Аналитика и расширенная аналитика
*OLAP — технология обработки данных, заключающаяся в подготовке суммарной (агрегированной) информации на основе больших массивов данных, структурированных по многомерному принципу. Реализации технологии OLAP являются компонентами программных решений класса Business Intelligence(BI).
*BPM (Business Process Management, управление бизнес-процессами) – это концепция управления организацией, представляющая деятельность предприятия как совокупность процессов. Объединяет идеи менеджмента бизнес-процессов и IT-среду для их изменения (специализированное программное обеспечение, BPM-система) с использованием BPMN-нотации.
Бизнес–аналитика — BI:BI — это использование вычислительных технологий для идентификации, обнаружения и анализа бизнес-данных, таких как выручка от продаж, продукты, затраты, доходы и т.д. Технологии BI предоставляют текущие, исторические и прогнозные представления внутренне структурированных данных для продуктов и подразделений, обеспечивая более эффективное принятие решений и стратегическую оперативную информацию с помощью таких функций, как оперативная аналитическая обработка (OLAP), отчетность, прогнозная аналитика, интеллектуальный анализ данных / текстов, сравнительный анализ и управление эффективностью бизнеса – BPM.
Описательная аналитика:как аналитик или владелец бизнеса, когда вы ищете ответ на вопрос – Что происходит в моем бизнесе? Именно здесь на смену приходит описательная аналитика. Это наиболее распространенный и широко используемый метод аналитики, который анализирует данные, поступающие в режиме реального времени, обычно с использованием эффективных инструментов визуализации, таких как информационные панели, и позволяет нам извлекать уроки из прошлого поведения и дает представление о том, как оно повлияет на будущие результаты. Но поскольку оно дает нам только представление о том, все ли хорошо в нашем бизнесе, но не объясняет первопричину этого. По этой причине предприятия, сильно ориентированные на данные, комбинируют описательную аналитику с другими типами анализа данных, чтобы найти комплексное решение.
Диагностическая аналитика:Когда вы уже знаете, что происходит в вашем бизнесе, используя описательную аналитику, и хотите знать ответ на следующий вопрос, т. е. Почему это происходит в вашем бизнесе или вообще хотите знать первопричину этого, именно здесь играет свою роль диагностическая аналитика, которая помогает аналитикам или специалистам по обработке данных углубиться в данные, чтобы найти ответ. Как правило, в бизнесе информационные панели BI помогают детализировать информацию с помощью иерархий или провести быстрое сравнение, чтобы найти причины или факторы, влияющие на бизнес.
Прогнозная аналитика:Прогнозная аналитика основана на результатах описательной и диагностической аналитики и используется для поиска ответов на вопрос о том, что, вероятно, произойдет в будущем на основе предыдущих тенденций и шаблонов? В целом, это все о прогнозировании. Прогнозная аналитика использует различные статистические алгоритмы и алгоритмы машинного обучения для предоставления рекомендаций и ответов на вопросы, связанные с тем, что может произойти в будущем, на которые BI не может ответить. Но поскольку оно носит вероятностный характер, оно просто дает оценку возможного будущего результата. Кроме того, точность не составляет 100%, потому что все зависит от качества данных, того, как вы делаете обоснованные предположения о пропущенных значениях и как выполняется оптимизация.
Предписывающая аналитика:Когда вы получаете результаты описательной, диагностической и прогностической аналитики, такие как то, что произошло, первопричина этого и что может произойти в будущем, Предписывающая модель использует эти ответы, чтобы помочь вам определить наилучший способ обхода или устранения будущих проблем. Вы можете использовать предписывающую аналитику, чтобы консультировать пользователей о возможных результатах и о том, что им следует делать для максимизации ключевых бизнес-показателей. Лучший пример – Яндекс Карты, которые помогут вам выбрать оптимальный маршрут с учетом расстояния, трафика и скорости.
Машинное обучение / Глубокое обучение (ML):Машинное обучение в широком смысле интерпретируется как наделение компьютерных систем способностью “учиться”. Цель ML — дать машинам возможность обучаться самостоятельно, используя предоставленные данные, и делать точные прогнозы. ML — это подмножество искусственного интеллекта; фактически, это просто метод реализации ИИ. Это метод обучения алгоритмов таким образом, чтобы они могли научиться принимать решения. Обучение машинному обучению предполагает передачу большого количества данных алгоритму и позволяет ему узнать больше об обработанной информации.
Глубокое обучение(DL) — это подмножество (ML): фактически, это просто метод реализации машинного обучения. Другими словами, DL — это следующая эволюция машинного обучения. Алгоритмы DL в значительной степени основаны на паттернах обработки информации, обнаруженных в человеческом мозге. Точно так же, как мы используем наш мозг для выявления закономерностей и классификации различных типов информации, алгоритмы глубокого обучения можно научить выполнять те же задачи для машин. Обычно мозг пытается расшифровать получаемую информацию. Это достигается за счет маркировки и отнесения элементов к различным категориям. Всякий раз, когда мы получаем новую информацию, мозг пытается сравнить ее с известным элементом, прежде чем осмыслить ее — это та же концепция, которую используют алгоритмы глубокого обучения.
Искусственный интеллект / Когнитивная аналитика:Когнитивная аналитика сочетает в себе ряд интеллектуальных технологий, таких как искусственный интеллект, алгоритмы машинного обучения, глубокое обучение, подобный человеческому мозгу, для выполнения определенных задач.По сути, этот тип аналитики основан на том, как человеческий мозг обрабатывает информацию, делает выводы и кодифицирует инстинкты и опыт в процессе обучения, например, понимания не только слов в тексте, но и всего контекста того, что пишется или произносится. Все эти интеллектуальные технологии со временем делают когнитивное приложение умнее и эффективнее, извлекая уроки из его взаимодействия с данными и людьми.
| Атрибуты | Бизнес-аналитика | Описательный | Диагностика | Прогнозирующий | Предписывающий | Машинное / Глубокое обучение | Искусственный интеллект / Когнитивный |
| Перспектива | Прошлое | Прошлое | Прошлое | Будущее | Будущее | Будущее | Будущее |
| Тип вопросов | Что произошло | Что произошло | Почему это произошло | Что может произойти | Что нам следует делать | Причина, по которой что-то должно произойти | Как улучшить мышление человека |
| Метод и приемы | Отчетность, мониторинг, оповещения, панель мониторинга, карты областей применения, OLAP и запросы Adhoc | Интеллектуальный анализ данных, обнаружение данных, OLAP, запросы Adhoc, панели мониторинга | Семантический анализ и тональность, интеллектуальный анализ данных, Статистика моделирования, OLAP, Дерево решений | Прогнозное моделирование, Нейронные сети, Сопоставление с образцом, Прогнозирование, Регрессионный анализ, Имитация, Оповещения | Оптимизационные модели, Эвристика, Моделирование дискретного выбора, Линейное / нелинейное программирование, Анализ значений, Анализ графиков | Обработка естественного языка, машинное и глубокое обучение, обучающие данные, оценка, маркировка, обнаружение аномалий | Когнитивные консультанты, искусственный интеллект / DL, автоматическое разрешение |
| Данные | Структурированный | Структурированный | Структурированное и неструктурированное | Структурированные, неструктурированные и полуструктурированные | Структурированные, неструктурированные и полуструктурированные | Структурированные, неструктурированные и полуструктурированные | Структурированные, неструктурированные и полуструктурированные |
