Dünyadaki en başarılı işletmelerden bazıları, sürekli olarak öğrenmeyi ve adapte olmayı alışkanlık haline getiren işletmelerdir. Operasyon alanından bağımsız olarak, geçmişte ne olduğunu, şimdi ne olduğunu ve gelecekte ne olabileceğini her zaman anlamak ve analiz etmek çok önemlidir. Ancak asıl soru şu ki, işletmeler bu konuda nasıl bir yol izliyor? Cevap, farklı veri analitiği türlerini anlamakla başlar ve biter.
Ancak son zamanlarda, alıştığımız geleneksel analitik türlerinin ötesine geçen bir değişim oldu. Zaman, veri/iş analitiği dahil olmak üzere birçok süreçle birlikte değişiyor. Ve bilimden bildiğimiz gibi, plan her zaman bilinenden bilinmeyene doğru hareket etmektir. Ama bu yazının sonunda açıklayacağım bir şey.
Bu arada, temel bilgilerle başlayalım…
Genel Bakış
Çoğu işletme düzenli olarak veri toplar, ancak bu veriler ham haliyle anlamsızdır. Önemli olan bilgiyle ne yaptığınızdır. Veri analitiği, belirli bir iş alanı hakkında değerli bilgiler sağlayabilecek kalıpları, eğilimleri ve içgörüleri ortaya çıkarmak için ham verileri analiz etme sürecidir. Bu veriye dayalı bilgiler daha sonra akıllıca kararlar vermek için kullanılır.
Bununla birlikte, verilerinizden elde edebileceğiniz içgörü türleri, harekete geçirdiğiniz analitik türüne göre belirlenir. Ve doğrulama adına, dört tür analitik vardır; tanımlayıcı, tanısal, öngörücü ve kuralcı.
Bu nedenle, farklı analitik türlerinin nasıl çalıştığını ve neden analizlerde çok yararlı bir araç olduklarını anlamaya hazırsanız, iş büyümesi, o zaman biraz daha cihazınıza bağlı kalmanızı rica ediyorum.
Bu arada, belirli bir analiz türü arıyorsanız, uygun bölüme gitmek için yukarıdaki tıklanabilir menüyü kullanın.
Ayrıca Oku: 7 için 2021 iş büyümesi tüyosu [kılavuzlu]
Farklı Analitik Türleri Nelerdir?
Aşağıdakiler, veri ve iş analitiği sürecini de kapsayan farklı analitik türleridir.
#1. Tanımlayıcı analitik (Ne Oldu?)
Tanımlayıcı analitiğin amacı, adından da anlaşılacağı gibi, geçmişte olanları basitçe rapor etmektir. Bir şeyin neden olduğunu açıklamaya veya sebep-sonuç bağlantıları kurmaya çalışmaz. Ana amaç, sindirilebilir bir anlık görüntü sunmaktır.
Google Analytics açıklayıcı analitiklerin eylem halinde olmasının harika bir örneğidir. Size web sitenizde neler olup bittiğinin hızlı bir özetini verir. Örneğin, belirli bir zaman diliminde kaç ziyaretçiniz olduğu veya nereden geldikleri. Benzer şekilde, HubSpot gibi sistemler, belirli bir e-postayı kaç kişinin açtığını veya bir kampanyaya katıldığını size gösterecektir.
Ancak, betimleyici analitikte devreye giren iki temel teknik vardır; veri toplama ve veri madenciliği. Verileri bir özet biçiminde toplama ve sunma süreci, veri toplama olarak bilinir.
(Bir e-ticaret şirketinin müşterileri ve web sitesini ziyaret edenler hakkında çeşitli bilgiler topladığını varsayalım. Özet veriler olarak da bilinen toplu veriler, daha büyük veri kümesine geniş bir genel bakış sağlayacaktır. Bu, ortalama müşteri yaşını veya yapılan ortalama satın alma sayısı).
Öte yandan, sonuçları tahmin etmek için büyük veri kümeleri içindeki kalıpları, korelasyonları ve anormallikleri bulma süreci veri madenciliği olarak bilinir. Basitçe söylemek gerekirse, bu, analistin herhangi bir kalıp veya eğilim olup olmadığını görmek için verilere baktığı zamandır. Çubuk grafik veya pasta grafik gibi verilerin görsel bir tasviri, tanımlayıcı analizin sonucudur.
Sonuç olarak, tanımlayıcı analitik, çok büyük miktarda veriyi, meydana gelenlerin açık ve temel bir özetine yoğunlaştırır. Daha sonra göreceğimiz gibi, bu genellikle daha derinlemesine analiz için başlangıç noktasıdır.
