Business Intelligence (BI) - интеллектуальная бизнес аналитика

Бизнес аналитика

Business Intelligence (BI) - интеллектуальная бизнес аналитика, которая представляет собой технологический процесс для анализа данных и представления информации о клиентской активности и операционных действиях, помогающий руководителям компаний, бизнес-менеджерам, владельцам бизнеса принимать максимально эффективные управленческие решения. Система BI включает приложения, инфраструктуру и инструменты, а также передовые технологии, позволяющие получать доступ к данным и с высокой производительностью и анализировать информацию для улучшения и оптимизации решений, которые играют ключевую роль в процессе стратегического планирования внутри компании. Business Intelligence – это комплексные решения для бизнеса включающие Статистику, Прогнозную аналитику и собственно Интеллектуальную аналитику.

Business Intelligence (BI) - интеллектуальная бизнес аналитика, которая представляет собой технологический процесс для анализа данных и представления информации о клиентской активности и операционных действиях, помогающий руководителям компаний, бизнес-менеджерам, владельцам бизнеса принимать максимально эффективные управленческие решения. Система BI включает приложения, инфраструктуру и инструменты, а также передовые технологии, позволяющие получать доступ к данным и с высокой производительностью и анализировать информацию для улучшения и оптимизации решений, которые играют ключевую роль в процессе стратегического планирования внутри компании. Business Intelligence – это комплексные решения для бизнеса включающие Статистику, Прогнозную аналитику и собственно Интеллектуальную аналитику.

Статистика

описывает прошлое или текущее состояние, она не говорит, что делать, констатируя лишь то, что было и что есть. В большинстве случаев статистика представлена наборов отчетов в эксель, утвержденных и принятых компанией. Мы разделяем статистику на внутреннюю (периодические отчеты операционной деятельности) и внешнюю (курсы валют, потребительские цены, политические события, развитие инфраструктуры городов и т.п.) Сравнивать внутреннюю и внешнюю статистику без использования технологий достаточно трудоемкий процесс, особенно если не знаешь, что нужно искать.

Прогнозная аналитика

строится благодаря моделированию будущих периодов, основываясь на данных прошлых периодов. В результате Прогнозная аналитика предсказывает будущее с той или иной вероятностью, при условии, что конъюктура рынка и стратегия компании существенно не изменятся. Прогнозную аналитику часто используют для планирования финансовой деятельности, построения бюджетов, расчета эффективности инвестиций.

Интеллектуальная аналитика

К сожалению, в реальной жизни ни статистика, ни прогнозная аналитика в полном объеме не обеспечивают вызовов бизнеса, особенно в цифровую эпоху развития больших данных. На их смену приходит Интеллектуальная аналитика, основанная на статистике и математическом моделировании. Интеллектуальная аналитика как раз и отвечает на вопросы «что делать», «что произойдет» и с какой вероятностью или «что произойдет» при том или ином управленческом решении. Интеллектуальную аналитику часто называют передовой аналитикой, поскольку ее применение требует наличие достаточного количества статистических данных, технических ресурсов и вычислительных мощностей. 

Статистика

описывает прошлое или текущее состояние, она не говорит, что делать, констатируя лишь то, что было и что есть. В большинстве случаев статистика представлена наборов отчетов в эксель, утвержденных и принятых компанией. Мы разделяем статистику на внутреннюю (периодические отчеты операционной деятельности) и внешнюю (курсы валют, потребительские цены, политические события, развитие инфраструктуры городов и т.п.) Сравнивать внутреннюю и внешнюю статистику без использования технологий достаточно трудоемкий процесс, особенно если не знаешь, что нужно искать.

Прогнозная аналитика

строится благодаря моделированию будущих периодов, основываясь на данных прошлых периодов. В результате Прогнозная аналитика предсказывает будущее с той или иной вероятностью, при условии, что конъюктура рынка и стратегия компании существенно не изменятся. Прогнозную аналитику часто используют для планирования финансовой деятельности, построения бюджетов, расчета эффективности инвестиций.

