Il y avait des moments où les gens marchaient pendant 3 jours pour échanger des peaux de loups contre du fromage. Aujourd'hui, vous commandez du papier toilette aux toilettes.
Nos ancêtres passaient leurs soirées à regarder le feu. On regarde "Une chanson de glace et de feu"1Ouais, je sais qu’il s’agit en fait de "Game of Thrones", imbéciles!.
Tant de choses dans nos vies ont été affectées par la technologie. Pourtant, la plupart des gens ne pensent pas à la des quantités massives des données qu'ils génèrent chaque fois qu'ils attrapent leur téléphone.
L'importance de cette information n'est pas perdue pour les entreprises. C’est là que le domaine de la Analyse des données arrive – 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, le besoin de le gérer 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 sûres et autonomes, des médicaments efficaces et à améliorer l'agriculture.
Les analyses de données peuvent ne pas avoir le même sigle que les mégadonnées. Cependant, c’est la clé pour extraire le 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 ont besoin de déchiffrer les données collectées et de prendre des décisions éclairées.
Vous l’avez compris – c’est vraiment important. Mais comment ça marche? Nous allons plonger et explorer les secrets de l’analyse de données.
(Sources: Forbes, Six Sigma, Chron)
Qu'est-ce que Data Analytics?
Par définition, Analyse des données est la science de la découverte et de l'interprétation du sens des données, ainsi que de mettre à profit les connaissances acquises. C’est le lien entre le Big Data et la prise de décision.
Prenons par exemple l’entreprise de Bob. Il a fondé sa petite entreprise – «Bob’s Socks» et a ouvert un joli petit magasin. Cependant, il a vite remarqué à quel point les gens étaient frustrés, car il leur était difficile de trouver ce dont ils avaient besoin.
Étant débrouillard, Bob a pris son entreprise en ligne. Il a créé un magasin en ligne. Pour passer une commande, il était nécessaire de créer un profil.
Donc, Bob avait déjà trouvé un moyen de capturer les données de ses utilisateurs. Cependant, n'étant qu'humain, parcourir des centaines de profils et de commandes n'est pas une option.
C’est là que Bob aurait besoin de 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 àrépondre aux données en anglais clair. Bob sait maintenant que, par exemple, les chaussettes de dessins pour bébés sont très populaires chez les femmes âgées de moins de vingt ans.
Avec les bons outils, il peut optimiser son site web. Ce groupe verra toute une gamme de chaussettes colorées en première page, aidant ainsi Bob croissance de l'entreprise.
Tandis que le La technologie derrière analytique c'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 tout de même gagner 65 millions de dollars de revenus supplémentaires annuel.
Sachant cela, il est facile d’imaginer que des personnes comme Steve sont très recherchées. En réalité:
- IBM prévoit que d'ici 2020, le la demande de scientifiques de données augmentera de 28%.
- D’ici là, on peut également s’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)
Data Analytics vs Data Analysis
On pense souvent à tort que l’analyse et l’analyse sont des synonymes et peuvent être utilisés indifféremment. Eh bien, ce n’est pas le cas – si vous avez besoin de savoir, ce sont en fait des paronymes.
Steve le sait. En fait, son travail acharné et approfondi a aidé la société à se développer dans un autre créneau, bien que légèrement différent de ce que Bob aurait pu penser. Dans tous les cas, les stocks de «Bob’s Socks and Stockings» sont hors du commun!
Roulement de tambours * Ba Dum Tss.
Maintenant que ceci est hors du chemin – quel est la différence entre l'analyse des données et analytique?
Une analyse est utilisé pour comprendre le passé. Il aborde des questions telles que «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 l’évolution future de la situation.
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 compétents non seulement en statistiques, 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 vous savez Qu'est-ce que l'analyse de données?, concentrons-nous sur la science des données.
Science des données est un terme générique pour un groupe de champs qui traitent 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 un sens.
Le principal différence entre la science des données et l'analyse des données est la portée. Vous pouvez considérer l’analyse comme la version «plus étroite» de la science des données, dans la mesure où elle traite de problèmes spécifiques qui peuvent être résolus immédiatement. La science des données cherche des idées, mais ne se donne pas la peine d’en expliquer les raisons. En d'autres termes:
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’autostoppeur de la galaxie», il est aussi important de poser les bonnes questions 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 données volumineuses. Ils consistent en des quantités massives d'informations structurées, semi-structurées et non structurées.
En soi, les mégadonnées sont inutiles: c’est chaotique et impossible à déchiffrer par un humain.
C’est là que la science des données entre en jeu. À l’aide de divers outils, elle extrait, stocke et catégorise les mégadonnées. Il trouve des motifs dans les informations apparemment sans signification et fournit aux entreprises des informations précieuses.
Donc, si le big data est de la pâte, la science des données est le cuisinier qui prépare la pizza pour vous régaler.
(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 de vivre une expérience sur mesure, en fonction de vos intérêts en ligne. Cependant, cela signifie aussi les entreprises sauront beaucoup sur vous.
Tout d’abord, il n’est pas impossible que ces informations soient divulguées. 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 antérieurs permettront aux entreprises de prédire 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, les développeurs peuvent en théorie en tirer profit. Bien que cela ne se produise probablement pas, le la loi n'est pas claire à propos de qui est ce contenu.
Autre exemples de Analyse des données des risques comprendre espionnage gouvernemental et créer des profils détaillés des citoyens.
Quoi qu’il en soit, les progrès de l’analyse des données ne ralentissent pas, alors autant 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, il n’a pas toujours été aussi efficace qu’aujourd’hui. Les progrès technologiques nous ont permis de faire de meilleures prévisions que jamais auparavant.
À mesure que notre capacité à tirer des conclusions des données grandit, 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? Naturellement, la discipline était loin de ce que nous voyons aujourd'hui, mais ses racines sont plus anciennes que vous ne le pensez!
- 5000 av. – agriculteurs de 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 organise 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 motifs et déchiffrer les codes nazis.
- 1965 – Le Gouvernement des États-Unis construit le premier centre de données pour stocker les données 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 de jeu d'échecs développé par IBM, défait le champion du monde Garry Kasparov.
- 1998 – Laboratoires AT & T Bell a conçu un système de reconnaissance de chiffres pour détecter les codes postaux manuscrits pour le service postal américain.
- 2005 – Roger Mougalas est venu avec le terme Big Data. C'est aussi l'année où Hadoop a été créé. A ce jour, il reste l'un des plus populaires outils dans Analyse des données et la gestion des données volumineuses.
- 2009 – Le gouvernement indien a construit le la plus grande base de données biométrique au monde – il stocke les balayages 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 aujourd'hui?
Quoi exactement est l'analyse de donnéesLe rôle dans les affaires?
(Sources: doc.ic.ac.uk, DATAVERSITY, Datafloq)
Applications modernes
Maintenant que nous savons Qu'est-ce que l'analyse de données? et son origine, concentrons-nous sur son utilisation actuelle.
Marketing numérique efficace
La vente de crochets aux 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 pour des personnes qui ne sont pas du tout intéressées par vos produits est un gaspillage.
C'est pourquoi entreprises compter sur l'analyse de données cibler des groupes spécifiques. C’est loin d’être le seul avantage, cependant.
Utiliser efficacement l'information peut aussi aider les entreprises prendre des décisions cruciales – Établissez des budgets marketing, créez une campagne réussie et développez leur stratégie globale.
Gestion des ressources humaines
Bien que par définition, Analyse des données est plus orientée vers la technologie que vers les personnes, elle trouve son application dans les ressources humaines.
L'époque où les employeurs devaient compter sur l'intuition pour trouver les personnes idéales pour un emploi est révolue. Maintenant, ils peuvent décider quelles personnes engager, promouvoir ou récompenser par consulter les informations recueillies.
HR Analytics se concentre sur l'analyse des données comportementales afin de sélectionner l'employé qui ferait le mieux à un poste donné. Il devient un outil de plus en plus important dans l'industrie.
Évaluations du portefeuille
Les banques et les sociétés de crédit investissent également dans les données analytique et développer systèmes pour déterminer si elles devraient donner un prêt ou non.
En créant un portefeuille pour chaque client, ils peuvent s'assurer d'obtenir la meilleure valeur avec un risque minimal. Naturellement, le candidat idéal serait une personne riche. Cependant, 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.
Analyse 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 effectuer des recherches sur le marché.
Examiner la manière dont les clients potentiels interagissent avec votre site Web peut vous aider à comprendre ce qui manque. En réalité, l'analyse de 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 leur gestion. Il aide les entreprises à identifier les plus grandes menaces 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 parcourt les informations, en trouvant des corrélations entre les événements, afin de les prévenir.
Certaines des applications les plus populaires ont déjà été analysées. Concentrons-nous maintenant sur les industries!
(Sources: Vidya numérique, Pierre angulaire, Wikipédia)
Grandes industries et analyse de données
Soins de santé
Ce n’est un secret pour personne que le système de santé peut encore être amélioré. Des études récentes indiquent que la solution réside peut-être dans l’analyse des données!
Si les processus deviennent plus efficaces de seulement 1%, cela permettrait d'économiser plus de 63 milliards de dollars à l'échelle mondiale. C’est une quantité impressionnante, d’accord. Mais comment exactement le technologie d'analyse réaliser ce?
Si les hôpitaux utilisent toutes les informations dont ils disposent, nous pouvons nous attendre à des files d'attente plus courtes, à une meilleure gestion des ressources et à des traitements encore plus efficaces.
cependant, 56% des hôpitaux n'ont pas encore élaboré de stratégie d'utilisation des données technologie d'analyse. Bien entendu, il existe une raison pour laquelle les soins de santé prennent du retard par rapport aux autres industries à cet égard.
Le principal obstacle réside dans la nature des données. C’est difficile à convertir et c’est généralement très sensible. Les décisions sont également plus rentables (le cas échéant) si elles sont prises à temps.
Un autre problème est qu’il faut beaucoup de temps pour saisir autant d’informations sur chaque patient. Les médecins ont réagi négativement aux tentatives d’introduction de 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 de Stanford ont déjà lancé trois programmes innovants:
- Prévention de l'AKI (lésion rénale aiguë) chez les enfants. Le système identifie les enfants qui doivent prendre de grandes doses de médicaments néphrotoxiques. Les médecins peuvent ainsi les surveiller étroitement afin de prévenir les dommages aux reins. Jusqu'à présent, les taux d'exposition aux néphrotoxines ont diminué de 39%.
- Système d'administration de médicaments. Un système de codes à barres a été mis au point pour améliorer la distribution des médicaments. Les doses manquées ont été réduites de 21% et les médicaments perdus, de 66%.
- De meilleurs soins pour les patients atteints de cardiopathie congénitale. En rassemblant des informations dans les 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% du nombre de séjours à l'hôpital, soit près de 300 jours par an.
(Sources: Health IT Analytics, 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 sur cette base peut entraîner une taux de conversion et revenus plus élevés.
C’est pourquoi de plus en plus d’entreprises créent des programmes de fidélisation. De cette façon, ils peuvent collecter des informations précieuses sur leurs clients et personnaliser une expérience pour eux. Bien sûr, il y a souvent des rabais 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 de données cela gagne en importance. La plupart des voyageurs se fient aux avis pour choisir leur logement. C’est pourquoi il est important de savoir ce que les gens pensent de telle ou telle auberge ou hôtel. Les agences de voyages 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, celui-ci peut formuler diverses suggestions. Ceux-ci incluent des dates de voyage alternatives, de nouvelles destinations ou attractions et des itinéraires plus rapides ou plus pittoresques. Cela garantit non seulement des revenus plus élevés à l'entreprise, mais également 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)
Jeu
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 croissance constante. L’introduction des jeux mobiles a aidé les entreprises atteindre un public encore plus grand.
Cette croissance a provoqué un déluge de données. En les gérant, les sociétés de jeux peuvent non seulement augmenter leurs revenus publicitaires, mais aussi améliorer l'expérience de leurs utilisateurs. Maintenant, les développeurs peuvent mieux comprendre ce que gaLes mers aiment et ont besoin. Naturellement, cela attire plus de joueurs, ce qui entraîne un flux de données encore plus important et des optimisations supplémentaires, etc.
L’industrie du jeu est l’un des meilleurs exemples de ce qui peut être réalisé avec Analyse des données. Considérant qu'il y a plus den 2,3 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 dans ce secteur.
Examinons exactement quels aspects du jeu sont influencés par l’analyse de données:
- Développement – Les créateurs peuvent concevoir des jeux en fonction de ce que les utilisateurs préfèrent. Cela inclut non seulement la mécanique, mais également le concept de jeu entier.
- Insights – Les développeurs peuvent prédire les goulots d'étranglement et trouver des moyens de les gérer.
- Monétisation – les entreprises peuvent prédire 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 réalistes et fluides, ainsi que des changements de scènes en continu.
- Commercialisation – les annonces ciblées avec des messages significatifs sont la clé pour attirer les joueurs. La recherche du public approprié garantit également une activité élevée sur la plate-forme, ce qui est crucial pour les jeux MMO.
- Infrastructure – s’il ya une augmentation du nombre d’utilisateurs aux heures de pointe, les jeux sur serveur risquent d’avoir des difficultés à faire face. C’est la raison pour laquelle les entreprises utilisent l’analyse du Big Data pour découvrir les points faibles et proposer des solutions.
(Sources: Dataiku, Analytics India Magazine, Moyen)
Gestion de l'énergie
Étant donné que Analyse des données semble être lié à Internet et aux technologies modernes par définition, vous pourriez être surpris par son efficacité dans d’énormes industries telles que l’énergie.
En fait, il a a ouvert les portes à l'optimisation et à la distribution de l'énergie, ainsi que la gestion de réseau intelligent. Cela 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 d’expédition de s’assurer que tous les problèmes sont résolus rapidement. Cela aide également à déterminer les causes de certains problèmes et à les prévenir.
Alors voilà, il est très probable que toute entreprise que vous imaginez puisse tirer profit de l’analyse de données d’une manière ou d’une autre!
(Sources: Disruptor Daily, Ingénierie électrique internationale)
Types d'analyse de données
Le processus d'analyse des données peut être résumé 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 se passer dans le futur?
Analyse prescriptive: Comment devrions-nous réagir à ces événements futurs possibles?
Cela a l'air si facile, n'est-ce pas? Bien que le calcul à la base de chaque réponse ne soit pas fait pour les âmes sensibles, la logique de l'ensemble du processus est plutôt intuitive.
Il est inutile de vous ennuyer avec les détails techniques, mais nous pouvons examiner de plus près les 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 cette étape, 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.
«Bob’s Socks and Stockings» a connu une augmentation de ses ventes. Naturellement, le fidèle acolyte Steve a déjà chiffré les chiffres.
Les résultats de l'analyse descriptive montrent que la société a vendu de grandes quantités de bas pour femmes. La dentelle, genre peu pratique.
Il est temps que Steve emploie son la 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 ce regain d'intérêt pour les bas en dentelle?
C’est là que l’analyse diagnostique entre en jeu. Jet prend les données litigieuses, ajoute d’autres entrées éventuellement pertinentes et cherche des corrélations. Les techniques qu'il utilise incluent l'exploration de données, l'exploration en profondeur, les corrélations et la découverte de données.
Est-ce que la hausse des températures à l'extérieur a une incidence sur les ventes? Ou la campagne de marketing sur les chaussettes pour bébé?
Dans ce cas, Steve trouve que la raison la plus probable est la période de l'année. Après tout, c’est la semaine précédant 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 conclusions quant à l’évolution de ces tendances.
Bien entendu, la précision 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 la wiki d'analyse de données pour comprendre que les résultats ne sont pas précis à 100%. Après tout, ce n’est qu’une estimation. Cependant, il reste encore beaucoup à gagner!
Alors, qu’adviendra-t-il de «Bob’s Socks and Stockings» à l’avenir?
Steve peut en déduire qu'offrir une variété de chaussettes à thème de vacances peut augmenter les ventes. Cependant, c’est à Bob d’utiliser ces informations. C’est là que les analyses normatives entrent en jeu.
(La source: TechTarget)
Prescriptif
L'analyse prescriptive utilise les données traitées des étapes précédentes pour suggérer un plan d'action. Cependant, c'est plus compliqué que vous ne pouvez l'imaginer.
Pour tirer pleinement parti 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 des règles de gestion, des algorithmes et même un apprentissage automatique. Par conséquent, c’est 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 qui investissent 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 réduire le nombre de patients revenant chercher de l'aide supplémentaire.
Mais revenons aux services vraiment importants – la distribution de chaussettes.
Disons que Bob a décidé de se lancer dans l’analyse de données et que Steve possède les compétences requises.
Il introduit les données dans le programme et trouve comment elles peuvent maximiser les ventes. Avant la fête de Valantine, ils doivent s'approvisionner en lingerie sexy. Bien sûr, les chaussettes avec des coeurs et des bébés, armés d'arcs, sont toujours dans le thème de la fête. Cependant, le programme est certain que ces produits ne connaîtront pas un succès particulier.