#2. Teşhis Analizi (Neden oldu?)
Bu, daha derine inerek bir şeyin neden olduğunu anlamaya çalışan analitik türüdür. Teşhis analitiğinin birincil amacı, verilerinizdeki anormallikleri bulmak ve bunlara yanıt vermektir. Örneğin, açıklayıcı analiziniz Mart ayı için satışlarda %20'lik bir düşüş olduğunu ortaya koyuyorsa, nedenini bulmak isteyeceksiniz. Teşhis muayenesi temel olarak bu konuda size yardımcı olur.
Teşhis Analitiği Uygulamaları
Analist, bu tür analitiği kullanarak, satışların neden düştüğüne dair daha fazla bilgi sağlayabilecek yeni veri kaynakları arar. Daha ileri gidebilirler ve yüksek miktarda web sitesi ziyaretçisi ve çok sayıda "sepete ekle" işlemine rağmen, ziyaretçilerin yalnızca küçük bir yüzdesinin gerçekten bir satın alma işlemi gerçekleştirdiğini keşfedebilirler. Daha fazla araştırma, müşterilerin çoğunun teslimat adresini girerken bıraktığını ortaya çıkarabilir.
Bu, analiste sorunun ne olduğuna dair bir ipucu verir… Sorun adres formunda olabilir; muhtemelen mobil cihazlarda yanlış yükleniyor veya çok uzun ve uygunsuzdu. Biraz daha derine inerseniz, veri anomaliniz için bir cevap bulmaya yaklaşıyorsunuz.
Ancak, tanılama analitiği yalnızca sorunları teşhis etmek için değildir; ayrıca olumlu sonuçlara neyin sebep olduğunu bulmak için de kullanılabilir.
#3. Tahmine Dayalı Analitik (Gelecekte ne olacak?)
Tahmine dayalı analitik, gelecekte ne olacağını öngörmeyi amaçlar. Ancak bu, işletmelerde gelecekteki bir olay veya sonucun olasılığını tahmin etmeye yardımcı olacak geçmiş kalıplar ve eğilimler temelinde uygulanabilir.
Tahmine dayalı modeller, kelimenin tam anlamıyla, bir değişkenler koleksiyonu arasındaki ilişkiye dayalı tahminler oluşturur. Örneğin, satışların ne zaman düşeceğini tahmin etmek için mevsimsellik ve satış rakamları arasındaki korelasyonu kullanabilirsiniz. Dolayısıyla, tahmine dayalı modeliniz satışların yaz aylarında düşeceğini öngörüyorsa, bu bilgiyi yaz temalı bir promosyon kampanyası oluşturmak için kullanabilir veya mevsimsel düşüşü telafi etmek için başka yerlerdeki harcamaları azaltabilirsiniz.
Öte yandan, bir restoran işletebilir ve normal bir Cumartesi gecesi kaç paket sipariş alacağınızı bilmek isteyebilirsiniz. Bu tür analizlerden elde edilen sonuçlar, fazladan bir teslimat sürücüsü kiralamaya karar vermenize yardımcı olabilir.
Ayrıca, tahmine dayalı analitik, makine öğrenimi adı verilen bir bileşen içerir. Temel olarak, makine öğrenimi modelleri, verilerdeki kalıpları keşfetmek için tasarlanmıştır ve doğru tahminler üretmek için otomatik olarak gelişir. Bu, modeller tasarlamak ve gelecekteki sonuçları tahmin etmek için tahmine dayalı analitik kullanan insanlara benzer. Ancak, anlayabileceğiniz gibi, insan odaklı analitik ile otomatik arasında tonlarca fark var.
Bu nedenle, genel olarak, tahmine dayalı analitik, çok çeşitli gelecekteki sonuçları tahmin etmek için kullanılır ve hiçbir zaman %100 doğru olmasa da, tahminlerin çoğunu ortadan kaldırır. Bu, iş kararları vermek ve en iyi hareket tarzını belirlemek söz konusu olduğunda hemen hemen en önemli parçadır.
#4. Standart Analitik (En iyi eylem çizgisi nedir?)
En iyi eylem çizgisini belirlemeye yardımcı olmak için, kuralcı analitik geçmişte ne olduğunu, neden olduğunu ve gelecekte ne olabileceğini inceler. Başka bir deyişle, kuralcı analitik, tanımlayıcı, tanılayıcı ve tahmine dayalı analitikten en iyi şekilde nasıl yararlanılacağını açıklar.
