Algunos métodos de la ciencia de datos, como el análisis de regresión, pueden describirse como métodos de análisis comunes. Estos pueden distinguirse de métodos como Machine Learning o Redes neuronalesque, en comparación con los métodos clásicos son más avanzados tecnológicamente. Por ello, también se denominan análisis avanzados.
En particular, la capacidad de manejar grandes cantidades de datos (Grandes datos) a bajo coste han propiciado el avance de la analítica avanzada en los últimos años. Pero, ¿por qué es tan importante la analítica avanzada? Se puede entender sobre todo si se compara primero con su predecesora, la inteligencia empresarial clásica.
Consejo de lectura: En nuestro artículo básico tratamos en general de Big Data, Data Analytics y Data Science como claves de la transformación digital.
Inhaltsverzeichnis
Inteligencia empresarial frente a análisis avanzados
El término Análisis avanzados A diferencia del concepto clásico de Inteligencia empresarial definir. Debido al enfoque fundamentalmente diferente, a menudo se utiliza el término análisis predictivo en lugar de análisis avanzado. Esto pone de relieve que los análisis de datos no se limitan a examinar acontecimientos pasados, sino que los análisis conducen a previsiones sobre acontecimientos futuros.
En lugar de comprender a posteriori por qué ocurrió algo, las empresas se traen con Análisis avanzados en una posición en la que Actuar de forma proactiva puede. La analítica avanzada lo es en comparación con los métodos clásicos por varias razones, como pone de manifiesto el cuadro que figura a continuación. Con distintos métodos, como el aprendizaje automático, se pueden analizar todo tipo de datos, en parte automáticamente.
| Inteligencia empresarial | Análisis avanzados | |
|---|---|---|
| Orientación | La mirada atrás | Orientado al futuro |
| Tipos de preguntas | - ¿Qué ha pasado? - ¿Cuándo, quién, cuánto? | - ¿Qué ocurrirá? - ¿Qué ocurrirá si cambiamos este único parámetro? - ¿Y ahora qué? - ¿Cuáles son las recomendaciones de actuación? |
| Métodos | - Informe (KPI, métricas) - Supervisión/alerta automatizadas (umbrales) - Cuadros de mando - Tarjetas de puntuación - OLAP (Dice, Sclice & Dice, Perforación) - Consulta ad hoc | - Modelización predictiva - Minería de datos - Minería de textos - Análisis de macrodatos - Modelización descriptiva - Análisis estadístico/cuantitativo - Simulación y optimización - Aprendizaje automático - Redes neuronales artificiales |
| Grandes datos | Sí | Sí |
| Tipos de datos | Estructurados, algunos no estructurados | Estructurados y no estructurados |
| Generación de conocimientos | Manual | Automático |
| Usuario | Usuarios comerciales | Científicos de datos, analistas empresariales, informáticos, usuarios comerciales |
| Iniciativas empresariales | Con carácter retroactivo | Anticipación y prescripción |
Sobre la distinción entre análisis predictivo y prescriptivo
En la era del Big Data, la tendencia es cada vez más que las empresas utilicen las grandes cantidades de datos en Lagos de datos almacenar. Se pueden utilizar análisis exploratorios para desenterrar las ideas que se esconden aquí, centrándose en las predicciones (Análisis predictivo) o pueden establecerse como recomendaciones para la acción (Análisis prescriptivo).
La distinción entre analítica predictiva y analítica prescriptiva es a veces marginal, porque de las predicciones también se deriva una acción, por ejemplo, cuando hay que realizar el mantenimiento de una máquina. No obstante, en general puede decirse que la analítica predictiva y la analítica prescriptiva representan los dos subapartados esenciales de la analítica avanzada.
Analítica avanzada en la práctica
Los ámbitos de aplicación de la analítica avanzada difícilmente pueden limitarse a determinadas industrias. Útil Casos prácticos puede encontrarse en casi todas las industrias y sectores económicos encontrar. Ciertos escenarios de aplicación son más obvios, como la gestión de riesgos o la Predicción de bajas para evitar la fuga de clientes. Pero la analítica avanzada puede servir incluso para programar mejor el equipo de una tienda minorista.
Debido a la avalancha cada vez mayor de datos y a su fácil disponibilidad, por ejemplo a través de soluciones en la nube, un uso que aumente el valor de los datos es prácticamente la forma más obvia de mejorar el procesos empresariales no sólo para comprender mejor, sino también para mejor control para poder
Herramientas y técnicas de análisis
Una gran ventaja en la aplicación de la analítica avanzada es que muchas herramientas analíticas son de código abierto y, por tanto, están disponibles de forma gratuita. Herramientas como Hadoop, Hive o Spark son especialmente útiles en la fase inicial de prueba de concepto.
Sobre esta base, el Científico de datos a continuación, en función de la pregunta concreta, una de las técnicas analíticas habituales para responder a determinadas preguntas. Los métodos analíticos avanzados incluyen, por ejemplo:
- Aprendizaje profundo o aprendizaje automático
- Redes neuronales
- Minería de textos o de datos
- Procedimiento de agrupación
- Árboles de decisión
Mejor calidad de las decisiones gracias al análisis avanzado
Uno de los factores que impulsan el uso de soluciones analíticas avanzadas es el deseo de tomar mejores decisiones. En La era de los macrodatos se ha hecho necesario promover perspectivas rentables a partir de la cantidad de datos, cada vez mayor. Simplemente por el gasto, a veces elevado, que supone recopilar, almacenar y gestionar los datos, tiene sentido utilizarlos para aumentar el rendimiento económico.
Por lo general, los métodos de análisis avanzado conducen a un aumento de la calidad de las decisiones porque se basan en previsiones basadas en datos. Para empezar, es buena idea identificar ámbitos de aplicación individuales para adquirir experiencia positiva con la analítica avanzada, pero integrarlos en una estrategia de datos global y holística.
0 comentarios