Что такое аналитика, ее значение?

Аналитика Яндекс Метрики: что это и для чего нужна?

Что такое аналитика, ее значение?
Аналитика Яндекс. Метрики – необходимый инструмент в продвижении ресурса, который основан на задачах, связанных с интернет-маркетингом. Поговорим сегодня о том, для чего нужна аналитика Яндекс Метрики и что это с точки зрения мощного механизма в продвижении любого проекта, который хочет быть узнаваемым и успешным.

Следует понимать, что задачи ресурса и стратегия продвижения складываются, как раз, на основе аналитики. Эти данные помогают в продвижении информационного сайта и любого другого, а также способствуют проведению тщательного анализа важных показателей Интернет-ресурса, отслеживанию трафиковой эффективности и не только.

Любой ресурс, который нацелен на результат и выгодные продажи, можно сравнить с обычным магазином, только в виртуальной реальности. Например, при создании интернет-магазина в Иваново, так же как и при создании любого другого проекта, предприниматель хочет получить максимально возможную выгоду и процветание своего проекта.

Для реализации этих планов очень важно проводить сбор аналитических данных: следить за посетителями, иметь представление об их местоположении, половой принадлежности, возрасте, статусе. Важно понимать, что нравится аудитории в вашем сайте, а что вызывает вопросы.

Веб-аналитика Метрики: что это простыми словами?

Говоря простыми словами, веб-аналитика Яндекс. Метрики – это данные, составленные из чисел и их анализа, которые дают полную картину вашего сайта.

Веб-аналитика позволяет углубленно изучать аудиторию сайта и поведенческие факторы, конверсию, юзабилити, трафик, рекламные компании.

Веб-аналитика необходима, в том случае, если ваш ресурс создан не просто так, а для серьезной работы, которая в будущем принесет свои плоды.

Только отталкиваясь от аналитических данных, перечисленных выше, можно изменять и совершенствовать ресурс. Комплекс составляющих веб-аналитики открывает широкие возможности и очень важен для оптимизации и продвижения любого сайта.

Если вы предполагаете развитие вашего проекта, то очень важно следить за тем, сколько посетителей заходят на ваш ресурс, какая это аудитория по целому ряду критериев, откуда они переходят на ваш сайт, что просматривают, сколько времени проводят на странице и каковы их действия.

Пока новички в сфере продвижения и продаж ломают голову, чтобы понять нужна ли им веб-аналитика или нет, уверенные предприниматели используют самые новые идеи с минимальными вложениями и бесплатные качественные сервисы, в том числе аналитику Метрики, без которой уже не представляют свой бизнес.

Веб-аналитика дает четкое понимание того, зачем сайт был создан, развивается он сегодня, стоит на месте или сдает свои позиции, нуждается ли в нем аудитория или он никому не интересен.

Веб-аналитика Метрики, говоря простыми словами, – это популярный и часто используемый счетчик, который дает полное понимание плюсов и минусов сайта.

Мощнейшим инструментом Яндекс Метрики является Вебвизор, что это и как им пользоваться мы писали ранее, но важно не только знать, как им владеть, но и обладать информацией о главных показателях Метрики, которые представляют суть всей веб-аналитики:

  • Глубина просмотра;
  • Время, проведенное на сайте;
  • Конверсия;
  • Отказы;
  • Результативность.

Глубина просмотра страниц показывает, сколько и какие страницы за одно посещение просмотрел пользователь. Этот показатель показывает уровень доверия посетителя к сайту, а также пользу, качество контента и удобство навигации по сайту.

Время, проведенное на страницах ресурса, учитывается инструментами аналитики в том случае, если пользователь принимал активные действия на сайте, посещал разделы, страницы и не был неактивным более, чем 30 минут.

Этот показатель относится к группе поведенческих факторов, что это и зачем они нужны вы уже знаете, поэтому понимаете, почему подогретый интерес и любознательность потенциальной аудитории к сайту играют огромную роль в продвижении интернет-ресурса.

Конверсия (CTR) позволяет видеть соотношение всех визитов к числу посещений, за время которых были совершены какие-либо действия. Этот показатель позволяет увидеть работу рекламы и маркетинговых предложений на сайте, которые способствует переходу стандартных пользователей в лидов – потенциальных клиентов.

Отказы представляют собой визиты, продолжительность которых меньше заданного времени. Если Метрика настроена по умолчанию, оно составляет до 15 секунд. Также визит считается отказом, если пользователь закрыл сайт, просмотрев одну страницу и не совершив никакого действия за период просмотра.

