La implementación de análisis de datos y reúnes para convertir los datos brutos en información procesable
Convertir sus datos en bruto en información procesable es el primer paso en la progresión de los datos que ha recogido a algo que en realidad le beneficia. científicos de datos centrados en el negocio utilizan análisis de datos para generar puntos de vista de los datos en bruto.
La identificación de los tipos de análisis
Enumeran a continuación, en orden creciente de complejidad, son los cuatro tipos de análisis de datos lo más probable encuentro:
análisis descriptivos: Este tipo de análisis responde a la pregunta, “¿Qué pasó?” Análisis descriptivos se basan en datos históricos y actuales. Un analista de negocios o una bases de datos científicos de hoy en día la inteligencia de negocio centrada en el negocio en análisis descriptivos.
análisis de diagnóstico: Se utiliza este tipo de análisis para encontrar las respuestas a la pregunta: “¿por qué sucedió esto en particular algo?” O “¿qué salió mal?” Análisis de diagnóstico son útiles para deducir e inferir el éxito o el fracaso de los sub-componentes de cualquier impulsado por los datos iniciativa.
El análisis predictivo: Aunque este tipo de análisis se basa en datos históricos y actuales, análisis predictivo van un paso más allá de análisis descriptivos. El análisis predictivo implicar compleja construcción de modelos y análisis con el fin de predecir un evento o tendencia futura. En un contexto de negocios, estos análisis se llevaron a cabo por el científico de datos centrada en el negocio.
análisis preceptivos: Este tipo de análisis tiene como objetivo optimizar los procesos, estructuras y sistemas a través de la acción informada que se basa en el análisis predictivo - esencialmente le dice lo que debe hacer sobre la base de una estimación informada de lo que sucederá. Ambos analistas de negocios y científicos de datos centrados en el negocio pueden generar análisis preceptivos, pero sus métodos y fuentes de datos diferentes.
Idealmente, una empresa debe participar en los cuatro tipos de análisis de datos, pero la analítica prescriptivos es el medio más directo y eficaz por lo que para generar valor a partir de puntos de vista de datos.
La identificación de los desafíos comunes en análisis
Analítica plantean habitualmente al menos dos desafíos diferentes en la empresa. En primer lugar, las organizaciones a menudo tienen un tiempo muy difícil encontrar nuevos empleados con un conjunto específico de habilidades que incluyen análisis. En segundo lugar, aunque los analistas expertos a menudo tienen dificultades para comunicarse ideas complejas de una manera que sea comprensible para los tomadores de decisiones de gestión.
Para superar estos desafíos, la organización debe crear y alimentar una cultura que valora y acepta productos de análisis. La empresa debe trabajar para educar a todos los niveles de la organización, por lo que la gestión tiene un concepto básico de la analítica y el éxito que se puede lograr mediante la implementación de ellos.
Por el contrario, los científicos de datos centrados en el negocio deben tener un conocimiento muy sólido de trabajo acerca de los negocios en general y, en particular, una comprensión sólida de la empresa en cuestión. Un conocimiento del negocio fuerte es uno de los tres requisitos principales de cualquier científico de datos centrada en el negocio - los otros dos son una fuerte visión de codificación y fuertes habilidades de análisis cuantitativo a través de las matemáticas y modelos estadísticos.
Video: Transformación de datos
Discusiones datos en bruto a información procesable
disputas de datos es otra parte importante del trabajo que se requiere para convertir los datos de puntos de vista. Para construir la analítica de datos en bruto, es casi siempre hay que usar disputas de datos - los procesos y procedimientos que se utilizan para limpiar y convertir datos de un formato y estructura a otra de manera que los datos sean exactos y en las herramientas de análisis de formato y scripts requieren para el consumo.
Video: analisis de datos 4
La siguiente lista destaca algunas de las prácticas y las cuestiones más relevantes a disputas de datos:
Extracción de datos: El científico de datos centrada en el negocio debe identificar primero qué conjuntos de datos son relevantes para el problema en cuestión, y luego extraer cantidades suficientes de los datos que se requiere para resolver el problema. (Este proceso de extracción se conoce comúnmente como la minería de datos.)
munging datos: munging datos implica la limpieza de los datos en bruto extraídos a través de la minería de datos, a continuación, convirtiéndola en un formato que permite un consumo más conveniente de los datos. (Mung comenzó la vida como un proceso destructivo, donde desea convertir algo reconocible en algo que era irreconocible, por lo tanto la frase Mash Hasta no bueno, o MUNG).
Dato de governancia: normas de gobierno de datos son los estándares que se utilizan como medida de control de calidad para asegurar que las fuentes de datos manuales y automatizados se ajustan a los estándares de datos del modelo en cuestión. normas de gobierno de datos deben ser aplicadas de manera que los datos están en la granularidad correcta cuando se almacena y se preparó para su uso.
granularidad es una medida del nivel de detalle de un conjunto de datos. granularidad de datos se determina por el tamaño relativo de los sub-grupos en que se divide los datos.
Arquitectura de datos: arquitectura de TI es clave. Si los datos se aisló en depósitos separados, fijos - aquellos infames silos de datos todos se quejan - entonces es la disposición de un par de personas dentro de una determinada línea de negocio. estructuras de datos en silos resultan en escenarios donde la mayoría de los datos de una organización simplemente no está disponible para su uso por la organización en general. (Ni que decir tiene, las estructuras de datos en silos son increíblemente derrochador e ineficiente.)
Si su objetivo es obtener el mayor valor y la información de los datos de negocio de su organización, entonces usted debe asegurarse de que los datos se almacenan en un almacén de datos central y no en silos separados.