Analytiikka
Mitä se on ja miksi se on tärkeää
Analytiikka auttaa löytämään vastauksia liiketoiminnan kysymyksiin, havaitsemaan yhteyksiä, ennustamaan tuloksia ja automatisoimaan päätöksentekoa. Tätä monimuotoista tietojenkäsittelytieteen alaa käytetään merkityksellisten mallien löytämiseen datasta sekä uuden tiedon etsimiseen sovelletun matematiikan, tilastojen, ennakoivan mallintamisen ja koneoppimistekniikoiden avulla
Analytiikan historia
Aiemmin tiedon taltiointi ja sen prosessointinopeus asettivat rajat analytiikalle. . Näitä rajoituksia ei enää nykypäivänä ole, ja se avaa väylän koneoppimiselle ja syväoppimisalgoritmeille, jotka voivat käsitellä suuria määriä dataa.
Tämän ansiosta perinteiseen kuvailevaan, ohjailevaan ja ennakoivaan analytiikkaan on voitu lisätä oppimista ja automaatiota, joiden avulla päästään tekoälyn aikakaudelle.
Ennen kysyimme mitä tapahtui ja mitä siitä pitäisi seurata. Nyt voimme pyytää koneitaautomatisoimaan ja oppimaan datasta itse – jopa kertomaan meille, mitä kysymyksiä meidän pitäisi kysyä.
Nykyään useimmat organisaatiot pitävät analytiikkaa strategisena voimavarana, ja analytiikka on keskeistä monissa toiminnallisissa rooleissa ja taidoissa.
Luonnollinen kielenkäsittely on kasvava koneoppimisen tarjoama analytiikan ala. Tietokoneet käyttävät luonnollista kielenkäsittelyä tulkitsemaan puhetta ja tekstiä. Chatbotit käyttävät luonnollista kielenkäsittelyä vastaamaan asiakaspalvelun kysymyksiin, antavat sijoitusneuvoja online-chat -ikkunoissa tai tarjoavat käsikirjoitettuja vastauksia puhelinkeskuksissa työskenteleville ihmisille.
Koneoppiminen ja tekoäly ovat tuoneet mukanaan myös hyödyllisiä sovelluksia, kuten itseajavia autoja ja suosittelujärjestelmiä. Autot kiidättävät meitä ympäriinsä samalla kun ahmimme seuraavaa TV-sarjaa, jota suositeltiin meille makumme perusteella.
Analytiikka ei tietenkään muovaa pelkästään vapaa-aikamme. Nopeampien ja tehokkaampien tietokoneiden avulla meillä on runsaasti mahdollisuuksia analytiikan ja tekoälyn käyttöön. Olipa kyse luottoriskin määrittämisestä, uusien lääkkeiden kehittämisestä, tuotteiden ja palveluiden tehokkaampien toimitustapojen löytämisestä, petosten ehkäisemisestä, kyberuhkien paljastamisesta tai arvokkaimpien asiakassuhteiden ylläpitämisestä, analytiikka voi auttaa ymmärtämään, mikä ohjaa organisaatiosi menestystä – ja mitä se merkitsee ympäröivälle maailmalle.
Analytiikka nykyään
Toteuta analytiikkaprojektisi näiden resurssien avulla. Selvitä, mitä tarvitset projektiesi suunnittelemiseen, omaan dataasi kohdistuvan luottamuksen palauttamiseen ja analytiikkastrategian kehittämiseen.
10 kysymystä analytiikkaprojektien käynnistämisestä
Paljonko se maksaa? Mitä ongelmia yritän ratkaista? Millaista vastustusta kohtaan? Tässä on kolme keskeistä kysymystä, joitka jokaisen pitäisi kysyä analytiikkaprojektia suunnitellessa.