Этот показатель плавающий и не всегда может говорить о том, что сайт не актуален, не соответствует запросу и имеет некачественный контент. Существуют сайты и страницы, на которых посетитель может провести 7-10 секунд и получить всю необходимую информацию. Как правило – это услуги такси, сайты-справки. В этом случае отказ в системе аналитики уже не является отказом, как таковым.

Результативность (путь к цели) представляет целый ряд действий аудитории, которые на руку владельцу сайта. Результативность имеет основные направления целей:

  • Связь с контентом;
  • Активность (лайки, участие в опросах и т.д.);
  • Согласие на рассылку (подписка);
  • Связь с формой обратной связи;
  • Звонок;
  • Оформление покупки через корзину.

Аналитика форм в Яндекс.Метрике: что собой представляет?

Есть ресурсы, которые часто используют различные формы для заполнения данных. Аналитика форм служит главным инструментом для таких сайтов и дает понимание того, как аудитория сайта контактирует с формами. Она может быть представлена окном навигации по сайту, формой оформления заказа или формой обратной связи.

Аналитика форм в Метрике отображает информацию в двух представлениях:

  • Конверсия формы;
  • Поля формы.

Многие задаются вопросом, как они работают. Конверсия формы предоставляет данные о числе просмотренных страниц с формой, о количестве взаимодействий с формой и числе отправленных форм.

Поля формы содержат данные о времени, проведенном с каждым полем формы, отчет о незаполненных полях формы и отчет о полях, которые вызвали вопросы у аудитории и были покинуты посетителями сайта.

Очень удобно то, что сервис позволяет переходить от одной формы к другой, если, например, на странице, анализ которой проводится, находится несколько форм. Для подключения Аналитики форм необходимо выполнить несколько действий.

Таким образом, аналитика форм собирает отчет с помощью Вебвизора, но лимит отчетов ограничен. Для того, чтобы получить доступ к Вебвизору, необходимо знать, как войти в личный кабинет Метрики и какие возможности станут после этого доступны.

С одного ресурса Вебвизор записывает не более 150 тысяч просмотров ежедневно.

Лишь некоторая часть из них включает действующий процесс заполнения формы, который впоследствии будет обработан инструментом Аналитики форм. Отчет предоставляет заполненные данные за период 15 дней.

Обычно полученной информации хватает для получения развернутого отчета-анализа по работе аудитории ресурса с формами.

Что касается форм заказа в интернет-магазинах, то чаще всего она показана только после того, как в корзине появится хотя бы один продукт. Для просмотра такого отчета достаточно в браузере кликнуть на сайт интернет-магазина, добавить в корзину любой продукт и войти в Метрику на страницу с отчетом по форме.

Бизнес-аналитика Яндекс Метрики: ее значение

Значение бизнес-аналитики в Метрике огромно. Ни в коем случае сайт нельзя будет считать инструментом успешного бизнеса, если его владелец не будет обладать информацией о работе сайта, количестве посещений, качестве переходов и числе заказов.

Бизнес-аналитика Яндекс. Метрики приносит огромную пользу сайту и его владельцу и создает правильное представление об области применения, весомых показателях и технической составляющей, которая и открывает перед посетителями полноценную систему бизнес-аналитики.

Бизнес-аналитика знает, что она измеряет и показывает, как она это делает. Эти знания дают предпринимателю полную картину о посетителях сайта и о детальном анализе обращений компании, а точнее о звонках, конверсии, кликах на сайте и лидах.

Иногда случается так, что в некоторых компаниях бизнес-аналитика, в лице Метрики, настроена для галочки и при этом часто неправильно, а для работы с данными нет специально обученного человека и этим по итогу никто не занимается.

Стоит понимать, что в разных корпорациях для разной работы требуются различные данные, которые имеют разные показатели пользы и эффективности. Таким образом анализировать и измерять нужно всё и только методом проб, ошибок можно добиться лучшего результата.

Типы отчетности бывают разные и зависят не только от разных целей, но и от специалистов.

Вы уже знаете кто такой маркетолог, так вот этот специалист уделяет особое внимание тепловой карте, конверсии и действиям на сайте, работая с нижним ярусом отчетности сайта.

Директор по маркетингу, например, погружен в отчетность циклической жизни клиентов, а предпринимателям и управленцам нужна отчетность за определенный (длительный) промежуток времени.

Но есть еще один вид аналитики в Яндекс. Метрике, которая заслуживает отдельного внимания, ведь она позволяет верно оценить качество рекламы и ряд других важных показателей, от которых зависит успех сайта.

Сквозная аналитика Метрики: что это такое простыми словами?

Нередко предприниматели интересуются тем, что такое сквозная аналитика Метрики и для чего она нужна. Сквозная аналитика, говоря простыми словами, это эффективный метод, позволяющий наблюдать со стороны путь лида, от первого просмотра рекламы до итогового результата – продажи.

