Разница между прогнозирующей аналитикой и интеллектуальным анализом данных
Прогнозирующая аналитика - это процесс уточнения этого ресурса данных с использованием бизнес-знаний для извлечения скрытой ценности из этих недавно открытых шаблонов. Интеллектуальный анализ данных - это обнаружение скрытых моделей данных посредством машинного обучения, а сложные алгоритмы являются инструментами интеллектуального анализа данных.
Интеллектуальный анализ данных + знание предметной области => прогнозная аналитика => ценность для бизнеса
Сравнение Predictive Analytics с интеллектуальным анализом данных лицом к лицу
Ниже приведено 5 Сравнение Predictive Analytics и Data Mining.
Ключевые различия между прогнозирующей аналитикой и интеллектуальным анализом данных
Ниже представлена разница между прогнозирующей аналитикой и интеллектуальным анализом данных.
● Процесс - Процесс интеллектуального анализа данных может быть сведен к шести этапам:
a.Business/Research Понимание Фазы - Четко сформулируйте цели и требования проекта с точки зрения бизнеса или исследовательской единицы в целом
Этап понимания данных - собирайте и используйте предварительный анализ данных, чтобы ознакомиться с данными и обнаружить первоначальные идеи.
Фаза подготовки данных. Очистите и примените преобразование к необработанным данным, чтобы они были готовы к инструментам моделирования.
d.Modeling Phase - Выберите и примените соответствующие методы моделирования и откалибруйте настройки модели для оптимизации результатов.
Этап оценки. Модели должны оцениваться на предмет качества и эффективности до того, как мы развернем их. Также определите, действительно ли модель достигает целей, установленных для нее на этапе 1.
Фаза развертывания. Использование моделей в production.might может быть простым развертыванием, таким как создание отчета или сложным, например, внедрение процесса параллельного анализа данных в другом отделе.
Шаги высокого уровня области процесса Predictive Analytics
a. Определите бизнес-цель - какую бизнес-цель следует достичь и как подходят данные. Например, бизнес-цель - это более эффективные предложения для новых клиентов, а необходимые данные - это сегментирование клиентов с определенными атрибутами.
b.Collect Additional Data - дополнительные данные, которые могут потребоваться, могут представлять собой данные профиля пользователя из онлайновой системы или данные от сторонних инструментов для лучшего понимания данных. Это помогает найти причину этого шаблона. Иногда для сбора данных проводятся маркетинговые исследования
c. Предварительная прогнозирующая модель - модель, созданная на основе вновь собранных данных и знаний о бизнесе. Модель может быть простым бизнес-правилом, например «Существует больше шансов получить конверсию пользователей из возраста a в b из Индии, если мы сделаем такое предложение» или сложная математическая модель.
● Бизнес-ценность - сама Data Ming добавляет ценности бизнесу
Глубоко понять сегменты клиентов в разных измерениях
Получите шаблон производительности, специфичный для KPI (например, увеличивается ли подписка с количеством активных пользователей?)
Выявление попыток мошеннических действий и их предотвращение.
Шаблоны производительности системы (например, время загрузки страницы на разных устройствах - какой-либо шаблон?)
Прогнозная аналитика расширяет возможности организации, предоставляя три преимущества:
a.Vision - помогает видеть то, что невидимо для других. Прогнозирующая аналитика может просматривать множество прошлых данных о клиентах, связывать их с другими частями данных и собирать все части в правильном порядке.
b.Decision - Хорошо сделанная модель прогнозной аналитики обеспечивает аналитические результаты, свободные от эмоций и предвзятости. Она обеспечивает последовательную и непредвзятую информацию для поддержки решений.
Точность. Помогает использовать автоматизированные инструменты для выполнения работы по составлению отчетов - экономя время и ресурсы, уменьшая человеческие ошибки и повышая точность.
● Показатель эффективности. Производительность процесса интеллектуального анализа данных определяется тем, насколько хорошо модель находит шаблоны в данных. В большинстве случаев это будет модель регрессии, классификации или кластеризации, и для всех этих показателей существует четко определенный показатель производительности.
