Il y avait des moments où les gens marchaient pendant 3 jours pour échanger des peaux de loup contre du fromage. Aujourd'hui, vous commandez du papier toilette sur les toilettes.
Nos ancêtres ont passé leurs soirées à regarder le feu. On regarde "Une chanson de glace et de feu"1Ouais, je sais que c'est en fait "Game of Thrones", vous les nick!.
Tant de choses dans nos vies ont été affectées par la technologie. Pourtant, la plupart des gens ne pensent pas au des quantités massives des données qu'ils génèrent chaque fois qu'ils saisissent leur téléphone.
L'importance de ces informations n'est pas perdue pour les entreprises. Voici où le domaine de Analyse des données entre en jeu – nous allons nous concentrer sur quoi cette est dans un petit instant.
En attendant, considérez ceci:
- Nous avons généré plus de données au cours des deux dernières années que dans toute l'histoire humaine.
- Naturellement, cela a affecté le marché. Depuis 2012, la nécessité de le gérer a créé 14 millions d'emplois à l'échelle mondiale!
- Extraire le sens des données collectées pourrait conduire à un avenir incroyable. Il contribuera à créer des voitures autonomes sûres, des médicaments efficaces et une agriculture améliorée.
L'analyse des données peut ne pas avoir la même sonnerie que les mégadonnées. Cependant, c'est la clé pour extraire du sens de toutes les informations que nous recueillons. De plus en plus d'industries reconnaissent que c'est la voie à suivre – les chefs d'entreprise en ont besoin pour déchiffrer les données collectées et prendre des décisions éclairées.
Vous comprenez – c'est vraiment important. Mais comment ça fonctionne? Prenons une plongée et explorons les secrets de l'analyse de données.
(Sources: Forbes, Six Sigma, Chron)
Qu'est-ce que l'analyse de données
Par définition, Analyse des données est la science de la découverte et de l'interprétation du sens dans les données, ainsi que de mettre à profit les connaissances acquises. C'est le lien entre le Big Data et la prise de décision.
Prenons l'exemple de la société de Bob. Il a fondé sa petite entreprise – «Bob’s Socks» et a ouvert une jolie petite boutique. Cependant, il a rapidement remarqué à quel point les gens étaient frustrés, car il leur était difficile de trouver ce dont ils avaient besoin.
Étant ingénieux, Bob a mis son entreprise en ligne. Il a créé une boutique en ligne. Pour passer une commande, les gens devaient créer un profil.
Donc, Bob avait déjà trouvé un moyen de capturer les données de ses utilisateurs. Cependant, n'étant qu'humain, parcourir les centaines de profils et de commandes n'est pas une option.
C’est là que Bob devrait faire utilisation de Analyse des données. Il engage Steve – un analyste de données.
En appliquant la programmation informatique, la recherche opérationnelle et les statistiques, Steve parvient à translate les données dans un anglais simple. Alors maintenant, Bob sait que, par exemple, les chaussettes de dessin animé de taille bébé sont très populaires parmi les femmes à la fin de la vingtaine.
Avec les bons outils, il peut optimiser son site internet. Ce groupe verra une variété de chaussettes colorées sur la première page, aidant Bob à croissance des affaires.
Tandis que le La technologie derrière analytique est assez compliqué, le concept est facile à saisir. Les méthodes de collecte et de traitement des données varient selon les domaines. cependant, les résultats positifs sont cohérents. Tellement que:
- Si les entreprises du Fortune 1000 utilisent le les méthodes de l'analyse des données, leurs marges d'exploitation augmenteront jusqu'à 60%!
- Même s'ils n'améliorent le traitement des données que de 10%, ils pourraient quand même gagner 65 millions de dollars de revenus supplémentaires annuel.
Sachant cela, il est facile d’imaginer que des gens comme Steve sont très recherchés. En réalité:
- IBM prévoit que d'ici 2020, le la demande de scientifiques des données augmentera de 28%.
- D'ici là, nous pouvons également nous attendre à ce que le nombre de professionnels de l'analyse double, atteignant un million de personnes dans le monde!
- Leur salaire annuel moyen sera 115 000 $.
Pas mal du tout! Cependant, avant de partir sur Google à la recherche d'un crash cours sur Analyse des données, passons en revue quelques détails supplémentaires.
(Sources: Investopedia, Techopedia, Forbes, Six Sigma, Le journal de Wall Street)
Analyse de données vs analyse de données
C'est une idée fausse que l'analyse et l'analyse sont des synonymes et peuvent être utilisées de manière interchangeable. Eh bien, ils ne le sont pas – si vous avez besoin de savoir, ce sont en fait des paronymes.