Сквозная аналитика позволяет понять какие каналы рекламы эффективны, а какие нет, определяет ваш заработок за время продвижения сайта. Она состоит из данных, полученных путем статистики Яндекс Метрики и других подобных сервисов, а также из когортного анализа и колл-трекинга.

Когортный анализ, как правило, получают из CRM и представляет собой он периодические исследования групп пользователей, которые объединены каким-либо общим признаком: люди, совершившие покупку на вашем сайте за позапрошлый месяц или, например, те, кто на протяжении полугода посещали ресурс, но так ничего и не купили за этот период времени.

Колл-трекинг, в свою очередь, представлен системами отчетности по телефонным звонкам. Эта технология интернет-маркетинга помогает следить за звонками пользователей, получать по ним полный отчет и в дальнейшем принимать решения, касающиеся увеличения offline-конверсии.

Если говорить о сквозной аналитике, как об обширной системе, то смело можно сказать, что это хранилище данных по всем рекламным каналам с целостной картиной конверсии.

Вы уже узнали ранее, что такое воронка продаж и для чего она нужна, но стоит сказать, что этот тип аналитики является еще и разработкой первой ступени (этапа) воронки продаж, которая предоставляет не столько данные по трафику, сколько весомые ключевые запросы, которые и приводят больше лидов.

Сквозная аналитика – это неотъемлемая часть любого бизнеса, так как способствует быстрым и аргументированным исходным решениям в вопросах управления и развития.

Подводя итог, хочется добавить, что вся аналитика Яндекс. Метрики – это целый мир, который представлен бесплатными и качественными инструментами, заточенными под любой ресурс. Наша задача – пользоваться и наслаждаться работой этого сервиса, который способен вдохнуть в сайт новую жизнь и сыграть решающую роль в качественном продвижении любого проекта.

Источник: https://pro-promotion.ru/articles/web-analitika/analitika-yandeks-metriki-chto-eto-i-dlya-chego-nuzhna

Чем занимаются аналитики данных и как начать работать в этой области? — Академия Яндекса

Что такое аналитика, ее значение?

Данные собирают все — от магазинов и ресторанов до компаний-монополистов и приложений с миллионной аудиторией. Аналитик данных помогает сделать так, чтобы собранная информация приносила пользу бизнесу. Мы выяснили, какие задачи вместе с экспертами решает такой специалист и почему ему нужно разбираться в бизнес-процессах не хуже владельца компании.

Кто такой аналитик данных

Аналитик данных (или дата-аналитик) — это специалист, который собирает, обрабатывает, изучает и интерпретирует данные. Его работа помогает принимать решения в бизнесе, управлении и науке.

Обычно такие специалисты работают в компаниях, которые практикуют data-driven подход — ориентируются на данные и их анализ при принятии решений. Курс «Аналитик данных» Яндекс.

Практикума рассчитан именно на это направление.

«Любой продукт, у которого есть аудитория, собирает данные. Аналитика есть в телекоме, банках, играх, консалтинге. Если сильно обобщить, то можно сказать так: там, где есть возможность сохранять данные о продукте и поведении пользователя, рано или поздно должен появиться аналитик», — говорит Анна Чувилина, автор и менеджер программы «Аналитик данных».

Аналитик данных — важный участник бизнеса, потому что обеспечивает уверенность в принятии решений. Создавать новый продукт очень дорого, а ошибка при внедрении новой функции может стоить компании репутации и прибыли.

Дата-аналитики проводят А/B-тесты и строят модели, чтобы проверить, как пользователи или клиенты реагируют на нововведения, и оценить перспективы того или иного проекта. Это дешевле и снижает риски бизнеса. Чтобы делать свою работу хорошо, аналитик должен видеть бизнес-процессы.

Поэтому важно, чтобы он мог влиять на процесс принятия решения, основываясь на результатах своих исследований. Иначе работа такого специалиста теряет ценность.

Задачи аналитика данных

Хороший аналитик данных — не просто математик с навыками программиста. Он понимает бизнес-процессы и хорошо знает продукт. Такой специалист разбирается, на чем зарабатывает конкретный бизнес.

В результате его работы компания может получать больше прибыли и делать своих пользователей счастливее.

Сильный аналитик данных прежде чем взяться за работу всегда спрашивает руководителя о том, какую задачу хочет решить бизнес.

Кроме программных инструментов аналитику данных важно развивать — метапрофессиональные умения, которые помогают делать работу лучше.

Это способность налаживать общение с коллегами и партнерами, умение решать проблемы и выходить из конфликтных ситуаций с наименьшими потерями, сильный эмоциональный интеллект.

Такие навыки больше связаны с личностью человека, чем с его профессиональным уровнем. Но их тоже можно формировать и развивать.

«Важно не путать дата-саентиста и дата-аналитика. Первый — это программист, знающий определенный набор языков и алгоритмов. Он решает поставленную техническую задачу. А дата-аналитик ставит эту задачу и переводит результат на язык бизнеса.

Для этого нужно развивать гибкие навыки: работа с требованиями, визуализация данных, переговоры. То есть понимать самому и уметь объяснить, что дает бизнесу ваша аналитика.

Изучить программы недостаточно — нужно критически подходить к задаче», — говорит Алексей Колоколов, эксперт по BI и визуализации данных.

Для каждого бизнеса задачи будут свои, а порядок действий общий. Аналитик данных работает так:

  • собирает данные (формирует запрос сам или получает задачу от менеджеров);
  • знакомится с параметрами набора (какие типы данных собраны, как их можно отсортировать);
  • проводит предварительную обработку (очищает от ошибок и повторов, упорядочивает);
  • интерпретирует (анализирует, собственно решает задачу);
  • делает вывод;
  • визуализирует (так, чтобы на основе вывода можно было принять решение, подтвердить или опровергнуть гипотезу).

Типичные задачи, с которыми приходят к дата-аналитику:

  • Получить выгрузку данных для определенных целейБухгалтерии нужен список сотрудников, у которых в семье пятеро детей, — специалист делает выгрузку из базы данных.
  • Ответить на вопрос бизнесаСделать расчет определенной метрики: сколько сотрудников уволилось до конца испытательного срока в этом году и сколько в предыдущем. Если компания вводит новую систему адаптации, то изменения такой метрики покажут результат. 
  • Провести А/B-тестированиеНужно выяснить, как пользователи реагируют на то, какого цвета кнопка, зеленого или красного. Аналитик тестирует два прототипа. Часть пользователей видят прототип с зеленой кнопкой, другие — с красной. Он смотрит, как реагировали пользователи, проверяет, было ли различие статистически значимо. В итоге — рекомендует решение, которое проверил в ходе теста: внедрить зеленую или красную кнопку.
  • Провести исследованияКонкретного вопроса от бизнеса нет, но нужен ресерч: взять внешние или внутренние данные, исследовать, найти аномалии или инсайты, провести пиар-исследование.
  • Просчитать, какой вариант выгоднееЮнит-экономика: расчет РОИ, инвестиционного потенциала. Оценить окупаемость рекламной кампании или скорректировать бизнес-модель.
  • Выяснить, какой товар и в какое время больше покупаютВзять группу товаров и посмотреть, есть ли сезонные всплески интереса, сравнить с другими группами.

Статистика позволяет сделать общие выводы по конкретному вопросу. А аналитика данных — исследовать тему со всех сторон, сравнить решения, найти аномалии или инсайты, сопоставить события по множеству параметров. Это открывает новые возможности для бизнеса.

Дата-аналитик может исследовать внутренние данные компании или обратиться к внешним источникам. Анализ открытых данных позволяет отслеживать важные социальные и культурные тренды.

«Дата-аналитик может глубже исследовать проблему. Например, в наших данных по ДТП в России есть доля водителей, которые нарушили правила ОСАГО. Зная эту долю и то, как она менялась в разные годы, мы можем делать выводы о социально-экономической ситуации в регионе — видим тенденцию, когда водители перестают покупать полисы, потому что у них нет денег.

Из того же датасета мы вытаскивали информацию про скрывшихся водителей. Оказалось, что в Омской области 20% водителей покидают место ДТП. Получив эту информацию, мы можем задавать дополнительные вопросы: почему так происходит, что это за социальные и культурные процессы», — рассказывает Сергей Устинов, аналитик данных и проджект-менеджер.

Как начать строить карьеру

Стереотипы в сфере аналитики данных не работают — неважно, гуманитарное или техническое образование получил дата-аналитик.

«У меня нет технического образования, я учился на факультете госуправления. А Python изучал на курсе биоинформатики для биологов.

На мой взгляд, этот язык больше всего подходит для старта, база навыков работы с ним приобретается за два-три месяца. Затем стоит изучать профильные библиотеки для сбора и анализа данных.

Чем больше ты знаешь библиотек, тем более качественная аналитика тебе доступна», — говорит Сергей Устинов.

Компании не рассчитывают, что начинающий аналитик данных будет уметь сразу всё. Они готовы обучать и направлять молодого специалиста. Главное — интерес к решению бизнес-задач. Правильно сформулированный перед исследованием вопрос важнее, чем большой опыт работы с программными инструментами.

