Οι 4 τύποι του business analytics [Όλα όσα πρέπει να ξέρεις – Μέρος 1]

Σήμερα, το business analytics είναι παντού. Η ανάπτυξη πολύπλοκων τεχνικών ανάλυσης δεδομένων έχει δώσει τη δυνατότητα καταγραφής, διάγνωσης, πρόγνωσης των επιθυμητών ενεργειών και αυτόματης εξαγωγής της βέλτιστης δράσης για την επίτευξη των επιθυμητών αποτελεσμάτων. Το παρόν άρθρο είναι το πρώτο από τα τρία άρθρα που έχουν ως σκοπό να σας δείξουν με απλό και συνοπτικό τρόπο, ποιοι είναι οι 4 τύποι του business analytics, τα δημοφιλέστερα εργαλεία του αναλυτή επιχειρήσεων, τις προκλήσεις και τις σύγχρονες τάσεις.

Το δεύτερο μέρος μπορείτε να το βρείτε ΕΔΩ

Η ιστορία του business analytics

Η πρώτη εμφάνιση του BA στις επιχειρήσεις ανάγεται στον Frederick Winslow Taylor στα τέλη του 19^ου αιώνα, με την εφαρμογή των αρχών επιστημονικού management των διαδικασιών μιας επιχείρησης, που είχαν ως στόχο τη βελτίωση της απόδοσης. Η επιστημονική διαχείριση του Taylor συνίστατο σε τέσσερις αρχές:

• Αντικατάσταση των εμπειρικών μεθόδων με μεθόδους βασισμένες σε μια επιστημονική μελέτη των διεργασιών.
• Επιστημονική επιλογή, εκπαίδευση και ανάπτυξη των εργαζομένων
• Παροχή λεπτομερούς περιγραφής καθηκόντων και εποπτεία κάθε εργαζομένου κατά την εκτέλεση των καθηκόντων
• Διαχωρισμός της εργασίας μεταξύ managers και εργαζομένων, έτσι ώστε οι managers να εφαρμόζουν αρχές επιστημονικής διαχείρισης για τον προγραμματισμό του έργου και οι εργαζόμενοι να εκτελούν το έργο.

Αργότερα, ο Henry Ford μέτρησε το χρόνο κάθε επιμέρους στοιχείου στη νέα του γραμμή συναρμολόγησης, με στόχο τη βελτιστοποίηση της απόδοσης. Με την είσοδο των υπολογιστών στα συστήματα υποστήριξης αποφάσεων το 1960, η επιχειρηματική αναλυτική έλαβε εστιασμένη προσοχή από ειδικούς και επιχειρήσεις. Από τότε, η αναλυτική παρουσίασε ραγδαία εξέλιξη με την ανάπτυξη συστημάτων ERP (ERP), τις αποθήκες δεδομένων και ένα μεγάλο αριθμό άλλων εργαλείων και διαδικασιών. Στα επόμενα χρόνια η επιχειρηματική αναλυτική έφτασε σε ένα εντελώς νέο επίπεδο παρέχοντας αμέτρητες δυνατότητες στις επιχειρήσεις για τη κατανόηση και τη βελτίωση της απόδοσής τους.

Ορισμός: Τι είναι το business analytics;

Το Business analytics (στα ελληνικά το βρίσκουμε ως Επιχειρηματική Αναλυτική) είναι η διαδικασία συλλογής, διαλογής, επεξεργασίας και μελέτης επιχειρηματικών δεδομένων και η χρήση στατιστικών μοντέλων και επαναληπτικών μεθοδολογιών για τη μετατροπή αυτών των δεδομένων σε επιχειρηματικές γνώσεις.

Ο στόχος του Business analytics είναι να προσδιοριστούν τα σύνολα δεδομένων που είναι χρήσιμα και πώς μπορούν να χρησιμοποιηθούν αυτά για την επίλυση προβλημάτων και την αύξηση της αποδοτικότητας, της παραγωγικότητας και των εσόδων της επιχείρησης

Business analytics vs Business intelligence

Το Business analytics είναι ένα υποσύνολο του Business Intelligence (BI). Η διαφορά τους είναι η εξής:

Το Business Intelligence προσπαθεί να περιγράψει το παρελθόν και το παρόν, εστιάζοντας στις στρατηγικές και τα εργαλεία που χρησιμοποιούνται για την απόκτηση, αναγνώριση και κατηγοριοποίηση των ακατέργαστων δεδομένων.

