Analytics

Ir a: navegación, búsqueda de
Alternative text
Un panel de Google Analytics muestra. Herramientas como éste ayudan a las empresas identificar tendencias y tomar decisiones.

Analytics es el descubrimiento y la comunicación de patrones significativos en datos. Especialmente valiosos en zonas ricas en información grabada, analítica se basa en la aplicación simultánea de estadísticas, programación informática y investigación de operaciones para cuantificar el rendimiento. Analytics favorece a menudo visualización de datos para comunicar información.

Empresas comúnmente pueden aplicar análisis datos de negocio, para describir, predecir y mejorar el rendimiento empresarial. Específicamente, incluyen arenas dentro de analytics Análisis predictivo, Administración de decisión empresarial, retail analytics, almacenar el surtido y unidad de mantenimiento de stock optimización, optimización de marketing y marketing mix modelado, analítica web, fuerza de ventas dimensionamiento y optimización, precio y promoción modelado, ciencia predictiva, crédito Análisis de riesgos, y Análisis de fraude. Desde analytics puede requerir extenso cómputo (véase datos de grandes), los algoritmos y software utilizado para el análisis de los métodos más actuales en informática, estadística y matemáticas del arnés.[1]

Contenido

  • 1 Analytics vs análisis
  • 2 Ejemplos
    • 2.1 Optimización de marketing
    • 2.2 Análisis de cartera
    • 2.3 Análisis de riesgo
    • 2.4 Analítica digital
  • 3 Desafíos
  • 4 Véase también
  • 5 Referencias
  • 6 Enlaces externos

Analytics vs análisis

Analytics es una disciplina y multidimensional. Hay un uso extensivo de matemáticas y estadística, el uso de técnicas descriptivas y modelos predictivos para ganar valiosos conocimientos de datos - Análisis de datos. Las penetraciones de los datos son utilizadas para recomendar medidas o para guiar decisiones enraizada en el contexto de negocios. Por lo tanto, mucho no se preocupa analítica con análisis individuales o pasos de análisis, pero con todo el metodología. Hay una tendencia pronunciada a utilizar el término Analytics en entornos de negocios por ejemplo Análisis de texto vs el genérico más minería de texto para enfatizar este punto de vista más amplio.[citación necesitada]. Hay un creciente uso del término analítica avanzada,[citación necesitada] típicamente usado para describir los aspectos técnicos de la analítica, especialmente Modelación predictiva, aprendizaje automático técnicas, y redes neuronales.

Ejemplos

Optimización de marketing

Marketing ha evolucionado desde un proceso creativo en un proceso altamente controladas por datos. Las organizaciones de mercadeo usan analytics para determinar los resultados de las campañas o esfuerzos y para guiar las decisiones de inversión y dirigidos a los consumidores. Estudios demográficos, segmentación de clientes, análisis conjunto y otras técnicas permiten los comercializadores que utilizan grandes cantidades de consumidor compra, encuesta y panel de datos para entender y comunicar la estrategia de marketing.

Analítica web permite a los vendedores recoger información acerca de las interacciones a nivel de sesión en un sitio web mediante una operación denominada sessionization. Esas interacciones proporcionan la analítica web sistemas de información con la información para rastrear el referente, buscar palabras clave, dirección IP y las actividades del visitante. Con esta información, un comercializador puede mejorar las campañas de marketing, contenido creativo del sitio y arquitectura de la información.

Análisis de las técnicas utilizadas con frecuencia en marketing incluyen análisis de modelos, precios y promoción de mezcla de marketing, optimización, análisis de los clientes de fuerza de ventas por ejemplo: segmentación. Analítica web y optimización de sitios web y campañas online ahora con frecuencia trabajan mano a mano con las técnicas de análisis de marketing más tradicionales. Un enfoque en los medios digitales ha cambiado ligeramente el vocabulario para que modelos de mezcla de marketing se refiere comúnmente como atribución de modelado en el digital o Modelado de la mezcla de marketing contexto.

Estas herramientas y técnicas de apoyan tanto decisiones estratégicas de marketing (mezcla de tales como cuánto gastar en marketing y cómo asignar presupuestos a través de una cartera de marcas y la comercialización en general) y más apoyo en su campaña táctica en cuanto a la orientación al mejor cliente potencial con el mensaje óptimo en el medio más rentable en el momento ideal.

Análisis de cartera

Es una aplicación común de analítica de negocios Análisis de cartera. En esto, un Banco o agencia de crédito tiene una colección de relatos de diferentes valor y riesgo. Las cuentas pueden diferir por el estatus social (rico, clase media, pobre, etc.) del titular, la ubicación geográfica, su valor neto y muchos otros factores. El prestamista debe equilibrar el retorno en el préstamo con el riesgo de impago de cada préstamo. La pregunta entonces es cómo evaluar la cartera en su conjunto.

Los préstamos de riesgo menos puede ser a los muy ricos, pero hay un número muy limitado de personas adineradas. Por otro lado hay muchos pobres que pueden prestar a, pero con mayor riesgo. Algunos deben ser equilibrio que maximiza el rendimiento y minimiza el riesgo. Puede combinar la solución analítica series de tiempo el análisis con muchas otras cuestiones con el fin de tomar decisiones sobre cuándo a prestar dinero a estos segmentos diferentes prestatario o las decisiones sobre la tasa de interés cargada a los miembros de un segmento de cartera para cubrir las pérdidas entre los miembros de ese segmento.

Análisis de riesgo

Modelos predictivos en la industria bancaria está ampliamente desarrollado para llevar seguridad a través de las calificaciones de riesgo para clientes individuales. Las puntuaciones de crédito están construidas para predecir el comportamiento del individuo la delincuencia y también puntuaciones son ampliamente utilizadas para evaluar la calidad crediticia de cada solicitante y clasificadas al procesar la solicitud de préstamo. Además, se realizan análisis de riesgo en el mundo científico y la industria de seguros. En tal escenario, análisis de riesgo exponen el propósito principal de comportamiento contextual que predice la varianza de la especificación y organización de datos...

Analítica digital

Analítica digital es un conjunto de actividades comerciales y técnicas que definen, crean, recogen, verificar o transforman datos digitales en informes, investigación, análisis, recomendaciones, optimizaciones, predicciones y automatizaciones.[2]

Desafíos

En la industria de software de análisis comercial, ha emergido un énfasis en resolver los desafíos de analizar conjuntos de datos masivos, complejos, a menudo, cuando dichos datos están en un estado constante de cambio. Estos conjuntos de datos se refieren comúnmente como datos de grandes. Considerando que una vez que los problemas planteaban por grandes datos fueron encontrados sólo en la comunidad científica, hoy grandes datos están un problema para muchas empresas que operan sistemas transaccionales en línea y, consecuentemente, acumular rápidamente grandes volúmenes de datos.[3]

El análisis de datos no estructurados tipos es otro desafío poniendo atención en la industria. Los datos no estructurados difiere datos estructurados en eso su formato varía ampliamente y no puede ser almacenado en bases de datos relacionales tradicionales sin un esfuerzo importante en la transformación de datos.[4] Fuentes de datos no estructurados, como correo electrónico, el contenido de documentos de procesador de texto, archivos PDF, datos geoespaciales, etc., se están convirtiendo rápidamente en una fuente relevante de inteligencia de negocios para las empresas, gobiernos y universidades.[5] Por ejemplo, en Gran Bretaña el descubrimiento de que una empresa era notas ilegalmente venta fraudulenta del médico con el fin de ayudar a personas a estafar a los empleadores y compañías de seguros,[6] es una oportunidad para las empresas de seguros aumentar la vigilancia de su análisis de los datos no estructurados. El McKinsey Global Institute estima que análisis de datos grande podrían salvar el sistema de salud estadounidense $ 300 billones al año y el sector público europeo € 250 billones.[7]

