Материал из РУВИКИ — свободной энциклопедии

Аналитика

Анали́тика (др.-греч. άναλυτικά, букв. — «искусство анализа») — часть искусства рассуждения — логики, рассматривающая учение об анализе — операции мысленного или реального расчленения целого (вещи, свойства, процесса или отношения между предметами) на составные части, выполняемая в процессе познания или предметно-практической деятельности человека[1].

В узком смысле (англ. Analytics)— систематический численный анализ данных для выявления и интерпретации значимых закономерностей[2]. Применяется в областях, для которых характерно обилие накопленной информации. Опирается на одновременное применение статистики, компьютерного программирования и исследования операций. Аналитика разделяется на описательную, диагностическую, прогнозную, предписывающую и когнитивную[3]. Может применяться в таких областях бизнеса как маркетинг, управление, финансы, информационная безопасность и программное обеспечение. Для обработки больших данных алгоритмы аналитики, используют методы информатики, статистики и математики[4].

История[править | править код]

Ещё в IV веке до нашей эры, ученик Платона, древнегреческий философ Аристотель в своём «Органоне» назвал два известных своих сочинения по логике словом «Аналитика» («Первая Аналитика» и «Вторая Аналитика»[5]), так как они разлагают логическое мышление на простейшие элементы и затем от них переходят к сложным формам мышления. Будучи основателем формальной логики как науки, Аристотель называл её «аналитика», термин же «логика» прочно вошёл в обиход уже после его смерти в III веке до нашей эры[6].

В XVIII веке родоначальник немецкой классической философии Иммануил Кант назвал «аналитикой» разложение человеческой познавательной способности.

Специфика[править | править код]

Аналитика — это междисциплинарная область[7]. Иногда используется термин расширенная аналитика, с использованием методов машинного обучения, нейронных сетей и регрессионного анализа[8][9]. Включает также неконтролируемые методы машинного обучения, такие как кластерный анализ, анализ главных компонент профиля сегментации и анализ ассоциаций[10].

Приложения[править | править код]

Маркетинг[править | править код]

Демографические исследования, сегментация клиентов, совместный анализ и другие методы позволяют маркетологам использовать большие объемы информации о покупках и данные опросов клиентов для формирования маркетинговой стратегии[11].

Маркетинговая аналитика состоит как из качественных, так и из количественных, структурированных и неструктурированных данных, используемых для принятия стратегических решений о бренде и доходах. Этот процесс включает прогнозное моделирование, маркетинговые эксперименты, автоматизацию и коммуникации в режиме реального времени. Такие данные позволяют компаниям делать прогнозы и формировать стратегию для достижения максимальных результатов[11].

Веб-аналитика позволяет маркетологам собирать информацию о действиях на веб-сайте с помощью операции, называемой сеансом. Google Analytics — пример популярного бесплатного инструмента веб-аналитики[12][13] . С помощью этой информации маркетолог может оптимизировать маркетинговые кампании и контент веб-сайта архитектуру[14].

Методы анализа, часто используемые в маркетинге, включают моделирование маркетингового комплекса, анализ ценообразования и продвижения, оптимизацию торгового персонала и клиентскую аналитику, например: сегментацию. Веб-аналитика и оптимизация веб-сайтов и онлайн-кампаний дополняют традиционные методы маркетингового анализа.

Управление персоналом[править | править код]

Этот раздел аналитики также известен как HR-аналитика, аналитика талантов, аналитика человеческого капитала HRIS (Human resource Information system). HR-аналитика — это приложение аналитики к управлению человеческими ресурсами[15]. HR-аналитика стала стратегическим инструментом анализа и прогнозирования тенденций, связанных с персоналом на меняющихся рынках труда. Соответствующий класс инструментов известен как Career Analytics tools[16][17]. Широко применяются также автоматизированные системы управления персоналом. Существует мнение, что в XXI в. настала «эпоха данных и HR-аналитики»[18].

Инвестиции[править | править код]

Распространенным применением бизнес-аналитики является портфельный анализ . Как правило, банк или кредитное агентство имеет набор клиентских счетов различной стоимости и риска. Счета могут различаться по социальному статусу владельца, географическому положению, чистой стоимости и другим параметрам. Кредитор должен сбалансировать прибыль по кредиту с риском дефолта. При этом возникает вопрос, как оценить портфель в целом[19].

Риски[править | править код]

Прогностические модели в банковской сфере разрабатываются для обеспечения оценок риска для отдельных клиентов. Для оценки кредитоспособности заявителей широко используются кредитные баллы[20] Кроме того, анализ рисков используется в страховой индустрии[21].

Безопасность[править | править код]

Аналитика в области безопасности относится к информационным технологиям для сбора сведений об угрозах безопасности с целью выявления событий, представляющие наибольший риск[22]. Продукты в этой области включают информацию о безопасности, управление событиями и аналитику поведения пользователей.