Luottamuksen merkitys analytiikassa
Analytiikan ja tekoälyn kaltaisten uusien teknologioiden käytössä lisäarvon synnyttäminen alkaa luottamuksesta. Miten alan johtajat rakentavat luottamusta dataan ja analytiikkaan? MIT Sloan kysyi tätä 2 400 yritysjohtajalta ottaakseen asiasta selvää.
Analytiikkastrategian rakentaminen
Mitä data- ja analytiikkajohtajien asialistalla on? Analytiikkastrategian määrittely. Tietojen luotettavuuden varmistaminen. Datasta johdettuun tietoon perustuvan päätöksenteon tukeminen. Ja paljon muuta. Lataa e-kirja, joka auttaa analytiikkastrategian rakentamisessa.
Analytiikan perusteet
Oletko kiinnostunut siitä, miten pk-yritys voihyötyä analytiikasta, mutta et ole varma, mistä aloittaa. Tässä webinaarissa kerrotaan, miten minkä kokoinen yritys tahansa voi aloittaa analytiikan käytön.
Analytiikan demokratisointi
Dataähkystä ei enää kärsi pelkästään yrityksen laskentatoimi, vaan digitaalisen maailman paineet kasaantuvat nykyään meidän kaikkien hartioille. Tuskin missään organisaatiossa on enää montaa ihmistä,, jolla ei olisi tarvetta nopeudelle, ketteryydelle, joustavuudelle ja innovaatiolle? Tämä tekee analytiikasta tärkeää lähes kaikille, ei vain tilasto- ja datatieteilijöille.
Organisaatiot etsiväkin tapoja, joilla analytiikan tuottamaa tietoa saadaan useampien käyttäjien ulottuville helppotajuisessa muodossa. Analytiikkaa liitetään suoraan työelämän sovelluksiin ja päätöksentekoa automatisoidaan.
”Osoita ja klikkaa” -teknologiat, joilla voidaan rakentaa dynaamisia malleja automaattisesti, tuovat analytiikan yhä useampien käyttäjien ulottuville. Monimutkaisiinkin kysymyksiin voidaan tuottaa vastaus valitsemalla tietolähde ja määrittelemällä kysymyksen tavoite. Malli rakentuu taustalla ja sen toimintaa selitetään luonnollista kieltä tuottamalla.
Johtamisessa analytiikkaa hyödyntävät yritykset erottautuvat paremmin kilpailijoista, saavuttavat suurempia tuottoja ja selvitytyvät pitkällä aikavälillä paremmin..
Täydellinen istuvuus – kaikin tavoin
Katso, miten Levi Strauss & Co. rakentaa yhdessä SAS®in kanssa analytiikkaan perustuvaa toimintaa ja päätöksentekoa.joka auttaa yhdistämään yrityksen ja ihmiset, jotka rakastavat heidän vaatteitaan.
Suosittu vaatemerkki käyttää analytiikkaa suunnitelmien optimointiin ja mahdollisuuksien ennakointiin tuotteiden suunnittelussa, kohdentamisessa ja varastonhallinnassa.
Miten analytiikka toimii
Jokainen yritys on analytiikkayritys.. Kaikkia prosesseja voidaan parantaa analytiikalla.. Kaikki työntekijät voivat myös jollain tavalla olla analytiikan käyttäjiä. Riippumatta siitä, mitä analytiikalla aiotaan saavuttaa, kaikki analytiikkaprojektit vaativat ensin dataa. Kun dataa on saatavilla, se pitää analysoida, ja sitten analyysin tulokset on hyödynnettävä päätöksenteossa. Mitä nopeammin organisaatiot liikkuvat analytiikan elinkaaressa, sitä nopeammin ne voivat saavuttaa konkreettista arvoa analytiikkainvestoinneistaan.
SASilla pidämme näitä kolmea, dataa, havainnointia ja käyttöönottoa, analytiikan elinkaaren toistuvina vaiheina. Projektin laajuudesta riippumatta sen tulisi sisältää nämä kolme vaihetta. Tarkastellaan vaiheita yksityiskohtaisemmin.