Αντίθετα, το Business analytics εστιάζει:

• στη μεθοδολογία με την οποία μπορούν να αναλυθούν τα δεδομένα
• την ανάπτυξη προτύπων και μοντέλων για την ερμηνεία των παρελθόντων γεγονότων
• τη δημιουργία προβλέψεων για μελλοντικά γεγονότα
• τις προτάσεις δράσεων για τη μεγιστοποίηση των επιθυμητών αποτελεσμάτων

Τεχνικές του business analytics

Οι αναλυτές επιχειρήσεων μπορούν να χρησιμοποιήσουν τη στατιστική, τα συστήματα πληροφοριών, την επιστήμη υπολογιστών και την επιχειρηματική έρευνα για να κατανοήσουν καλύτερα τα σύνθετα σύνολα δεδομένων. Οι 4 τύποι του business analytics χρησιμοποιούν τεχνικές όπως η τεχνητή νοημοσύνη, η βαθιά εκμάθηση και τα νευρωνικά δίκτυα, ώστε να διαχωρίσουν τα διαθέσιμα δεδομένα και να προσδιορίσουν πρότυπα. Αυτές οι πληροφορίες μπορούν να αξιοποιηθούν για να προβλέψουν με ακρίβεια τα μελλοντικά γεγονότα που σχετίζονται με τη δράση των καταναλωτών ή τις τάσεις της αγοράς.

Συνοπτικά, οι τεχνικές του business analytics είναι οι εξής:

• Ποσοτικές έρευνες για την καταγραφή των στάσεων/αντιλήψεων των πελατών ή των εργαζομένων
• Ειδικά softwares για τη συλλογή και οπτικοποίηση των δεδομένων
• Στατιστική ανάλυση για τη περιγραφή, τη διάγνωση και την καλύτερη κατανόηση των δεδομένων
• Ειδικές τεχνικές ανάλυσης (artificial intelligence, deep learning, neural networks) για την ομαδοποίηση των δεδομένων και την αναγνώριση προτύπων
• Τεχνικές προγνωστικής ανάλυσης για τη δημιουργία μοντέλων υψηλής ακρίβειας που σχετίζονται με τη δράση των καταναλωτών ή τις τάσεις της αγοράς

Οι 4 τύποι του business analytics

Υπάρχουν 4 τύποι Business Analytics, οι οποίοι υλοποιούνται σταδιακά, ξεκινώντας από τον απλούστερο, αν και κανένας τύπος δεν είναι πιο σημαντικός από τον άλλον, καθώς όλοι αλληλοσυνδέονται. Οι παρακάτω τύποι ΒΑ παρέχουν πληροφορίες για τους ρόλους κάθε τύπου στη διαδικασία της ανάλυσης.

Χρησιμοποιώντας και τους τέσσερις αυτούς τύπους, οι αναλυτές μπορούν να διαχωρίσουν και να επιλέξουν τα κατάλληλα δεδομένων και τους αντίστοιχους δείκτες απόδοσης (KPIs)  για τη δημιουργία λύσεων για πολλές από τις μεγαλύτερες προκλήσεις που αντιμετωπίζουν σήμερα οι επιχειρήσεις. Οι 4 τύποι του business analytics αναλύονται λεπτομερώς στη συνέχεια:

Περιγραφική αναλυτική (Descriptive analytics)

Η περιγραφική αναλυτική είναι το πρώτο στάδιο του ΒΑ. Αφορά στον εντοπισμό και τη παρακολούθηση βασικών δεικτών απόδοσης (KPI) με στόχο τη κατανόηση της παρούσας κατάστασης μιας επιχείρησης. Στη περιγραφική ανάλυση περιλαμβάνεται η Συγκέντρωση δεδομένων (Data Aggregation) και κάποια στάδια της εξόρυξης δεδομένων, με σκοπό την αναγνώριση των KPIs.  

Η περιγραφική ανάλυση μπορεί να βοηθήσει στον εντοπισμό ισχυρών και αδύναμων σημείων και να δώσει μια εικόνα για τη συμπεριφορά των πελατών, με βάση την οποία μπορούν να αναπτυχθούν στρατηγικές μάρκετινγκ και βελτίωσης των υπηρεσιών. Το πιο συνηθισμένο αποτέλεσμα της περιγραφικής ανάλυσης είναι μια αναφορά με πίνακες και διαγράμματα που βοηθούν στη κατανόηση της παρούσας κατάστασης.  