«Программирование и математику можно выучить. А софтскиллы — нарабатываются опытом и практикой. Поэтому дата-аналитику полезны хакатоны и чемпионаты с решением практических задач. Он увереннее чувствует себя, прокачивая стиль мышления, ориентированный на решение конкретных бизнес-задач», — говорит Анна Чувилина.

Начинающих специалистов в сфере ИТ охотнее всего берут на позиции, связанные с анализом данных: доля вакансий для кандидатов с опытом работы меньше года здесь на четверть выше, чем в целом по рынку.

Работодатели ждут, что начинающий специалист:

  • знает хотя бы один язык программирования: Python или R;
  • умеет писать запросы к базам данных SQL;
  • может показать выводы и метрики в виде понятного дашборда (Tableau, Power BI, Amplitude);
  • хочет разбираться в бизнес-процессах, мыслит в терминах бизнес-задач.

Аналитику данных нужно понимать, что такое статистика и гипотеза. Серьезная математика не пригодится, главное ориентироваться в понятиях. В зависимости от запроса компании могут понадобиться навыки работы с Яндекс.Метрикой или Google Analytics. Опытные программисты с сильной математикой, которые не готовы думать в терминах задач бизнеса, закрывают себе путь в профессию аналитика данных. 

«Джуниор вырастает в крутого специалиста, решая реальные кейсы. Потому что насмотренность определяет твой уровень: важно, сколько раз жизнь ставила тебя в ситуацию, когда нужно принимать решение. Развиваться в том, как владеешь инструментами, тоже важно. Но и решение реальных задач помогает аналитику данных расти», — говорит Анна Чувилина.

Источник: https://academy.yandex.ru/posts/chem-zanimayutsya-analitiki-dannykh-i-kak-nachat-rabotat-v-etoy-oblasti

Что такое аналитика?

Что такое аналитика, ее значение?

Аналитика – это то, о чем должен знать любой руководитель, лидер… да и вообще кто угодно! И не только потому, что это популярное слово встречается на каждом шагу, но и потому, что оно в скором времени изменит всю нашу жизнь.

Информация окружает нас со всех сторон, а потому аналитика затрагивает не только бизнес, но и, например, спорт, здравоохранение и правительство. Сложно представить себе аспект нашей жизни, в котором не будет использоваться аналитика.

Книги на эту тему становятся мировыми бестселлерами, а профессия специалиста по обработке данных считается одной из самых перспективных. Так что же такое аналитика?

На базовом уровне, аналитика – это способность собирать и использовать информацию, принимая решения на основе фактов.

Прогресс в области компьютерных технологий и полная информатизация мира в скором времени позволит принимать такие решения обо всем на свете, а люди приобретут поистине безграничные возможности.

Для начала поговорим об информатизации мира, а затем приведем примеры эффективного использования аналитики.

Информатизация, или увеличение объемов данных

День за днем люди создают все больше и больше данных, и этот процесс ускоряется с течением времени. Каждый аспект нашей жизнедеятельности оценивается и отслеживается, а аналитика позволяет раскрыть истинную суть вещей. Вот лишь несколько примеров, наглядно иллюстрирующий степень информатизации нашего мира:

  1. Факты общения с другими людьми постоянно фиксируются: специальные сервера хранят наши электронные письма, посты в социальных сетях и записи телефонных разговоров.
  2. Компании создают большие хранилища цифровых данных обо всем, что в них происходит. Только представьте, какой объем данных может создать бухгалтерия, стол обработки заказов или кадровый отдел! И эти объемы растут с каждой минутой!
  3. Все наши действия в цифровом мире также отслеживаются. Например, браузеры ведут историю просмотров и поисковых запросов, а онлайн-магазины запоминают, что мы купили. Когда мы читаем книгу или слушаем музыку в электронном виде, устройство (книга или проигрыватель) собирает информацию о том, что конкретно, когда и как долго мы делаем.
  4. Нас окружают едва заметные сенсоры, которые создают дополнительные данные. Например, в смартфонах есть сенсоры, определяющие местоположение владельца и скорость его движения, сенсоры кораблей измеряют температуру и направление потока воды в океане, сенсоры автомобилей контролируют процесс вождения, а сенсоры в упаковках товаров позволяют узнать, где находится наш заказ.
  5. Данные исходят и от различных аксессуаров –  “умных” часов, очков Google Glass и шагомеров. Например, я ношу фитнес-браслет, ежедневно измеряющий количество пройденных шагов, сожженных калорий и часов сна.
  6. Большое количество фотографий и видеороликов хранится в электронном виде, не говоря уже о записях с камер наблюдения. В частности, пользователи 
    ежеминутно загружают более 100 часов видео, а пользователи – более 200 000 фотографий.
  7. Устройства, подключенные к Интернету, способны самостоятельно создавать и передавать данные. Например, “умные” телевизоры запоминают программы, которые смотрят их хозяева, и даже могут определить, сколько человек сидит перед экраном.
  8. Все больше и больше информации публикуется в открытом доступе – например, статистика и прогнозы от метеобюро, ранее цензурированные правительственные данные, популярные поисковые запросы Google Trends или карты Google Maps.

