Analyse
Hva er det og hvorfor er det viktig?
Analyse bruker data og matematikk til å besvare forretningsspørsmål, oppdage relasjoner, forutse ukjente resultater og automatisere avgjørelser. Det mangfoldige feltet datavitenskap brukes til å finne meningsfulle mønstre i data og avdekke ny kunnskap basert på anvendt matematikk, statistikk, prediktiv modellering og maskinlæringsteknikker.
Analysens Historie
Tidligere har datalagring og prosesseringshastighet begrenset analyse. I dag gjelder ikke disse begrensningene lenger, og åpner døren for mer kompleks maskinlæring og dype læringsalgoritmer som kan håndtere store mengder data i flere omganger.
Som et resultat av dette har standardfunksjonene for beskrivende, foreskrivende og prediktiv analyse blitt utvidet med læring og automatisering, noe som førte til epoken for den kunstige intelligensen.
Dette betyr at vi har gått fra å spørre hva som har skjedd og hva som bør skje, til å be maskinene om å automatisere og lære på egen hånd fra data – og til og med fortelle oss hvilke spørsmål vi bør stille.
I dag behandler de fleste organisasjoner analyse som et strategisk verktøy, og analyse er sentral for mange funksjoner og fagkompetanser.
Et voksende analyseområde drevet av maskinlæring er språkanalyse. Datamaskiner bruker naturlig språkbehandling (NLP) til å tolke tale og tekst. Chatbots bruker NLP til å svare på kundeservicespørsmål eller tilby råd i online chat-vinduer. De kan også tilby forslag til manuskript til ansatte ved kundesenteret.
Maskinlæring og kunstig intelligens har også gitt oss nyttige applikasjoner som selvkjørende biler og automatiserte forslag, som lover å lede oss til den neste anbefalte TV-serien basert på vår smak.
Analyse påvirker naturligvis mer enn fritiden vår. Med raskere og kraftigere datamaskiner finnes det flere muligheter for bruk av analyse og kunstig intelligens. Enten det er for å fastsette kredittrisiko, utvikle nye legemidler, finne mer effektive måter å levere produkter og tjenester på, forebygge svindel, avdekke trusler via internett eller beholde de mest verdifulle kundene, kan analyse hjelpe deg med å forstå hva som driver organisasjonens suksess – og hva det betyr for omgivelsene.
Analyser i dagens verden
Sett analyseprosjekter ut i livet med disse ressursene. Finn det du trenger for å planlegge prosjektene dine, gjenopprette tillitt til dataene dine og utvikle en analysestrategi.
10 spørsmål for å sette i gang analyseprosjekter
Hvor mye koster det? Hvilke problemer prøver du å løse? Hvor er motstanden? Dette er bare tre av de viktigste spørsmålene du bør stille for å sette en ramme for analyseprosjektet ditt.
Hvorfor tillit er viktig med analyser
For å få mer verdi ut av analyser og nye teknologier som kunstig intelligens må man først ha tillit. Hvordan bygger analytiske ledere opp tillit til data og analyser? MIT Sloan gjennomførte en undersøkelse blant 2400 bedriftsledere.
Bygge en analysestrategi
Hva står på agendaen til sjefene for data og analyser? Definere en analysestrategi. Sikre informasjonspålitelighet. Styrke datadrevne beslutninger. Og enda mer. Last ned denne e-boken for å få hjelp med å bygge analysestrategi.
Analytics 101
Hvis du er nysgjerrig på hvordan små og mellomstore bedrifter kan dra nytte av analyser, men ikke er sikker på hvor du skal begynne, er dette det perfekte nettseminaret for deg. Denne introduksjonen forklarer hvordan du kommer i gang med analyser for bedrifter i alle størrelser.
Demokratisering av analyser
Trykket fra den digitale verden treffer oss alle, og overbelastning av data er ikke lenger begrenset til «antall mennesker» i en organisasjon. Kan du nevne noen i en organisasjon som ikke har behov for hastighet, smidighet, fleksibilitet og innovasjon? Dette gjør analyse til en prioritet for nesten alle, ikke bare statistikere og forskere.
