Analytics
Hvad er det, og hvorfor er det vigtigt?
Analytics bruger data og matematik til at besvare forretningsspørgsmål, opdage relationer, forudsige ukendte resultater og automatisere beslutninger. Dette alsidige felt inden for datalogi bruges til at finde meningsfulde mønstre i data og afdække ny viden baseret på anvendt matematik, statistik, forudsigelig modellering og maskinlæringsteknikker.
Baggrunden for Analytics
Datalagring og behandlingshastighed begrænsede tidligere analytics. I dag gælder disse begrænsninger ikke længere og i stedet er døren åbnet til mere kompleks maskinlæring og dybe læringsalgoritmer, der kan håndtere store mængder data i flere passeringer.
Som et resultat af dette er de standardbeskrivende, ordinerende og forudsigelige kapaciteter i analytics blevet suppleret med læring og automatisering, der indleder æraen for den kunstige intelligens.
Dette betyder, at vi er gået fra at spørge, hvad der skete, og hvad der skal ske, til at bede vores maskiner om at automatisere og alene lære af data – og endda fortælle os, hvilke spørgsmål vi skal stille.
I dag anser de fleste organisationer analytics for et strategisk aktiv, hvortil analytics er blevet centralt for mange funktionelle roller og færdigheder.
Et voksende område inden for analytics, drevet af maskinlæring, er naturlig sprogbehandling. Computere bruger NLP til at fortolke tale og tekst. Chatbots bruger NLP til at besvare kundeservicespørgsmål eller tilbyde investeringsrådgivning i online chatvinduer. De kan også tilbyde scriptede forslag til medarbejdere i live callcenters.
Maskinlæring og kunstig intelligens har også givet os nyttige applikationer såsom selvkørende biler og anbefalingssystemer, der lover at køre os rundt, mens vi ser en anbefalet TV-serie baseret på vores smag.
Selvfølgelig former analytics mere end vores fritid. Med hurtigere og mere kraftfulde computere er der mange muligheder for brugen af analytics og kunstig intelligens. Uanset om det er at fastsætte en kreditrisiko, udvikle nye lægemidler, finde mere effektive måder at levere produkter og tjenester på, forhindre svig, afdække cybertrusler eller fastholde de mest værdifulde kunder, kan analytics hjælpe dig med at forstå, hvad der driver din organisations succes – og hvordan det betyder noget for verden omkring det.
Analytics i dagens verden
Kom i gang med dine analyseprojekter med disse ressourcer. Find ud af, hvad du skal bruge for at planlægge dine projekter, genetablere tilliden til dine data og udvikle en analysestrategi.
10 spørgsmål, der sparker dine analytics projekter i gang
Hvor meget koster det? Hvilke problemer forsøger du at løse? Hvor er modstanden? Dette er de tre primære spørgsmål, du skal stille dig selv for at danne rammen om dit analytics projekt.
Hvorfor tillid er vigtigt ved analytics
For at få mere værdi ud af analytics og nye teknologier såsom AI handler det om tillid. Hvordan opbygger analytikere deres tillid til data og analytics? MIT Sloan undersøgte 2.400 forretningsledere for at finde ud af det.
Opbygning af din strategi med analytics
Hvad er agendaen for CDO’ere og CAO’ere? At definere en analysestrategi. At sikre pålideligheden af informationer. At styrke datadrevne beslutninger. At bemyndige datadrevne beslutninger. Og mere. Download e-bogen og få hjælp til at opbygge din analysestrategi.
Analytics 101
Hvis du har været nysgerrig på, hvordan din lille til mellemstore virksomhed kunne drage fordele af analytics men ikke er sikker på, hvor du skal starte, er dette webinar perfekt for dig. Introduktionen forklarer, hvordan man kommer i gang med analytics uanset virksomhedsstørrelse.
Demokratisering af analytics
Presset fra den digitale verden rammer os alle, og dataoverbelastning er ikke længere begrænset til ”antallet af mennesker” i en organisation. Kan du nævne nogen i hvilken som helst organisation, der ikke oplever et behov for hurtighed, agilitet, fleksibilitet og innovation? Dette gør analytics til en prioritet for næsten alle – ikke kun statistikere og dataforskere.