Πριν από την ανάλυση των δεδομένων, πρέπει να συγκεντρωθούν και να καθαριστούν για να αποφευχθεί η επανάληψη και να φιλτραριστούν για να καταργηθούν τα ανακριβή, ελλιπή και μη χρησιμοποιήσιμα δεδομένα. Τα δεδομένα μπορεί να είναι:

• Δεδομένα συμπεριφοράς/συναλλαγών από τα αρχεία της επιχείρησης ή από την ιστοσελίδα της επιχείρησης (π.χ. e-shop).
• Δεδομένα που δίνει ο χρήστης/πελάτης εθελοντικά. Συνήθως αυτά παρέχονται μέσω έντυπου ή ηλεκτρονικού ερωτηματολογίου το οποίο μπορεί να βρίσκεται και στην ιστοσελίδα της επιχείρησης.
• Δεδομένα που αφορούν τις λειτουργίες της επιχείρησης ή/και τα οικονομικά στοιχεία. Αυτά συλλέγονται συνήθως από τα αρχεία της επιχείρησης ή από ειδικούς εμπειρογνώμονες
• Δεδομένα που αφορούν τους εργαζομένους της επιχείρησης και μπορεί να προέρχονται από αρχεία της επιχείρησης είτε από ερωτηματολόγια.

Η οπτικοποίηση των δεδομένων ( Data Visualization) και η διαγραμματική απεικόνιση των βασικότερων δεικτών απόδοσης είναι επίσης μέρος της περιγραφικής αναλυτικής. Οι πληροφορίες που αντλούνται από τα δεδομένα μπορούν να παρουσιαστούν με εξαιρετικά διαδραστικά γραφήματα για να δείξουν:

• Διερευνητική ανάλυση δεδομένων
• Μοντελοποίηση της παραγωγής
• Στατιστικές προβλέψεις

Αυτά τα στοιχεία απεικόνισης δεδομένων επιτρέπουν στους οργανισμούς να αξιοποιούν τα δεδομένα τους για να ενημερώσουν και να οδηγήσουν νέους στόχους για την επιχείρηση, να αυξήσουν τα έσοδα και να βελτιώσουν τις σχέσεις με τους καταναλωτές.

Διαγνωστική Αναλυτική (Diagnostic analytics)

Οι διαγνωστικές αναλύσεις μετατοπίζονται από το “τι” των παρελθόντων και των τρεχόντων γεγονότων στο “πώς” και “γιατί”, εστιάζοντας στην προηγούμενη απόδοση για να προσδιορίσουν ποιοι παράγοντες επηρεάζουν τις τάσεις. Αυτός ο τύπος ΒΑ χρησιμοποιεί τεχνικές όπως ανίχνευση δεδομένων, εξόρυξη δεδομένων και συσχετισμούς για την αποκάλυψη των βασικών αιτιών των γεγονότων.

Οι διαγνωστικές αναλύσεις χρησιμοποιούν πιθανότητες και κατανομή των αποτελεσμάτων για να κατανοήσουν γιατί μπορεί να συμβούν αυτά τα συμβάντα. Χρησιμοποιούνται τεχνικές όπως η ανάλυση ευαισθησίας και οι αλγόριθμοι κατάρτισης για ταξινόμηση και παλινδρόμηση. Εντούτοις, η διαγνωστική ανάλυση έχει περιορισμένη ικανότητα να παράσχει πραγματικές πληροφορίες, παρέχοντας αποτελέσματα συσχέτισης σε αντίθεση με την επιβεβαιωμένη αιτιώδη συνάφεια.

Οι διαδικασίες που περιλαμβάνονται στη διαγνωστική ανάλυση είναι οι εξής:

Εξόρυξη δεδομένων (Data Mining)

Στην προσπάθεια να αποκαλυφθούν και να εντοπιστούν προηγουμένως μη αναγνωρισμένες τάσεις και πρότυπα, τα μοντέλα μπορούν να δημιουργηθούν με εξόρυξη μέσα από τεράστια ποσά δεδομένων. Η εξόρυξη δεδομένων χρησιμοποιεί διάφορες στατιστικές τεχνικές για την επίτευξη διευκρινίσεων, μεταξύ των οποίων:

• Ταξινόμηση: Χρησιμοποιείται όταν είναι γνωστές μεταβλητές (όπως τα δημογραφικά στοιχεία) και μπορούν να χρησιμοποιηθούν για την ταξινόμηση και την ομαδοποίηση δεδομένων
• Παλινδρόμηση: Μια συνάρτηση που χρησιμοποιείται για την πρόβλεψη συνεχών αριθμητικών τιμών, με βάση τα παρελθόντα ιστορικά πρότυπα
• Ομαδοποίηση: Χρησιμοποιείται όταν οι παράγοντες που χρησιμοποιούνται για την ταξινόμηση δεδομένων δεν είναι διαθέσιμοι, που σημαίνει ότι πρέπει να προσδιοριστούν τα πρότυπα για να προσδιοριστούν ποιες μεταβλητές υπάρχουν