Derfor er organisasjoner på utkikk etter måter å gjøre analyser tilgjengelig for flere brukere. Ved å legge lett forståelig innsikt i hendene på flere ansatte kan man integrere innsikt direkte i frontlinjeapplikasjoner eller automatisere relevante beslutninger.
Teknologi som tilbyr pek-og-klikk-grensesnitt gjør analyser tilgjengelig for flere brukere. Eksempelvis kan selv komplekse spørsmål besvares ved å velge en datakilde og angi målvariabel, mens en modell automatisk genereres i bakgrunnen og en algoritme for naturlig språk prosessering kan bistå i tolkningen av modellens resultater.
Organisasjoner som leder med analyse kan forvente betydelige forskjeller, større avkastning og noen ganger mer langsiktig overlevelse.
Riktig passform på alle måter
Se hvordan Levi Strauss & Co. er på reise med SAS® for å bygge en analytisk drevet, beslutningsklar kultur som hjelper selskapet med å kommunisere med de som elsker klær.
Den populære forhandleren bruker analyser til å optimalisere planer og forutse muligheter gjennom vareplanlegging, fordeling og lagerstyring.
Slik fungerer Analytics
Alle virksomheter er analysevirksomheter. Hver prosess er en analyseprosess som er moden for forbedring. Og alle ansatte kan være analysebrukere på en eller annen måte. Uansett hva du planlegger å oppnå med analyse, er data det første kravet for ethvert analyseprosjekt. Når du har data, må du analysere de dataene. Og så må du distribuere resultatene av analysen for å fremme beslutningstaking. Jo raskere organisasjonene kan bevege seg gjennom den analytiske livssyklusen, desto raskere kan de oppnå konkret verdi av sine analytiske investeringer.
I SAS ser vi disse tre kategoriene – data, oppdagelse og distribusjon – som de viktigste trinnene i livssyklusen til analysene. Uavhengig av prosjektets rekkevidde eller omfang, bør det inkludere alle tre trinnene. La oss se nærmere på hvert trinn.
Klikk på infografikken for å lære mer.
Data
Dagens data er raske, store og komplekse. Analyseløsninger må analysere data av alle typer, inkludert tradisjonelle strukturerte data og nye formater, som streaming av sensordata, bilder og video.
Du trenger også en dataforvaltninstrategi for å få tilgang til, klargjøre, vaske og forvalte dataene.
Hvordan vil du samle inn, vaske og lagre dataene dine? Det er estimert at dataforberedelse tar opptil 80 % av tiden som brukes på et analyseprosjekt. Kunne den tiden vært bedre brukt på å bygge modeller?
En intelligent analyseplattform strømlinjeformer dataklargjøringen med innebygde tilgangsmotorer, integrert datakvalitet og verktøy for dataklargjøring som automatiserer tidkrevende oppgaver med kunstig intelligens.
Sist, men ikke minst sikrer god forvaltning av data at du kan stole på dataene dine, fordi du kjenner kilden og innholdet og kan overvåke datakvaliteten. Datastyring gjør det også enkelt å beskytte data når det er hensiktsmessig.
Oppdagelse
Oppdagelse handler om utforsking, visualisering og modellbygging. Å finne riktig algoritme er ofte en prosess med prøving og feiling. Men når det er enkelt å dokumentere, lagre og sammenligne disse prøveversjonene, fungerer prosessen best mulig.
Valg av riktig algoritme avhenger av flere faktorer, inkludert datastørrelse, forretningsbehov, opplæringstid, parametere, datapunkter og mye mer. Selv de mest erfarne data scientists kan ikke fortelle deg hvilken algoritme som vil yte best før de eksperimenterer med flere tilnærminger.
I oppdagelsesfasen er det faktisk vanlig å sammenligne ulike modeller skrevet på et annet programmeringsspråk med ulike datafunksjoner.
Et nylig analyseprosjekt som benyttet bildeanalyse for å identifisere svulster i medisinske skanninger av levere, begynte for eksempel med en utforskning av flere nevrale nettverk og noen uker med sammenligning og dokumentering av resultatene fra ulike modeller.
