Det viktigste først – hva er Business Intelligence?
For det første, Business Intelligence. Det er ikke datavitenskap, men det er en stor del av det. Før vi prøver å bruke prediktiv analyse, må vi analysere mønstre av tidligere atferd for å finne veien til prognoser.
BI leverer datadrevne svar på spørsmål som
«Hvor mange enheter ble solgt? I hvilken demografisk gruppe ble det solgt flest varer? Hvilket produkt solgte best? Hvordan presterte markedsføringskampanjene i forrige kvartal når det gjelder klikkfrekvens og genererte inntekter? Hvordan er det sammenlignet med resultatene i samme kvartal i fjor?»
Business Intelligence-analytikere lager rapporter, dashbord, grafer og andre visuelle fremstillinger av data for å vise funn på en lettfattelig måte. For hva er poenget med en analyse hvis bestilleren ikke forstår noe som helst?
Hvor brukes business intelligence?
- Prisoptimalisering og datavitenskap
- Lagerstyring og datavitenskap
Den andre tingen forutsier fremtiden
Datavitenskap er et tverrfaglig felt som bruker vitenskapelige metoder, prosesser, algoritmer og systemer for å hente ut kunnskap og innsikt fra støyende, strukturerte og ustrukturerte data ¹ ². De som kombinerer en rekke ferdigheter for å analysere innsamlede data og utlede handlingsrettet innsikt, kalles Data Scientists.
Først trekker BI-teamet ut innsikt fra tidligere atferd, og deretter kan dataforskerne begynne å forutsi fremtidige verdier. Nøyaktigheten avhenger av hvilken metode som velges.
Tradisjonelle data: tradisjonelle datavitenskapelige metoder
Big Data: Maskinlæring
Tradisjonelle prognosemetoder bruker klassiske metoder som
- lineær regresjonsanalyse,
- logistisk regresjonsanalyse,
- klyngedannelse,
- faktoranalyse,
- tidsserier.
Alt handler om algoritmen
Den største forskjellen (og fordelen med) maskinlæring i forhold til de tradisjonelle metodene er algoritmen. Den gir instruksjoner som datamaskinen kan bruke for å finne en modell som passer så godt som mulig til dataene. Så i stedet for å instruere datamaskinen (slik vi gjør i tradisjonelle metoder), bruker datamaskinen algoritmen til å lære og finne en modell på egen hånd. I så fall trenger datamaskinen mye mindre menneskelig innblanding. For å lære algoritmen må den imidlertid gå gjennom enorme mengder data.
Det finnes tre hovedtyper av maskinlæring:
- overvåket,
- uten tilsyn,
- forsterkningslæring
Det finnes tre hovedtyper av maskinlæring:
- Finn ut mer om kundene dine
vaner, demografi, egenskaper og mye mer. Ved å forstå kundekretsen din kan du øke interessen for produktene dine, annonsere bedre og utvikle kundeopplevelsen. - Løft sikkerheten og eliminer svindel raskere
Maskinlæringsalgoritmer hjelper deg med å oppdage brudd raskere og med større nøyaktighet enn mennesker kan gjøre. Et must for alle banker og nyttig for alle virksomheter, spesielt de som håndterer sensitive data. - Kontroll og prognoser for intern økonomi
ML gjør det mulig å forutse økonomisk vekst eller nedgang - Øke effektiviteten i forretningsprosessene
identifisere problemer og forbedre forretningsprosessene. - Forutsi markedstrender
med Big Data og maskinlæring er det mulig å identifisere mulige endringer i markedet. Et slikt alternativ gir deg en enorm fordel i forhold til alle konkurrenter som ikke kan bruke datavitenskap.
Data Science er et fantastisk fagfelt som kan gi et stort mangfold av fordeler. Med de rette dataforskerne, som vet hvor de skal finne, hvordan de skal forberede og analysere data samt stille viktige spørsmål, kan du finne mange lønnsomme svar.
¹ Dhar, V. (2013). «Datavitenskap og prediksjon». Communications of the ACM. 56 (12): 64-73. doi:10.1145/2500499. S2CID 6107147. Arkivert fra originalen 9. november 2014. Hentet 2. september 2015.
² Jeff Leek (12. desember 2013). «Nøkkelordet i «Data Science» er ikke data, det er vitenskap». Simply Statistics. Arkivert fra originalen 2. januar 2014. Hentet 1. januar 2014.
