Analyse
Wat is het en waarom is het belangrijk
Analytics gebruikt data en wiskunde om bedrijfsvragen te beantwoorden, verbanden te ontdekken, onbekende uitkomsten te voorspellen en beslissingen te automatiseren. Dit gevarieerde gebied van de computerwetenschap wordt gebruikt om betekenisvolle patronen te vinden in gegevens en nieuwe kennis te ontdekken op basis van toegepaste wiskunde, statistieken, voorspellende modellen en technieken voor machine learning.
Geschiedenis van analytics
In het verleden werden analytics beperkt door de snelheid van dataopslag en -verwerking. Vandaag de dag zijn deze beperkingen niet meer van toepassing, wat de deur opent naar complexere algoritmen voor machine learning en deep learning die grote hoeveelheden data in meerdere stappen kunnen verwerken.
Als gevolg hiervan zijn de standaard beschrijvende, prescriptieve en voorspellende mogelijkheden van analytics uitgebreid met leren en automatisering, waarmee het tijdperk van kunstmatige intelligentie is aangebroken.
Dit houdt in dat we niet meer alleen maar vragen wat er is gebeurd en wat er zou moeten gebeuren, maar dat we onze machines vragen om te automatiseren en zelf te leren van data – en ons zelfs te adviseren welke vragen we moeten stellen.
Tegenwoordig zien de meeste organisaties analytics als een strategisch bedrijfsinstrument, waarbij het een centrale rol speelt in diverse functionele rollen en vaardigheden.
Een groeiend gebied van analytics aangedreven door machine learning is natuurlijke taalverwerking (NLP). Computers gebruiken NLP om spraak en tekst te interpreteren. Chatbots gebruiken NLP om klantenservicevragen te kunnen beantwoorden of om beleggingsadvies te geven in online chatvensters. Ze kunnen ook gescripte suggesties bieden aan callcentermedewerkers.
Machine learning en kunstmatige intelligentie hebben ons praktische innovaties gebracht, zoals zelfrijdende auto's en aanbevelingssystemen, die ons helpen bij het vinden van de volgende tv-serie die aansluit bij onze smaak.
Natuurlijk bepalen analytics meer dan alleen onze vrije tijd. Met snellere en krachtigere computers zijn er talloze mogelijkheden voor het gebruik van analytics en kunstmatige intelligentie. Of het nu gaat om het vastleggen van kredietrisico, het ontwikkelen van nieuwe medicijnen, het vinden van efficiëntere methoden om producten en diensten te leveren, het voorkomen van fraude, het opsporen van cyberbedreigingen of het behouden van de meest waardevolle klanten, analytics kunnen je helpen te begrijpen wat het succes van jouw bedrijf bepaalt en hoe dit van belang is voor de wereld eromheen.
Analytics in de wereld van vandaag
Breng jouw analytische projecten in de praktijk met deze bronnen. Ontdek wat je nodig hebt om je projecten te plannen, het vertrouwen in je data te herstellen en een analysestrategie te ontwikkelen.
10 vragen om jouw analytische projecten te starten
Hoeveel kost het? Welke problemen probeer je op te lossen? Waar zitten de obstakels? Dit zijn drie van de belangrijkste vragen die je moet stellen om je analyseproject goed te structureren.
Waarom vertrouwen belangrijk is bij analytics
Meer waarde halen uit analytics en opkomende technologieën zoals AI begint met het opbouwen van vertrouwen. Hoe bouwen analytics-leiders vertrouwen op in data en analytics? MIT Sloan ondervroeg 2.400 leidinggevenden om dit te achterhalen.
Een analysestrategie opbouwen
Wat staat er op de agenda voor de Chief Data & Analytics Officers? Een analysestrategie bepalen. De betrouwbaarheid van informatie waarborgen. Garanderen dat er beslissingen worden genomen op basis van data. En nog veel meer. Download dit e-book om jouw analysestrategie te helpen opzetten.
Analytics 101
Als je nieuwsgierig bent naar hoe jouw kleine tot middelgrote bedrijf zou kunnen profiteren van analytics, maar niet zeker weet waar je kunt beginnen, dan is dit het perfecte webinar voor jou. Deze inleiding legt uit hoe bedrijven van elke grootte aan de slag kunnen met analytics.
Het democratiseren van analytics
De druk van de digitale wereld raakt ons allemaal, en de overbelasting aan informatie is niet langer uitsluitend een probleem voor de "cijferaars" binnen een organisatie. Kun je iemand binnen een bedrijf bedenken die geen waarde hecht aan snelheid, wendbaarheid, flexibiliteit en innovatie? Dit maakt analytics een prioriteit voor bijna iedereen, niet alleen voor statistici en datawetenschappers.
