ความสามารถระบบการวิเคราะห์
นิยามและความสำคัญ
Analytics ใช้ข้อมูลและคณิตศาสตร์เพื่อตอบคำถามทางธุรกิจค้นหาความสัมพันธ์ทำนายผลลัพธ์ที่ไม่รู้จักและทำการตัดสินใจอัตโนมัติ สาขาวิทยาการคอมพิวเตอร์ที่หลากหลายนี้ใช้เพื่อค้นหารูปแบบที่มีความหมายในข้อมูลและค้นพบความรู้ใหม่โดยใช้คณิตศาสตร์สถิติการสร้างแบบจำลองการทำนายและเทคนิคการเรียนรู้ของเครื่อง
ประวัติความเป็นมาของการวิเคราะห์
ในอดีตการจัดเก็บข้อมูลและการประมวลผลการวิเคราะห์ จำกัด ความเร็ว วันนี้ข้อ จำกัด เหล่านี้ใช้ไม่ได้อีกต่อไปเปิดประตูสู่การเรียนรู้ด้วยเครื่องจักรที่ซับซ้อนมากขึ้นและอัลกอริทึม การเรียนรู้เชิงลึก ที่สามารถจัดการข้อมูลจำนวนมากในหลายรอบ
ผลที่ได้คือความสามารถในการพรรณนามาตรฐานการกำหนดและการทำนายมาตรฐานของการวิเคราะห์ได้เพิ่มขึ้นด้วยการเรียนรู้และระบบอัตโนมัตินำไปสู่ยุคปัญญาประดิษฐ์
ซึ่งหมายความว่าเราไม่ได้ถามว่าเกิดอะไรขึ้นและจะเกิดอะไรขึ้นกับการขอให้เครื่องของเราทำการอัตโนมัติและเรียนรู้ด้วยตนเองจากข้อมูล - และแม้แต่บอกเราว่าจะถามคำถามอะไร
วันนี้องค์กรส่วนใหญ่ถือว่าการวิเคราะห์เป็นสินทรัพย์เชิงกลยุทธ์และการวิเคราะห์เป็นศูนย์กลางของบทบาทและทักษะการทำงานที่หลากหลาย
หนึ่งการเติบโตของการวิเคราะห์ที่ขับเคลื่อนโดยการเรียนรู้ของเครื่องคือ การประมวลผลภาษาธรรมชาติ คอมพิวเตอร์ใช้ NLP เพื่อตีความคำพูดและข้อความ Chatbots ใช้ NLP เพื่อตอบคำถามการบริการลูกค้าหรือเสนอคำแนะนำการลงทุนในหน้าต่างแชทออนไลน์ พวกเขายังสามารถเสนอคำแนะนำแบบสคริปต์ให้กับพนักงานคอลเซ็นเตอร์ได้
การเรียนรู้ของเครื่องและปัญญาประดิษฐ์ได้นำแอปพลิเคชั่นที่มีประโยชน์ เช่นรถยนต์ที่ขับเคลื่อนด้วยตนเอง ซึ่งจะพาเราเดินทางขณะที่เราชมรายการทีวีที่เครื่องแนะนำตามรสนิยมของเรา
แน่นอนว่าการวิเคราะห์จัดการเวลาของเราให้ดีขึ้น ด้วยคอมพิวเตอร์ที่เร็วขึ้นและทรงพลังยิ่งขึ้นโอกาสมากมายสำหรับการใช้งานการวิเคราะห์และปัญญาประดิษฐ์ ไม่ว่าจะเป็นการกำหนดความเสี่ยงด้านเครดิตการพัฒนายาใหม่การค้นหาวิธีที่มีประสิทธิภาพมากขึ้นในการส่งมอบผลิตภัณฑ์และบริการการป้องกันการฉ้อโกงการเปิดเผยภัยคุกคามทางไซเบอร์ หรือการรักษาลูกค้าที่มีค่าที่สุด การวิเคราะห์สามารถช่วยให้คุณเข้าใจ รอบ ๆ มัน.