Saat lisätietoja napsauttamalla infograafia
Data
Nykypäivän data on nopeaa, laajaa ja monimutkaista. Analytiikkaratkaisujen on analysoitava minkä tahansa tyyppistä dataa, kuten perinteistä strukturoitua dataa, mutta myös uusia muotoja, kuten anturitietoja, kuvia ja videoita..
Tietojen käyttöä, valmistelua, puhdistamista ja hallintaa varten tarvitaan myös tiedonhallintastrategia (data management).
Miten tietoja kerätään, puhdistetaan ja tallennetaan? Datan valmistelun (data preparation) arvioidaan vievän jopa 80 % analytiikkaprojektiin käytetystä ajasta. Voisiko sen ajan käyttää paremmin mallien rakentamiseen?
Älykäs analytiikka-alusta (analytics platform) virtaviivaistaa datan valmistelua alustalle suunniteltujen moottorien, integroitujen datan laatu- ja valmistelutyökalujen avulla, jotka automatisoivat aikaa vieviä tehtäviä tekoälyn avulla.
Lopuksi datan organisointi- ja hallintamalli (data governance) varmistaa, että tietoihin voi luottaa, koska niiden lähde ja sisältö tunnetaan ja datan laatua (data quality) voidaan seurata. datanhallinta helpottaa myös tietojen suojaamista tarvittaessa.
Havainnointi
Havainnoinnissa on kyse datan tutkimisesta, visualisoinnista ja mallien rakentamisesta. Oikea algoritmi löytyy yleensä yrityksen ja erehdyksen kautta. Mutta silloin kin näitä kokeiluja on helppo dokumentoida, tallentaa ja vertailla, prosessi kehittyy.
Oikean algoritmin valitseminen riippuu monesta tekijästä, kuten datan koosta, liiketoiminnan tarpeista, koulutusajasta, parametreistä, datapisteistä ja niin edelleen. Edes kokeneimmat datatieteilijät eivät pysty sanomaan, mikä algoritmi suoriutuu parhaiten ennen kuin useita lähestymistapoja on kokeiltu.
Havainnointivaiheessa onkin yleistä verrata eri ohjelmointikielillä kirjoitettuja erilaisia malleja datan eri ominaisuuksien kanssa.
Tästä esimerkkinä tuore analytiikkaprojekti, jossa käytettiin objektien tunnistusta maksakasvainten havaitsemiseen lääketieteellisistä kuvista. Siinä prosessi alkoi useiden neuroverkkojen tutkimisella ja tulosten vertailulla ja dokumentoinnilla, mikä kesti muutaman viikon.
Tällainen yhteistyöprosessi toimii parhaiten, kun erilaisia taitoja omaavat datatutkijat voivat kirjoittaa koodia valitsemallaan kielellä, ja ohjelmointia taitamattomat osallistujat voivat käyttää visuaalista osoita ja klikkaa -käyttöliittymää tutkiakseen eri lähestymistapojen tuloksia.
Käyttöönotto
Jos analytiikkaponnistelujen halutaan olevan vaivan arvoisia, on löytöjen tulokset otettava käyttöön ja laitettava ne töihin. Koneoppimisen ja muiden mallien ei ole tarkoitus maata käyttämättömänä – niitä on hyödynnettävä, jotta niistä saa arvoa. Käyttöönottovaihe on kuitenkin yleensä se, jossa organisaatiot kokevat eniten hankaluuksia.
Olitpa sitten rakentamassa yhtä tai tuhatta mallia, siirtyminen mallien valitsemisesta mallien käyttöönottoon edellyttää mallinhallintaa (model management). Mallinhallinta tarjoaa versionhallintaa ja auttaa rekisteröimään, arvioimaan ja hallitsemaan malleja keskitetysti. Se auttaa kehittämään tapoja ja sääntöjä mallien käyttöönotosta ja seurannasta. Datan ja mallien käyttö säilyy sen ansiosta läpinäkyvänä.