Интеллектуальная аналитика

К сожалению, в реальной жизни ни статистика, ни прогнозная аналитика в полном объеме не обеспечивают вызовов бизнеса, особенно в цифровую эпоху развития больших данных. На их смену приходит Интеллектуальная аналитика, основанная на статистике и математическом моделировании. Интеллектуальная аналитика как раз и отвечает на вопросы «что делать», «что произойдет» и с какой вероятностью или «что произойдет» при том или ином управленческом решении. Интеллектуальную аналитику часто называют передовой аналитикой, поскольку ее применение требует наличие достаточного количества статистических данных, технических ресурсов и вычислительных мощностей. 

Процесс внедрения бизнес аналитики

1

Заказчик формирует задачу

которую необходимо решить. Нет надобности прописывать сложные технические задания с множеством параметров и бизнес-процессов. Нужно просто заполнить небольшую анкету и написать человеческим языком какую задачу необходимо решить. Заполнить анкету
2

Мы Получаем доступ к операционным данным Компании

В процессе операционной деятельности каждая компания накапливает некоторый объем данных. Это может быть информация о персональных данных клиентов, сотрудников, платежных транзакциях, маркетинговых кампаниях, ценах и т.п. Существующая информация представляет собой массив статистических данных, хранящийся в базе данных. В целях соблюдения конфиденциальности мы используем для бизнес аналитики "обезличенные" данные, без ФИО, телефона, паспортных данных и т.п. Также мы подписываем с Заказчиком соглашение о неразглашении конфиденциальной информации и подключаемся к его базе данных.
3

Разворачиваем сервис для работы с данными

Мы используем надежные и проверенные ресурсы, предлагаемые компанией Amazon. Подробнее о сервисах можно узнать, перейдя по ссылке. Также возможно использование наших собственных ресурсов, ресурсов Заказчика или других сервисов, например, Microsoft или Google.
4

Оценка достоверности, полноты, актуальности и качества данных

Достоверность данных определяется качеством бизнес-процессов, с помощью которых данные собираются и обрабатываются, насколько данные точны и отображают реальность процессов. Полнота данных определяется их наличием в те или другие периоды (с пробелами или без них) Актуальность подразумевает то насколько имеющиеся данные соответствуют текущей бизнес-модели компании (могут быть устаревшие данные, например, когда компания продавала пылесосы и было 3 сотрудника, а на текущий момент уже занимается строительством с несколькими филиалами с сложной организационной структурой). Качество данных – это формат и способ хранения данных, степень их целостности, в какой базе или базах хранятся, как глубоко интегрирован обмен данными и в какой мере, политики безопасности, протоколы передачи данных и т.п.
5

Подготовительный этап

Как правило, этот период длится до 2 недель и на его протяжении мы работаем с данными для достижения результатов поставленной задачи. На этом этапе наши специалисты определяют данные и признаки, которые в наибольшей степени влияют на ожидаемый результат. Например, для определения оптимальной цены на новый продукт весомыми признаками будут платежеспособность и лояльность клиента, которые измеряются средним чеком и частотой покупок, а для повышения эффективности целевого маркетинга (купит, не купит, как много купит и с какой вероятностью) скорее всего ключевую роль сыграют персональные данные клиента (пол, возраст, локация проживания, семейное положение и т.п.), а также история его активностей (когда покупал, что покупал, сколько тратил и т.п.).
6

Прогнозные и вероятностные модели

На этом этапе мы используем собственные алгоритмы, классы (нейронные сети, деревья принятия решений) и метрики оценки качества работы моделей. Сам процесс построения моделей выглядит примерно так: Сначала мы используем один из двух подходов – либо оцениваем модель при разделении имеющихся данных на обучающую и тестовую выборки случайным образом, либо делаем оценку прогнозных способностей модели при тестировании на новых данных, по времени позже чем обучающая выборка. Предварительно данные разделены на несколько временных срезов, для каждого из которых модель обучается на более старых данных и тестируется на более новых.
принцип моделирования
принцип моделирования
model_3 S2B BI Amazon QuickSight. Бизнес аналитика

Для оценки точности моделей мы используем следующие метрики:

Метрика №1 : Precision (избирательность модели) – процент верно выявленных позитивных случаев среди всех классифицированных моделью как позитивные

Метрика №2 : Recall (чувствительность модели) – процент верно выявленных моделью позитивных случаев среди всех существующих позитивных случаев.

