Analítica - Analytics

La analítica es el análisis computacional sistemático de datos o estadísticas. Se utiliza para el descubrimiento, interpretación y comunicación de patrones significativos en los datos . También implica aplicar patrones de datos para una toma de decisiones efectiva. Puede ser valioso en áreas ricas en información registrada; la analítica se basa en la aplicación simultánea de estadísticas , programación de computadoras e investigación de operaciones para cuantificar el desempeño.

Las organizaciones pueden aplicar análisis a los datos comerciales para describir, predecir y mejorar el desempeño comercial. Específicamente, las áreas dentro de la analítica incluyen analítica predictiva , analítica prescriptiva , gestión de decisiones empresariales , analítica descriptiva, analítica cognitiva, Big Data Analytics, analítica minorista, analítica de la cadena de suministro, optimización de unidades de almacenamiento y surtido de tiendas , optimización de marketing y modelado de mezcla de marketing , web análisis , análisis de llamadas, análisis de voz , dimensionamiento y optimización de la fuerza de ventas, modelado de precios y promociones, ciencia predictiva, análisis de gráficos, análisis de riesgo crediticio y análisis de fraude . Dado que la analítica puede requerir una gran cantidad de cálculos (ver macrodatos ), los algoritmos y el software utilizados para la analítica aprovechan los métodos más actuales en informática, estadística y matemáticas.

Análisis de tráfico de la propia Wikipedia en inglés

Analítica vs análisis

El análisis de datos se centra en el proceso de examinar datos pasados ​​mediante la recopilación, inspección, modelado y cuestionamiento. Es un subconjunto de análisis de datos, que requiere múltiples procesos de análisis de datos para enfocarse en por qué sucedió un evento y qué puede suceder en el futuro según los datos anteriores. El análisis de datos se utiliza para formular decisiones de organización más grandes.

El análisis de datos es un campo multidisciplinario . Existe un amplio uso de habilidades informáticas, matemáticas, estadística, el uso de técnicas descriptivas y modelos predictivos para obtener conocimientos valiosos a partir de los datos a través de la analítica. Los conocimientos de los datos se utilizan para recomendar acciones o para guiar la toma de decisiones arraigada en el contexto empresarial. Por lo tanto, la analítica no se ocupa tanto de análisis individuales o pasos de análisis, sino de toda la metodología . Existe una tendencia pronunciada a utilizar el término análisis en entornos comerciales, por ejemplo, análisis de texto frente a la minería de texto más genérica para enfatizar esta perspectiva más amplia. Existe un uso cada vez mayor del término análisis avanzado , que normalmente se utiliza para describir los aspectos técnicos de la analítica, especialmente en los campos emergentes, como el uso de técnicas de aprendizaje automático como redes neuronales , árbol de decisiones, regresión logística, análisis de regresión lineal a múltiple , clasificación para hacer modelos predictivos . También incluye técnicas de aprendizaje automático no supervisadas como análisis de clústeres , análisis de componentes principales , análisis de perfiles de segmentación y análisis de asociaciones.

Aplicaciones

Optimización de marketing

El marketing ha evolucionado de un proceso creativo a un proceso basado en datos. Las organizaciones de marketing utilizan la analítica para determinar los resultados de campañas o esfuerzos, y para orientar las decisiones de inversión y orientación al consumidor. Los estudios demográficos, la segmentación de clientes, el análisis conjunto y otras técnicas permiten a los especialistas en marketing utilizar grandes cantidades de datos de compra, encuestas y paneles de los consumidores para comprender y comunicar la estrategia de marketing.

La analítica de marketing consta de datos tanto cualitativos como cuantitativos, estructurados y no estructurados que se utilizan para impulsar decisiones estratégicas en relación con la marca y los resultados de ingresos. El proceso implica modelado predictivo, experimentación de marketing, automatización y comunicaciones de ventas en tiempo real. Los datos permiten a las empresas hacer predicciones y modificar la ejecución estratégica para maximizar los resultados de rendimiento.

La analítica web permite a los especialistas en marketing recopilar información a nivel de sesión sobre las interacciones en un sitio web mediante una operación llamada sesionización . Google Analytics es un ejemplo de una popular herramienta de análisis gratuita que los especialistas en marketing utilizan para este propósito. Esas interacciones brindan a los sistemas de información de análisis web la información necesaria para rastrear al remitente, buscar palabras clave, identificar la dirección IP y rastrear las actividades del visitante. Con esta información, un especialista en marketing puede mejorar las campañas de marketing, el contenido creativo del sitio web y la arquitectura de la información.