Ancak, gerçekleştirilmesi en zor analiz türüdür. Bunun nedeni, makine öğrenimi algoritmaları, istatistiksel yaklaşımlar ve hesaplamalı modelleme prosedürleri dahil olmak üzere bir çok şeyi içermesidir.
Temel olarak, kuralcı bir model, bir şirketin alabileceği tüm farklı seçim kalıplarını veya yollarını ve bunların olası etkilerini değerlendirir. Bu, her bir karar grubunun geleceği nasıl etkileyebileceğini görselleştirmenize ve belirli bir kararın etkisini ölçmenize olanak tanır. Devam edersek, organizasyon akla gelebilecek tüm senaryolara ve sonuçlara dayanarak izlenecek en uygun yolları belirleyebilecektir.
Haritalar ve trafik uygulamaları, eylem halindeki kuralcı analitiklerin yaygın örnekleridir. Google Haritalar, sizi A noktasından B noktasına götürmek için en uygun rotayı hesaplarken mevcut tüm ulaşım biçimlerini (örneğin otobüs, yürüyüş veya araba kullanma), mevcut trafik koşullarını ve olası yol çalışmalarını inceler.
Kuralcı modeller, bir şirketin hedeflerine ulaşmak için izleyebileceği tüm farklı “yolları” hesaplamak için benzer şekilde kullanılır; Görünümdeki en iyi seçenekle. Ve en iyi başarı şansı için hangi eylemlerin gerçekleştirileceğini bilmek, herhangi bir şirket için büyük bir avantajdır. Bu nedenle, kuralcı analitiklerin iş dünyasında bu kadar büyük bir rol oynaması şaşırtıcı değil.
Bilişsel Analiz
Bilişsel analitik, mevcut verilerden ve kalıplardan çıkarımlar yaparak, mevcut bilgi tabanlarına dayalı sonuçlar çıkararak ve daha sonra bilgiyi gelecekteki çıkarımlar için bilgi tabanına yeniden ekleyerek insan beynini taklit etmeye çalışan bir analitik dalıdır. öğrenme geribildirim döngüsü.
Semantik, yapay zeka algoritmaları, derin öğrenme ve makine öğrenimi, Bilişsel Analitiği oluşturan akıllı teknolojilerden sadece birkaçıdır. Bilişsel bir uygulama, verilerle ve insanlarla olan etkileşimlerinden öğrenebilir ve bu stratejileri kullanarak zaman içinde daha akıllı ve başarılı olabilir.
Bu nedenle, basit bir ifadeyle, işletmelerin dört tür analitikten elde edilen verilere dayanarak manuel olarak kararlar almasına gerek yoktur. Bilişsel analitik bunu otomatik olarak halleder.
5 Analitik Türü Nedir?
Popüler yanlış anlayışın aksine, 5 tür değil, yalnızca dört tür analitik vardır. Bunlar Tanımlayıcı'yı içerir. Öngörücü, Kuralcı, Teşhis Analitiği.
4 Analitik Türü Nedir?
4 tür analiz Tanımlayıcıdır. Öngörücü, Kuralcı, Teşhis Analitiği
4 Tür İş Analitiği Nedir?
4 tür iş analitiği, Tanımlayıcı'yı içerir. Öngörücü, Kuralcı, Teşhis Analitiği
Analizin 3 Sütunu Nedir?
Gelişmiş veri analitiği üç sütun üzerine kuruludur: hız, çeviklik ve performans; bunların tümü, tam potansiyelini gerçekleştirmek için gereklidir. Bu sütunlar, analitik stratejisini güçlendirmeye ve işinizi çeşitli şekillerde geliştirmeye yardımcı olur.
Temel Analitik Nedir?
Veri analitiği dört türe ayrılır: tanımlayıcı, tanılayıcı, tahmine dayalı ve kuralcı. Bu dört tür veri analitiği birleştirildiğinde, bir kuruluşun veriye dayalı kararlar almasına yardımcı olabilir.
Önemli Noktalar
Bazı açılardan, veri analitiği bir hazine avına benzer. Geçmişten gelen ipuçlarına ve içgörülere dayanarak bir sonraki hareketinizin ne olması gerektiğini anlayabilirsiniz. Her tür işletme ve kuruluş, verilerini daha iyi kararlar almak, akıllıca yatırım yapmak, dahili prosedürleri geliştirmek ve nihayetinde doğru analiz türüyle başarı şanslarını artırmak için kullanabilir.