Daarom zoeken bedrijven naar manieren om analytics toegankelijker te maken voor een breder publiek. Dit doen ze door eenvoudig te begrijpen inzichten beschikbaar te stellen aan meer medewerkers, inzichten rechtstreeks te integreren in frontline-applicaties of door relevante beslissingen te automatiseren.
Technologieën met point-and-click functionaliteiten voor het dynamisch en automatisch creëren van modellen, maken analyses toegankelijker voor een breder publiek. Zelfs ingewikkelde vragen kunnen worden opgelost door een geschikte informatiebron te kiezen en het doel duidelijk te formuleren. Ondertussen wordt op de achtergrond een geavanceerd model ontwikkeld, waarbij natuurlijke taal de werking en uitkomsten van het model verduidelijkt.
Bedrijven die vooroplopen op het gebied van analytics, profiteren van een significant concurrentievoordeel, een hoger rendement en in sommige gevallen betere kansen op langdurig succes.
De juiste keuze in alle opzichten
Ontdek hoe Levi Strauss & Co. samenwerkt met SAS® om een cultuur te creëren die wordt gedreven door data en gefocust is op doordachte beslissingen, waardoor het bedrijf zich volledig kan richten op de mensen die hun kleding waarderen.
De populaire retailer maakt gebruik van analytics om plannen te optimaliseren en mogelijkheden te voorspellen door middel van merchandise planning, allocatie en voorraadbeheer.
Hoe werken analytics?
Elk bedrijf kan voordeel halen uit analytics. Elk proces is een analytisch proces en kan altijd verbeterd worden. En op de een of andere manier kan elke werknemer een analytische gebruiker zijn. Wat je ook van plan bent te realiseren met analytics, de eerste voorwaarde voor elk analytics-project is data. Als je eenmaal data hebt, moet je die data analyseren. En vervolgens moet je de resultaten van je analyse gebruiken om beslissingen te nemen. Hoe sneller bedrijven de analytische levenscyclus doorlopen, hoe sneller ze concrete waarde kunnen halen uit hun investeringen in analytics.
Bij SAS zien we deze drie categorieën – data, ontdekking en implementatie – als iteratieve stappen in de levenscyclus van analytics. Ongeacht de grootte of omvang van je project, moeten alle drie de stappen worden doorlopen. Laten we elke stap nader bekijken.
Klik op de infographic voor meer informatie.
Data
Data is tegenwoordig snel, omvangrijk en ingewikkeld. Analytics-oplossingen moeten data van elk type kunnen analyseren, inclusief traditionele gestructureerde data en nieuwe formats, zoals streaming sensordata, afbeeldingen en video.
Om toegang te krijgen tot die data, ze voor te bereiden, op te schonen en te beheren, heb je ook een strategie voor gegevensbeheer nodig.
Hoe kun je data verzamelen, opschonen en opslaan? Datavoorbereiding kost naar schatting tot 80% van de tijd die aan een analyseproject wordt besteed. Kan die tijd niet beter worden besteed aan het bouwen van modellen?
Een intelligent analytics-platform vereenvoudigt de gegevensvoorbereiding met native toegangstechnologieën en geïntegreerde tools voor datakwaliteit en -voorbereiding. Dankzij AI worden tijdrovende taken geautomatiseerd, wat processen efficiënter maakt.
Tot slot waarborgt data governance de betrouwbaarheid van je gegevens, doordat je inzicht hebt in de herkomst en inhoud, en de kwaliteit van de gegevens kunt controleren. Data governance maakt het ook gemakkelijk om gegevens te beschermen wanneer dat nodig is.
Ontdekken
Ontdekken draait om verkennen, visualiseren en modellen bouwen. Het geschikte algoritme vinden is vaak een proces van vallen en opstaan. Maar wanneer het eenvoudig is om die tests te documenteren, op te slaan en te controleren, verloopt het proces optimaal.
Het kiezen van het juiste algoritme hangt af van verschillende criteria, zoals datagrootte, bedrijfsvereisten, trainingstijd, parameters, datapunten en nog veel meer. Zelfs de meest ervaren datawetenschappers kunnen je niet vertellen welk algoritme het beste zal functioneren voordat ze met verschillende benaderingen hebben geëxperimenteerd.
In de ontdekkingsfase is het zelfs gangbaar om verscheidene modellen te testen die geschreven zijn in een andere programmeertaal met verschillende gegevenskenmerken.