Steve le sait. En fait, son travail acharné et approfondi a aidé l'entreprise à se propager dans un autre créneau – bien que quelque peu différent de ce que Bob aurait pensé. Dans tous les cas, les stocks de «chaussettes et bas de Bob» sont hors des cartes!
Roulement de tambours * Ba Dum Tss.
Maintenant que c'est hors de propos – quel est la différence entre l'analyse des données et analytique?
Une analyse est utilisé pour comprendre le passé. Il traite de questions comme «Comment les gens ont-ils réagi à ma dernière campagne de marketing?» Ou «Mon nouveau produit a-t-il réussi?».
Analytique se concentre sur la raison derrière les résultats. Il est également utilisé pour prédire comment les choses évolueront à l'avenir.
En d'autres termes, les entreprises observent et apprennent à travers une analyse et développer leurs stratégies en utilisant analytique. C'est pourquoi le premier a besoin de plus de puissance de calcul – les analystes de données sont qualifiés non seulement en statistique, mais aussi en programmation et en mathématiques. Avec ces outils, ils peuvent créer des modèles prédictifs complets.
(Sources: 1to1 Media, Wikipédia)
Data Analytics vs Data Science
Ce n'est pas aussi compliqué que le dernier. Maintenant que tu sais ce qu'est l'analyse de données, concentrons-nous sur la science des données.
Science des données est un terme générique désignant un groupe de champs qui gèrent le nettoyage, la préparation et l'analyse des données. Son objectif principal est de trouver un moyen de capturer des informations et d'en extraire du sens.
Le principal différence entre la science des données et l'analyse des données est la portée. Vous pouvez considérer l'analytique comme la version «plus étroite» de la science des données, car elle traite de problèmes spécifiques qui peuvent être résolus immédiatement. La science des données recherche des informations, mais ne prend pas la peine d'expliquer les raisons derrière elles. Pour le dire autrement:
L'analyse de données répond aux questions posées par la science des données.
Et comme le savent tous ceux qui ont lu le "Guide de l'auto-stoppeur de la galaxie", poser les bonnes questions est aussi important que de savoir la réponse2C'est 42..
(Sources: Simplilearn, Sisense)
Science des données vs Big Data
C'est probablement la plus intuitive de toutes les comparaisons.
Les ensembles de données trop volumineux pour être traités avec des outils traditionnels sont considérés comme des mégadonnées. Ils se composent de quantités massives d'informations structurées, semi-structurées et non structurées.
À lui seul, le Big Data est inutile – il est chaotique et impossible à déchiffrer pour un humain.
C’est là que la science des données entre en jeu. À l’aide de divers outils, elle exploite les mégadonnées, les classe et les analyse. Il trouve des modèles dans les informations apparemment dénuées de sens et fournit aux entreprises des informations précieuses.
Donc, si les mégadonnées sont de la pâte, la science des données est le cuisinier qui prépare la pizza pour votre plaisir.
(Sources: Simplilearn, Quora)
Le côté obscur de l'analyse de données
Comme toute autre chose, l'analyse de données a un côté négatif.
Il est très utile d'obtenir une expérience sur mesure, en fonction de vos intérêts en ligne. Mais cela signifie aussi les entreprises sauront beaucoup de choses sur vous.
Tout d’abord, il n’est pas impossible de divulguer ces informations. Et nous aimerions tous protéger notre historique de recherche Google.
Cependant, un plus grand risque réside dans discrimination statistique. Par exemple, les données sur les achats précédents permettront aux entreprises de prévoir combien vous serez prêt à payer pour un service ou un produit.
Il y a aussi la question de la propriété intellectuelle. Si, par exemple, vous utilisez une application pour écrire vos idées, en théorie, les développeurs peuvent en profiter. Bien que cela ne soit pas susceptible de se produire, le la loi n'est pas claire à qui appartient ce contenu.
Autre exemples de Analyse des données des risques comprendre espionnage du gouvernement et créer des profils détaillés des citoyens.
Dans tous les cas, la progression de l'analyse de données ne ralentit pas, nous pouvons donc aussi en tirer le meilleur parti!
(Sources: Wikipédia, Scientifique américain, TechRepublic)
Applications
Tandis que Analyse des données est à peu près une nécessité pour entreprises et les entreprises, ce n’était pas toujours aussi efficace qu’aujourd’hui. Les avancées technologiques nous ont permis de faire de meilleures prédictions que jamais auparavant.
À mesure que notre capacité à tirer des conclusions des données augmente, l'information devient de plus en plus précieuse. Cependant, le concept n'est pas vraiment nouveau, comme vous le découvrirez bientôt!
Histoire de l'analyse de données
Quand l'humanité a-t-elle découvert les avantages des données? Alors que naturellement, la discipline était loin de ce que l'on voit aujourd'hui, ses racines sont plus anciennes que vous ne le pensez!