การวิเคราะห์ในโลกปัจจุบัน
นำโครงการการวิเคราะห์ของคุณไปปฏิบัติจริงได้ด้วยทรัพยากรเหล่านี้ ค้นหาสิ่งที่คุณต้องการในการวางแผนโครงการของคุณ เพิ่มความไว้วางใจในข้อมูลของคุณ และพัฒนากลยุทธ์การวิเคราะห์
10 คำถามในการเริ่มต้นโครงการการวิเคราะห์ของคุณ
ราคาเท่าไหร่? คุณพยายามแก้ไขปัญหาอะไร ข้อจำกัดอยู่ที่ไหน? นี่เป็นเพียงคำถามสำคัญสามข้อที่คุณควรถามเพื่อกำหนดกรอบโครงการการวิเคราะห์ของคุณ
ทำไมความไว้วางใจจึงมีความสำคัญกับการวิเคราะห์
รับคุณค่ามากขึ้นจากการวิเคราะห์และเทคโนโลยีที่เกิดขึ้นใหม่เช่น AI เริ่มต้นด้วยความไว้วางใจ ผู้นำการวิเคราะห์สร้างความเชื่อถือในข้อมูลและการวิเคราะห์อย่างไร MIT Sloan ได้สำรวจผู้นำธุรกิจ 2,400 คนเพื่อค้นหา
สร้างกลยุทธ์แห่งการวิเคราะห์ของคุณ
ในวาระการประชุมเรื่องข้อมูล อะไรคือสิ่งที่หัวหน้า และเจ้าหน้าที่วิเคราะห์ข้อมูลควรใช้ในการกำหนดกลยุทธเพื่อการวิเคราะห์
สร้างความมั่นใจความน่าเชื่อถือของข้อมูล เพิ่มขีดความสามารถในการตัดสินใจที่ขับเคลื่อนด้วยข้อมูล และอื่น ๆ. ดาวน์โหลด e-book นี้เพื่อช่วยสร้างกลยุทธ์การวิเคราะห์ของคุณ
การวิเคราะห์ 101
ถ้าคุณสงสัยว่าธุรกิจขนาดเล็กถึงขนาดกลางจะได้ประโยชน์จากการวิเคราะห์อย่างไร แต่ไม่แน่ใจว่าจะเริ่มต้นนี้อย่างไร
นี่คือwebinarที่สมบูรณ์แบบสำหรับคุณ บทนำนี้อธิบายวิธีเริ่มต้นใช้งานการวิเคราะห์สำหรับธุรกิจทุกขนาด
ใครบ้างที่ใช้ Analytics
ความก้าวหน้าทางเทคโนโลยีได้เพิ่มศักยภาพในการวิเคราะห์ข้อมูลมากขึ้น ข้อมูลที่มากขึ้น การจัดเก็บข้อมูลที่ดีและราคาถูกลง ความสามารถประมวลผลที่มากขึ้น และอัลกอริทึมที่หลากหลาย ทำให้การวิเคราะห์ปัญหาที่ซับซ้อนได้ง่ายขึ้น ในทุกๆอุตสาหกรรม
การวิเคราะห์แบบประชาธิปไตย
แรงกดดันของโลกดิจิตอลกำลังส่งผลกระทบต่อพวกเราทุกคนและการโอเวอร์โหลดข้อมูลไม่ได้จำกัดอยู่เพียงแค่“ จำนวนคน” ภายในองค์กรอีกต่อไป คุณสามารถบอกชื่อของคนในองค์กรที่ไม่ต้องการความรวดเร็ว ความคล่องตัว และนวัตกรรมได้หรือไม่? สิ่งนี้ทำให้การวิเคราะห์มีความสำคัญสำหรับเกือบทุกคนไม่ใช่แค่นักสถิติและนักวิทยาศาสตร์ด้านข้อมูล
ผลที่ตามมาคือองค์กรกำลังมองหาวิธีที่จะทำให้การวิเคราะห์พร้อมใช้งานสำหรับผู้ใช้มากขึ้นโดยใส่ข้อมูลเชิงลึกที่เข้าใจง่ายไว้ในมือของพนักงานจำนวนมากขึ้นฝังข้อมูลเชิงลึกลงในแอปพลิเคชันแนวหน้าโดยตรง
เทคโนโลยีที่มีกระบวนการง่ายๆแค่ชี้และคลิก เพื่อการสร้างรูปแบบอัตโนมัติและปรับเปลี่ยนได้มีให้สำหรับผู้ใช้ที่มากขึ้น แม้แต่คำถามที่ซับซ้อนก็สามารถตอบได้ด้วยการเลือกแหล่งข้อมูลและระบุเป้าหมายของคุณ ในขณะที่โมเดลที่ที่ถูกเลือกสร้างขึ้นโดยอัตโนมัติ