Denne samarbeidsprosessen fungerer best når data scientists med ulike ferdighetssett kan skrive kode på det språket de ønsker, og ikke-programmerere kan bruke et visuelt pek-og-klikk-grensesnitt for å utforske resultatene av ulike analysetilnærminger.
Distribusjon
Hvis du vil at analysearbeidet skal lønne seg, må du distribuere resultatene av oppdagelsene og sette dem i bruk. Maskinlæring og andre modeller er ikke skapt for å stå til pynt – du må bruke dem for å skape forretningsmessig verdi. Likevel er distribusjonsfasen der de fleste organisasjoner strever mest.
Uansett om du bygger en enkelt modell eller tusenvis, trenger du modellstyring når du går fra å velge modeller til å distribuere modeller. Modellstyring gir versjonskontroll og hjelper deg med å registrere, validere og administrere modellene sentralt. Dette hjelper deg med å utvikle prosedyrer og regler for distribusjon og overvåking av modeller. Og du får også oversikt over bruk av data og modeller.
Målet ditt bør være å bygge modeller én gang og distribuere dem hvor som helst – til ledernes dashbord, direkte inn i operativsystemer eller innebygd i andre apper gjennom API-er.
Økosystemet til Analytics
Analytics blomstrer. Hundrevis av bedrifter i det analytiske økosystemet leverer teknologi og tjenester for å hjelpe organisasjoner med å lagre, få tilgang til, analysere og presentere data. Disse omfatter alt fra dataadministrasjon og visualisering til avanserte analyser og forhåndsbygde analyseløsninger, inkludert mange alternativer for analyse av åpen kildekode.
SAS er unikt posisjonert for integrering med hver spiller i økosystemet. SAS Platform fungerer på maskinvare fra alle leverandører, tar inn alle typer data, sammenligner modeller fra ulike språk og tilbyr konsekvent styring på tvers av data-, oppdagelses- og distribusjonsfasene i økosystemet for analyse.
Lagrer du data i AWS eller Hadoop? Henter du ut data fra Twitter eller Google Analytics? Analyserer du data i Python og SAS? Kjører du programmer på Intel- eller NVIDIA-brikker? Distribuerer du resultater til stasjonære datamaskiner eller IoT-enheter?
SAS Platform kan håndtere alt, pluss eventuelle andre eldre løsninger du allerede har tatt i bruk. Resultatet? Alle, fra data scientists til IT-ansvarlige til beslutningstakere, kan arbeide i harmoni fra det samme analysesystemet. I tillegg vil du dra nytte av modellstyring, modellovervåking, modelltransparens, datalinjer og integrering på tvers av analyseprosjekter og pakker.
Ved å orkestrere alle elementene i det analytiske økosystemet, bidrar en analyseplattform til å akselerere analysens livssyklus, slik at du kan gå fra data til konkrete resultater. Til syvende og sist forbedrer dette avkastningen på alle investeringene dine i analyse – data, teknologi og mennesker – og setter deg i en posisjon hvor du vil oppnå suksess.
Løsninger for kunstig intelligens
Analytics utvikler seg til kunstig intelligens når læring inkorporeres i modellene, og læringsmulighetene er automatiserte. SAS Analytics har allerede et sterkt fundament innen kunstig intelligens, med løsninger for avansert analyse, maskinlæring, dyp læring, naturlig språkbehandling og datamaskinsyn. Lær hvordan du utstyrer bedriftsledere og data scientists for fremtidens kunstige intelligens, med teknologien, ferdighetene og støtten du trenger for å transformere organisasjonen for en fremtid med kunstig intelligens.
Recommended reading
-
Article
Optimizing well placement to eliminate water poverty How data visualization is helping Water for Good bring fresh water to the Central African Republic.
-
Article
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.
-
Interview
Danske Bank - Creating unique experiences while leaving customers in controlDanske Bank is using analytics provided by SAS Institute to refine its customer experiences and tackle fraud.
Since 1976, companies worldwide have trusted SAS.