- 5000 avant JC – agriculteurs ancienne Mésopotamie commencé à tenir des registres sur les troupeaux et les cultures.
- 1663 – John Graunt visait à comprendre la peste bubonique et à créer un système d'alerte en enregistrant les décès à Londres.
- 1887 – Herman Hollerith construit une machine qui organisait les données du recensement en lisant des cartes perforées.
- 1937 – Après l'adoption de la loi sur la sécurité sociale, IBM est venu avec un système pour gérer les informations de 29 millions de personnes.
- 1943 – Les Britanniques ont créé la première machine informatique, Colosse, pour trouver des modèles et déchiffrer les codes nazis.
- 1965 – Le Gouvernement des États-Unis construit le premier centre de données pour stocker les dossiers des citoyens.
- 1989 – Tim Berners-Lee a inventé le World Wide Web.
- 1995 – Au monde premier supercalculateur a été construit.
- 1997 – Bleu profond, un ordinateur d'échecs développé par IBM, a vaincu le champion du monde Garry Kasparov.
- 1998 – Laboratoires AT&T Bell conçu un système de reconnaissance des chiffres pour détecter les codes postaux manuscrits pour le US Postal Service.
- 2005 – Roger Mougalas est venu avec le terme Big Data. C'est aussi l'année où Hadoop a été créé. À ce jour, il reste l'un des plus populaires outils dans Analyse des données et la gestion des mégadonnées.
- 2009 – Le gouvernement indien a construit le la plus grande base de données biométriques au monde – il stocke les scans d'iris, les empreintes digitales et les photographies de 1,2 milliard de personnes.
Nous avons parcouru un long chemin dans notre quête pour conquérir les données, n'est-ce pas! Alors, comment cela nous aide-t-il exactement aujourd'hui?
Quoi exactement est l'analyse de données’Rôle dans les affaires?
(Sources: doc.ic.ac.uk, DATAVERSITÉ, Datafloq)
Applications modernes
Maintenant que nous savons ce qu'est l'analyse de données et comment il est né, concentrons-nous sur la façon dont il est utilisé aujourd'hui.
Marketing numérique efficace
La commercialisation des crochets pour les enfants de 10 ans n'est pas vraiment lucrative (sauf si vous avez affaire à des enfants comme ce génie). Dépenser votre précieux budget publicitaire sur des personnes qui ne sont pas du tout intéressées par vos produits est un gaspillage.
C'est pourquoi entreprises s'appuyer sur l'analyse des données pour cibler des groupes spécifiques. C'est loin d'être le seul avantage, cependant.
Une utilisation efficace des informations peut également aider les entreprises prendre des décisions cruciales – établir des budgets marketing, créer une campagne réussie et construire sa stratégie globale.
Gestion des ressources humaines
Bien que par définition, Analyse des données est plus orienté vers la technologie que vers les personnes, il trouve son application dans les RH.
Il est loin le temps où les employeurs devaient compter sur l'intuition pour trouver les personnes parfaites pour un emploi. Maintenant, ils peuvent décider quelles personnes embaucher, promouvoir ou récompenser en consulter les informations qu'ils ont collectées.
HR Analytics se concentre sur l'analyse des données comportementales pour sélectionner l'employé qui ferait le mieux à un certain poste. Ça devient un outil de plus en plus important dans l'industrie.
Évaluations de portefeuille
Les banques et les sociétés de crédit investissent également dans les données analytique et développer systèmes pour déterminer si elles devraient accorder un prêt ou non.
En créant un portefeuille pour chaque client, ils peuvent s'assurer d'obtenir la meilleure valeur avec un risque minimum. Naturellement, le candidat idéal serait une personne riche. Mais ce sont surtout les pauvres qui ont besoin d'un prêt. C'est là que l'analyse des données peut être utile pour trouver le solde et déterminer le taux d'intérêt.
Analytique numérique
L'analyse de données est une grande partie des affaires en ligne. Il permet aux entreprises de créer des rapports, optimiser les processus et rechercher le marché.
Examiner la façon dont les clients potentiels interagissent avec votre site Web peut vous aider à comprendre ce qui lui manque. En réalité, l'analyse des données est une grande partie de quoi fait du SEO efficace. En surveillant les mots clés, la fréquence et le contexte dans lesquels ils sont utilisés, les entreprises peuvent apprendre à adapter leur contenu.
Sécurité
La collecte d'informations sur les événements de sécurité est cruciale pour les gérer. Il aide les entreprises à identifier les menaces les plus importantes et à trouver des moyens efficaces de les résoudre. Analyse des données permet entreprises d'utiliser des données provenant de diverses sources. Un logiciel spécialement conçu passe au crible les informations, trouvant des corrélations entre les événements, afin de les éviter.
