為資料人量身定製的商業資料分析學習路線,請查收!
當前,商業分析、資料科學、資料探勘、商務智慧和資料分析等術語在商業界和科學界隨處可見。雖然覆蓋範圍和應用領域各有不同,但它們的目的都是相同的,即將資料轉換為可操作洞見。它們的目標是使用特徵豐富的資料來解決看似無法解決的問題。傳統統計和現代機器學習的協同使用使得知識發現過程在很多行業和科學領域中成為現實。
商業分析及其衍生術語和概念的日益流行可以歸因於四個主要因素:需求(在當今競爭激烈的商業環境中更快、更好地做出決策)、可用性(可用的資料、功能強大的軟體和越來越高效的演算法)、可負擔性(因分析即服務的商業模式和雲端計算,成本不斷降低)以及文化改變(重點是企業內基於資料 / 證據的決策實踐)。
本文使用簡單的三層分類法對商業分析進行了概述,並對每一層次的分析以及它們之間的相互關係進行了描述。
由於與做出更好、更快決策的需求以及硬體和軟體技術的可用性與可負擔性相關的諸多因素,分析要比我們近來在歷史上看到的其他趨勢都更受歡迎。這種指數型的上升趨勢會持續下去嗎?許多業內專家認為,至少在可預見的未來會是這樣的。據業內專家和頂級諮詢公司預測,在未來幾年,分析部門的增長將比任何其他業務部門增長更快。它們還認為分析(和資料科學)是近十年最重要的商業趨勢之一。隨著對分析的興趣和採納率的迅速增長,需要為分析定義一個簡單的分類。頂級諮詢公司 [ 如埃森哲(Accenture)、高德納(Gartner)、弗雷斯特(Forrester)、IDT] 和一些技術導向的學術機構已經開始著手建立簡單的分析分類。如果得到適當開發和普遍採納,那麼這樣的分類法可以構建分析的上下文描述,從而有利於形成有關分析是什麼的共識,其中包括分析包含什麼以及分析相關的術語(如商務智慧、預測性建模、資料探勘)之間的相互關聯是什麼樣的。運籌學與管理科學研究院(Institute For Operations Research and Management Science,INFORMS)是參與這項挑戰的學術機構之一。為了觸達廣泛的受眾,INFORMS 聘請戰略管理諮詢公司凱捷(Capgemini)來研究分析及其特徵。
凱捷的研究給出了分析的簡潔定義:“分析透過報告資料來分析趨勢,透過構建模型來進行預測和業務流程最佳化,最終提高績效並促進商業目標的實現。”正如該定義所指出的,這項研究的關鍵發現之一是,高管將分析視為使用它的企業的核心功能。分析貫穿組織中的多個部門和職能。在成熟的組織中,分析則貫穿整個企業。這項研究將分析分為描述性分析、預測性分析和規範性分析。這三組分析有時會重疊。根據組織的分析成熟度級別,這三組是分層級的。大部分組織從描述性分析開始,然後轉向預測性分析,最後實現規範性分析,即分析層次結構的最高層。雖然這三組分析在複雜性上是分層的,但是較低層次和較高層次之間的界限並不明確。也就是說,企業在處於描述性分析的時候,也可以以某種零碎的方式使用預測性分析甚至規範性分析。因此,從一個層次移動到下一個層次在本質上意味著上一層次的分析已經成熟,下一層次的分析正在被廣泛使用。圖1所示的是INFORMS 開發的簡單分析分類的圖形化描述。它已經被大多數行業領袖和學術機構廣泛採用。
▲圖 1 分析的簡單分類
描述性分析(Descriptive Analytics)是入門級的分析。因為這一級的大部分分析活動都是處理建立報表以彙總業務活動來回答諸如“發生了什麼”和“正在發生什麼”的問題,所以描述性分析通常又稱為業務報告。這些報告包括按照固定的時間表(如每天、每週、每季度)交付給知識工作者(即決策者)的業務交易的靜態快照、以易於理解的形式(通常是儀表盤型的圖形介面)連續地交付給經理和高管的業務績效指標動態檢視,以及特定報告。決策者可以透過建立特定報告(使用直觀的拖放式圖形使用者介面)來處理特定或獨特的決策情況。
描述性分析又稱為商務智慧,預測性分析和規範性分析統稱為高階分析。這裡的邏輯是,由於從描述性分析到預測性分析或規範性分析存在複雜度的顯著轉變,因此需要使用“高階”這個標籤。自 21 世紀初以來,商務智慧已經成為設計支援管理決策的資訊系統最流行的技術趨勢。直到分析浪潮到來之前,商務智慧一直很受歡迎(在某種程度上,它仍然在一些商業圈中很流行)。商務智慧是通向分析世界的門戶,為更復雜的決策分析奠定基礎並鋪平道路。描述性分析系統通常以資料倉儲為基礎,資料倉儲是專門為支援商務智慧功能和工具而設計、開發的大型資料庫。