Интегральный показатель точности модели F1 = 2/(1/Precision + 1/Recall)

В отличие от точности, выраженной в процентах, интегральный показатель не позволяет модели игнорировать ни редкие положительные, ни редкие отрицательные случаи при их неравном распределении

Этап построения моделей завершается оценкой вероятности получения ожидаемых результатов при заданных существующих параметрах. Например, если учесть всю специфику оперативной деятельности компании за прошлые периоды (сезонные колебания количества продаж или цен, каналы продаж и маркетинговые компании) и наложить их на внешние факторы (колебания курса доллара, цен на бензин, продукты, коммунальные услуги и т.п.) то получится прогноз ожидаемых результатов с определенной долей погрешности. (результатом может быть количество продаж в разрезе продуктов, выручка за период, динамика цен и т.п.). Погрешность определяется величиной среднеквадратического отклонения и в полной мере зависит от полноты, актуальности и достоверности данных.

Купит, не купит, что и когда купит, где купит и по какой цене?

7

Опытная эксплуатация.

Если Заказчика устраивает погрешность прогноза, полученная на этапе моделирования мы переходим в период опытной эксплуатации — это период калибровки модели в реальных условиях. Как правило, этот период длится 3-4 месяца и за это время нам необходимо достичь позитивной динамики в результатах. В период опытной эксплуатации мы проводим сравнение результатов деятельности компании, полученных с помощью прогнозных моделей с результатами без их использования. Для этого мы формируем тестовые группы с разделением по сотрудникам и (или) локациям (если бизнес геозависим). Основная цель этапа – улучшить существующие результаты и оценить масштабы улучшений за счет калибровки модели, благодаря которой Заказчик получает ответы на вопросы – какие цены, какие скидки, какие акции и когда лучше проводить, кому слать СМС, а кому лучше позвонить, кому предложить скидку, а кому не стоит, кому и какой товар или услугу лучше предложить, в каком месте лучше открыть точку продаж или закрыть, каким способом лучше доставлять товар и т.п.
8

Промышленная эксплуатация

В случае, если этап опытной эксплуатации завершается положительной динамикой, устраивающей заказчика, систему BI можно переводить в промышленную эксплуатацию, масштабируя на все подразделения компании, внедряя соответствующие интерфейсы для автоматизации процессов и мониторинга показателей. На этом этапе мы полноценно разворачиваем систему интеллектуальной аналитики, налаживаем процессы самообучения моделей, интегрируем с геоинформационными сервисами, что позволяет корректировать прогнозы согласно непрерывному процессу меняющихся данных. Такие технологии используют гиганты Google (например, расчет маршрута и перестройка его в зависимости от дорожной ситуации) Facebook (хороший пример директ маркетинга – когда стоит чего то поискать, после чего появляется соответствующая реклама).

Интерфейсы и технологии

9

Вычисления

Все вычисления, построения прогнозных и вероятностных моделей требуют больших технических ресурсов. На стадии разработки и тестирования мы, как правило, используем собственное оборудование - пул серверов с большими ресурсами. После перевода системы в промышленную эксплуатацию, вычислительную часть можно перенести в облако, либо на производственные мощности Заказчика. Принятые решения оговариваются с Заказчиком в процессе разработки и зависят от характера вычислений и объема данных.
10

Amazon QuickSight

ВДля конечного представления результатов проделанной работы мы используем облачный сервис от компании Amazon - QuickSight. Сервис позволяет подключаться к большинству популярных баз данных, гибкий в настройках и стабильный в работе.
Технология SPICE на базе чрезвычайно быстрого механизма параллельных вычислений позволяет визуализировать большие данные в понятных графиках и диаграммах, создавать дашборды для мониторинга, делится аналитикой с другими пользователями. Подробнее о сервисе можно узнать здесь
© 2015 Solutions to business. All Rights Reserved.