Til at konvertere rå data til handlinger til indsigt - dummier

Omdanne dine rå data til brugbare indsigter er det første skridt i fremgangen fra de data, du har indsamlet til noget, der rent faktisk gavner dig. Virksomhedscentreret datalogi bruger data analytics til at generere indsigt fra rå data.

Identifikation af typer af analyser

I det følgende forklares i stigende grad af de fire typer dataanalyser, du sandsynligvis støder på:

• Beskrivende analyse: Denne type analyser besvarer spørgsmålet "Hvad er der sket? "Beskrivende analyser er baseret på historiske og aktuelle data. En forretningsanalytiker eller en business-centreret datavidenskabsmand baserer moderne business intelligence på beskrivende analyse.

• Diagnostisk analyse: Du bruger denne type analyser til at finde svar på spørgsmålet, "hvorfor skete denne særlige noget? "Eller" hvad gik der galt? "Diagnostiske analyser er nyttige til at udlede og udlede succesen eller fejlen af ​​underkomponenter i ethvert data-drevet initiativ.

• Prediktiv analyse: Selv om denne type analyser er baseret på historiske og aktuelle data, går predictive analytics et skridt videre end beskrivende analyser. Prediktiv analyse involverer kompleks modelbygning og analyse for at forudsige en fremtidig begivenhed eller tendens. I en forretningssammenhæng vil disse analyser blive udført af den forretningsmæssige dataforsker.

• Prescriptiv analytics: Denne type analyser sigter mod at optimere processer, strukturer og systemer gennem informeret handling, der er baseret på predictive analytics. I det væsentlige fortæller du hvad du skal gøre ud fra en velinformeret vurdering af, hvad der vil ske. Både forretningsanalytikere og business-centreret datavidenskabsfolk kan generere præskriptiv analyse, men deres metoder og datakilder er forskellige.

Ideelt set bør en virksomhed engagere sig i alle fire typer dataanalyser, men forskriftsmæssig analyse er det mest direkte og effektive middel til at generere værdi fra dataindsigt.

Identifikation af fælles udfordringer i analytics

Analytics udgør normalt mindst to udfordringer i virksomheden. For det første har organisationer ofte svært ved at finde nye lejemål med specifikke færdigheder, der omfatter analytikere. For det andet har selv dygtige analytikere ofte svært ved at kommunikere komplekse indsigter på en måde, der er forståelig for ledelses beslutningstagere.

For at overvinde disse udfordringer skal organisationen skabe og opdrage en kultur, som værdier og accepterer analytikaprodukter. Virksomheden skal arbejde for at uddanne alle niveauer i organisationen, så ledelsen har et grundlæggende koncept af analytik og den succes, der kan opnås ved at implementere dem.

Omvendt skal business-centreret datavidenskabsmænd have en meget solid faglig viden om erhvervslivet generelt og især en solid forståelse af den aktuelle forretning. En stærk forretningskendskab er et af de tre hovedkrav for enhver business-centreret datavidenskabsmand - de to andre er stærke kodende skarphed og stærke kvantitative analyseværdier via matematisk og statistisk modellering.

Områder med rå data til handlingsbar indsigt

Datawrangling er en anden vigtig del af arbejdet, der er nødvendigt for at konvertere data til indsigt. For at opbygge analyser fra rå data, skal du næsten altid bruge datawrangling - de processer og procedurer, du bruger til at rense og konvertere data fra et format og struktur til en anden, så dataene er korrekte og i det format, der kræves til brug for analyseværktøjer og -skrifter.

I den følgende liste fremhæves nogle af de metoder og spørgsmål, der er mest relevante for datarammen:

• Dataudvinding: Den forretningsmæssige dataforsker skal først identificere, hvilke datasæt der er relevante for det aktuelle problem og derefter Udtrække tilstrækkelige mængder af de data, der er nødvendige for at løse problemet. (Denne udvindingsproces benævnes almindeligvis data mining.)

• Data munging: Datamungning indebærer rensning af de rå data, der udvindes gennem data mining, og konverterer det til et format, der muliggør et mere bekvemt forbrug af dataene. (Mung begyndte livet som en ødelæggende proces, hvor du ville konvertere noget genkendeligt til noget, der var uigenkendeligt, så sætningen Mash til No Good eller MUNG.)

• Datastyring: Datastyringsstandarder er standarder, der anvendes som et kvalitetssikringsforanstaltning for at sikre, at manuelle og automatiske datakilder er i overensstemmelse med datastandarderne for modellen ved hånden. Datastyringsstandarder skal anvendes, så dataene er i den rigtige granularitet, når de opbevares og gøres klar til brug.

  Granularitet er et mål for et datasæt detaljeringsniveau. Datagranularitet bestemmes af den relative størrelse af de undergrupper, hvori dataene er opdelt.

• Dataarkitektur: IT-arkitektur er nøglen. Hvis dine data er isoleret i separate, faste lagre - de berygtede datasiloer alle klager over - så er den tilgængelig for kun få personer inden for en bestemt forretningssted. Siled datastrukturer resulterer i scenarier, hvor størstedelen af ​​en organisations data simpelthen ikke er tilgængelig til brug for organisationen som helhed. (Det er overflødigt at sige, at sildede datastrukturer er utroligt spildende og ineffektive.)

Hvis dit mål er at udlede den mest værdi og indsigt fra virksomhedens virksomhedsdata, skal du sikre, at dataene gemmes i et centralt datalager og ikke i separate siloer.