องค์กรที่นำการวิเคราะห์มาใช้สามารถคาดหวังความแตกต่างอย่างมีนัยสำคัญ ผลตอบแทนที่มากขึ้น และดำรงอยู่ได้ในธุรกิจในระยะยาว
เหมาะสมในทุกวิถีทาง
มาดูกันว่า Levi Strauss & Co. กำลังเดินทางไปกับSAS®เพื่อสร้างวัฒนธรรมที่พร้อมตัดสินใจเชิงวิเคราะห์ที่ช่วยให้พวกเขาเชื่อมต่อกับผู้ที่ชื่นชอบเครื่องแต่งกาย
ผู้ค้าปลีกรายใหญ่ใช้การวิเคราะห์เพื่อปรับแผน และคาดการณ์โอกาสผ่านการวางแผนสินค้าการจัดสรรและการจัดการสินค้าคงคลัง
Analytics ทำงานอย่างไร
ทุกธุรกิจเป็นธุรกิจการวิเคราะห์ ทุกขั้นตอนเป็นกระบวนการวิเคราะห์ที่สุกงอมเพื่อการปรับปรุง และพนักงานทุกคนอาจเป็นผู้ใช้งานด้านการวิเคราะห์ในทางใดทางหนึ่ง ไม่ว่าคุณวางแผนจะทำอะไรกับการวิเคราะห์ ความต้องการแรกสำหรับโครงการการวิเคราะห์ก็คือข้อมูล เมื่อคุณมีข้อมูลคุณต้องวิเคราะห์ข้อมูลนั้น จากนั้นคุณต้องปรับใช้ผลการวิเคราะห์เพื่อผลักดันการตัดสินใจ องค์กรที่เร็วขึ้นสามารถเคลื่อนที่ผ่านวงจรชีวิตของการวิเคราะห์ได้รวดเร็วยิ่งขึ้นพวกเขาสามารถบรรลุคุณค่าที่เป็นรูปธรรมจากการลงทุนด้านการวิเคราะห์
ที่ SAS เราจะเห็นทั้งสามหมวดหมู่ - ข้อมูลการค้นพบและการปรับใช้ - ตามขั้นตอนซ้ำของanalytics life cycle โดยไม่คำนึงถึงขอบเขต หรือขนาดของโครงการ เราควรรวมทั้งสามขั้นตอน ลองดูแต่ละขั้นตอนอย่างละเอียดยิ่งขึ้น
คลิกที่อินโฟกราฟิกเพื่อเรียนรู้เพิ่มเติม
ข้อมูล
ข้อมูลในปัจจุบันมีความซับซ้อน เปลี่ยนแปลงอย่างรวดเร็วและมีขนาดใหญ่ Analytics Solutionsต้องวิเคราะห์ข้อมูลทุกประเภทรวมถึงข้อมูลที่มีโครงสร้างแบบเดิม และรูปแบบที่เกิดขึ้นใหม่ เช่นข้อมูลสตรีมมิ่ง เซ็นเซอร์ภาพ และวิดีโอ
คุณต้องมีกลยุทธ์การจัดการข้อมูล เพื่อที่จะเตรียมข้อมูลและตรวจสอบข้อมูล
คุณจะรวบรวม จัดการและจัดเก็บข้อมูลของคุณอย่างไร คาดว่าการเตรียมข้อมูลจะใช้เวลามากถึง 80% ของเวลาที่ใช้ในโครงการการวิเคราะห์ เวลานั้นดีกว่าหรือไม่ถ้าคุณใช้เวลานั้นในการสร้างโมเดล
แพลตฟอร์มการวิเคราะห์ที่ชาญฉลาดเพิ่มความคล่องตัวในการเตรียมข้อมูลด้วยเอ็นจิ้นการเข้าถึงแบบเนทีฟ การรวมข้อมูลอย่างมีคุณภาพ และเครื่องมือในการจัดเตรียมข้อมูล ซึ่งลดเวลาได้ด้วย AI
ในที่สุดการกำกับดูแลข้อมูลทำให้มั่นใจได้ว่าข้อมูลของคุณสามารถไว้วางใจได้เพราะคุณรู้แหล่งที่มาและเนื้อหาและสามารถตรวจสอบคุณภาพข้อมูลได้ การกำกับดูแลข้อมูลทำให้การปกป้องข้อมูลเป็นไปอย่างง่ายดาย
การค้นพบ
การค้นพบนั้นเกี่ยวกับการสำรวจ การแสดงภาพและการสร้างแบบจำลอง การค้นหาอัลกอริธึมที่เหมาะสมมักเป็นกระบวนการของการลองผิดลองถูก แต่เมื่อเอกสารง่าย ๆ ให้บันทึกและเปรียบเทียบการทดลองเหล่านั้น กระบวนการทำงานได้ดีที่สุดเท่าที่จะทำได้