Som et resultat af dette leder organisationen efter måder at gøre analytics tilgængelige for flere brugere ved at lægge letforståelig indsigt i hænderne på flere medarbejdere, integrere indsigt direkte i frontlinjeanvendelse eller automatisere relevante beslutninger.
Teknologier, der tilbyder peg-og-klik-processer til dynamisk, automatisk modelopbygning, gør analytics tilgængelige for flere brugere. Selv komplekse spørgsmål kan besvares ved at vælge en datakilde og angive dit mål, mens en mestermodel bliver bygget i baggrunden og genereringen af det naturlige sprog forklarer modellen.
Organisationer, der er førende med analytics, kan forvente en betydelig differentiering, overdimensioneret afkast og undertiden længerevarende overlevelse.
Når alt bare passer
Se hvordan Levi Strauss & Co er på en rejse med SAS® for at opbygge en analytisk drevet og beslutningsklar kultur, der hjælper med at forbinde dem med de mennesker, der elsker deres tøj.
Den populære forhandler bruger analytics til at optimere planer og forudsige muligheder gennem vareplanlægning, fordeling og lagerstyring.
Hvordan analytics fungerer
Enhver forretning er en analytics-forretning. Hver proces er en analytisk proces til forbedring. Og enhver medarbejder kunne være en analytics bruger på en eller anden måde. Uanset hvad du planlægger at opnå med analytics, er data det første krav til ethvert projekt med analytics. Når du har data ved hånden, er du nødt til at analysere dataene. Og så skal du implementere resultaterne af din analyse for at skabe beslutningstagning. Jo hurtigere organisationer kan bevæge sig gennem den analytiske livscyklus, jo hurtigere kan de opnå konkret værdi af deres analytics-investeringer.
Hos SAS ser vi disse tre kategorier – data, opdagelse og implementering – som iterative trin i analytics’ livscyklus. Uanset omfanget af dit projekt, skal det omfatte alle tre trin. Lad os tage et nærmere kig på dem alle.
Klik på infografikken for at lære mere.
Data
Data er hurtigt, stort og komplekst. Løsninger med analytics skal analysere enhver type, hvilket også inkluderer traditionelt struktureret data og nye formater såsom streaming sensordata, billeder og video.
For at få adgang til, klargøre, rense og styre disse data, har du også brug for en datastyringsstrategi.
Hvordan vil du indsamle, rense og lagre dine data? Dataforberedelse er estimeret til at tage op til 80% af den tid, der samlet set bruges på et projekt. Kunne den tid bruges bedre på at opbygge modeller?
En intelligent analytics platform strømliner dataforberedelse med native access engines, integreret datakvalitet og dataforberedelsesværktøjer, der automatiserer tidskrævende opgaver med AI.
Endelig sikrer datastyring, at der kan stoles på dine data, fordi du kender kilden og indholdet og kan overvåge datakvaliteten. Datastyring gør det også let at beskytte data, når det er relevant.
Opdagelse
Opdagelse handler om udforskning, visualisering og opbygning af modeller. At finde den rigtige algoritme er ofte en proces med forsøg og fejl. Men når det er let at dokumentere, gemme og sammenligne disse forsøg, fungerer processen bedst muligt.
Choosing the right algorithm depends on several factDeploymenyors, including data size, business needs, training time, parameters, data points and much more. Even the most experienced data scientists can’t tell you which algorithm will perform the best before experimenting with multiple approaches.
Faktisk er det almindeligt i opdagelsesfasen at sammenligne forskellige modeller skrevet på et andet programmeringssprog med forskellige datafunktioner.
For eksempel begyndte et nyligt analytics-projekt, der anvendte objektdetektion til at identificere tumorer i medicinske scanninger af levere, med en udforskning af flere neurale netværk efterfulgt af et par uger med at sammenligne og dokumentere resultaterne af forskellige modeller.
Denne samarbejdsproces fungerer bedst, når dataforskere med forskellige færdigheder kan skrive kode på et sprog, de selv vælger, og at ikke-programmører kan bruge en visuel peg-og-klikgrænseflade til at udforske resultaterne af forskellige analytiske tilgange.
Implementering
Hvis du gerne vil have, at din indsats med analytics skal betale sig, skal du implementere resultaterne af dine opdagelser og bruge dem. Maskinlæring og andre modeller er ikke beregnet til at blive lagt væk på en hylde – du skal bruge dem til at få forretningsværdien. Alligevel er implementeringsfasen der, hvor de fleste organisationer kæmper mest.
Uanset om du bygger en enkelt model eller tusinder, kræver det modeladministration at gå fra at vælge modeller til at implementere dem. Det giver versionskontrol og hjælper dig med at registrere, validere og centralt styrke dine modeller. Det hjælper dig med at udvikle procedurer og regler for implementering og overvågning af modeller. Det giver dig også gennemsigtighed omkring data og modelbrug.
Dit mål skal være at opbygge modeller og implementere dem alle steder – fra dashboards og lige ind i operationelle systemer eller indbygget i andre apps gennem API’er.
Økosystemet for analytics
Analytics blomstrer. Hundredvis af virksomheder i analytics’ økosystem leverer teknologi og tjenester til at hjælpe organisationer med at gemme, få adgang til, analysere og præsentere data. Disse spænder fra datastyring og visualisering til avancerede analyser og forud opbyggede analytics løsninger, herunder mange open-source analytics løsninger.
SAS er helt unikt positioneret til at integrere med hver spiller i økosystemet. SAS-platformen arbejder med hardware fra enhver leverandør, indtager alle typer data, sammenligner modeller fra forskellige sprog og tilbyder ensartet styring på tværs af data-, opdagelses- og implementeringsfaserne i økosystemet for analytics.
Gemmer du data I AWS eller Hadoop? Hiver du data ud fra Twitter eller Google Analytics? Analyserer du data i Python og SAS? Kører du programmer på Intel eller NVIDIA-chips? Implementerer du resultater til desktops eller IoT enheder?
SAS-platformen kan håndtere det hele samt alle andre ældre løsninger, som du allerede har vedtaget. Resultatet? Alle lige fra dataforskere til IT til beslutningstagere kan arbejde i harmoni fra det samme analysesystem. Derudover drager du fordele af modeladministration, modelovervågning, modelgennemsigtighed, datastamme og integration på tværs af analyseprojekter og pakker.
Ved at orkestrere alle elementerne i analytics økosystemet hjælper en analytics platform med at fremskynde dets livscyklus og bevæge dig fra data og over til håndgribelige resultater. I sidste ende forbedrer dette investeringsafkastet for alle dine investeringer i analytics – data, teknologi og mennesker – og positionerer dig til succes.
Løsninger inden for kunstig intelligens
Analytics udvikler sig til kunstig intelligens, når læring er integreret i modellerne og læringsfunktionerne automatiseres.SAS analytics har allerede et stærkt fundament inden for AI, med løsninger til avanceret analytics, maskinlæring, dyb læring, naturlig sprogbehandling og computersyn. Bliv klogere på, hvordan du kan klæde forretningsledere og dataforskere på til AI’s fremtid med den teknologi, færdigheder og support, du har brug for til at omdanne din organisation til en fremtid med AI.
Recommended reading
-
Article
Saving lives during a global pandemic through medical resource optimizationCleveland Clinic is operationalizing analytics to combat COVID-19, creating innovative models that help forecast patient volume, bed capacity, medical equipment availability and more.
-
Article
Machine learning, data science and AI meet IoTIn this video, Kirk Borne and Michele Null discuss the intersection of machine learning, AI and data science with IoT data and analytics.
-
Article
Can data sharing lead to cancer discoveries?Clinical trials can bring new drugs – and new hope – to the market for cancer patients. Now, a new data sharing platform for clinical trial data brings even more hope.
Since 1976, companies worldwide have trusted SAS.