Я думаю, вы уже поняли, что в наши дни наблюдается настоящий информационный взрыв, который служит катализатором для развития аналитики.

Аналитика в наши дни

За последние годы человечество не только создавало все больше и больше данных, но еще и научилось их обрабатывать.

Теперь мы можем анализировать большие объемы информации из различных источников, что приводит нас к недоступным ранее решениям. Анализ больших неструктурированных блоков часто именуется “аналитикой больших данных”.

Для анализа цифр, текста, фотографий, звуков и видео применяются различные методы. Рассмотрим некоторые примеры из практики.

Спорт: Аналитика активно используется для улучшения спортивной производительности профессиональных атлетов и обычных людей. Например:

  • Каждый желающий может купить бейсбольный мяч с 200 сенсорами, позволяющими определить силу удара, направление движения и т.д. Мяч был создан компанией InfoMotion Sports Technologies совместно с Мичиганским университетом и в настоящее время проходит доработку.
  • Мобильные приложения Run Keeper и Nike + Running используют встроенные в смартфон сенсоры, чтобы отслеживать и анализировать скорость бега и количество потраченных калорий.
  • Для Олимпийских гонок используются велосипеды с сенсорами в педалях, которые определяют величину ускорения, придаваемого транспорту при каждом толчке. Эта информация  позволяет оценить производительность спортсмена и улучшить ее.
  • Система SlamTracker предназначена для записи теннисных матчей и предоставляет статистику в режиме реального времени.
  • Наконец, мы все видели фильм “Человек, который изменил все”, рассказывающий историю жизни Билли Бина. Он работал генеральным менеджером команды Окленд Атлетикс и не мог найти новых игроков традиционными методами, но аналитика помогла ему добиться успеха и обыграть более богатые клубы.

Здравоохранение: Аналитика медленно, но верно меняет современную систему здравоохранения. Рассмотрим следующие примеры:

  • Больничные отделения, которые оказывают помощь недоношенным и больным младенцам в буквальном смысле анализируют каждый их вздох. Это помогает выявить определенные закономерности – например, заподозрить инфекцию за 24 часа до появления симптомов и начать заблаговременное лечение.
  • Мощные аналитические инструменты позволяют расшифровывать ДНК гораздо быстрее, чем раньше (в частности, в настоящее время на расшифровку уходит всего один день). Это позволяет предсказывать некоторые закономерности (например, вероятность того или иного заболевания) и принимать информированные решения (например, о превентивных мерах). Кроме того, расшифровка ДНК способствует появлению новых методов лечения болезней (например, рака).

Межличностные взаимоотношения: Любовь – это неотъемлемая составляющая человеческого счастья. Каждый хочет найти свою “половинку”, но как это сделать? На помощь приходит аналитика. Взять, к примеру, сервис eHarmony.

Его основатель изучил сотни пар и на основании полученных данных вывел свой собственный алгоритм, позволяющий подобрать человеку пару с учетом его личности и социальных навыков. Каждый пользователь сайта заполняет подробную анкету, чтобы потом познакомиться с тем, кого подобрала ему система.

В некоторых случаях предложенные варианты не соответствуют привычным типажам, однако данные позволяют предположить схожесть характеров. Другие сайты знакомств используют иные алгоритмы. Например, по версии Perfectmatch.com “половинки” должны дополнять друг друга.

“Умные” дома: Наши дома наполняются “умными” устройствами, которые собирают и анализируют данные. Например, мои весы следят не только за моим весом, но и за температурой и качеством воздуха в комнате, передавая данные на смартфон.

Мой холодильник подключен к Интернету и сообщает мне о неисправностях (например, если я забыл плотно закрыть дверь).

Количество “умных” устройств увеличивается с каждым годом, а аналитика позволяет эффективнее их использовать – например, автоматически настраивать систему отопления в соответствии с потребностями жильцов или оставлять заявки на ремонт.

Предотвращение преступлений: В сфере борьбы с преступностью аналитика помогает выявлять и предсказывать противоправные действия. Например:

  • Компании, выдающие кредитные карты, отслеживают наши транзакции в режиме реального времени. Если система выявляет “нетипичное” поведение, карта “замораживается” прежде, чем деньги будут сняты со счета.
  • Полиция и федеральные агентства используют аналитические инструменты для предотвращения террористических атак.
  • Во многих полицейских управлениях установлены системы, позволяющее узнавать о перестрелках и оперативно на них реагировать, не дожидаясь сигнала очевидцев. Примером такой системы может служить ShotSpotter. Именно благодаря ей управляющие органы узнали, что большая часть (80-90%) перестрелок проходила незамеченной.

