Dataanalys
Vad är det och varför är det viktigt?
Dataanalys använder matematik för att besvara affärsrelaterade frågor, upptäcka samband, förutspå okända resultat och fatta automatiserade beslut. Detta mångsidiga område inom datavetenskapen används för att hitta meningsfulla mönster i data och få ny kunskap baserat på tillämpad matematik, statistik, prediktiv modellering och maskininlärning.
Analysens historia
Tidigare var dataanalys begränsad av tillgänglig lagringskapacitet och långsam databearbetning. Idag finns inte dessa begränsningar längre vilket öppnar upp för mer komplexa algoritmer med hjälp av maskininlärning och djupinlärning (deep learning), som hanterar stora datamängder med många processlager.
Som ett resultat av detta har deskriptiva, preskriptiva och prediktiva funktioner inom analys förstärkts med hjälp av inlärning och automatisering, något som banat väg för artificiell intelligens.
Vi har gått från att fråga vad som händer och vad som ska hända till att instruera våra maskiner att automatisera och lära sig själv från data - och till och med berätta för oss vilka frågor vi borde ställa.
Idag ser de flesta organisationer på analys som en strategisk tillgång och har gett det en central roll, som används i flera funktioner och arbetsuppgifter.
Naturlig språkbehandling (NLP) är ett växande område inom analys, pådrivet av maskininlärning. Datorerna använder NLP för att tolka både text och tal. En tillämpning är chattbotar, där NLP svarar på kundtjänstfrågor eller erbjuder investeringsråd. NLP kan också erbjuda textbaserade förslag i realtid till kundtjänstmedarbetare.
Maskininlärning och artificiell intelligens har också lett till flera nya användningsområden - som avancerade rekommendationsmotorer och självkörande bilar. Snart körs du runt på stan samtidigt som du sträcktittar på din favoritserie, som du fått rekommenderad baserat på vad du tidigare tittat på.
Självklart påverkar utvecklingen inte bara våra fritidsintressen. Med snabbare och mer kraftfulla datorer öppnas det upp fler användningsområden för analys och artificiell intelligens. Oavsett om det handlar om riskminimering inom kredithantering, utveckling av nya mediciner, effektivisering av leveranser, förebyggande av bedrägerier, identifikation av cyberhot eller att behålla dina mest värdefulla kunder, så kan analys hjälpa dig att förstå vad som påverkar din organisations framgång - och vilken betydelse det har för omvärlden.
Dataanalys i världen idag
Börja dina analysprojekt med hjälp av dessa resurser. Hitta vad du behöver för att planera dina projekt, få tillit till din data och utveckla en analysstrategi.
10 frågor som kickar igång dina analysprojekt
Hur mycket kostar det? Vilka problem försöker du lösa? Var är flaskhalsarna? Detta är bara tre av dina viktigaste nyckelfrågor som du måste ta ställning till när du planerar nästa analysprojekt.
Därför är tillit viktigt i analys
För att maximera värdet av analys och artificiell intelligens krävs tillit. Hur skapar ledande analytiker förtroende för sin data och analys? För att ta reda på detta frågade MIT Sloan 2,400 företagsledare.
Utforma din analysstrategi
Vad står på agendan för analyschefen? Att definiera en analysstrategi, kvalitetssäkra data och möjliggöra datadrivna beslut är bara några av uppgifterna. Börja utforma din analystrategi genom att ladda ned vår e-bok.
Introduktion till analys
Är du nyfiken på hur små- eller medelstora företag kan dra nytta av analys men vet inte riktigt var du ska börja? Då är detta webinaret för dig. I vårt webinar förklarar vi hur du kan börja med analys i ditt företag, oavsett storlek.
Demokratisering av dataanalys
Den digitala utveckling påverkar oss alla och att känna en så kallad “data overload” är inte längre begränsat till analytiker. Kan du nämna en person i företaget som inte drivs på av snabbhet, agilitet, flexibilitet och innovation? Idag är analys en prioritet för nästan alla, inte bara statistiker och data scientists.