การเลือกอัลกอริธึมที่เหมาะสมนั้นขึ้นอยู่กับข้อเท็จจริงหลายประการ รวมถึงขนาดข้อมูล ความต้องการทางธุรกิจ เวลาฝึกอบรมตัวแปลต่างๆ จุดต่างๆของข้อมูล และอื่น ๆ อีกมากมาย แม้แต่นักวิทยาศาสตร์ข้อมูลที่มีประสบการณ์มากที่สุดก็ไม่สามารถบอกได้ว่าอัลกอริทึมใดจะทำงานได้ดีที่สุดก่อนที่จะทำการทดลองด้วยวิธีการที่หลากหลาย
ในความเป็นจริงแล้ว เป็นเรื่องธรรมดาที่ควรเปรียบเทียบโมเดลที่แตกต่างกันในภาษาการเขียนโปรแกรมที่แตกต่าง กับคุณสมบัติข้อมูลที่แตกต่างกัน ในขั้นตอนการค้นพบ
ตัวอย่างเช่น โครงการวิเคราะห์ล่าสุดที่ ที่ใช้การตรวจจับวัตถุเพื่อระบุเนื้องอกในการสแกนทางการแพทย์ของตับเริ่มด้วยการสำรวจของเครือข่ายประสาทหลายและไม่กี่สัปดาห์ของการเปรียบเทียบและการบันทึกเอกสารผลลัพธ์ของรูปแบบที่แตกต่างกัน
กระบวนการทำงานร่วมกันนี้ทำงานได้ดีที่สุด เมื่อนักวิทยาศาสตร์ข้อมูลที่มีชุดทักษะที่แตกต่างกันสามารถเขียนโค้ดในภาษาที่ตนเลือกและผู้ที่ไม่ใช่โปรแกรมเมอร์สามารถใช้อินเทอร์เฟซแบบชี้และคลิกเพื่อสำรวจผลลัพธ์ของวิธีการวิเคราะห์ต่างๆ
การปรับใช้
หากคุณต้องการให้ความพยายามในการวิเคราะห์ของคุณเป็นผล คุณต้องปรับใช้ผลการค้นพบและนำไปใช้ Machine learningและโมเดลอื่น ๆ ไม่ได้หมายถึงการมีมันไว้เท่านั้น - คุณต้องใช้พวกเขาเพื่อให้ได้มูลค่าทางธุรกิจ แต่ขั้นตอนการปรับใช้เป็นสิ่งที่องค์กรส่วนใหญ่ต้องต่อสู้มากที่สุด
ไม่ว่าคุณจะสร้างแบบจำลองเดียวหรือหลายพันแบบ การย้ายจากการเลือกแบบจำลองไปเป็นการปรับใช้แบบจำลองนั้น ต้องการการจัดการแบบจำลอง การจัดการโมเดลให้การควบคุมเวอร์ชัน และช่วยให้คุณลงทะเบียนตรวจสอบ และจัดการโมเดลของคุณจากส่วนกลาง ช่วยให้คุณพัฒนาขั้นตอนและกฎสำหรับการปรับใช้แบบจำลองและการตรวจสอบ และคุณยังได้รับความโปร่งใสเกี่ยวกับข้อมูลและการใช้โมเดล
เป้าหมายของคุณคือการสร้างแบบจำลองหนึ่งครั้งและนำไปใช้งานได้ทุกที่ - แดชบอร์ดสำหรับผู้บริหาร, เข้าสู่ระบบปฏิบัติการหรือสร้างในแอพอื่นๆผ่าน API
The Analytics Ecosystem
การวิเคราะห์เป็นสิ่งที่พูดถึงอย่างแพร่หลาย บริษัทวิเคราะห์จำนวนมากมีเทคโนโลยีและการบริการเพื่อช่วยองค์กรในการจัดเก็บ เข้าถึง วิเคราะห์ และแสดงผลข้อมูล กระบวนการทั้งหมดเริ่มตั้งแต่การจัดการข้อมูล การแสดงผลผ่านการใช้เทคนิคการวิเคราะห์ขั้นสูงที่มีให้ใช้แบบสำเร็จรูป รวมถึงการใช้การวิเคราะห์ผ่านเทคโนโลยี open source SAS สามารถเชื่อมต่อกับ player เจ้าอื่นในวงจรการวิเคราะห์ได้อย่างไม่มีปัญหา แพลทฟอร์มของ SAS สามารถทำงานร่วมกับ hardware ของบริษัทใดก็ได้ และยังสามารถทำงานกับข้อมูลประเภทใดก็ได้เช่นกัน สามรถเปรียบเทียบโมเดลที่สร้างจากภาษาต่างๆ และนำเสนอการควบคุมจัดการวงจรการวิเคราะห์อีกด้วยไม่ว่าคุณจะเก็บข้อมูลใน AWS หรือ Hadoop? ต้องการจะดึงข้อมูลจาก Twitter หรือ Google Analytics? จะวิเคราะห์ข้อมูลผ่านการใช้ภาษา Python หรือ SAS? ใช้งานโปรแกรมผ่าน Intel หรือ NVIDIA? นำผลการวิเคราะห์ไปใช้ผ่านแอพพลิเคชั่นหรืออุปกรณ์ IoT? แพลทฟอร์มของ SAS สามารถรองรับได้ทุกความต้องการ รวมถึงสามารถทำงานร่วมกับระบบงานที่คุณใช้อยู่ในปัจจุบันด้วย ผลลัพธ์ที่ได้คือการทำงานร่วมกันในแพลทฟอร์มเดียวกันตั้งแต่การ Data scientist , IT และผู้นำผลการวิเคราะห์ไปประกอบการตัดสินใจทางธุรกิจ คุณยังสามารถจัดการแบบจำลองและเห็นถึงความเชื่อมโยงการใช้งานข้อมูลของโครงการวิเคราะห์หลายโครงการได้ในแพลทฟอร์มเดียวโดยร้อยเรียงทุกองค์ประกอบในวงจรการวิเคราะห์เข้าด้วยกัน แพลทฟอร์มการวิเคราะห์จะช่วยเร่งวงจรการวิเคราะห์ให้เร็วมากยิ่งขึ้น ส่งผลให้คุณสามารถเปลี่ยนข้อมูลที่มีอยู่เป็นผลลัพธ์ที่มีค่าได้ ท้ายที่สุดแล้วคือการเพิ่มผลตอบแทนจากการลงทุนในทุกๆโครงการวิเคราะห์ ไม่ว่าจะเป็นเรื่อง ข้อมูล เทคโนโลยี หรือทรัพยากรมนุษย์ และนำคุณไปสู่ความสำเร็จ
โซลูชันปัญญาประดิษฐ์
การวิเคราะห์วิวัฒนาการไปสู่ปัญญาประดิษฐ์เมื่อการเรียนรู้ถูกรวมเข้ากับโมเดลและความสามารถในการเรียนรู้นั้นเป็นไปโดยอัตโนมัติ การวิเคราะห์ของ SAS มีรากฐานที่แข็งแกร่งอยู่แล้วใน AI ด้วยโซลูชันสำหรับการวิเคราะห์ขั้นสูงการเรียนรู้ของเครื่องจักรการเรียนรู้ลึกการประมวลผลภาษาธรรมชาติและการมองเห็นคอมพิวเตอร์ เรียนรู้วิธีจัดเตรียมผู้นำทางธุรกิจและนักวิทยาศาสตร์ด้านข้อมูลสำหรับอนาคตของ AI ด้วยเทคโนโลยีทักษะและการสนับสนุนที่คุณต้องการเพื่อเปลี่ยนองค์กรของคุณในอนาคตด้วย AI
Recommended reading
-
บทความ
Detect and prevent banking application fraudการทุจริตโดยการขโมยข้อมูลบัตรเครดิตมักจะเริ่มโดยการใช้ช่องโหว่ของแอปพลิเคชั่น และการที่จะมีเครื่องมือที่ใช้ในการวิเคราะห์การทุจริตตั้งแต่จุดแรกเริ่มใช้งานไปจนตลอดช่วงอายุของการใช้งานบัญชีนั้น ถือว่ามีความสมเหตุสมผล
-
บทความ
Data for good: Protecting consumers from unfair practicesHow text mining and machine learning could help the Consumer Financial Protection Bureau do even more.
-
บทความ
Using analytics to prevent deadly infections Dignity Health’s Bio-Surveillance Program predicts new sepsis cases, allowing early intervention and saving lives.
ตั้งแต่ปี 1976 บริษัทต่างๆ ทั่วโลกไว้วางใจใน SAS