Menyebarkan Analytics dan Data Wrangling untuk Mengkonversi Data Mentah ke dalam Wawasan yang dapat ditindaklanjuti

Mengubah data mentah menjadi wawasan yang dapat ditindaklanjuti adalah langkah pertama dalam pengembangan dari data yang Anda dikumpulkan untuk sesuatu yang benar-benar menguntungkan Anda. Ilmu data sentris bisnis menggunakan analisis data untuk menghasilkan wawasan dari data mentah.

Mengidentifikasi jenis analisis

Tercantum di bawah ini, dalam rangka meningkatkan kompleksitas, adalah empat jenis analisis data yang kemungkinan besar akan Anda hadapi:

• Analisis deskriptif: Jenis analisis ini menjawab pertanyaan, "Apa yang terjadi? "Analisis deskriptif didasarkan pada data historis dan terkini. Seorang analis bisnis atau ilmuwan data bisnis-sentris mendasarkan kecerdasan bisnis modern pada analisis deskriptif.

• Analisis Diagnostik: Anda menggunakan jenis analisis ini untuk menemukan jawaban atas pertanyaan, "mengapa hal tertentu terjadi? "Atau" apa yang salah? "Analisis diagnostik berguna untuk menyimpulkan dan menyimpulkan keberhasilan atau kegagalan subkomponen dari inisiatif berbasis data apa pun.

• Analisis prediktif: Meskipun jenis analisis ini didasarkan pada data historis dan terkini, analisis prediktif melangkah lebih jauh daripada analisis deskriptif. Analisis prediktif melibatkan pengembangan dan analisis model yang kompleks untuk memprediksi kejadian atau tren masa depan. Dalam konteks bisnis, analisis ini akan dilakukan oleh ilmuwan data bisnis-sentris.

• Analisis preskriptif: Jenis analisis ini bertujuan untuk mengoptimalkan proses, struktur, dan sistem melalui tindakan berdasarkan informasi yang didasarkan pada analisis prediktif - yang pada dasarnya memberi tahu Anda apa yang harus Anda lakukan berdasarkan taksiran informasi tentang apa yang akan terjadi. Analis bisnis dan ilmuwan data sentris bisnis dapat menghasilkan analisis preskriptif, namun metode dan sumber data mereka berbeda.

Mengidentifikasi tantangan umum dalam analisis

Analytics biasanya mengajukan setidaknya dua tantangan dalam bisnis. Pertama, organisasi sering kali sangat sulit menemukan karyawan baru dengan keahlian khusus yang mencakup analisis. Kedua, bahkan analis yang terampil sering mengalami kesulitan dalam mengkomunikasikan wawasan kompleks dengan cara yang dapat dimengerti oleh pengambil keputusan manajemen.

Untuk mengatasi tantangan ini, organisasi harus menciptakan dan memelihara budaya yang menghargai dan menerima produk analytics. Bisnis harus bekerja untuk mendidik semua tingkat organisasi, sehingga manajemen memiliki konsep dasar analisis dan kesuksesan yang bisa dicapai dengan menerapkannya.

Sebaliknya, ilmuwan data sentris bisnis harus memiliki pengetahuan kerja yang sangat solid tentang bisnis secara umum dan, khususnya, pemahaman yang solid tentang bisnis yang ada. Pengetahuan bisnis yang kuat adalah salah satu dari tiga persyaratan utama dari ilmuwan data sentris bisnis - dua lainnya adalah ketajaman pengkodean yang kuat dan keterampilan analisis kuantitatif yang kuat melalui pemodelan matematika dan statistik.

Menggagalkan data mentah ke wawasan yang dapat ditindaklanjuti

Pertarungan data adalah bagian penting dari pekerjaan yang diperlukan untuk mengubah data menjadi wawasan. Untuk membangun analisis dari data mentah, Anda hampir selalu perlu menggunakan

data wrangling - proses dan prosedur yang Anda gunakan untuk membersihkan dan mengubah data dari satu format dan struktur ke struktur lainnya sehingga data akurat dan akurat. dalam format alat analisis dan skrip membutuhkan konsumsi. Daftar berikut menyoroti beberapa praktik dan isu yang paling relevan dengan perselisihan data:

Pengambilan data:

• Ilmuwan data sentris bisnis pertama-tama harus mengidentifikasi dataset yang relevan dengan masalah yang dihadapi, dan kemudian ekstrak cukup jumlah data yang dibutuhkan untuk memecahkan masalah. (Proses ekstraksi ini biasa disebut data mining.) Data munging:

• Data munging melibatkan pembersihan data mentah yang diekstraksi melalui data mining, kemudian mengubahnya menjadi format yang memungkinkan penggunaan data yang lebih mudah.. (Mung memulai hidup sebagai proses yang merusak, di mana Anda akan mengubah sesuatu yang dikenali menjadi sesuatu yang tidak dapat dikenali, sehingga frasa Mash Until tidak baik, atau MUNG.) Tata kelola data:

• Standar tata kelola data adalah standar yang digunakan sebagai ukuran kontrol kualitas untuk memastikan bahwa sumber data manual dan otomatis sesuai dengan standar data model yang ada. Standar tata kelola data harus diterapkan agar data berada pada perincian yang tepat saat disimpan dan siap digunakan. Granularitas

  adalah ukuran tingkat detail dataset. Perincian data ditentukan oleh ukuran relatif dari sub-kelompok dimana data dibagi. Arsitektur data:

• Arsitektur TI adalah kunci. Jika data Anda terisolasi di repositori tetap yang terpisah - silang data terdepan semua orang mengeluh - maka hanya tersedia beberapa orang dalam bidang bisnis tertentu. Struktur data diam menghasilkan skenario dimana sebagian besar data organisasi tidak tersedia untuk digunakan oleh organisasi secara keseluruhan. (Tidak perlu dikatakan, struktur data siled sangat boros dan tidak efisien.) Jika tujuan Anda adalah mendapatkan nilai dan wawasan dari data bisnis organisasi Anda, maka Anda harus memastikan bahwa data disimpan di gudang data pusat dan bukan di silo terpisah.