Bereitstellung von Analytics und Data Wrangling zur Konvertierung von Rohdaten in umsetzbare Erkenntnisse - Dummies

Die Umwandlung Ihrer Rohdaten in verwertbare Erkenntnisse ist der erste Schritt in der Progression von den Daten, die Sie haben. zu etwas gesammelt, das Ihnen tatsächlich zugute kommt. Unternehmenszentrierte Datenwissenschaftler verwenden Datenanalysen , um Erkenntnisse aus Rohdaten zu gewinnen.

Identifizieren der Analysetypen

Nachstehend sind in der Reihenfolge der zunehmenden Komplexität die vier Arten von Datenanalysen aufgeführt, mit denen Sie wahrscheinlich konfrontiert werden:

Beschreibende Analytik: Diese Art von Analytik beantwortet die Frage: "Was ist passiert? "Deskriptive Analysen basieren auf historischen und aktuellen Daten. Ein Business Analyst oder ein Business-orientierter Data Scientist stützt moderne Business Intelligence auf deskriptive Analytik.
Diagnoseanalytik: Sie verwenden diese Art der Analyse, um Antworten auf die Frage zu finden: "Warum ist dieses spezielle Ereignis passiert? "Oder" was ist schief gelaufen? "Diagnoseanalysen sind nützlich, um den Erfolg oder Misserfolg von Teilkomponenten einer datengesteuerten Initiative abzuleiten und auf sie zu schließen.
Predictive Analytics: Obwohl diese Art der Analyse auf historischen und aktuellen Daten basiert, geht Predictive Analytics einen Schritt weiter als Deskriptive Analysen. Predictive Analytics beinhaltet komplexe Modellbildung und Analyse, um ein zukünftiges Ereignis oder einen zukünftigen Trend vorherzusagen. In einem geschäftlichen Kontext würden diese Analysen von dem geschäftsorientierten Datenwissenschaftler durchgeführt.
Prescriptive Analytics: Diese Art der Analyse zielt darauf ab, Prozesse, Strukturen und Systeme durch fundierte Maßnahmen zu optimieren, die auf vorausschauenden Analysen basieren - im Wesentlichen auf der Grundlage einer fundierten Einschätzung dessen, was geschehen wird. Sowohl Business-Analysten als auch geschäftsorientierte Data Scientists können präskriptive Analysen erstellen, deren Methoden und Datenquellen sich jedoch unterscheiden.

Idealerweise sollte sich ein Unternehmen an allen vier Arten von Datenanalysen beteiligen, aber präskriptive Analysen sind das direkteste und effektivste Mittel, um aus Datenerkenntnissen Nutzen zu ziehen.

Identifizieren allgemeiner Herausforderungen in der Analytik

Analytik stellt in der Wirtschaft üblicherweise mindestens zwei Herausforderungen dar. Erstens haben Unternehmen oft Schwierigkeiten, neue Mitarbeiter mit bestimmten Fähigkeiten zu finden, die auch Analysen enthalten. Zweitens haben selbst erfahrene Analysten oft Schwierigkeiten, komplexe Einsichten auf eine Art und Weise zu kommunizieren, die für Management-Entscheidungsträger verständlich ist.

Um diese Herausforderungen zu bewältigen, muss das Unternehmen eine Kultur schaffen und pflegen, die analytische Produkte wertschätzt und akzeptiert. Das Unternehmen muss arbeiten, um alle Ebenen der Organisation zu erziehen, so dass das Management ein grundlegendes Konzept der Analytik und den Erfolg hat, der durch ihre Umsetzung erreicht werden kann.

Umgekehrt müssen geschäftsorientierte Datenwissenschaftler ein sehr solides Wissen über das Geschäft im Allgemeinen und insbesondere ein solides Verständnis des Geschäfts vor Ort besitzen. Ein starkes betriebswirtschaftliches Wissen ist eine der drei Hauptanforderungen jedes geschäftsorientierten Datenwissenschaftlers - die anderen beiden sind ein starker Codierungssinn und starke quantitative Analysefähigkeiten durch mathematische und statistische Modellierung.

Rohdaten in verwertbare Einblicke umwandeln

Datenrungeln ist ein weiterer wichtiger Teil der Arbeit, die erforderlich ist, um Daten in Einsichten umzuwandeln. Um aus Rohdaten Analysen zu erstellen, müssen Sie fast immer Daten rangieren - die Prozesse und Verfahren, die Sie zum Bereinigen und Konvertieren von Daten von einem Format in einen anderen verwenden, damit die Daten genau und Im Format benötigen Analyse-Tools und -Skripte zum Verbrauch.

In der folgenden Liste werden einige der Praktiken und Probleme aufgezeigt, die für das Datenrauschen am wichtigsten sind:

Datenextraktion: Der geschäftsorientierte Datenwissenschaftler muss zuerst ermitteln, welche Datensätze für das vorliegende Problem relevant sind, und dann Extrahieren Sie ausreichende Mengen der Daten, die zur Lösung des Problems erforderlich sind. (Dieser Extraktionsprozess wird gemeinhin als Data Mining bezeichnet.)
Data munging: Beim Data Munging werden die durch Data Mining extrahierten Rohdaten bereinigt und in ein Format konvertiert, das einen bequemeren Datenverbrauch ermöglicht… (Mung begann das Leben als einen destruktiven Prozess, bei dem man etwas Erkennbares in etwas umwandeln würde, das nicht mehr erkennbar war, also die Phrase Mash Until No Good oder MUNG.)
Data Governance: Data Governance Standards sind Standards, die verwendet werden als Qualitätskontrollmaßnahme, um sicherzustellen, dass manuelle und automatisierte Datenquellen den Datenstandards des vorliegenden Modells entsprechen. Data-Governance-Standards müssen angewendet werden, damit die Daten in der richtigen Granularität vorliegen, wenn sie gespeichert und zur Verwendung bereit gemacht werden.

Granularität ist ein Maß für die Detailgenauigkeit eines Datensatzes. Die Datengranularität wird durch die relative Größe der Untergruppierungen bestimmt, in die die Daten unterteilt werden.
Datenarchitektur: Die IT-Architektur ist der Schlüssel. Wenn Ihre Daten in separaten, festen Repositories isoliert sind - diese berüchtigten Datensilos beschweren sich alle - dann steht sie nur wenigen Personen innerhalb einer bestimmten Branche zur Verfügung. Abgelaufene Datenstrukturen führen zu Szenarien, in denen ein Großteil der Daten eines Unternehmens einfach nicht zur Verwendung durch die Organisation insgesamt verfügbar ist. (Es erübrigt sich zu sagen, dass isolierte Datenstrukturen unglaublich verschwenderisch und ineffizient sind.)

Wenn es Ihr Ziel ist, den größten Nutzen und Erkenntnisse aus den Geschäftsdaten Ihrer Organisation zu ziehen, sollten Sie sicherstellen, dass die Daten in einem zentralen Data Warehouse gespeichert werden. nicht in getrennten Silos.