Αναγνώριση συσχέτισης και ακολουθίας γεγονότων

Σε πολλές περιπτώσεις, οι καταναλωτές εκτελούν παρόμοιες ενέργειες ταυτόχρονα ή εκτελούν προβλέψιμες ενέργειες διαδοχικά. Αυτά τα δεδομένα μπορούν να αποκαλύψουν μοτίβα όπως:

• Συσχέτιση: Δύο διαφορετικά προϊόντα αγοράζονται συχνά στην ίδια συναλλαγή, όπως πολλά βιβλία μιας σειράς ή μια οδοντόβουρτσα και μια οδοντόκρεμα.
• Αλληλουχία: Ένας καταναλωτής που ζητάει μια πιστωτική έκθεση ακολουθούμενη από αίτημα για δάνειο ή κράτηση αεροπορικού εισιτηρίου, ακολουθούμενη από κράτηση δωματίου ή κράτηση αυτοκινήτου.

Εξόρυξη κειμένου (text mining)

Οι επιχειρήσεις μπορούν επίσης να συλλέγουν πληροφορίες κειμένου από τα social media για την εξαγωγή σημαντικών δεικτών. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για:

• Ανάπτυξη νέων προϊόντων
• Βελτίωση της εξυπηρέτησης και της εμπειρίας των πελατών
• Έλεγχος της απόδοσης του ανταγωνιστή

Προγνωστική αναλυτική (Predictive analytics)

Οι προγνωστικές αναλύσεις προβλέπουν τη δυνατότητα μελλοντικών γεγονότων χρησιμοποιώντας στατιστικά μοντέλα και τεχνικές machine learning. Αυτός ο τύπος BA βασίζεται στα αποτελέσματα της περιγραφικής ανάλυσης για την ανάπτυξη μοντέλων που μπορούν να εξάγουν την πιθανότητα εμφάνισης των επιθυμητών αποτελεσμάτων. Η διεξαγωγή της αναλυτικής πρόβλεψης γίνεται με αλγορίθμους μάθησης και στατιστικά μοντέλα, επιτρέποντας υψηλότερο επίπεδο ακρίβειας πρόβλεψης από τις τεχνικές του Business Intelligence.

Μια κοινή εφαρμογή προγνωστικών αναλύσεων είναι η ανάλυση συναισθημάτων (sentiment analysis). Τα υπάρχοντα δεδομένα κειμένου μπορούν να συλλεχθούν από τα κοινωνικά μέσα ενημέρωσης για να παρέχουν μια ολοκληρωμένη εικόνα των απόψεων που κατέχει ένας χρήστης. Αυτά τα δεδομένα μπορούν να αναλυθούν για να προβλέψουν το ενδιαφέρον τους για ένα νέο θέμα (θετικό, αρνητικό, ουδέτερο). Το πιο συνηθισμένο αποτέλεσμα της προγνωστικής ανάλυσης είναι μια λεπτομερής αναφορά των σύνθετων προβλέψεων στις πωλήσεις και το μάρκετινγκ.

Πρόβλεψη (Forecasting)

Η πρόβλεψη μελλοντικών γεγονότων ή συμπεριφορών βάσει ιστορικών δεδομένων χρονοσειρών, μπορεί να δημιουργηθεί με την ανάλυση διαδικασιών που συμβαίνουν κατά τη διάρκεια μιας συγκεκριμένης περιόδου ή εποχής. Για παράδειγμα:

• Η ζήτηση ενέργειας για μια πόλη με στατικό πληθυσμό σε οποιοδήποτε μήνα ή τρίμηνο.
• Λιανικές πωλήσεις για προϊόντα διακοπών, συμπεριλαμβανομένων των ημερών υψηλότερων πωλήσεων τόσο για φυσικά όσο και για ψηφιακά καταστήματα.
• Οι αιχμές στις αναζητήσεις στο Διαδίκτυο που σχετίζονται με ένα συγκεκριμένο επαναλαμβανόμενο γεγονός, όπως το Super Bowl ή οι Ολυμπιακοί Αγώνες

Πρόγνωση (Prediction)

Οι επιχειρήσεις μπορούν να δημιουργήσουν, να αναπτύξουν και να διαχειριστούν πρότυπα μοντέλα πρόγνωση συμβάντων όπως:

