Fonte: ITFORUM365
A maioria dos profissionais de inteligência de negócios utilizam plataformas de BI (Business Intelligence) empresariais para criar relatórios, dashboards e visualizações para descobrir insights de dados da própria empresa. Esta é a abordagem tradicional para analytics. Advanced analytics são diferentes. Ao contrário do BI tradicional, Advanced Analytics é uma classe de técnicas analíticas utilizadas […]
A maioria dos profissionais de inteligência de negócios utilizam plataformas de BI (Business Intelligence) empresariais para criar relatórios, dashboards e visualizações para descobrir insights de dados da própria empresa. Esta é a abordagem tradicional para analytics. Advanced analytics são diferentes. Ao contrário do BI tradicional, Advanced Analytics é uma classe de técnicas analíticas utilizadas para descobrir insights não óbvios ou prever resultados futuros usando uma ampla gama de fontes de dados e algoritmos.
1)O que são Advanced Analytics?
O termo ”advanced analytics” é frequentemente utilizado como uma aproximação para ciência de dados ou mineração de dados (data mining). Advanced analytics turbina os métodos tradicionais de BI para encontrar padrões e / ou insights sobre o futuro que abordagens tradicionais podem não revelar, como a probabilidade de retenção de clientes, detecção de fraude, ou recomendações de cross-sell.
O Gartner define advanced analytics como:
“Advanced analytics é o exame de dados ou de conteúdo usando técnicas e ferramentas sofisticadas, normalmente além daqueles de inteligência de negócios tradicionais (BI) *, para descobrir insights mais profundos, fazer previsões, ou gerar recomendações. “
* Buscas (consultas), OLAP, painéis, relatórios e Alertas.
2) Por que Advanced Analytics é importante?
- Big Data: As empresas estão buscando insights mais profundos da enorme quantidade de dados estruturados, não estruturados e binários à sua disposição.
- Foco no Cliente: Advanced Analytics é o motor que as empresas necessitam para criar experiências individualizadas e em tempo real para os clientes. Devido ao volume e complexidade dos dados dos clientes, é importante que os métodos de analytics entreguem mais do que a comunicação tradicional (relatórios e buscas) e consigam compreender a intenção do cliente e comportamento no momento do engajamento.
- Velocidade do Negócio: As empresas precisam tomar decisões -sejam elas sobre marketing, vendas, operações, ou as linhas de negócios – em um ritmo acelerado.
3)Como Advanced Analytics se diferencia do BI tradicional?
Horizonte de tempo: espelho retrovisor contra o para-brisa. O BI tradicional relata e analisa ações que ocorreram no passado. As empresas podem usar Advanced Analytics para descobrir insights invisíveis em dados históricos, fornecer informações em tempo real, e construir modelos para prever características e comportamentos do cliente. A rede de varejo Target usou Advanced Analytics para descobrir que uma de suas clientes estava grávida.
Ferramentas de analytics: genérico contra especializada. Analytics tradicionais se baseiam em ferramentas de BI, geração de relatórios e visualização. Essas ferramentas tradicionais cada vez mais podem incluir alguns recursos de Advanced Analytics, mas ferramentas e serviços especializados de Advanced Analytics possibilitam uma ampla gama de medidas incluindo a descoberta de dados, a criação do modelo, implantação e produção.
Perguntas: prova contra descoberta. Analytics tradicionais podem fornecer uma visão abrangente de padrões de dados, relacionamentos e dependências. No entanto, todas as abordagens de analytics tradicionais têm uma limitação fundamental: eles são baseados em modelos de dados concebidos pelos seres humanos. Como resultado, analistas de dados precisam se tornar videntes, prevendo cada pergunta possível que os usuários da empresa nunca vão perguntar. A abordagem de Advanced Analytics não precisa necessariamente começar com uma hipótese. Eles precisam de um objetivo de negócio para formatar indutivamente a pergunta, tais como- “Qual cliente é mais propensos a responder a esta oferta”- E deixar que os modelos e algoritmos de descubram os padrões nos dados que responderão à pergunta.
Modelos de dados: homem versus algoritmos. Os Analytics tradicionais não têm a capacidade de ir além da análise com base nas regras que os seres humanos já incorporaram nos modelos de dados. Advanced Analytics usa algoritmos para analisar um conjunto de dados brutos e descobrir modelos e relacionamentos, dependências, padrões e / ou previsões com base somente em valores de dados.
4)Quais são os algoritmos dos Advanced Analytics?
Advanced Analytics requer o uso de modelos que combinam algoritmos estatísticos e / ou de machine learning. Tais algoritmos usam dados históricos para prever valores desconhecidos ou futuros de variáveis para criar modelos descritivos e preditivos. As empresas podem usar esses modelos para prever uma ampla variedade de resultados de negócios. Por exemplo, uma empresa de telecomunicações pode utilizar algoritmos de processamento de linguagem natural de (PLN) para extrair o sentimento de um cliente em uma ligação (voz transcrita para texto) e em seguida, usar um algoritmo de aprendizado para prever a rotatividade de clientes.
Regressão logística, redes neurais, árvores de decisão, analytics de redes sociais, e clustering são apenas algumas das dezenas de categorias de algoritmos que compõem Advanced Analytics. As ferramentas de Advanced Analytics tais como: Alpine Data Labs, SAS Enterprise Miner, e “open source R statistical programming language” permitem aos analistas escolher e executar a maioria dos algoritmos mais usados.
5)Eu preciso de um cientista de dados para usar Advanced Analytics?
Não presuma que você precisa contratar um cientista de dados full-time para usar Advanced Analytics. Muitos profissionais experientes de BI já possuem muitas das habilidades necessárias para realizar análises avançadas e podem preencher as lacunas técnicas com algum treinamento e ferramentas adicionais. A principal lacuna técnica entre os cientistas de dados e os profissionais de BI é, muitas vezes, entender como escolher e usar os algoritmos para encontrar o modelo preditivo/prescritivo mais adequado para casos de uso específicos.
0 comentários:
Postar um comentário