Steve conclut également qu'il serait bénéfique de consacrer plus d'espace pour les bas lacy sur la page d'accueil de leur site Web. Pour répondre aux besoins de ses clients, la société Bob fournira également une expédition accélérée les derniers jours avant les vacances.
(Sources: TechTarget, Investopedia)
Pour résumer
Les entreprises peuvent choisir parmi une variété d'approches d'analyse de données. Cela dépend des résultats dont ils ont besoin, ainsi que des efforts et des ressources qu’ils sont prêts à investir.
Analyse descriptive et diagnostique sont considérés approche réactive. Ils offrent une compréhension plus profonde de ce qui est déjà arrivé. D'autre part, prédictif et prescriptif analytique sont proactif. Ils permettent aux entreprises de modifier leurs procédures pour résoudre les problèmes et atteindre leurs objectifs.
Cependant, une chose est certaine. L'analyse des données évolue constamment et donne de meilleurs résultats.
(La source: ScienceSoft)
Méthodes d'analyse des données
Maintenant que nous avons traversé quelle analyse de donnéesLe rôle est en affaires, voyons comment cela fonctionne réellement.
Méthodes de collecte de données
Il n’est que logique qu’avant de pouvoir analyser un certain volume de données, vous devez le disposer. C’est pourquoiLa première étape du processus est la collecte de données.
Cela peut être divisé en deux catégories – méthodes secondaires et principales de collecte de données. Ils permettent au système de tester des hypothèses et de proposer des résultats potentiels.
Regardons les deux.
Méthodes de collecte de données secondaires
Dans cette méthode, systèmes d'analyse utilisation données déjà organisées et publiées dans des revues, des livres ou autres. Naturellement, ces informations sont nombreuses et il est donc crucial de définir les critères appropriés.
Pour améliorer la validité globale de l'analyse, il convient de prendre en compte des facteurs tels que la fiabilité de la source, la profondeur de l'analyse et la date de publication.
Méthodes de collecte de données primaires
Il existe deux types de méthodes de collecte de données primaires:
- Collecte de données quantitatives. C'est le moyen le moins coûteux 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 corrélation et régression, moyenne, mode et autres termes mathématiques que vous avez tout fait pour oublier. Les questionnaires avec des questions fermées sont typiques pour ce type de collecte de données.
- Recherche qualitative. Vous aimerez mieux celui-ci – il n’ya pas de calcul. Il utilise des données non quantifiables telles que des mots, des couleurs, des émotions, etc. L'objectif est une compréhension plus profonde 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, etc.
(La source: Méthodologie de recherche)
Méthodes d'analyse
Selon le type de données, les méthodes d'analyse seront également différentes. Voyons comment l’information sera traitée en fonction du mode de collecte.
Quantitatif
Comme nous l'avons expliqué plus haut, ces données peuvent être analysées à l'aide de méthodes mathématiques. Il est ou peut être transformé en chiffres.
Le but est de trouver des preuves pour confirmer ou infirmer une théorie formée avant l’expérience. Les analystes de données surveillent les variables – la fréquence d'utilisation 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. En outre, parvenir à une conclusion ne représente que la moitié du travail – Il est tout aussi important d’expliquer ce qui a conduit aux résultats.
Bien que la pensée critique et analytique soit vitale pour le processus, il existe un logiciel conçu pour faciliter les choses. Bien qu'il n'y ait pas la programmation impliqué dans cette méthode de Analyse des données, il y a 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 des tableaux et des 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 saisissez des informations erronées, les statistiques et les diagrammes seront toujours aussi beaux.
Qualitatif
Les données qualitatives, comme mentionné précédemment, peuvent être des mots, des couleurs, etc. Cela complique beaucoup le travail. Voyons un peu quoi le processus de qualitatif l'analyse des données est.
- Codage – C’est ainsi que nous pouvons traduire les informations brutes sur l’ordinateur. Trois types de codage peuvent être utilisés dans l'analyse:
-
- Ouvrir – l'organisation initiale des données en groupes.
- Axial – la connexion entre les catégories de codes.
- Sélective – créer une histoire en reliant les catégories sélectionnées.
NVivo, ATLAS.ti 6, HyperRESEARCH 2.8 et Max QDA sont des 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 pensée analytique pour obtenir des résultats.Voici quelques exemples de méthodes pouvant être utilisées pour déchiffrer les données:
-
- Vous cherchez des répétitions de mots et d'expressions.
