การปรับใช้ Analytics และการโต้เถียงข้อมูลเพื่อแปลงข้อมูลดิบให้เป็นข้อมูลเชิงลึกที่สามารถดำเนินการได้ - มึนเมา

การเปลี่ยนข้อมูลดิบของคุณให้เป็นข้อมูลเชิงลึกที่สามารถดำเนินการได้เป็นขั้นตอนแรกในการดำเนินการจากข้อมูลที่คุณได้รับ รวบรวมสิ่งที่เป็นประโยชน์กับคุณ นักวิทยาศาสตร์ข้อมูลเชิงธุรกิจเป็นศูนย์กลางใช้ข้อมูล data analytics เพื่อสร้างข้อมูลเชิงลึกจากข้อมูลดิบ

การระบุประเภทของการวิเคราะห์

ด้านล่างนี้เรียงตามลำดับความซับซ้อนที่เพิ่มขึ้นคือการวิเคราะห์ข้อมูลสี่ประเภทที่คุณน่าจะได้พบมากที่สุด:

• การวิเคราะห์เชิงบรรยาย: การวิเคราะห์ประเภทนี้ตอบคำถามว่า "เกิดอะไรขึ้น? "การวิเคราะห์เชิงพรรณนาขึ้นอยู่กับข้อมูลในอดีตและปัจจุบัน นักวิเคราะห์ธุรกิจหรือนักวิทยาศาสตร์ด้านข้อมูลที่มุ่งเน้นธุรกิจเป็นฐานในการวิเคราะห์ข้อมูลเชิงพรรณในยุคปัจจุบัน

• การวิเคราะห์เกี่ยวกับการวินิจฉัย: คุณใช้การวิเคราะห์ประเภทนี้เพื่อหาคำตอบสำหรับคำถาม "เหตุใดบางอย่างจึงเกิดขึ้น? "หรือ" เกิดอะไรขึ้น? "การวิเคราะห์เชิงวินิจฉัยมีประโยชน์สำหรับการอนุมานและอนุมานถึงความสำเร็จหรือความล้มเหลวของส่วนประกอบย่อยของข้อมูลริเริ่มที่ขับเคลื่อนด้วยข้อมูล

• แม้ว่าการวิเคราะห์ประเภทนี้จะขึ้นอยู่กับข้อมูลในอดีตและปัจจุบันการวิเคราะห์เชิงคาดการณ์จะก้าวไปไกลกว่าการวิเคราะห์เชิงพรรณนา การวิเคราะห์คาดการณ์ เกี่ยวข้องกับรูปแบบที่ซับซ้อน - การสร้างและวิเคราะห์เพื่อคาดการณ์เหตุการณ์หรือแนวโน้มในอนาคต ในบริบททางธุรกิจการวิเคราะห์เหล่านี้จะดำเนินการโดยนักวิทยาศาสตร์ข้อมูลทางธุรกิจที่เป็นศูนย์กลาง การวิเคราะห์ตามคำสั่ง:

• การวิเคราะห์ประเภทนี้มีเป้าหมายเพื่อเพิ่มประสิทธิภาพกระบวนการโครงสร้างและระบบโดยผ่านการดำเนินการที่แจ้งซึ่งอิงตามการวิเคราะห์เชิงคาดการณ์ซึ่งโดยพื้นฐานจะบอกคุณเกี่ยวกับสิ่งที่คุณควรทำโดยพิจารณาจากข้อมูลประมาณการที่จะเกิดขึ้น ทั้งนักวิเคราะห์ธุรกิจและนักวิทยาศาสตร์ข้อมูลที่เป็นศูนย์กลางธุรกิจสามารถสร้างการวิเคราะห์ที่กำหนดได้ แต่วิธีการและแหล่งข้อมูลแตกต่างกัน

  ควรมีส่วนร่วมในการวิเคราะห์ข้อมูลทั้งสี่ประเภท แต่การวิเคราะห์ตามคำสั่งเป็นวิธีที่ตรงและมีประสิทธิภาพมากที่สุดในการสร้างคุณค่าจากข้อมูลเชิงลึก

การระบุความท้าทายร่วมกันใน Analytics

Analytics มักก่อให้เกิดความท้าทายอย่างน้อยสองอย่างในองค์กรธุรกิจ ก่อนอื่นองค์กรมักมีช่วงเวลาที่ยากลำบากในการหาพนักงานใหม่ที่มีทักษะเฉพาะเจาะจงซึ่งรวมถึงการวิเคราะห์ด้วย ประการที่สองแม้แต่นักวิเคราะห์ที่มีทักษะมักจะมีปัญหาในการสื่อสารข้อมูลเชิงลึกที่ซับซ้อนในแบบที่เข้าใจได้กับผู้มีอำนาจตัดสินใจในการจัดการ

เพื่อเอาชนะความท้าทายเหล่านี้องค์กรต้องสร้างและรักษาวัฒนธรรมที่มีคุณค่าและยอมรับผลิตภัณฑ์การวิเคราะห์ ธุรกิจต้องทำงานเพื่อให้ความรู้แก่ทุกระดับขององค์กรเพื่อให้ผู้บริหารมีแนวคิดพื้นฐานในการวิเคราะห์และความสำเร็จที่สามารถทำได้โดยการนำไปปฏิบัติ