Organisationer letar därför efter sätt att göra dataanalys mer tillgängligt för fler användare. Bland annat genom att förse dem med lättförståeliga insikter, bädda in insikter direkt i de system de använder dagligen eller genom att implementera helt automatiserade beslut.
Teknologier som erbjuder enkla peka-och-klicka-lösningar för att skapa dynamiska och automatiserade modeller tillgängliggör analys för fler användare. Även komplexa frågor kan bli besvarade genom att välja datakälla och målsättning samtidigt som det i bakgrunden skapas en avancerad datamodell som förklaras med hjälp av naturlig språkbehandling.
Organisationer som sätter analys i första rum kan förvänta sig ökad differentiering gentemot konkurrenterna, större avkastning och en stabilare verksamhet över tid.
Passar rätt på alla sätt
Se hur Levi Strauss & Co skapar en analytisk- och beslutsdriven kultur som hjälper dem att bygga långvariga relationer med människor som älskar deras kläder.
Den populära klädkedjan använder analys inte bara för att optimera sin verksamhetsplan utan också för att kunna förutse nya möjligheter med sitt varuutbud, sin resursfördelning och lagerhantering.
Så här fungerar dataanalys
Alla företag använder analys på något sätt i sin verksamhet. Varje process i ett företag är analytisk och kan ständigt förbättras. Dessutom kan varje anställd på olika sätt bli en användare av analys för att genomföra sina uppgifter. Oavsett vad du avser med din analys är första steget att ta fram data. Så snart du har data kan du analysera den. Därefter kan du distribuera resultaten av din analys för att påverka beslutsfattande. Ju snabbare din organisation kan ta sig igenom livscykeln för analys, desto snabbare kan du se värdet av dina investeringar i analys.
På SAS har vi delat in den analytiska livscykeln i tre steg - data, upptäckt och användning. Oavsett projektets omfattning bör dessa tre steg ingå. Låt oss ta en närmare titt på varje steg.
Klicka på infografen för att lära dig mer.
Data
Data vi har idag är ofta snabb, stor och komplex. Analyssystem måste därför kunna analysera data oavsett storlek. Detta inkluderar traditionellt strukturerad data och nya format som streamingdata från sensorer, bilder och video.
För att få tillgång till, förbereda och ta kontroll över data måste du ha en datastrategi.
Hur ska du samla in, kvalitetssäkra och lagra din data? Att förbereda data tar upp till 80% av tiden i ett analysprojekt. Tid som är bättre investerad i att skapa datamodeller.
En intelligent analysplattform förenklar hanteringen av data med hjälp av native-system, integrerad kvalitetshantering och dataföreberedelser samt automatiserar hanteringen av data med hjälp av artificiell intelligens.
Slutligen ser data governance (kontrollfunktion) till att du får tillit till din data eftersom du har insikt i vilka källor som används och innehållet i din data, samtidigt som du kan kontrollera kvaliteten. Kontroll av data gör det också möjligt att skydda din data, när det behövs.
Upptäckt
Upptäckt eller Discovery handlar om att utforska, visualisera och bygga modeller. Att hitta rätt algoritm tar ofta flera försök. Men när det är enkelt att dokumentera, spara och jämföra olika försök är processen så optimerad som den kan vara.
Olika ingångsvärden som datastorlek, affärsbehov, träningstid, parametrar, datapunkter, med mera påverkar valet av algoritm. Även den mest erfarna data scientist kan inte berätta vilken algoritm som kommer att fungera bäst utan att först ha experimenterat med olika varianter.
Det är till och med vanligt i upptäcktsfasen att jämföra olika modeller, skrivna i olika programmeringsspråk med olika datafunktioner.
Som exempel, ett analysprojekt som använde objektdetektering för att identifiera tumörer i röntgenbilder av levrar började med hjälp av flera olika neurala nätverk utforska olika modeller, och tog flera veckor för att jämföra och välja rätt.