Nous avons parcouru certaines des applications les plus populaires, alors concentrons-nous maintenant sur les industries!
(Sources: Digital Vidya, Pierre angulaire, Wikipédia)
Big Industries et analyse de données
Soins de santé
Ce n’est pas un secret que le système de santé peut être amélioré. Des études récentes indiquent que la clé de ceci peut résider dans, vous l'aurez deviné – l'analyse de données!
Si les processus deviennent plus efficaces de seulement 1%, cela pourrait économiser plus de 63 milliards de dollars dans le monde. C'est une quantité impressionnante, d'accord. Mais comment exactement technologie d'analyse atteindre cet?
Si les hôpitaux utilisent toutes les informations dont ils disposent, nous pouvons nous attendre à des files d'attente plus courtes, une meilleure gestion des ressources et des traitements encore plus efficaces.
cependant, 56% des hôpitaux n'ont pas encore élaboré de stratégie d'utilisation des données technologie d'analyse. Bien sûr, il y a une raison pour laquelle les soins de santé sont à la traîne des autres secteurs à cet égard.
Le plus grand obstacle est la nature des données. Il est difficile de le convertir et il est généralement très sensible. Les décisions ont également un gain plus élevé (le cas échéant) si elles sont prises en temps opportun.
Un autre problème est que saisir autant d'informations sur chaque patient prend beaucoup de temps. Les médecins ont réagi négativement aux tentatives d'introduire l'analyse de données dans ce domaine, car c'est un fardeau à gérer.
Cependant, avec tant à gagner, outils d'analyse de données évoluent pour s'adapter à cette industrie.
Par exemple, Stanford Children’s Health et Lucile Packard Children's Hospital Stanford ont déjà lancé trois programmes innovants:
- Prévention des AKI (lésions rénales aiguës) chez les enfants. Le système identifie les enfants qui doivent prendre de fortes doses de médicaments néphrotoxiques. De cette façon, les médecins peuvent les surveiller de près pour prévenir les lésions rénales. Jusqu'à présent, il y a eu une diminution de 39% des taux d'exposition aux néphrotoxines.
- Système d'administration des médicaments. Un système de codes-barres a été développé pour améliorer la distribution des médicaments. Il y a eu une réduction de 21% des doses manquées et une diminution de 66% des médicaments perdus.
- De meilleurs soins pour les patients atteints de cardiopathie congénitale. En collectant des informations dans des dossiers de santé électroniques, les cliniciens peuvent comparer des cas similaires. Cela leur permet de standardiser et d'améliorer le traitement. Cela a entraîné une réduction de 34% des séjours à l'hôpital, ce qui représente près de 300 jours par an.
(Sources: Analyse informatique de la santé, datapine, Brookings, Le New York Times, PR Newswire)
Voyage
L'analyse des données peut être très bénéfique pour l'industrie du voyage. Prédire ce que souhaite un client spécifique et générer des offres en fonction de cela peut entraîner une taux de conversion et revenus plus élevés.
C’est pourquoi de plus en plus d’entreprises créent des programmes de fidélité. De cette façon, ils peuvent recueillir des informations précieuses sur leurs clients et personnaliser une expérience spécialement pour eux. Bien sûr, il existe souvent des réductions pour les clients fidèles. Cependant, à long terme, la fidélisation de la clientèle en vaut la peine pour l'entreprise.
Analyse des sentiments est un autre méthode des données c'est de plus en plus important. La plupart des voyageurs se fient aux avis lors du choix de leur hébergement. C’est pourquoi il est important de savoir ce que les gens pensent d’une auberge ou d’un hôtel en particulier. Les agences de voyage choisissent souvent les entreprises avec lesquelles elles travaillent en fonction des commentaires de leurs clients.
Moteurs de recommandation gagnent également en popularité. En analysant les critères saisis par le client, il peut proposer différentes suggestions. Il s'agit notamment de dates de voyage alternatives, de nouvelles destinations ou attractions et d'itinéraires plus rapides ou plus pittoresques. Cela garantit non seulement des revenus plus élevés pour l'entreprise, mais aussi une expérience plus agréable pour les voyageurs.
Naturellement, tout cela est rendu possible par les systèmes d'analyse. Nous pouvons donc nous attendre à voir de plus en plus d'outils de données, conçus pour améliorer nos vacances.
(Sources: Newgenapps, KDnuggets)
Gaming
Compte tenu du domaine de compétence des développeurs de jeux, il n'est pas surprenant que le utilisation de l'analyse de données est rapidement devenu évident dans cette industrie.
Pour la dernière année seulement, les sociétés de jeux ont généré un total de 135 milliards de dollars – un nombre en constante augmentation. L'introduction des jeux mobiles a aidé les entreprises atteindre un public encore plus large.
Cette croissance a provoqué un flot de données. En le gérant, les sociétés de jeux peuvent non seulement augmenter leurs revenus publicitaires, mais aussi améliorer l'expérience utilisateur. Les développeurs peuvent désormais mieux comprendre ce que gamers aiment et ont besoin. Naturellement, cela attire plus de joueurs, ce qui entraîne un flux de données encore plus important et des optimisations supplémentaires.
L'industrie du jeu est l'une des meilleures exemples de ce qui peut être réalisé avec Analyse des données. Considérant qu'il y a plus de tha2,3 milliards de joueurs actifs dans le monde (oui, cela représente 30% de l’ensemble de la race humaine), nous pouvons nous attendre à voir encore plus d’innovations et d’améliorations de ce secteur.
Voyons exactement quels aspects du jeu sont influencés par l'analyse des données:
- Développement – les créateurs peuvent concevoir des jeux en fonction de ce que les utilisateurs préfèrent. Cela inclut non seulement la mécanique, mais aussi le concept de jeu entier.
- Perspectives – les développeurs peuvent prévoir les goulots d'étranglement et trouver des moyens de les gérer.
- Monétisation – les entreprises peuvent prévoir comment leur produit sera mieux reçu par le public. Devrait-il y avoir une version premium qui supprime les publicités ou les clients préféreront-ils acheter le jeu?
- Graphique – DA et AI doivent remercier pour les avancées graphiques. Les logiciels de reconnaissance d'images et de détection d'objets permettent des mouvements fluides et réalistes et des changements de scènes fluides.
- Commercialisation – des publicités ciblées avec des messages significatifs sont la clé pour attirer les joueurs. Trouver le bon public garantit également une activité élevée sur la plate-forme, ce qui est crucial pour les jeux MMO.
- Infrastructure – s'il y a une vague d'utilisateurs aux heures de pointe, les jeux sur serveur peuvent avoir des difficultés à s'adapter. C’est pourquoi les entreprises utilisent l’analyse du Big Data pour découvrir où sont les points faibles et trouver des solutions.
(Sources: Dataiku, Magazine Analytics India, Moyen)
Gestion de l'énergie
Étant donné que Analyse des données semble être lié à Internet et aux technologies modernes par définition, vous serez peut-être surpris par son efficacité dans de grandes industries comme l'énergie.
En fait, il a a ouvert les portes de l'optimisation et de la distribution d'énergie, ainsi que la gestion du réseau intelligent. Il a également permis l'automatisation de certains processus. L'analyse des données permet aux spécialistes de surveiller les appareils et de gérer le réseau.
Cela permet aux équipes de répartition de s'assurer que tous les problèmes sont résolus en temps opportun. Il permet également de déterminer les causes de certains problèmes et de les prévenir.
Alors voilà, il est très probable que toute entreprise que vous imaginez puisse bénéficier de l'analyse des données d'une manière ou d'une autre!
(Sources: Disruptor Daily, Power Engineering International)
Types d'analyses de données
Le processus d'analyse des données peut se résumer en quatre étapes. Ils répondent aux questions suivantes:
Analyse descriptive: que s'est-il passé?
Analyse diagnostique: pourquoi est-ce arrivé?
Analyse prédictive: que pourrait-il arriver à l'avenir?
Analyse normative: comment réagir face à ces événements futurs possibles?
Ça a l'air si facile, non? Bien que les mathématiques derrière chaque réponse ne soient pas pour les timides, la logique de l'ensemble du processus est assez intuitive.
Il ne sert à rien de vous ennuyer avec les détails techniques, mais nous pouvons approfondir la définition pour chaque type de Analyse des données.
Descriptif
L'analyse descriptive est l'étape préparatoire du traitement des données. Il extrait des informations utiles des données volumineuses collectées et les prépare pour les prochaines étapes. À ce stade, les données sont organisées et les tendances, les relations et les modèles deviennent visibles.
Pour le dire plus simplement – Qu'est-il arrivé?
Tu te souviens de Bob? Prenons encore une fois son entreprise comme exemple.
«Bob’s Socks and Stockings» a connu une augmentation des ventes. Naturellement, le fidèle acolyte Steve a déjà croisé les chiffres.
Les résultats de l'analyse descriptive montrent que l'entreprise a vendu de grandes quantités de bas pour femmes. Le genre dentelle, peu pratique.
Il est temps pour Steve d'employer son programmation compétences et plonger plus profondément dans la Analyse des données.
(La source: WhatIs.com)
Diagnostique
Alors, pourquoi est-ce arrivé? Qu'est-ce qui a provoqué cette vague d'intérêt pour les bas en dentelle?
