Прогнозная аналитика

Стратегия

Анализ данных меняет компанию изнутри, модифицирует практики принятия решений и организационной координации. Эта стратегия называется "структура-поведение-результат". Легко запомнить!

Далее

Методология

Методология всегда находится над схваткой: между методами и целью, над менеджментом, аналитиками и всеми управленческими процессами. Иначе получится так, что данные уже собраны, а выжать из них нечего.

Далее

Технология

Аналитическое хранилище, колоночные базы, полуструктурированные и статистические таблицы - это хорошо и правильно. Но нюансов и оптимизаций очень много. Одно неосторожное движение и придётся всей компании сделать ещё много неосторожных движений.

Далее

Ритейловая модель данных

П рогнозная аналитика - это искусство и наука, практика и менеджмент, целью которых является более менее ценное, эффективное прогнозирование. Прогноз "или доллар пойдёт вверх, или пойдёт вниз, или останется на месте" будет точным, да только пользы от него никакой. Напротив, эффективный прогноз содержит в себе какую-то ошибку, но лучше двигаться вперёд с некоторой ошибкой, чем гоняться за точностью там, где она не так важна. В прогнозной аналитике важен аналитик, его интуиция и опыт, навыки вероятностного программирования, а также методология статистического вывода. А уж на какой платформе развернуть решение - мы предложим вам самую быструю, интегрируемую и удобную платформу из всех самых современных.

М ашинное обучение. Сложнее всего найти чёрную кошку в тёмной комнате, когда её там нет. Но машинное обучение даже в этом случае её найдёт и опишет. В последнее время в нашей стране участилось распознавание кошечек. Однако в бизнесе гораздо интереснее распознавать опорожнение товаров на полках, следующее действие пользователя на сайте, оценивать одекватность цены предложения и т.д. Машинное обучение гораздо лучше других методов справится с задачами, в которых наблюдений мало, а переменных много. Не стесняйтесь обращаться за консультацией по методам машинного обучения в Вашей сфере.

Описательный BI при огромном количестве альтернатив остаётся весьма проблемной сферой. Большая четвёрка причин:

  • платформы для хранения данных старые и непродумывались для анализа данных,
  • сами данные грязные и с ними непонятно что можно сделать,
  • нежелание добиваться прозрачности данных,
  • нежелание получать оплату в соответствии со своим KPI.
В любом случае, BI является тестом, испытанием, верхушкой айсберга. По его состоянию понятно, как компания относится к управленческим решениям, основанным на исследовании данных.

Д ата-майнинг. Сложился вредный стереотип, что data mining - это просто старое название для машинного обучения в части обучения без учителя. Это совершенно не так. Дата-майнинг существует как часть описательного анализа, где основную сложность имеет не сама вероятностная оценка, а извлечение и обработка данных, которая предшествует этой оценке. Есть много специфичных сфер: социальные медиа, ритейл, датчики машин и оборудования, графовые структуры и много других, где сложно алгоритмически продумать методологию анализа. Пример - анализ продуктовых корзин или кластеризация пользователей социальных сетей. Это невероятно интересно.

А удит данных. Когда компания приходит к необходимости аудита данных, внутри существует сопротивление от той самой силы, которая привела данные к такому состоянию. Поэтому провести аудит собственными силами сложнее, чем силами со стороны. Аудит данных требует компетенции в различных процедур моделирования и анализа данных, с целью выявления возможных несоответствий. Ваш бизнес будет вам благодарен за устранённые несоответствия.

У правление метаданными и таксономией. Ни в одной сфере нет такого количества слоёв метаданных, описывающих товарные позиции и бизнес-объекты. Одно это склоняет IT-департаменты принимать решение вести их в OLAP-кубах. Это похоже на забивание гвоздей пилой. На каждую проблему должен быть свой инструмент, и это конечно не инструменты, а специальные семантические слои, по которым можно провести различные виды Data mining и получать осмысленный репортинг. Данное решение является технологически одним из самых сложных, но оно того стоит, и точно понадобится любому ритейлеру.