- Comparaison entre les données collectées et les informations provenant d'autres études et entretiens similaires.
- Rechercher des informations qui auraient dû être mentionnées, mais ne l’ont pas été.
- Comparaison avec les résultats d'autres domaines et discussion des similitudes et des différences.
- Résumé – les résultats de l'analyse sont présentés de manière logique, confirmant ou infirmant l'hypothèse. Toute citation pertinente ou lien vers d'autres études peut être mentionné 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 essentielle. plus évident que jamais. Même si nous pataugons encore dans les mégadonnées de l’océan, qui sont des données volumineuses, les résultats ne peuvent pas être ignorés. La science des données continuer à grandir et à évoluer et nous ne pouvons que deviner à quelles révélations cela mènera.
Et si vous vous posez la question, la société de Bob se porte bien. En fait, il portera bientôt le nom de «chaussettes et bas de Bob and Son».
FAQ
Vous trouverez ci-dessous les réponses aux questions les plus fréquentes. Nous vous avons simplifié la tâche, mais nous vous suggérons néanmoins de lire l'article pour obtenir des informations plus complètes!
Quel est le rôle de l'analyse de données?
Tout d’abord, jetons un coup d’œil sur la définition de Analyse des données. C’est le processus d’extraction et de catégorisation des données afin d’identifier les tendances ou les schémas et de tirer des conclusions afin d’optimiser les tâches ou de résoudre les problèmes.
Son rôle dans les affaires ne cesse de gagner en importance. À présent, 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.
Le rôle de Data Analytics consiste donc à aider les entreprises de divers secteurs à prendre des décisions éclairées et à justifier les changements.
(La source: TechTarget)
À quoi peut servir l'analyse de données?
Selon le domaine d’intérêt, l’analyse de données peut être utilisée de différentes manières. Certains des plus populaires incluent:
- Reconnaissance d'image – nous devons tout, des codes QR aux suggestions de balises automatiques de Facebook à technologie d'analyse.
- Jeu – Les développeurs consultent les données pour déterminer comment améliorer l'expérience des joueurs.
- GPS – les estimations de la durée de voyage des pizzas sont étonnamment précises grâce aux systèmes traitant des données en temps réel sur les conditions météorologiques et de circulation.
- La publicité – l'analyse des informations provenant de commandes et de 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 parvenir à des conclusions significatives.
- Clustering – regrouper les résultats ou les facteurs en fonction des similitudes pertinentes.
- Classification – assigner une probabilité à quelque chose n'appartient qu'à l'une des classes mutuellement exclusives (oui et non 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 calendriers et les processus ou pour gérer les ressources.
(Sources: Imarticus, Eric Eisenstein – Quora)
Pourquoi l'analyse de données est-elle importante?
Le potentiel de l'analyse de données est indiscutable. Ça peut améliorer de façon spectaculaire 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 outre, en résultat net, après améliorer leur accessibilité des données par seulement dix%.
Derrière le Big Data, il y a un avenir de voitures autonomes, de traitements médicaux efficaces et d'une agriculture encore meilleure. Et l'analyse des données en est la clé.
(Sources: Whizlands, TechTarget, Kenneth Cukier)
Quel est un bien cours d'analyse de données?
Avec la montée de l'analyse de données, les entreprises cherchent à recruter des personnes qui connaissent bien Spark, Hadoop ou Hive. Si cela vous semble un tas de mots aléatoires, nous vous suggérons de vous inscrire à un cours pour en apprendre davantage sur l'analyse de données. Certains des meilleurs là-bas sont:
Bien sûr, à l'ère de l'information, il existe de nombreux autres programmes en ligne parmi lesquels vous pouvez choisir. Assurez-vous de sélectionner le tutoriel d'analyse de données qui correspond le mieux à votre niveau de compétence et commencez à construire votre transporteur. Bonne chance!
(La source: Big Data Made Simple, L'équilibre des carrières)
Data Analytics est-il une bonne carrière? choix?
Considérant que le salaire annuel moyen pour un analyste de données est plus de 67 000 $ et celui d'un Data Scientist – plus de 117 000 $, c’est un excellent choix de carrière!
Cependant, vous aurez besoin de beaucoup de compétences pour trouver du travail dans ce secteur. These include proficient knowledge in the following categories:
- Mathematics and statistics
- Programming
- Machine learning
- 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.
(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!