Dessa samarbeten fungerar bäst när data scientists, med olika kunskaper, kan skriva kod på det programmeringsspråk som de föredrar och icke-programmerare kan använda visuella peka-och-klicka-gränssnitt för att upptäcka resultat som framkommit genom olika analytiska tillvägagångssätt.
Användning
Om du vill att dina analysinsatser ska få utdelning måste du använda resultaten från dina upptäckter på rätt sätt. Maskininlärning och andra modeller är inte menade att ligga i byrålådan. Du måste använda dem för att de ska bli värdefulla för din verksamhet. Ändå är det just användningsfasen som många organisationer kämpar med.
Oavsett om du skapar en modell eller flera tusen krävs det någon form av hantering för att kunna använda rätt modell vid rätt tillfälle. Modellhantering gör det möjligt att, förutom att få kontroll över olika versioner, också registrera, validera och centralt hantera alla dina modeller. Du får även processer och regler för användning och bevakning av dina modeller.
Ditt mål bör vara att bygga en modell en gång och sedan använda den överallt, där det är relevant - allt från dashboards till operativa system eller som inbyggd funktion i andra appar med stöd av API:er.
Det analytiska ekosystemet
Dataanalys växer snabbare än någonsin. Hundratals företag inne i det analytiska ekosystemet tillhandahåller teknologier och tjänster för att bistå organisationer att lagra, få access till, analysera och presentera data. Allt från datahantering och visualisering till avancerad analys och paketerade lösningar, varav flera programmerade med öppen källkod.
SAS är unikt positionerad för att integrera med alla aktörer i det analytiska ekosystemet. SAS Platform fungerar på all hårdvara, kan hantera all typ av data, kan jämföra modeller på flera olika språk och erbjuder kontinuerlig kontroll över alla faser - data, upptäckt och användning - i det analytiska ekosystemet.
Lagrar du data hos AWS eller Hadoop? Exporterar du data från Twitter eller Google Analytics? Analyserar du data i Python och SAS? Kör du program på kretskort från Intel eller NVIDIA? Distribuerar du till desktop- eller IoT-enheter?
SAS Platform hanterar allt detta och självklart även äldre lösningar som du redan använder i din verksamhet. Resultatet blir att alla - från data scientists till IT och beslutsfattare - kan arbeta tillsammans i samma analyssystem. Dessutom får du tillgång till modellhantering, modellbevakning, transparens, kopplingar, historik och en integration med alla analysprojekt.
Om du samlar alla delar i det analytiska ekosystemet på en analysplattform kan du ta dig snabbare genom analysens livscykel, från data till användbara resultat. I slutändan leder detta till högre ROI för alla dina investeringar i data, teknik och människor - en formel för ökad framgång.
Lösningar med artificiell intelligens
Analys blir till artificiell intelligens när lärande integreras i modeller, och förmågan att lära är automatiserad. SAS har redan en gedigen bas av AIi sina analyslösningar med funktioner för avancerad analys, maskininlärning, djupinlärning, naturliga språkbehandling och datorseende (computer vision). Lär dig att göra företagsledare och data scientists redo för en framtid med AI, med hjälp av teknologier, kunskap och den support du behöver för att transformera din organisation till en framtid med AI.
Recommended reading
-
Article
Operationalizing analytics: 4 ways banks are conquering the infamous ‘last mile’Here are four examples across the banking industry that show how these leading organizations followed a clearly defined path to conquer the infamous 'last mile' of analytics.
-
Article
AI in government: The path to adoption and deploymentThe government sector is lagging in AI adoption, but awareness of the importance of AI in the public sector is increasing. Our survey indicates that operational issues are requiring governments to turn their attention to AI projects as a way to address important public issues.
-
Article
Concussion: Journalist crunches the numbers and breaks a scandalHow Pulitzer Prize-nominated journalist Alan Schwarz used his stats background to achieve the most remarkable feat in sports journalism history.
Since 1976, companies worldwide have trusted SAS.