В современном бизнесе, где данные растут кратко каждый год, умение правильно анализировать их становится критически важным. Как автоматизировать анализ данных и принимать на их основе решения? Первый этап — это Descriptive analytics, или описательная аналитика, также известная как «аналитика случившегося». На основе собранных исторических данных можно попытаться описать факторы, которые влияли на них. Основные инструменты и методы описательной аналитики: Статистические методы: средние значения, медианы, стандартные отклонения. Визуализация данных: гистограммы, диаграммы, графики и тепловые карты. Отчеты и сводные таблицы: таблицы и отчеты, которые консолидируют данные для легкой интерпретации. Пример использования аналитики: создаем отчет по выручке за предыдущие годы в разрезе месяцев, строим график средней выручки. Теперь, когда мы разобрались с описательной аналитикой, перейдем к следующему этапу — диагностической аналитике. Разница между Descriptive и Diagnostic analytics заключается в том, что ты пытаешься ответить на вопрос, почему произошли события из описательной аналитики. Соответственно, более углубленным анализом пытаемся понять причины, факторы и следствия: Статистические методы: корреляционный анализ, регрессионный анализ, анализ причин и следствий. Визуализация данных: сложные графики и диаграммы, показывающие взаимосвязи между переменными. Продолжим пример с анализом продаж. Если добавить на график данные по количеству сделанных звонков/писем к графику сезонности продаж, то можно попробовать установить зависимости между сделанными действиями и выручкой компании. Такие действия помогают принимать решения, но они не автоматизируют возможные действия. В следующем посте мы поговорим о последних двух стадиях аналитики — Predictive analytics и Prescriptive analytics. Эти стадии как раз помогают находить эффективные решения на основе данных, выводя бизнес на новый уровень эффективности.