C’est là que l’analyse diagnostique entre en jeu. It prend les données erronées, ajoute d'autres entrées éventuellement pertinentes et recherche des corrélations. Les techniques qu'il utilise incluent l'exploration de données, l'exploration, les corrélations et la découverte de données.
Est-ce la hausse de la température extérieure qui a affecté les ventes? Ou la campagne marketing sur les chaussettes bébé?
Dans ce cas, Steve trouve que la raison la plus probable est la période de l'année. Après tout, c'est la semaine avant la Saint-Valentin.
(La source: Gartner)
Prédictif
C'est le temps de l'analyse prédictive! Sur la base des informations des deux étapes précédentes, certaines tendances sont devenues visibles. Cela mène à des conclusions quant à l'évolution de ces tendances.
Bien sûr, l'exactitude des conclusions dépend largement de la qualité des données. Le processus doit également être optimisé en permanence pour garantir les meilleurs résultats.
Naturellement, vous n'avez pas besoin de passer par le wiki d'analyse des données pour comprendre que les résultats ne sont pas précis à 100%. Après tout, ce n'est qu'une estimation. Mais il reste encore beaucoup à gagner!
Alors, qu'adviendra-t-il des «chaussettes et bas de Bob» à l'avenir?
Steve peut déduire qu'offrir une variété de chaussettes sur le thème des fêtes peut augmenter les ventes. Cependant, c'est à Bob d'utiliser ces informations. C’est là que l’analyse normative entre en jeu.
(La source: TechTarget)
Prescriptif
L'analyse normative utilise les données traitées des étapes précédentes pour suggérer un plan d'action. Cependant, c'est plus délicat que vous ne l'imaginez.
Pour profiter pleinement de ce type, vous devez fournir au système des données complètes – à la fois historique et externe. Il utilise ensuite des outils avancés tels que les règles et algorithmes métier et même l'apprentissage automatique. C'est donc difficile et coûteux à mettre en œuvre et à gérer.
Cependant, il a le potentiel de prendre en charge les problèmes futurs et d'utiliser les tendances. C’est pourquoi il existe plusieurs exemples des entreprises investissant dans ce type de Analyse des données et obtenir d'excellents résultats.
Par exemple, les compagnies aériennes l'utilisent pour ajuster les prix des billets et les hôpitaux – pour améliorer les soins et diminuer le nombre de patients revenant pour obtenir une aide supplémentaire.
Mais revenons aux services vraiment importants – la distribution de chaussettes.
Disons que Bob a décidé de faire des folies sur l'analyse de données et que Steve a en fait l'ensemble des compétences requises.
Il introduit les données dans le programme et trouve comment elles peuvent maximiser les ventes. Avant la Saint-Valentin, ils doivent s'approvisionner en lingerie sexy. Bien sûr, des chaussettes avec des coeurs et des bébés armés d'arcs sont toujours dans le thème des vacances. Cependant, le programme est certain que ces produits ne connaîtront pas de succès particulier.
Steve conclut également qu'il serait avantageux de consacrer plus d'espace aux bas en dentelle sur la première page de leur site Web. Pour répondre aux besoins de leurs clients, la société de Bob fournira également une livraison accélérée les derniers jours avant les vacances.
(Sources: TechTarget, Investopedia)
Pour résumer
Les entreprises peuvent choisir entre diverses approches d'analyse de données. Cela dépend des résultats dont ils ont besoin et des efforts et des ressources qu'ils sont prêts à investir.
Analyses descriptives et diagnostiques sont considérés approche réactive. Ils offrent une compréhension plus profonde de ce qui s'est déjà produit. D'autre part, prédictif et normatif analytique sont proactif. Ils permettent aux entreprises de modifier leurs procédures pour résoudre les problèmes et atteindre les objectifs.
Mais une chose est sûre. L'analyse des données est en constante évolution et donne de meilleurs résultats.
(La source: ScienceSoft)
Méthodes d'analyse des données
Maintenant que nous avons traversé quelles analyses de données’Rôle est en affaires, regardons comment cela fonctionne réellement.
Méthodes de collecte des données
Il est logique qu'avant d'analyser un certain volume de données, vous devez le mettre à disposition. Voilà pourquoi la première étape du processus est la collecte de données.
Cela peut être divisé en deux catégories – méthodes secondaires et primaires de collecte de données. Ils permettent au système de tester l'hypothèse et de trouver les résultats potentiels.
Examinons les deux.
Méthodes de collecte de données secondaires
Dans cette méthode, systèmes d'analyse utilisation données déjà organisées et publiées dans des revues, livres ou autres. Naturellement, c'est beaucoup d'informations, il est donc crucial de définir les bons critères.
Pour améliorer la validité globale de l'analyse, des facteurs tels que la fiabilité de la source, la profondeur de l'analyse et la date de publication doivent être pris en compte.
Méthodes de collecte de données primaires
Il existe deux types de méthodes de collecte de données primaires:
- Collecte de données quantitatives. Il s'agit du moyen le moins cher et le plus rapide de collecter des informations pour l'analyse des données. Il utilise des méthodes mathématiques pour traiter les données. Ceux-ci incluent la corrélation et la régression, la moyenne, le mode et d'autres termes mathématiques que vous avez fait de votre mieux pour oublier. Les questionnaires comportant des questions fermées sont typiques de ce type de collecte de données.
- Recherche qualitative. Vous aimerez mieux celui-ci – il n'y a pas de maths. Il utilise des données non quantifiables comme les mots, les couleurs, les émotions, etc. Le but est une compréhension plus approfondie du problème. Les chercheurs collectent les données par diverses méthodes telles que des entretiens, des groupes de discussion, des observations, des questionnaires avec des questions ouvertes et autres.
(La source: Méthodologie de recherche)
Méthodes d'analyse
Selon le type de données, les méthodes d'analyse seront également différentes. Voyons comment les informations seront traitées en fonction du mode de collecte.
Quantitatif
Comme nous l'avons expliqué ci-dessus, ces données peuvent être analysées à l'aide de méthodes mathématiques. Il est ou peut être transformé en nombres.
Le but est de trouver des preuves pour confirmer ou rejeter une théorie, formée avant l'expérience. Les analystes de données surveillent les variables – la fréquence à laquelle elles sont utilisées ou les différences entre elles.
Il est important de garder à l’esprit que les résultats peuvent être interprétés de plusieurs manières. C’est pourquoi il est essentiel d’utiliser la pensée critique avant de tirer des conclusions.
Une approche consiste à comparer les données à d'autres résultats dans le même domaine de recherche. De plus, parvenir à une conclusion ne représente que la moitié du travail – il est tout aussi important d'expliquer ce qui a mené aux résultats.
Bien que la pensée critique et analytique soit vitale pour le processus, il existe des logiciels conçus pour faciliter les choses. Bien qu’il n’y ait pas programmation impliqué dans cette méthode de Analyse des données, il existe des étapes à suivre pour obtenir des résultats précis:
- Préparez les données et assurez-vous qu'elles sont correctes avant de les saisir dans le programme.
- Choisissez les tableaux et diagrammes appropriés.
- Choisissez les statistiques qui décrivent le mieux les données.
- Sélectionnez les statistiques appropriées pour comparer et examiner les relations et les tendances.
Bien que cela puisse sembler simple, il est en fait très difficile de choisir les bonnes données. Le fait est que, même si vous entrez des informations erronées, les statistiques et les diagrammes seront toujours beaux.
Qualitatif
Les données qualitatives, comme mentionné précédemment, peuvent être des mots, des couleurs, etc. Il est donc beaucoup plus difficile de travailler avec. Jetons un œil à quoi le processus de qualitatif l'analyse des données est.
- Codage – c'est ainsi que nous pouvons traduire les informations brutes sur l'ordinateur. Il existe trois types de codage qui peuvent être utilisés dans l'analyse:
-
- Ouvrir – l'organisation initiale des données en groupes.
- Axial – la connexion entre les catégories de codes.
- Sélective – créer l'histoire en connectant les catégories sélectionnées.
NVivo, ATLAS.ti 6, HyperRESEARCH 2.8 et Max QDA sont des produits logiciels populaires qui pourraient vous aider.
- Découvrir des modèles et des relations – en raison de la nature des données, aucune technique universelle ne peut être appliquée. Les chercheurs doivent utiliser leurs capacités de réflexion analytique pour arriver à des résultats.Voici quelques exemples de méthodes qui pourraient être utilisées pour déchiffrer les données:
-
- Recherche de répétitions de mots et de phrases.
- Comparaison entre les données collectées et les informations provenant d'autres études et entretiens similaires.
- Recherche d'informations qui auraient dû être mentionnées, mais qui ne l'ont pas été.
- Comparaison avec les résultats d'autres domaines et discussion des similitudes et des différences.
- Sommaire – les résultats de l'analyse sont présentés de manière logique, confirmant ou infirmant l'hypothèse. Toutes les citations ou liens pertinents vers d'autres études peuvent être mentionnés dans le rapport final.
(Sources: Méthodologie de recherche, Méthodologie de recherche)
Conclusion
Après tout ce que nous avons appris sur l'analyse de données, son importance est plus évident que jamais. Même si nous pataugons encore dans les eaux peu profondes de l'océan qui sont des mégadonnées, les résultats ne peuvent être ignorés. La science des données continuer à croître et à évoluer et nous ne pouvons que deviner quelles révélations cela mènera.
Et si vous vous posez la question, la société de Bob se porte bien. En fait, elle sera bientôt connue sous le nom de «chaussettes et bas de Bob et Fils».
FAQ
Vous trouverez ci-dessous les réponses à certaines des questions les plus fréquentes. Nous vous avons simplifié la tâche, mais nous vous suggérons de lire l'article pour plus d'informations!
Quel est le rôle de l'analyse de données?
Tout d’abord, jetons un œil au définition de Analyse des données. Il s'agit du processus d'extraction et de catégorisation des données afin d'identifier les tendances ou les modèles et de tirer des conclusions afin d'optimiser les tâches ou de résoudre les problèmes.
Son rôle dans les affaires prend de plus en plus d'importance. À l'heure actuelle, il est devenu un élément essentiel de la vente au détail en ligne, du marketing, des jeux et même de la sécurité. Ce processus est également utilisé en science pour tester des modèles, des hypothèses et des théories.
Ainsi, le rôle de l'analyse de données est d'aider les entreprises de divers secteurs à prendre des décisions éclairées et à justifier le changement.
(La source: TechTarget)
À quoi peut servir l'analyse des données?
Selon le domaine d'intérêt, l'analyse des données peut être utilisée de différentes manières. Certains des plus populaires comprennent:
- Reconnaissance d'image – nous devons tout, des codes QR aux suggestions de balises automatiques dans Facebook, technologie d'analyse.
- Gaming – les développeurs consultent les données pour déterminer comment améliorer l'expérience des joueurs.
- GPS – Les estimations du temps de trajet des pizzas sont étonnamment précises grâce aux systèmes de traitement des données en temps réel sur les conditions météorologiques et de circulation.
- La publicité – l'analyse des informations des commandes et recherches précédentes aide les détaillants à vous proposer des produits pertinents.
Les utilisations de l'analyse de données peuvent être résumées dans les 5 groupes suivants:
- La description – aperçu du problème exploré.
- Comparaison – rechercher des similitudes et des différences qui pourraient aider à tirer des conclusions significatives.
- Regroupement – regroupement des résultats ou des facteurs, sur la base de similitudes pertinentes.
- Classification – attribuer une probabilité à quelque chose n'appartient qu'à l'une des classes mutuellement exclusives (oui et non aux questions).
- Prédiction – déterminer la valeur la plus probable d'une variable.
L'analyse des données pourrait également inclure l'optimisation. Dans ce cas, il peut être utilisé pour améliorer les plannings et les processus ou pour gérer les ressources.
(Sources: Imarticus, Eric Eisenstein- Quora)
Pourquoi l'analyse des données est-elle importante?
Le potentiel de l'analyse des données est incontestable. Ça peut améliorer considérablement les processus d'une entreprise, tout en réduisant les coûts et en augmentant les revenus. Réellement, Fortune 1000 les entreprises gagnent plus de 65 millions de dollars en plus du résultat net, après améliorer leur accessibilité des données uniquement dix%.
Derrière les mégadonnées, il y a un avenir pour les voitures autonomes, un traitement médical efficace et une agriculture encore meilleure. Et l'analyse de données en est la clé.
(Sources: Whizlands, TechTarget, Kenneth Cukier)
Quel est un bien cours d'analyse de données?
Avec l'essor de l'analyse de données, les entreprises cherchent à recruter des personnes qui connaissent bien Spark, Hadoop ou Hive. If these sound like a bunch of random words to you, we suggest enlisting in a course to learn more about data analytics. Some of the best out there are:
Of course, in the age of information, there are plenty more online programs you can choose from. Make sure to select the data analytics tutorial that best fits your proficiency level and start building your carrier. Good luck!
(La source: Big Data Made Simple, The Balance Careers)
Is Data Analytics a good career choice?
Considering that the average yearly salary for a data analyst is over $67,000 and that of a data scientist – more than $117,000, it’s a great career choice!
However, you’ll need a lot of skills to find work in this sector. These include proficient knowledge in the following categories:
- Mathematics and statistics
- Programming
- Apprentissage automatique
- Data visualization
- Data munging
If you’re interested in acquiring these skills, you can take a look at the previous question for information about courses.
(La source: Glassdoor, Glassdoor, Simplilearn)
Is data analytics utilisé only for big data?
Technically speaking, you can perform data analytics on any amount of data – big or small. cependant, analytics methods are typically used for big data. After all, more information equals more accurate results.
Additionally, if you sell 2 types of socks, you don’t really need to bother with analytics to determine which one is better liked by customers.
Now that we’ve cleared up exactly what data analytics is, you can see why it’s sought out by such a wide variety of businesses. So consider investing in it for your own company or start learning about it. Chances are that you’ll benefit from it!