导航菜单

可靠的分析解决方案分析的复杂性

导读 什么是分析复杂度? 分析复杂性不仅着眼于如何整合,而且还着眼于如何推进企业软件平台中使用的分析技术。分析行业中的常用术语用于描述不

什么是分析复杂度?

分析复杂性不仅着眼于如何整合,而且还着眼于如何推进企业软件平台中使用的分析技术。分析行业中的常用术语用于描述不同的复杂程度。在基本层面上,诊断分析着眼于从历史数据的角度理解发生了什么。例如,去年我们经历的利润率下降发生了什么?描述性分析是下一阶段,着眼于描述事情发生的确切原因。为什么这些利润率去年下降了——根本原因是什么?第三个层次,可能也是最广泛谈论的层次是预测分析,它允许组织预测或预测未来可能发生的事情。例如,根据我们拥有的数据,我们预测,如果我们不改变成本或费用,明年的利润率将保持不变。预测分析是当今新兴技术(例如机器学习)的根源。最后是最成熟的阶段,规范性分析,它详细说明了组织可以做些什么来改变未来的结果。例如,根据我们所做的分析,我们建议仅在某些地区降低成本、改变费用结构并提高价格以增加利润——从而开出补救措施。我认为,如果你问任何银行家或保险专业人士,他们无疑会告诉你,他们希望将他们的组织提升到这种成熟度模型,但问题变成了——这是如何做到的?预测分析是当今新兴技术(例如机器学习)的根源。最后是最成熟的阶段,规范性分析,它详细说明了组织可以做些什么来改变未来的结果。例如,根据我们所做的分析,我们建议仅在某些地区降低成本、改变费用结构并提高价格以增加利润——从而开出补救措施。我认为,如果你问任何银行家或保险专业人士,他们无疑会告诉你,他们希望将他们的组织提升到这种成熟度模型,但问题变成了——这是如何做到的?预测分析是当今新兴技术(例如机器学习)的根源。最后是最成熟的阶段,规范性分析,它详细说明了组织可以做些什么来改变未来的结果。例如,根据我们所做的分析,我们建议仅在某些地区降低成本、改变费用结构并提高价格以增加利润——从而开出补救措施。我认为,如果你问任何银行家或保险专业人士,他们无疑会告诉你,他们希望将他们的组织提升到这种成熟度模型,但问题变成了——这是如何做到的?其中详细说明了组织可以做些什么来改变未来的结果。例如,根据我们所做的分析,我们建议仅在某些地区降低成本、改变费用结构并提高价格以增加利润——从而开出补救措施。我认为,如果你问任何银行家或保险专业人士,他们无疑会告诉你,他们希望将他们的组织提升到这种成熟度模型,但问题变成了——这是如何做到的?其中详细说明了组织可以做些什么来改变未来的结果。例如,根据我们所做的分析,我们建议仅在某些地区降低成本、改变费用结构并提高价格以增加利润——从而开出补救措施。我认为,如果你问任何银行家或保险专业人士,他们无疑会告诉你,他们希望将他们的组织提升到这种成熟度模型,但问题变成了——这是如何做到的?

如何进行复杂的分析?

当我考虑分析时,我真的相信这是一个渐进的过程。成为分析先进的组织不会在一夜之间发生。为了实现目标,需要将人员和流程与所需的支持技术保持一致。从人的角度来看,它需要那些了解业务和业务数据,但也熟悉分析技术和结果的人。我不会给这些人一个特定的头衔或名字,因为我相信在组织的各个层面,人们都可以积极地影响分析结果。从流程的角度来看,它需要设置一个结构,以便从数据到洞察力再到动态行动。数据组件是不言自明的——数据必须是健全的、正确的、质量好的——易于访问和逻辑组织。从洞察力的角度来看,这一切都与增加分析技术有关。大多数组织从细分和基本模型构建开始。从这里开始,经常会引入决策工作流程和优化场景。然后对规范性建模进行试验,现在许多组织正在投资人工智能和开源技术——并将它们与许可软件相结合,以产生独特的结果。从行动的角度来看,它需要能够获得洞察力并迅速将其落实到位,以影响业务成果——无论是将它们带到组织中的其他部门,还是为它们提供社交或移动应用程序渠道。技术必须成为所有这一切的推动者。如果你有人员和流程,但没有技术,分析的复杂性不会出现。这项技术必须是开放和集成的,才能实现最佳用例。例如,欧洲的许多先进银行都在单一逻辑实例中设置数据仓库、开源分布式数据平台、高级建模软件、ETL 以及决策和通道引擎的环境。结果,一流的能力在次秒内跨各种营销渠道提供个性化服务。

分析复杂性的例子

Earnix 和客户分析领域的其他供应商正在介绍分析复杂性的例子,这些例子现在和将来肯定会使银行和保险公司的客户受益。从分析的角度来看,许多供应商现在可以帮助组织使用数据来确定最佳的单一报价,或在个人层面向最终客户提供的预定报价列表(意味着每个客户都从银行获得独特的报价)优惠)。这必须非常快速地完成,以便与最终客户的上下文相关。可以监视此提议以确定它是否被接受,并且可以将对该提议的答复发送回组织,以便组织可以迭代和改进客户与组织之间存在的旅程。广义线性建模、广义加性模型和梯度提升和随机森林建模)和分析优化(与基于优先级的比较)。这些过程得到了 H20 等机器学习库和 Spark 等开源性能增强技术的支持。并且所有这些复杂性都必须以易于使用和消费的格式(相对于技术上过载的不同系统)提供,因此 Earnix 正在创建一个业务用户层,用于操作和消费这些见解以及对上述内容采取行动的能力见解。

免责声明:本文由用户上传,如有侵权请联系删除!

猜你喜欢:

最新文章: