в отношении своих неструктурированных данных . анализ . [41] [ оригинальное исследование? ]
Эти проблемы в настоящее время являются источником вдохновения для многих инноваций в современных аналитических информационных системах, порождая относительно новые концепции машинного анализа, такие как сложная обработка событий , [42] полнотекстовый поиск и анализ, и даже новые идеи в представлении. Одним из таких нововведений является внедрение сеточной архитектуры в машинный анализ, позволяющей увеличить скорость массово-параллельной обработки за счет распределения рабочей нагрузки между многими компьютерами, имеющими равный доступ ко всему набору данных. [43]
Аналитика все чаще используется в сфере образования , особенно на уровне округов и государственных учреждений. Однако сложность показателей успеваемости учащихся создает проблемы, когда преподаватели пытаются понять и использовать аналитику для выявления закономерностей в успеваемости учащихся, прогнозирования вероятности окончания учебы, повышения шансов учащихся на успех и т. д. [44] Например, в исследовании, в котором участвовали округа, известные активное использование данных, 48% учителей испытывали трудности с постановкой вопросов, вызванных данными, 36% не понимали данные и 52% неправильно интерпретировали данные. [45] Чтобы бороться с этим, некоторые аналитические инструменты для преподавателей придерживаются формата данных, продаваемого без рецепта (встраивание ярлыков, дополнительной документации и справочной системы, а также принятие ключевых решений по упаковке/отображению и содержанию), чтобы улучшить понимание преподавателями и использование отображаемой аналитики. [46]
Риски для населения в целом включают дискриминацию по таким характеристикам, как пол, цвет кожи, этническое происхождение или политические взгляды, посредством таких механизмов, как ценовая дискриминация или статистическая дискриминация . [47]
{{cite book}}
: CS1 maint: отсутствует местоположение издателя ( ссылка ){{cite web}}
: CS1 maint: несколько имен: список авторов ( ссылка ){{cite book}}
: CS1 maint: отсутствует местоположение издателя ( ссылка )