Бизнес: Разумеется, аналитика активно используется в бизнесе. Я работаю в этой сфере, помогая компаниям создавать стратегии, принимать обдуманные решения и повышать свою производительность. Вот лишь малая толика примеров, которыми я могу поделиться:

  • Многие клиенты перераспределяют маркетинговые усилия, основываясь на информации о количестве продаж. Для определения поведенческих шаблонов покупателей используются данные с карт лояльности или кредитных карт. Например, женщина, которая ждет ребенка, сильно меняет свои привычки, и супермаркет, в котором она покупает продукты, может легко это узнать. Это знание можно использовать для распространения целевой рекламы, сообщив будущим родителям о скидках на детские товары.
  • Магазины розничной торговли используют аналитику для оптимизации работы с производственными запасами. Традиционные методы включают в себя анализ продаж и закупку товаров, которые продаются лучше всего. Современная аналитика выходит за привычные рамки. Например, один из моих клиентов обнаружил товар, который не пользовался особым спросом, но приобретавшие его покупатели обычно оставляли в магазине круглые суммы. Таким образом, отказываться от закупки этого товара было бы неразумно.
  • С помощью аналитики компании оптимизируют работу системы снабжения. Данные от сенсоров, установленных на грузовиках с товарами, позволяют выработать кратчайший маршрут доставки, принимая во внимание пробки и погодные условия.
  • Другой мой клиент, представлявший ведущую телекоммуникационную компанию, разработал аналитическую модель, позволявшую предсказывать уровень удовлетворенности пользователей и возможные жалобы. На основании текстов заявлений и записей телефонных звонков все пользователи были разделены на категории. В результате анализа выяснилось, что пользователи, принадлежащие к определенному типу, чаще других разрывали контракты и уходили к конкурентам. Дальнейшие исследования позволили тщательнее изучать уровень удовлетворенности таких клиентов и принимать превентивные меры по их удержанию.
  • Крупные предприятия из сферы услуг используют аналитику, чтобы определять сотрудников, которые подумывают покинуть рабочее место. Они используют информацию о посещении сотрудниками таких сайтов, как LinkedIn, Dice и Monster. Это позволяет принимать превентивные меры до того, как ценный специалист примет решение об уходе.

Источник: https://hr-portal.ru/story/chto-takoe-analitika

Какая бывает аналитика: предиктивная, описательная и еще 2 вида аналитики больших данных

Что такое аналитика, ее значение?

В этой статье мы разберем одно из ключевых понятий цифровизации: что такое предиктивная аналитика и чем она отличается от дескриптивной.

Также рассмотрим на практических примерах, какие виды аналитики больших данных (Big Data) еще бывают и где они используются.

Читайте в нашем сегодняшнем материале, как машинное обучение (Machine Learning) и другая аналитика Big Data помогают руководителям получать целостную картинку всех аспектов бизнеса и принимать эффективные управленческие решения.

4 вида аналитики данных для эффективного управления на практическом IIoT-примере

Начнем с практического определения: аналитика данных – это процесс поиска системных закономерностей в массивах информации и интерпретации найденных фактов с целью получения важных для бизнеса сведений (инсайтов, insights), которые позволят оптимизировать деятельность: увеличить доход, сократить затраты или достичь других важных результатов [1].

Принято выделять 4 вида аналитики данных, отличающихся уровнем сложности работы с информацией и степенью человеческого участия [2]:

  • Описательная (дескриптивная), которая отвечает на вопрос «Что случилось?», создавая сводку исторических данных для их дальнейшего анализа. Например, непрерывный сбор информации с производственного оборудования с помощью smart-датчиков и других IoT/IIoT-устройств позволит точно идентифицировать момент сбоя в технологическом процессе.
  • Диагностическая, которая анализирует информацию, чтобы ответить на вопрос «Почему это случилось?». Здесь используются статистические методы анализа данных с целью их кластеризации, классификации, детализации и обнаружения корреляции, чтобы выявить основные факторы влияния на результаты. В рассмотренном выше примере с промышленным интернетом вещей (Industrial Internet of Things, IIoT) диагностическая аналитика покажет, что авария случилась по причине выхода из строя модуля приемки сырья.
  • Предиктивная (прогнозная, предсказательная), которая прогнозирует неизвестные события в будущем, отвечая на вопрос «Что может случиться?» на основе анализа накопленной информации. Здесь используется множество методов: математическая статистика, моделирование, машинное обучение и другие области Data Science, а также интеллектуальный анализ данных (Data Mining). К примеру, предиктивная аналитика текущих и прошлых показателей работы производственного оборудования заблаговременно определит время его профилактического ремонта, чтобы избежать поломки дорогостоящей техники. Как это работает на практике в нефтегазовой отрасли, мы рассказывали в этой статье.
  • Предписывающая (предписательная), которая отвечает на, пожалуй, главный управленческий вопрос «Что делать?». Здесь машинное обучение и другие методы искусственного интеллекта анализируют все накопленные и обработанные данные, чтобы найти наилучшие решения для конкретной ситуации. В рассматриваемом примере модуль предписывающей аналитики подскажет, какая именно деталь производственного оборудования больше всего износилась и как это исправить наиболее оптимальным с точки зрения экономики образом: заменить на новую или отремонтировать.