在三層分析層次結構中,預測性分析緊隨描述性分析之後。在描述性分析方面成熟的組織會遷移到這個層次。在這個層次上,組織的目光會放在已經發生的事情之外,並試圖回答“將會發生什麼”的問題。在本質上,預測是對客戶需求、利率和股票市場走勢等變數的未來值進行智慧 / 科學估計的過程。如果被預測的是分類變數,那麼預測就被稱為分類;否則,它就被稱為迴歸。如果被預測的變數是時間相關的,那麼預測過程通常稱為時間序列預測。
規範性分析是分析層次結構中的最高層。它通常是由預測性分析或描述性分析建立/確定的諸多行動方案中使用複雜的數學模型確定的最佳可選方案。因此,在某種意義上,這類分析試圖回答“應該做什麼”的問題。規範性分析使用基於最佳化、模擬和啟發式資訊的決策建模技術。儘管規範性分析處於分析層次結構的頂部,但是它背後的方法並不新鮮。
大多數構成規範性分析的最佳化模型和模擬模型都是在二戰之間及之後開發的。當時資源有限,但是卻急需大量資源。從那時起,一些企業已經將這些模型用於包括產出/收益管理、運輸建模和排程等非常具體的問題。分析的新分類法使它們再次流行起來,讓它們可以用於廣泛的商業問題和情境。
圖2以表格形式展示了分析的三個層次以及在每個層次上回答的問題和使用的技術。可以看出,資料探勘是預測性分析的關鍵使能因素。
▲圖2 分析的三個層次以及各層的關鍵技術
商業分析之所以越來越受歡迎,是因為它有望為決策者提供成功所需的資訊和知識。無論商業分析系統屬於分析層次中的哪一層,其有效性在很大程度上都取決於三個因素,即資料的質量和數量(數量和資料表示的豐富性),資料管理系統的準確性、完整性和及時性,以及分析過程中使用的分析工具和程式的功能及複雜度。理解分析的分類有助於組織正確地選擇和實施分析功能,從而有效地駕馭成熟度連續體。
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/70024923/viewspace-2938044/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 哪些人可以學習資料分析?為什麼學資料分析?
- 資料科學、資料工程學習路線資料科學
- 大資料學習路線大資料
- 請查收.NET MAUI 的最新學習資源UI
- 搞懂:資料科學vs.機器學習vs.資料分析vs.商業分析資料科學機器學習
- 大資料學習路線圖大資料
- 資料庫學習線路圖資料庫
- 大資料最佳學習路線大資料
- 什麼是大資料?大資料學習路線和就業方向大資料就業
- java轉大資料的學習路線Java大資料
- 大資料學習方法,學大資料需要的基礎和路線大資料
- 好程式設計師大資料學習路線之大資料自學路線二程式設計師大資料
- 好程式設計師大資料學習路線之大資料自學路線一程式設計師大資料
- 大資料經典學習路線大資料
- 為什麼學習Python資料分析Python
- 大資料學習路線分享Master的jps大資料AST
- 小白如何學習大資料開發,大資料學習路線是怎樣的?大資料
- 大資料經典學習路線,必看!!大資料
- 大資料工程師-學習路線-轉大資料工程師
- SQL 資料庫學習路線推薦SQL資料庫
- 2019最新大資料學習路線圖大資料
- 為什麼學習大資料,大資料專家寫給大資料分析學習者的10個理由大資料
- 大資料學習路線圖 讓你精準掌握大資料技術學習大資料
- 叮咚!請查收來自一線資料科學家和大資料工程師的實戰經驗| IDP Meetup No.02 回顧資料科學大資料工程師
- 行業報告| 請查收 2022 MongoDB 資料與創新報告行業MongoDB
- 全新版最新大資料學習路線+資料教你從零做起大資料
- Python大資料分析學習.路徑問題Python大資料
- 大資料學習入門規劃?和學習路線大資料
- 2019版大資料學習路線圖大資料
- 什麼是大資料?零基礎如何學習大資料?(附學習路線)大資料
- 業務驅動量身定製新華三X10000打造海量資料儲存之王
- 工業製造中的大資料分析大資料
- Alpaquita Linux:唯一為Java量身定製的Linux作業系統UILinuxJava作業系統
- 10個最熱門的大資料技術,附上大資料學習路線大資料
- 資料分析-學習篇-01
- 資料分析學習方向(二)
- 商業資料分析師——IT和商業之間的紐帶
- 大資料Hadoop系統性學習路線圖大資料Hadoop