Las técnicas de análisis que se utilizan con frecuencia en marketing incluyen el modelado de mezclas de marketing, análisis de precios y promociones, optimización de la fuerza de ventas y análisis de clientes, por ejemplo: segmentación. El análisis web y la optimización de sitios web y campañas en línea ahora trabajan frecuentemente de la mano con las técnicas de análisis de marketing más tradicionales. Un enfoque en los medios digitales ha cambiado ligeramente el vocabulario, por lo que el modelado de mezcla de marketing se conoce comúnmente como modelo de atribución en el contexto de modelado de mezcla de marketing o digital .

Estas herramientas y técnicas respaldan tanto las decisiones estratégicas de marketing (como cuánto gastar en marketing en general, cómo asignar presupuestos en una cartera de marcas y la combinación de marketing) y un apoyo más táctico a la campaña, en términos de dirigirse al mejor cliente potencial con el mensaje óptimo en el medio más rentable en el momento ideal.

Analítica de personas

People Analytics utiliza datos de comportamiento para comprender cómo trabajan las personas y cambiar la forma en que se administran las empresas.

El análisis de personas también se conoce como análisis de la fuerza laboral, análisis de recursos humanos, análisis de talentos, conocimientos de personas, conocimientos de talentos, conocimientos de colegas, análisis de capital humano y análisis de HRIS. El análisis de recursos humanos es la aplicación de análisis para ayudar a las empresas a administrar los recursos humanos . Además, el análisis de RR.HH. se ha convertido en una herramienta estratégica para analizar y pronosticar las tendencias relacionadas con los humanos en los cambiantes mercados laborales, utilizando herramientas de Career Analytics. El objetivo es discernir qué empleados contratar, cuáles recompensar o promover, qué responsabilidades asignar y problemas similares de recursos humanos.

Se ha sugerido que People Analytics es una disciplina separada de la analítica de RR.HH., lo que representa un mayor enfoque en los problemas comerciales que en los procesos administrativos, y que People Analytics puede no pertenecer realmente a Recursos Humanos en las organizaciones. Sin embargo, los expertos no están de acuerdo con esto, y muchos argumentan que Recursos Humanos necesitará desarrollar People Analytics como una parte clave de una función empresarial más capaz y estratégica en el cambiante mundo del trabajo provocado por la automatización. En lugar de trasladar a People Analytics fuera de RR.HH., algunos expertos argumentan que pertenece a RR.HH., aunque habilitado por una nueva generación de profesionales de RR.HH. que se basa más en datos y es más conocedor de los negocios.

Análisis de cartera

Una aplicación común de la analítica empresarial es el análisis de carteras . En esto, un banco o agencia crediticia tiene una colección de cuentas de valor y riesgo variables . Las cuentas pueden diferir por el estatus social (rico, de clase media, pobre, etc.) del titular, la ubicación geográfica, su valor neto y muchos otros factores. El prestamista debe equilibrar el rendimiento del préstamo con el riesgo de incumplimiento de cada préstamo. Entonces, la pregunta es cómo evaluar la cartera en su conjunto.

El préstamo de menor riesgo puede ser para los muy ricos, pero hay un número muy limitado de personas adineradas. Por otro lado, hay muchos pobres a los que se les puede prestar, pero con mayor riesgo. Se debe lograr un equilibrio que maximice el rendimiento y minimice el riesgo. La solución de análisis puede combinar el análisis de series de tiempo con muchas otras cuestiones para tomar decisiones sobre cuándo prestar dinero a estos diferentes segmentos de prestatarios, o decisiones sobre la tasa de interés que se cobra a los miembros de un segmento de cartera para cubrir cualquier pérdida entre los miembros de ese segmento. .

Análisis de riesgo

Los modelos predictivos en la industria bancaria se desarrollan para brindar certeza en los puntajes de riesgo para clientes individuales. Los puntajes de crédito se crean para predecir el comportamiento de morosidad de las personas y se utilizan ampliamente para evaluar la solvencia crediticia de cada solicitante. Además, los análisis de riesgos se llevan a cabo en el mundo científico y en la industria aseguradora. También se utiliza ampliamente en instituciones financieras como las empresas de pasarelas de pago en línea para analizar si una transacción fue genuina o fraudulenta. Para ello utilizan el historial de transacciones del cliente. Esto se usa más comúnmente en compras con tarjeta de crédito, cuando hay un aumento repentino en el volumen de transacciones del cliente, el cliente recibe una llamada de confirmación si la transacción fue iniciada por él / ella. Esto ayuda a reducir las pérdidas debidas a tales circunstancias.