Tavoitteena tulisi olla, että mallit rakennettaisiin vain kerran ja otettaisiin sitten käyttöön missä tahansa – johdon ohjausnäkymissä, suoraan käyttöjärjestelmissä tai muissa sovelluksissa ohjelmointirajapintojen välityksellä.
Analytiikkaekosysteemi
Analytiikka-ala kukoistaa. Sadat analytiikkaekosysteemin yritykset tarjoavat teknologiaa ja palveluita, joiden avulla organisaatiot voivat tallentaa, käyttää, analysoida ja esittää tietoja. Palvelut vaihtelevat tiedonhallinnasta ja visualisoinnista kehittyneeseen analytiikkaan ja valmiiksi rakennettuihin analytiikkaratkaisuihin, sekä moniin avoimen lähdekoodin analytiikkavaihtoehtoihin.
SAS on ainutlaatuisessa asemassa, sillä se voi integroitua minkä tahansa ekosysteemin toimijan kanssa. SASin alusta toimii minkä tahansa toimittajan laitteistojen kanssa, käsittelee kaikentyyppistä dataa, vertailee erikielisiä malleja ja tarjoaa johdonmukaista tiedon hallintaa analytiikkaekosysteemin data-, havainnointi- ja käyttöönottovaiheissa.
Säilytätkö dataa Amazon Web Servicessa tai Hadoopissa? Poimitko dataa Twitteristä tai Google Analyticsista? Analysoitko Python- tai SAS-dataa? Ajatko ohjelmia Intel- tai NVIDIA-siruilla? Otetaanko tulokset käyttöön työpöydällä tai IoT-laitteissa?
SASin alusta toimii yhdessä kaikkien edellä mainittujen kanssa, sekä kaikkien jo käytössäsi olevien vanhojen ratkaisujen kanssa. Entä mikä on tulos? Kaikki,datatieteilijöistä IT-päättäjiin, voivat työskennellä saman analytiikkajärjestelmän parissa. Lisäksi mallien hallintaseuranta ja läpinäkyvyys, tietovirran hallinta(data lineage) ja integrointi tuovat hyötyjä analytiikkaprojekteihin.
Analytiikka-alusta auttaa kiihdyttämään analytiikan elinkaarta pitämällä kaikki analytiikkaekosysteemin elementit järjestyksessä, jolloin datasta aletaan saada konkreettisia tuloksia. Kaiken kaikkiaan se parantaa kaikkien analytiikkaan tehtyjen investointien tuottoa, niin datan, teknologian kuin ihmistenkin osalta, ja auttaa kohti menestystä.
Tekoälyratkaisut
Analytiikka muuttuu tekoälyksi, kun malleihin tuodaan mukaan oppimista ja kun oppiminen on automatisoitua. SASin analytiikalla on jo vankka pohja tekoälyssä (AI) ja ratkaisut, joissa kehittynyt analytiikka, koneoppiminen, syväoppiminen, luonnollisen kielen käsittely ja tietokonenäköovat mukana Lue, miten yritysjohtajat ja datatieteilijät voivat varustautua ja valmistella organisaationsa tekoälyn tulevaisuuteen teknologialla, taidoilla ja tuella.
Recommended reading
-
Article
ModelOps: How to operationalize the model life cycleModelOps is where analytical models are cycled from the data science team to the IT production team in a regular cadence of deployment and updates. In the race to realizing value from AI models, it’s a winning ingredient that only a few companies are using.
-
Article
How to drill a better hole with analyticsFrom drilling holes to preventing health care fraud, learn about some of the new technologies SAS has patented with IoT and machine learning technologies.
-
Article
Big data in government: How data and analytics power public programsBig data generated by government and private sources coupled with analytics has become a crucial component for a lot of public-sector work. Why? Because using analytics can improve outcomes of public programs.
Since 1976, companies worldwide have trusted SAS.