Zo startte onlangs een analytics-project waarin objectdetectie werd ingezet om tumoren op medische leverscans te identificeren. Het project omvatte een onderzoek naar verschillende neurale netwerken gevolgd door enkele weken waarin de resultaten van diverse modellen werden vergeleken en gedocumenteerd.
Dit samenwerkingsproces werkt het meest effectief wanneer datawetenschappers met uiteenlopende vaardigheden in hun voorkeursprogrammeertaal kunnen coderen, terwijl niet-programmeurs een visuele point-and-click-interface kunnen gebruiken om de resultaten van diverse analysemethoden te verkennen.
Implementatie
Als je wilt dat je analytics-inspanningen hun vruchten afwerpen, moet je de resultaten van je bevindingen actief toepassen en benutten. Machine learning en andere modellen zijn er niet om ongebruikt te blijven – ze moeten worden ingezet om bedrijfswaarde te genereren. Toch is de implementatiefase hetgeen waar veel organisaties de meeste moeite mee hebben.
Of je nu één model bouwt of duizenden, de stap van het selecteren van modellen naar het inzetten van modellen vergt modelbeheer. Modelbeheer verschaft versiebeheer en helpt je bij het registreren, valideren en centraal beheren van je modellen. Het helpt je bij het ontwikkelen van procedures en regels voor het uitrollen en monitoren van modellen. Bovendien krijg je transparantie over het gebruik van data en modellen.
Je moet ernaar streven om modellen één keer te bouwen en ze vervolgens overal in te zetten – in dashboards van directieleden, rechtstreeks in operationele systemen of ingebouwd in andere apps via API's.
Het analytics-ecosysteem
Analytics is sterk in opkomst. Honderden bedrijven in het ecosysteem van analytics bieden technologie en diensten om organisaties te helpen met het opslaan, openen, analyseren en presenteren van data. Deze variëren van databeheer en visualisatie tot geavanceerde analyses en kant-en-klare analyseoplossingen, waaronder allerlei open source analyseopties.
SAS heeft een unieke positie om te integreren met elke speler in het ecosysteem. Het SAS-platform werkt op hardware van elke leverancier, neemt alle soorten data op, vergelijkt modellen uit verschillende talen en biedt een consistente governance voor de data-, ontdekkings- en implementatiefase van het analytics-ecosysteem. Sla je data op in AWS of Hadoop? Haal je gegevens van Twitter of Google Analytics? Analyseer je gegevens in Python en SAS? Draai je programma's op Intel- of NVIDIA-chips? Implementeer je resultaten op desktops of IoT-apparaten?
Het SAS-platform kan het allemaal aan, plus alle andere legacy-oplossingen die je al hebt geïmplementeerd. Het resultaat? Iedereen, van datawetenschappers tot IT-medewerkers en besluitvormers, kan in harmonie werken vanuit hetzelfde analysesysteem. Bovendien kun je profiteren van modelbeheer, modelbewaking, modeltransparantie, data lineage en integratie tussen analytics-projecten en -tools.
Door alle onderdelen van het analytics-ecosysteem op elkaar af te stemmen, versnelt een analytics-platform de levenscyclus van analytics, waardoor je sneller van data naar concrete resultaten kunt gaan. Dit verhoogt uiteindelijk het rendement van al je investeringen in analytics – op het gebied van data, technologie en mensen – en bereidt je voor op succes.
AI-oplossingen
Analytics ontwikkelt zich tot kunstmatige intelligentie wanneer leren wordt geïntegreerd in de modellen, en de leermogelijkheden worden geautomatiseerd. SAS analytics heeft al een sterke fundering in AI met oplossingen voor geavanceerde analytics, machine learning, deep learning, natuurlijke taalverwerking en computer vision. Leer hoe je bedrijfsleiders en datawetenschappers kunt voorbereiden op de toekomst van AI, met de technologie, vaardigheden en ondersteuning die je nodig hebt om je organisatie te transformeren voor een toekomst met AI.
Aanbevolen literatuur
-
Artikel
Situational awareness guides our responses – routine to crisisMany circumstances call for situational awareness – that is, being mindful of what’s present and happening around you. The COVID-19 pandemic heightened this need, as leaders across industries used analytics and visualization to gain real-time situational awareness and respond with fast, critical decisions.
-
Research
Nerd in the herd: protecting elephants with data scienceA passionate SAS data scientist uses machine learning to detect tuberculosis in elephants. Find out how her research can help prevent the spread of the disease.
-
Artikel
Machine learning, data science and AI meet IoTIn this video, Kirk Borne and Michele Null discuss the intersection of machine learning, AI and data science with IoT data and analytics.
Sinds 1976 bouwen bedrijven over de hele wereld op SAS.