Använda Analytics och Data Wrangling för att konvertera Raw Data till Actionable Insights - Dummies

Att ändra dina råa data till insiktsinsatser är det första steget i utvecklingen från de data du har samlas in till något som faktiskt gagnar dig. Affärscentrerade datavetenskapare använder data analytics för att skapa insikter från rådata.

Identifiering av typerna av analyser

Nedan följer, med hänsyn till ökad komplexitet, de fyra typerna av dataanalys som du sannolikt kommer att stöta på:

• Beskrivande analys: Denna typ av analyser svarar på frågan "Vad hände? "Beskrivande analyser bygger på historiska och aktuella data. En affärsanalytiker eller en affärscentrerad datavetenskapare bygger nuvarande affärsinformation om beskrivande analys.

• Diagnostisk analys: Du använder denna typ av analys för att hitta svar på frågan "varför hände det här något speciellt? "Eller" vad gick fel? "Diagnostiska analyser är användbara för att avleda och avleda framgång eller misslyckande av delkomponenter i alla data-driven initiativ.

• Prediktiv analys: Även om den här typen av analyser är baserad på historiska och aktuella data, går predictive analytics ett steg längre än beskrivande analys. Prediktiva analyser involverar komplex modellbyggnad och analys för att förutse en framtida händelse eller trend. I ett affärssammanhang skulle dessa analyser utföras av den företagscentrerade datavetenskaparen.

• Prescriptive analytics: Denna typ av analyser syftar till att optimera processer, strukturer och system genom informerade åtgärder som bygger på prediktiv analys. I huvudsak berättar du vad du ska göra baserat på en informerad uppskattning av vad som händer. Både affärsanalytiker och företagscentrerade datavetenskapare kan generera prescriptiv analys, men deras metoder och datakällor skiljer sig åt.

Företrädesvis bör ett företag engagera sig i alla fyra typer av dataanalys, men prescriptive analytics är det mest direkta och effektiva sättet att generera värde från datainsikten.

Identifiera gemensamma utmaningar i analytics

Analytics utgör vanligtvis minst två utmaningar i näringslivet. För det första har organisationer ofta en mycket svår tid att hitta nya anställningar med specifika färdighetssätt som inkluderar analys. För det andra har även skickliga analytiker svårigheter att kommunicera komplicerade insikter på ett sätt som är förståeligt för ledande beslutsfattare.

För att lösa dessa utmaningar måste organisationen skapa och vårda en kultur som värderar och accepterar analysprodukter. Verksamheten måste arbeta för att utbilda alla nivåer i organisationen, så att ledningen har ett grundläggande begrepp analytics och den framgång som kan uppnås genom att genomföra dem.

Omvänt måste företagscentrerade datavetenskapare ha en väldigt solid arbetskunskap om företag i allmänhet och i synnerhet en god förståelse för verksamheten. En stark affärskunskap är ett av de tre huvudkraven för någon företagscentrerad datavetenskapare - de andra två är en stark kodningsförmåga och starka kvantitativa analysfärdigheter via matematik och statistisk modellering.

Områlande rådata till handlingsbara insikter

Datawrangling är en annan viktig del av arbetet som krävs för att konvertera data till insikter. För att bygga upp analys från rådata behöver du nästan alltid använda datawrangling - de processer och procedurer du använder för att rengöra och konvertera data från ett format och struktur till en annan så att data är korrekta och I formatet analysverktyg och skript krävs för konsumtion.

I följande lista framhävs några av de metoder och frågor som är mest relevanta för dataförlängning:

• Datautvinning: Den företagscentrerade datavetenskapsmannen måste först identifiera vilka dataset som är relevanta för det aktuella problemet och sedan extrahera tillräckliga mängder av data som krävs för att lösa problemet. (Denna utvinningsprocess benämns vanligen datautvinning.)

• Datamungning: Datamungning innebär att man rensar de råa data som extraheras genom data mining och sedan konverterar det till ett format som möjliggör en mer bekväm förbrukning av data. (Mung började livet som en förstörande process, där du skulle konvertera något igenkännligt till något som inte var igenkänt, så uttrycket Mash Till No Good eller MUNG.)

• Data Governance: Datastyrningsstandarder är standarder som används som en kvalitetskontrollåtgärd för att säkerställa att manuella och automatiserade datakällor överensstämmer med datastandarderna för modellen till hands. Datastyrningsstandarder måste tillämpas så att data är i rätt granularitet när den lagras och görs klar för användning.

  Granularitet är ett mått på en datasats detaljnivå. Datagranularitet bestäms av den relativa storleken hos de undergrupper i vilka data delas.

• Datarkitektur: IT-arkitekturen är nyckeln. Om dina data är isolerade i separata, fasta repositorier - de ökända datasilonerna klagar alla om - då är den tillgänglig för endast ett fåtal personer inom en viss bransch. Sileddatastrukturer resulterar i scenarier där en majoritet av en organisations data helt enkelt inte är tillgänglig för användning av organisationen som helhet. (Självklart är sileddatastrukturer otroligt slöseriösa och ineffektiva.)

Om ditt mål är att få mest värde och insikt från organisationens företagsuppgifter, bör du se till att data lagras i ett centralt datalager och inte i separata silor.