Estos desafíos son el actual inspiración para gran parte de la innovación en sistemas de información analítica moderna, dando lugar a relativamente nuevos conceptos de análisis de la máquina tales como procesamiento de eventos complejos, lleno de nuevas ideas en la presentación y análisis y búsqueda de texto.[8] Un tal innovación es la introducción de la arquitectura de red-como en el análisis de la máquina, permitiendo que los aumentos en la velocidad de procesamiento masivamente paralelo mediante la distribución de la carga de trabajo a muchos equipos con igualdad de acceso para el conjunto completo de datos.[9]

Analítica se utiliza cada vez más en Educación, particularmente en los niveles de oficina de distrito y el gobierno. Sin embargo, la complejidad de las medidas de desempeño estudiantil presenta desafíos cuando los educadores tratan de entender y usar analytics para discernir los patrones en el desempeño académico, predecir la probabilidad de graduación, mejorar las posibilidades de éxito de los estudiantes, etc.. Por ejemplo, en un estudio realizado en barrios conocidos para el uso de datos sólida, el 48% de los maestros tenía dificultad plantea preguntas impulsadas por datos, 36% no comprendía dado datos y 52% interpretan incorrectamente datos.[10] Para combatir esto, algunas herramientas de análisis para los educadores se adhieren a una datos sin receta formato (incrustar etiquetas, documentación complementaria y un sistema de ayuda y haciendo clave paquete/visualización y decisiones de contenido) para mejorar la comprensión y el uso de la analítica que se muestra de educadores.[11]

Uno de los desafíos emergente más es dinámicas necesidades reglamentarias. Por ejemplo, en el sector bancario, Basilea III y las necesidades futuras de suficiencia de capital suelen hacer que los bancos más pequeños adoptar modelos internos de riesgos. En tales casos, el cloud computing y open source R (lenguaje de programación) puede ayudar a los bancos más pequeños adoptar análisis de riesgo y apoyar la supervisión mediante la aplicación de análisis predictivo del nivel rama.[citación necesitada]

Véase también

Referencias

  1. ^ Kohavi, Rothleder y Simoudis (2002). "Tendencias emergentes en Business Analytics". Communications of the ACM 45 (8): 45-48. Doi:10.1145/545151.545177.
  2. ^ Phillips, Judá "Construyendo una organización analítica Digital" Financial Times prensa, 2013, pp 7 – 8.
  3. ^ Naone, Erica. "El nuevo Big Data". Technology Review, MIT. 22 de agosto de 2011.
  4. ^ Inmon, Bill; Nesavich, Anthony (2007). Aprovechando los datos no estructurados. Prentice-Hall. ISBN978-0-13-236029-6.
  5. ^ Wise, Lindsay. "Análisis de los datos y los datos no estructurados". Tablero Insight. 14 de febrero de 2011.
  6. ^ "Nota enfermo del falso doctor para la venta por £25, escuadrón de fraude NHS advierte". Londres: El telégrafo. de agosto de 2008.
  7. ^ "Big Data: la próxima frontera para la innovación, la competencia y la productividad como se informó en edificio con Big Data". El economista. 26 de mayo de 2011. Programa archivado de la original en 03 de junio de 2011. 26 de mayo de 2011.
  8. ^ Ortega, Dan. "Movilidad: alimentando un cerebrito Business Intelligence". IT Business Edge. 21 de junio de 2011.
  9. ^ Khambadkone, Krish. "¿Estás listo para Big Data?". InfoGain. 10 de febrero de 2011.
  10. ^ Estados Unidos Departamento de educación oficina de planificación, evaluación y desarrollo de políticas (2009). Implementación de datos toma de decisiones en las escuelas: profesor acceso, soportes y uso. Departamento de Educación de Estados Unidos (documento ERIC reproducción servicio Nº. ED504191)
  11. ^ Rankin, J. (2013, el 28 de marzo). ¿Datos sistemas e informes pueden luchar o propagar la epidemia de errores de análisis de datos, y cómo pueden ayudar los líderes del educador. Presentación realizada entre centro de tecnología de información para la Cumbre de liderazgo escolar administrativo liderazgo (TICAL).

Enlaces externos

  • Revista bimensual, digital de informa sobre la profesión de analytics

Otras Páginas

Obtenido de"https://en.copro.org/w/index.php?title=Analytics&oldid=627764992"