• Την απώλεια πελατών ανάλογα με την ηλικιακή ομάδα του πελάτη, το επίπεδο εισοδήματος, τη διάρκεια του υπάρχοντος λογαριασμού και τη διαθεσιμότητα των προσφορών.
• Την αποτυχία του εξοπλισμού, ειδικά σε αναμενόμενους χρόνους βαριάς χρήσης ή εάν υπόκειται σε έκτακτους παράγοντες που σχετίζονται με τη θερμοκρασία ή την υγρασία.
• Τις τάσεις της αγοράς καθώς και μοντέλα που ενδέχεται να είναι εποχιακά ή να σχετίζονται με γεγονότα.

Ποια είναι η διαφορά μεταξύ πρόβλεψης και πρόγνωσης;

Η πρόγνωση αφορά την εκτίμηση των αποτελεσμάτων για δεδομένα που δεν έχουν μετρηθεί ακόμα. Έτσι, ο αναλυτής προσαρμόζει ένα μοντέλο σε ένα σύνολο δεδομένων εκπαίδευσης (training data set) και λαμβάνει ως αποτέλεσμα μια εκτιμήτρια που μπορεί να κάνει προγνώσεις για νέα δείγματα. Η πρόβλεψη είναι μια υποκατηγορία της πρόγνωσης, στην οποία κάνουμε προβλέψεις για το μέλλον, βάσει δεδομένων χρονοσειρών. Έτσι, η μόνη διαφορά μεταξύ πρόβλεψης και πρόγνωσης είναι ότι λαμβάνουμε υπόψη τη χρονική διάσταση. Η εκτίμηση του μελλοντικού αποτελέσματος στη πρόβλεψη, συνδέεται με κάποια χρονική στιγμή στο μέλλον.

Περισσότερα ΕΔΩ.

Καθοδηγητική αναλυτική (Prescriptive analytics)

Οι 4 τύποι του business analytics δεν μπορούσαν να μην περιλαμβάνουν την καθοδηγητική αναλυτική. Η καθοδηγητική αναλυτική πηγαίνει ένα βήμα πιο πέρα ​​από τη πρόγνωση, παρέχοντας συστάσεις για τις επόμενες βέλτιστες ενέργειες και επιτρέποντας την πιθανή διαχείριση των μελλοντικών γεγονότων με στόχο τη βελτιστοποίηση των αποτελεσμάτων για την επιχείρηση.

Αυτός ο τύπος επιχειρηματικής αναλυτικής είναι ικανός όχι μόνο να εκτιμήσει τα ευνοϊκά αποτελέσματα σύμφωνα με μια συγκεκριμένη πορεία δράσης, αλλά και να προτείνει συγκεκριμένες ενέργειες για την επίτευξη του πιο επιθυμητού αποτελέσματος.

Η καθοδηγητική αναλυτική αποτελεί το ανώτερο επίπεδο του business analytics, προσδοκώντας να δημιουργήσει ένα σύστημα λήψης αποφάσεων βασισμένο στα δεδομένα, χωρίς τη παρέμβαση του χρήστη. Για παράδειγμα, το σύστημα ενός e-shop μπορεί να υπολογίσει τη βέλτιστη τιμή προσφορών ανάλογα με τη ζήτηση, το απόθεμα και άλλες παραμέτρους. Άλλο πολύ κοινό παράδειγμα είναι τα συστήματα συστάσεων, τα οποία έχουν ως στόχο να προτείνουν προϊόντα που μπορεί να ενδιαφέρουν τον χρήση, βάσει το αγορών που έχει κάνει στο παρελθόν ή άλλων παραμέτρων.

Στη καθοδηγητική αναλυτική, χρησιμοποιούνται ανώτερες τεχνικές στατιστικής ανάλυσης δεδομένων όπως machine learning, deep learning και neural networks με σκοπό το σύστημα να παράγει τη βέλτιστη λύση. Αυτός ο τύπος αναλυτικής, βασίζεται σε ένα ισχυρό σύστημα ανατροφοδότησης και στη συνεχή επανάληψη των δοκιμών ώστε να εξάγονται συνεχώς περισσότερα στοιχεία για το αποτέλεσμα που έχει κάθε δράση. Το πιο συνηθισμένο αποτέλεσμα της καθοδηγητικής αναλυτικής είναι η πορεία δράσης που περιλαμβάνει τις βέλτιστες ενέργειες για την επίτευξη των επιχειρηματικών στόχων.