Эффективность прогнозной аналитики измеряется влиянием на бизнес. Например, насколько эффективна целевая рекламная кампания по сравнению с обычной кампанией? Независимо от того, насколько хороши шаблоны поиска данных, для правильной работы прогностических моделей необходимо понимание бизнеса.
● Будущее - область интеллектуального анализа данных развивается очень быстро. Попытка найти шаблоны в данных с меньшим количеством точек данных с минимальным количеством функций с помощью более сложных моделей, таких как Deep Neural Networks. Многие пионеры в этой области, такие как Google, также пытаются сделать процесс простым и доступным для всех. Одним из примеров является Cloud AutoML от Google.
Прогнозирующая аналитика распространяется на множество новых областей, таких как прогнозирование удержания сотрудников, прогнозирование преступности (так называемое предвидение полицейской деятельности) и т. Д. В то же время организации пытаются более точно прогнозировать, собирая максимум информации о пользователях, например, куда они идут, какие типы видео смотрят и т.п.
Сравнительная таблица Predictive Analytics и Data Mining
Ниже приведены списки точек, которые описывают сравнение между Predictive Analytics и Data Mining:
| Основа сравнения | Сбор данных | Прогнозная аналитика |
| Определение | Интеллектуальный анализ данных - это процесс обнаружения полезных моделей и тенденций в больших наборах данных. | Прогнозная аналитика - это процесс извлечения информации из больших наборов данных с целью прогнозирования и оценки будущих результатов. |
| значение | Помогите лучше понять собранные данные. Например:
● Лучшее понимание клиентских сегментов ● Шаблон покупки по географии или времени ● Поведенческая аналитика через кликстрим ● Анализ временной шкалы акций. ● GPS анализ данных улиц | Предсказать результаты анализа данных, применяя знания предметной области -
● Какой клиент будет покупать дальше? ● Какой будет скорость оттока клиентов? ● Сколько новых подписок будет запущено, если это предложение будет дано? ● Какое количество товара необходимо на следующий месяц? |
| Сфера | Применять алгоритмы машинного обучения, такие как регрессия, классификация собранных данных, чтобы найти скрытые шаблоны | Применение бизнес-знаний к шаблонам интеллектуального анализа данных с любыми дополнительными данными, необходимыми для получения бизнес-обоснованных прогнозов |
| результат | Результатом интеллектуального анализа данных будет шаблон в данных в виде распределения по шкале времени или кластеров. Но он не будет отвечать, почему этот шаблон возник? | Прогнозная аналитика пытается найти ответы на шаблон с применением бизнес-знаний и, таким образом, превращает их в полезную часть информации. |
| Вовлеченные люди | В основном это делается статистиками и инженерами по машинному обучению, которые имеют большой математический опыт для разработки функций и создания модели ML. | Здесь необходимы знания, специфичные для бизнеса, и четкая бизнес-цель. Бизнес-аналитики и другие эксперты в области могут анализировать и интерпретировать шаблоны, обнаруженные машинами, извлекая полезные значения из шаблонов данных и получая действенные идеи |
Заключение - Прогнозная аналитика против Data Mining
Как сказал Рик Уайтинг в InformationWeek, что дальше, так и дальше. Прогнозная аналитика - это то, куда идет бизнес-аналитика. Data Mining помогает организациям любым способом, и одна из самых важных в этом - это хорошая основа для прогнозной аналитики.
Рекомендуемая статья
Это было руководство по различиям между прогнозирующей аналитикой и интеллектуальным анализом данных, их смыслу, сравнительным анализам, ключевым различиям, сравнительной таблице и выводам. Вы также можете посмотреть следующие статьи, чтобы узнать больше -
- Прогнозная аналитика против Data Science - узнайте 8 полезных сравнений
- Аналитика данных против прогнозной аналитики - какая из них полезна
- 7 Самая полезная разница между интеллектуальным анализом данных и веб-анализом
- Хранилище данных VS Data Mining - 4 потрясающих сравнения
- Введение в архитектуру интеллектуального анализа данных