ตรงกันข้ามนักวิทยาศาสตร์ข้อมูลที่มุ่งเน้นธุรกิจจะต้องมีความรู้ความเข้าใจในการทำงานที่ดีมากเกี่ยวกับธุรกิจโดยทั่วไปและโดยเฉพาะอย่างยิ่งความเข้าใจที่ดีของธุรกิจในมือ ความรู้ทางธุรกิจที่แข็งแกร่งเป็นหนึ่งในสามความต้องการหลักของนักวิทยาศาสตร์ข้อมูลที่เป็นศูนย์กลางทางธุรกิจซึ่งอีกสองเป็นความเฉียบแหลมด้านการเขียนโปรแกรมและทักษะการวิเคราะห์เชิงปริมาณที่เข้มงวดทางคณิตศาสตร์และแบบจำลองทางสถิติ

การโต้เถียงดิบข้อมูลกับข้อมูลเชิงลึกที่ดำเนินการได้

การโต้เถียงข้อมูลเป็นอีกส่วนสำคัญของงานที่ต้องใช้ในการแปลงข้อมูลเป็นข้อมูลเชิงลึก ในการสร้างข้อมูลวิเคราะห์จากข้อมูลดิบคุณเกือบจะต้องใช้

การถกเถียงข้อมูล - กระบวนการและขั้นตอนที่คุณใช้เพื่อทำความสะอาดและแปลงข้อมูลจากรูปแบบและโครงสร้างไปเป็นรูปแบบอื่นเพื่อให้ข้อมูลมีความถูกต้องและ ในเครื่องมือวิเคราะห์รูปแบบและสคริปต์ที่จำเป็นสำหรับการบริโภค การสกัดข้อมูล:

นักวิทยาศาสตร์ข้อมูลที่มุ่งเน้นธุรกิจเป็นอันดับแรกจะต้องระบุว่าชุดข้อมูลใดมีความเกี่ยวข้องกับปัญหาอยู่ในมือและจากนั้น ดึงข้อมูลปริมาณที่เพียงพอซึ่งจำเป็นต่อการแก้ปัญหา (การสกัดนี้เรียกทั่วไปว่าการทำเหมืองข้อมูล)

• การจัดการข้อมูล: การเก็บข้อมูลข้อมูลเกี่ยวข้องกับการทำความสะอาดข้อมูลดิบที่สกัดจากการทำเหมืองข้อมูลแล้วแปลงเป็นรูปแบบที่ช่วยให้สามารถใช้ข้อมูลได้สะดวกมากขึ้น. (Mung เริ่มมีชีวิตเป็นกระบวนการทำลายล้างซึ่งคุณจะเปลี่ยนสิ่งที่เป็นที่จดจำได้ในบางสิ่งที่ไม่สามารถจดจำได้เช่นวลี Mash Until No Good หรือ MUNG)

• การจัดการข้อมูล: มาตรฐานการจัดการข้อมูลเป็นมาตรฐานที่ใช้ เป็นมาตรการควบคุมคุณภาพเพื่อให้มั่นใจได้ว่าแหล่งข้อมูลที่เป็นแบบอัตโนมัติและแบบอัตโนมัติสอดคล้องกับมาตรฐานข้อมูลของแบบจำลองในมือ ต้องมีการใช้มาตรฐานการจัดการข้อมูลเพื่อให้ข้อมูลมีระดับที่เหมาะสมเมื่อจัดเก็บและพร้อมสำหรับการใช้งาน

• ความละเอียด คือการวัดระดับรายละเอียดของชุดข้อมูล ความละเอียดของข้อมูลจะพิจารณาจากขนาดที่สัมพันธ์กันของกลุ่มย่อยที่เป็นข้อมูลที่ถูกแบ่ง

  สถาปัตยกรรมข้อมูล: สถาปัตยกรรมด้านไอทีเป็นกุญแจสำคัญ หากข้อมูลของคุณถูกแยกออกจากที่เก็บข้อมูลถาวรที่แยกกันผู้ที่ไม่พึงประสงค์ทุกคนมักจะบ่นเรื่องนี้ แต่จะมีให้เฉพาะกับคนเพียงไม่กี่คนในธุรกิจเฉพาะเท่านั้น โครงสร้างข้อมูลที่ซิลค์ส่งผลให้เกิดสถานการณ์ที่ข้อมูลส่วนใหญ่ขององค์กรไม่สามารถใช้งานได้โดยองค์กรขนาดใหญ่ (จำเป็นต้องพูดโครงสร้างข้อมูลที่อ่อนนุ่มและสิ้นเปลืองค่าใช้จ่ายอย่างเหลือเชื่อ)

• หากเป้าหมายของคุณคือการได้รับคุณค่าและข้อมูลเชิงลึกจากข้อมูลธุรกิจขององค์กรมากที่สุดคุณควรตรวจสอบให้แน่ใจว่าข้อมูลถูกเก็บไว้ในคลังข้อมูลส่วนกลางและ ไม่อยู่ในไซโลแยกต่างหาก