Аналитическая пирамида: от описательной к предписывающей аналитики данных

Где еще используются системы аналитики Big Data и как их внедрить

Отметим области деятельности с наиболее высоким спросом на аналитику данных, как дескриптивную, так и предписывающую [3]:

  • медицина – постановка диагноза на основании симптомов болезни, выявление факторов, провоцирующих заболевание, определение склонности к заболеванию в будущем, формирование рекомендаций и выписка лекарств для лечения и профилактики болезней. Впрочем, некорректная настройка модуля Machine Learning в этом случае может привести к трагическим последствиям, о чем мы рассказывали здесь.
  • реклама и маркетинг – определение эффективности промо кампаний, выявление наиболее результативных каналов и форм подачи информации (персонализированный таргетинг), построение рекомендательных систем, формирование спроса на основе интересов пользователя и его поведения в сети, прогнозирование и предупреждение оттока клиентов (Churn Rate), оптимизация ценообразования.
  • страхование и кредитование – точное определение суммы возмещения или кредита, скоринговая оценка клиента. Например, сегодня это уже реализовано в совместном проекте российских банков с компанией Яндекс, когда банки оценивают платежеспособность потенциального заемщика по истории его запросов в поисковой системе. Подробнее об этом мы писали здесь.
  • промышленность – выявление ключевых факторов, влияющих на качество продукции и выполнение производственных процессов, предсказание отказов оборудования, составление графика профилактических проверок и ремонта техники, прогнозирование спроса на продукцию, оптимизация загрузки производственных мощностей и предупреждения о будущих внештатных ситуациях. Реальные примеры промышленного использования Big Data систем предиктивной и предписывающей аналитики на базе IoT/IIoT и Machine Learning читайте тут.
  • финансы и безопасность – выявление и предупреждение случаев мошеннических операций (антифрод-системы), распознавание вредоносных программ и случаев утечки данных, о чем мы рассказывали здесь.
  • управление человеческими ресурсами (HR) – выявление ключевых факторов, влияющих на компетентность сотрудников, составление модели профессиональных компетенций, прогнозирование увольнений, предупреждение профессионального выгорания и рабочих конфликтов [4]. Подробнее об этом мы расскажем в следующей статье.

Внедрение аналитических Big Data систем – это комплексный поэтапный проект, который часто выполняется в рамках цифровизации бизнеса. Предписывающая аналитика находится на вершине пирамиды и опирается на предыдущие уровни: предиктивную, диагностическую и описательную [2].

Поэтому для формирования оптимальных управленческих решений на основе данных необходимо, прежде всего, накопить релевантный объем этой информации, достаточный для корректного обучения алгоритмов Machine Learning.

Некоторые аналитические задачи решаются с помощью современных BI-инструментов, например, коммерческих платформ типа Oracle Data Mining, SAP BusinessObjects Predictive Analysis, SAP Predictive Maintenance and Service, IBM Predictive Insights или open-source решений (KNIME, Orange, RapidMiner) [3].

На практике многие предприятия, вступившие на путь цифровой трансформации, создают собственные системы аналитики больших данных. При этом используются разнообразные технологии Big Data, например, Apache Hadoop – для хранения информации (в HDFS или HBase), Kafka – для сбора данных из различных источников, а Spark или Storm – для быстрой аналитической обработки потоковой информации.

В частности, именно так реализована рекомендательная система стримингового сервиса Spotify, о которой мы рассказывали здесь. Таким образом, организация предиктивной и, тем более, предписывающей аналитики данных – это одна из ключевых задач цифровизации бизнеса.

Виды аналитики данных и вопросы, на которые они отвечают

Как внедрить систему аналитики больших данных и запустить цифровую трансформацию своего предприятия, вы узнаете, пройдя обучение на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:

  • Аналитика больших данных для руководителей

Источники

Источник: https://www.bigdataschool.ru/bigdata/types-of-data-analytics.html

Бизнес
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: