Аналитика данных — модное словечко этого века с прошлого десятилетия. Крупные компании, такие как Amazon, Alibaba, Coca-Cola, Facebook, Google, IBM, Microsoft, SAP, первыми внедрили аналитику данных. Эти компании получили большую выгоду, интегрировав аналитику данных во все функции от стратегии до повседневной деятельности. Сегодня несколько компаний, больших и малых, используют аналитику данных и проявляют большой интерес к изучению того, как продвигать свой путь внедрения аналитики.

Модель зрелости аналитики Gartner

В этой статье я расскажу о модели зрелости аналитики Gartner. Эта модель состоит из следующих четырех этапов:

  • Описательная аналитика
  • Диагностическая аналитика
  • Предиктивная аналитика
  • Предписывающая аналитика

Эти четыре этапа представляют различные уровни зрелости, на которых организации могут находиться на пути внедрения аналитики. «Описательная аналитика» позволяет оглядываться на то, что произошло в прошлом (задним числом), в то время как «Диагностическая аналитика» фокусируется на сборе сведений из прошлых данных и использовании их для принятие решений. «Прогнозная аналитика» и «Предписывающая аналитика» предсказывают будущее и ориентируются на «предвидение». Участие человека в принятии решений уменьшается по мере перехода от описательной аналитики к предписывающей аналитике. Решения автоматизированы в предиктивной/предписывающей аналитике. Реализованная ценность аналитики намного выше, когда вы переходите к продвинутым этапам аналитики. Давайте подробно рассмотрим эти четыре этапа.

Описательная аналитика

Это первый этап, в котором рассматривается вопрос «Что произошло» в прошлом с использованием исторических данных. Он отвечает на такие вопросы, как сколько, что, когда и где просматриваются прошлые данные. Например,

«Сколько iPhone было продано в Apple Store в Нью-Йорке в прошлом месяце?»

«Сколько клиентов вчера загрузили недавно запущенное приложение для здоровья из игрового магазина?»

«Сколько покупателей посетило магазин за последние 3 дня РАСПРОДАЖИ?»

«Какие регионы имеют менее 20% охвата программой вакцинации против COVID-19?»

Пример из практики:

Описательная аналитика помогает предприятиям розничной торговли получать информацию о самых продаваемых брендах/продуктах, наиболее популярных продуктах, областях, в которых существует высокий спрос на ваши продукты, и т. д. каким магазинам необходимо размещать частые заказы на товары, которые продаются с большим спросом, управлять дополнительным персоналом, логистическими партнерами и дополнительной инфраструктурой, необходимой для обработки наплыва клиентов в период РАСПРОДАЖИ. Эти действия в основном обусловлены человеческой интерпретацией данных.

Диагностическая аналитика

Этот этап является следующим этапом внедрения Google Analytics и отвечает на вопрос «Почему это произошло». На этом этапе вы углубитесь в понимание данных, используя статистические методы, такие как статистическая сводка, корреляция между числовыми переменными, двумерный и многомерный анализ, чтобы обнаружить закономерности в данных и выявить тенденции в данных. Диагностический анализ направлен на получение скрытой информации из данных, которые не были получены на этапе описательной аналитики.

Вы можете найти ответы на следующие вопросы:

«Влияет ли пол на продажу недавно выпущенного iPhone 12?»

«Существенно ли различаются эксплуатационные расходы завода в двух местах?»

«Есть ли положительная связь между возрастом и доходом от продаж протеиновых батончиков?»

«Какие из следующих факторов ответственны за увеличение числа смертельных случаев от COVID-19 в штате — возраст, сопутствующие заболевания, количество введенных доз вакцины, пол и образ жизни?»

Вы также можете выполнять различные проверки гипотез, чтобы подтвердить/опровергнуть свои предположения, используя статистические тесты, такие как t-тесты, ANOVA, тесты хи-квадрат.

Пример использования

Популярный банк утверждает, что среднее время ожидания клиентов составляет не более 3,15 мин. Вы можете собрать данные и проанализировать время ожидания с помощью проверки гипотез и подтвердить или опровергнуть это утверждение. Анализ этих данных поможет банку оценить основные факторы, влияющие на время ожидания клиентов, и принять соответствующие меры для повышения эффективности их работы.

Прогнозная аналитика

Это расширенный этап аналитики, который фокусируется на интеллектуальном анализе данных и использует различные методы расширенной аналитики, такие как машинное обучение и искусственный интеллект, для построения моделей, которые делают прогнозы на основе исторических данных. На этом этапе рассматривается вопрос «Что произойдет в будущем». Прогнозная аналитика изучает скрытый шаблон в данных и устанавливает взаимосвязь между переменной результата — в случае машинного обучения с учителем — и переменными-предикторами для построения математической/статистической модели, которую можно использовать для прогнозирования переменной результата для новых данных. Этот этап включает в себя различные этапы подготовки данных, очистки данных, разработки признаков, построения модели и оценки модели. Predictive Analytics помогает автоматизировать процесс принятия решений с помощью этих моделей, которые предвидят будущее и предоставляют вам правильную информацию для принятия правильных действий.

На этом этапе вы сможете найти ответы на следующие вопросы:

«Сколько смартфонов iPhone 12 я смогу продать в следующем месяце?»

«Купит ли Джон новую машину в следующем квартале, и мне нужно связаться с ним и добавить его в список потенциальных клиентов на следующий месяц?»

«Какова вероятность того, что 62-летний мужчина весом 69 кг будет госпитализирован с жировым лейкоцитом и находится в Техасе, Северная Америка, если он заражен вирусом COVID-19?»

«Цвет костюма, предпочитаемый мужчинами среднего возраста (35–50 лет) в Лондоне, темно-серый?»

Пример использования

Например, вы можете построить прогностическую модель, чтобы предсказать, может ли клиент приобрести годовой тарифный план с предоплатой у поставщика услуг связи, поняв характер его использования, частоту пополнения, сумму пополнения, объем потребляемых данных, его/ее профиль и т. д. Затем телекоммуникационные компании могут провести рекламную кампанию и нацелить таких клиентов, у которых склонность к покупке предложения значительна, а окупаемость инвестиций в маркетинг максимальна.

Предписывающая аналитика

Следующим продвинутым уровнем в Google Analytics является предписывающая аналитика, которая отвечает на вопрос «Как я могу этого достичь? — Что нужно сделать?»».

Предписывающая аналитика позволяет выбрать оптимальное аналитическое решение для решения бизнес-задачи, позволяя оценивать различные математические модели, сравнивать их эффективность с доступными данными для конкретной отрасли и выбирать наиболее оптимальное решение.

На этом этапе аналитики вы можете получить ответы на следующие типы вопросов:

«Сколько мне потребуется наземного персонала, чтобы обслуживать такое количество пассажиров 25 декабря в Мумбаи?»

«Какие 3 лучших комбинированных предложения увеличат продажи основных продуктов в следующем месяце?»

«В каких торговых точках Cafe-Coffee Day по всей Индии мне следует открыть книжные мини-магазины для перекрестных продаж?»

Пример из практики:

Представьте, что вы ищете видео на определенную тему, например «Как играть в шахматы» на YouTube. Поисковая система YouTube использует алгоритм, который сортирует тысячи видео, чтобы найти наиболее релевантные и полезные результаты для вашего поискового запроса на основе релевантности, вовлеченности и качества. Кроме того, поисковая система YouTube повышает релевантность рекомендуемых видео, учитывая ваш поиск и историю просмотров. Следовательно, ваши результаты поиска могут отличаться от результатов поиска другого пользователя по тому же запросу.

Сводка

В этой статье мы рассмотрели четыре этапа аналитической модели Gartner и выяснили, какие вопросы решает каждый из этих этапов.

Если вам понравилась эта статья, поделитесь ею в Twitter, LinkedIN и Facebook.

P.S. Приятного чтения еще одной интересной статьи Data Analyst Vs Data Scientist.

Подпишитесь на меня в LinkedIN