Analítica digital

La analítica digital es un conjunto de actividades comerciales y técnicas que definen, crean, recopilan, verifican o transforman datos digitales en informes, investigaciones, análisis, recomendaciones, optimizaciones, predicciones y automatizaciones. Esto también incluye el SEO ( optimización de motores de búsqueda ) donde se rastrea la búsqueda de palabras clave y esos datos se utilizan con fines de marketing. Incluso los anuncios publicitarios y los clics se incluyen en el análisis digital. Un número creciente de marcas y empresas de marketing confían en la analítica digital para sus asignaciones de marketing digital , donde MROI (Marketing Return on Investment) es un indicador clave de rendimiento (KPI) importante.

Analítica de seguridad

El análisis de seguridad se refiere a la tecnología de la información (TI) para recopilar eventos de seguridad para comprender y analizar los eventos que representan el mayor riesgo. Los productos en esta área incluyen información de seguridad y gestión de eventos y análisis del comportamiento del usuario.

Analítica de software

La analítica de software es el proceso de recopilar información sobre la forma en que se utiliza y se produce una pieza de software .

Desafíos

En la industria del software de análisis comercial, ha surgido un énfasis en resolver los desafíos de analizar conjuntos de datos masivos y complejos, a menudo cuando dichos datos se encuentran en un estado de cambio constante. Estos conjuntos de datos se conocen comúnmente como macrodatos . Mientras que una vez los problemas planteados por el big data solo se encontraban en la comunidad científica, hoy el big data es un problema para muchas empresas que operan sistemas transaccionales en línea y, como resultado, acumulan grandes volúmenes de datos rápidamente.

El análisis de tipos de datos no estructurados es otro desafío que atrae la atención de la industria. Los datos no estructurados se diferencian de los estructurados en que su formato varía ampliamente y no se pueden almacenar en bases de datos relacionales tradicionales sin un esfuerzo significativo en la transformación de datos. Las fuentes de datos no estructurados, como el correo electrónico, el contenido de documentos de procesadores de texto, archivos PDF, datos geoespaciales, etc., se están convirtiendo rápidamente en una fuente relevante de inteligencia empresarial para empresas, gobiernos y universidades. Por ejemplo, en Gran Bretaña, el descubrimiento de que una compañía vendía ilegalmente notas médicas fraudulentas para ayudar a las personas a defraudar a empleadores y compañías de seguros, es una oportunidad para que las compañías de seguros aumenten la vigilancia de sus análisis de datos no estructurados.

Estos desafíos son la inspiración actual para gran parte de la innovación en los sistemas de información analíticos modernos, dando lugar a conceptos de análisis de máquinas relativamente nuevos, como el procesamiento de eventos complejos , la búsqueda y el análisis de texto completo, e incluso nuevas ideas en la presentación. Una de esas innovaciones es la introducción de una arquitectura similar a una cuadrícula en el análisis de máquinas, que permite aumentos en la velocidad del procesamiento masivo en paralelo al distribuir la carga de trabajo a muchas computadoras, todas con igual acceso al conjunto de datos completo.

La analítica se utiliza cada vez más en la educación , particularmente en los niveles de las oficinas gubernamentales y de distrito. Sin embargo, la complejidad de las medidas de desempeño de los estudiantes presenta desafíos cuando los educadores intentan comprender y usar análisis para discernir patrones en el desempeño de los estudiantes, predecir la probabilidad de graduación, mejorar las posibilidades de éxito de los estudiantes, etc. Por ejemplo, en un estudio que involucra distritos conocidos por el uso sólido de datos , El 48% de los maestros tuvo dificultades para formular preguntas impulsadas por los datos, el 36% no comprendió los datos dados y el 52% interpretó incorrectamente los datos. Para combatir esto, algunas herramientas de análisis para educadores se adhieren a un formato de datos de venta libre (incrustando etiquetas, documentación complementaria y un sistema de ayuda, y tomando decisiones clave sobre paquetes / visualización y contenido) para mejorar la comprensión y el uso de la información por parte de los educadores. analíticas que se muestran.

Riesgos

El principal riesgo para las personas es la discriminación como la discriminación de precios o la discriminación estadística .

También existe el riesgo de que un desarrollador pueda beneficiarse de las ideas o el trabajo realizado por los usuarios, como este ejemplo: los usuarios podrían escribir nuevas ideas en una aplicación para tomar notas, que luego podrían enviarse como un evento personalizado, y los desarrolladores podrían beneficiarse de esas ideas. Esto puede suceder porque la propiedad del contenido generalmente no está clara en la ley.

Ver también

Referencias

enlaces externos

• La definición del diccionario de análisis en Wiktionary