| Генерация знаний | Руководство | Руководство | Руководство | Автоматическое | Автоматическое | Автоматическое | Автоматическое |
| Пользователи | Бизнес-пользователи | Бизнес-пользователи | Бизнес-пользователи | Специалист по обработке данных, Бизнес-аналитик, Бизнес-пользователи | Специалист по обработке данных, Бизнес-аналитик, Бизнес-пользователи | Специалист по обработке данных, Бизнес-аналитик, Бизнес-пользователи | Специалист по обработке данных, Бизнес-аналитик, Бизнес-пользователи |
| Бизнес-инициативы | Реактивный | Реактивный | Реактивный | Проактивная | Проактивная | Проактивная | Проактивная |
| Результаты | Таблица | Таблица | Таблица | Таблица | Таблица | Ответ | Ответ |
| Область применения | Неограниченно | Неограниченно | Неограниченно | Неограниченно | Неограниченно | Конкретный бизнес-вопрос | Конкретный бизнес-вопрос |
| Примеры платформ / Инструментов | SAP BI, Cognos BI, Microstrategy BI, SAS BI, QlikView, Tableau BI, JasperSoft BI | SAP BI, Cognos BI, Microstrategy BI, SAS BI, QlikView BI, Tableau BI, JasperSoft BI | SAP, Cognos, SAS, R Enterprise, Tableau, JasperSoft | RapidMiner, KNIME, SAP Predictive Analytics, IBM Predictive Analytics, Microsoft R, SAS Predictive Analytics | SAP HANA, IBM SPSS, RapidMiner Studio, SAS Advanced Analytics, Radius | Google ML, Amazon ML, Amazon SageMaker, Accord.NET, Azure ML | Microsoft Cognitive Toolkit, Keras, TensorFlow, Theano, Caffe |
| Язык программирования | R, Python, Java, SQL | R, Python, Java, SQL | R, Python, Java, SQL | R, Python, Java | R, Python, Java | Pyton, C / C ++, Java, R, Javascript, TensorFlow | Python, R, Prolog, JAVA, C ++ и LISP |
| Примеры использования | Отчетность, информационная панель | Измерение, мониторинг, KPI, | Трендовая аналитика, Ситуационный анализ, Первопричина, Кластерный анализ, Навигация, OLAP, Гибкая и пространственная визуализация | Прогнозирование, оценка вероятности, рекомендации по управлению рисками | Сценарное планирование, формулирование и оптимизация стратегии, Рекомендации, Системы правил, Автоматизация BPM | Преобразование речи в текст, Преобразование текста в речь, НЛП, Объяснение, Перевод, Анализ настроений | Классификация изображений / видео, Распознавание лиц, Аутентификация, Визуальное распознавание, Управление процессами, Управление жестами, Робототехника, Здравый смысл |
| Опыт | ИТ и бизнес-пользователи | Пользователи информационных технологий и бизнеса, бизнес-аналитик | Бизнес-пользователи, Бизнес-аналитик | Бизнес-пользователи, бизнес-аналитик, специалист по обработке данных | Бизнес-пользователи, бизнес-аналитик, специалист по обработке данных | Бизнес-пользователи, бизнес-аналитик, специалист по обработке данных | Бизнес-пользователи, бизнес-аналитик, специалист по обработке данных |
| Сложность интеграции | Умеренный | Умеренный | Умеренный | Высокое | Высокое | Высокое | Высокое |
| Архитектура | Пакетное | Пакетное | Пакетное | Пакетное управление / В режиме реального времени | Пакетное управление / В режиме реального времени | В режиме реального времени | В режиме реального времени |
| Ограничения | Накопление исторических данных, стоимость, сложность, ограниченное использование, трудоемкая реализация | Накопление исторических данных, стоимость, сложность, ограниченное использование, трудоемкая реализация | Накопление исторических данных, стоимость, сложность, ограниченное использование, трудоемкая реализация | Экспертиза, внедрение, расширение прав и возможностей конечных пользователей, обременительные списки проектов | Экспертиза, внедрение, расширение прав и возможностей конечных пользователей, обременительные списки проектов | Доказуемость, конфиденциальность и безопасность данных, предвзятость алгоритмов, дефицит данных | Доказуемость, конфиденциальность и безопасность данных, предвзятость алгоритмов, дефицит данных |