Проблемы[править | править код]

Особое внимание в задачах аналитики уделяется анализу больших данных[23]. В прошлом большие данные встречались только в науке. В настоящее время такие данные возникают и в промышленности и бизнесе[24][23].

Еще одна проблема, привлекающая внимание аналитиков это анализ неструктурированных типов данных. Неструктурированные данные отличаются от структурированных тем, что их формат широко варьируется и не может храниться в традиционных реляционных базах данных без значительного преобразования[25]. Источники неструктурированных данных, такие как электронная почта, документы текстовых процессоров, PDF-файлы, геопространственные данные и т. д., быстро становятся важным источником бизнес-аналитики для предприятий, правительств и университетов[26][27].

Вышеуказанные задачи привели к возникновению новых концепций машинного анализа, таких как обработка сложных событий[28], полнотекстовый поиск и др. Одним из таких нововведений является применение вычислительных сетей, позволяющих увеличить производительность за счет массивно-параллельной обработки данных[29].

Риски[править | править код]

Основным риском внедрения аналитики является дискриминация, такая как ценовая дискриминация или статистическая дискриминация[30].

См. также[править | править код]

Примечания[править | править код]

  1. Аналитика // Энциклопедический словарь Брокгауза и Ефрона : в 86 т. (82 т. и 4 доп.). — СПб., 1890—1907.
  2. Oxford definition of analytics.
  3. Cognitive Analytics - combining Artificial Intelligence (AI) and Data Analytics (брит. англ.). www.ulster.ac.uk. Дата обращения: 7 января 2022.
  4. Kohavi, Rothleder and Simoudis (2002). “Emerging Trends in Business Analytics”. Communications of the ACM. 45 (8): 45—48. CiteSeerX 10.1.1.13.3005. DOI:10.1145/545151.545177.
  5. ПРЕДМЕТ И ОСНОВНЫЕ ПОНЯТИЯ ЛОГИКИ. Дата обращения: 18 ноября 2010. Архивировано 23 марта 2010 года.
  6. Логика как наука. Дата обращения: 18 ноября 2010. Архивировано из оригинала 1 октября 2010 года.
  7. What is Data Analytics? (амер. англ.). Master's in Data Science. Дата обращения: 8 июля 2021.
  8. AI, Big Data & Advanced Analytics In The Supply Chain. Forbes.com. Дата обращения: 16 апреля 2020.
  9. Kelleher, John D. Fundamentals of machine learning for predictive data analytics : algorithms, worked examples, and case studies. — 2. — Cambridge, Massachusetts, 2020. — P. 16. — ISBN 978-0-262-36110-1.
  10. Ronin Myers. Data Management and Statistical Analysis Techniques. — May 19, 2019. — ISBN 9781839473395.
  11. 1 2 Wedel, Michel (November 1, 2016). “Marketing Analytics for Data-Rich Environments”. Journal of Marketing. 80 (6): 97—121. DOI:10.1509/jm.15.0413. ISSN 0022-2429.
  12. Session - Analytics Help. support.google.com. Дата обращения: 9 января 2022.
  13. IP address - Analytics Help. support.google.com. Дата обращения: 9 января 2022.
  14. Analytics Tools & Solutions for Your Business - Google Analytics (англ.). Google Marketing Platform. Дата обращения: 9 января 2022.
  15. Chalutz Ben-Gal, Hila. An ROI-based review of HR analytics: practical implementation tools. Personnel Review, Vol. 48 No. 6, pp. 1429-1448 (2019).
  16. Sela, A., Chalutz Ben-Gal, Hila. Career Analytics: data-driven analysis of turnover and career paths in knowledge-intensive firms: Google, Facebook and others. In 2018 IEEE International Conference on the Science of Electrical Engineering in Israel (ICSEE). IEEE. (2018).
  17. People analytics - University of Pennsylvania. Coursera.
  18. Миллнер, Хан, 2022, Эпоха данных и HR-аналитики, с. 59—84.
  19. , ISBN 978-1-349-26273-1, <https://doi.org/10.1007/978-1-349-26273-1_7> 
  20. Credit Reports and Scores | USAGov (англ.). www.usa.gov. Дата обращения: 9 января 2022.
  21. Predictive Analytics in Insurance: Types, Tools, and the Future (амер. англ.). Maryville Online (28 октября 2020). Дата обращения: 9 января 2022.
  22. Security analytics shores up hope for breach detection. Enterprise Innovation. Дата обращения: 27 апреля 2015. Архивировано 12 февраля 2019 года.
  23. 1 2 2.3 Ten common characteristics of big data (англ.). www.bitbybitbook.com. Дата обращения: 10 января 2022.
  24. Naone. The New Big Data. Technology Review, MIT. Дата обращения: 22 августа 2011.
  25. Inmon, Bill. Tapping Into Unstructured Data / Bill Inmon, Anthony Nesavich. — Prentice-Hall, 2007. — ISBN 978-0-13-236029-6.
  26. Wise. Data Analysis and Unstructured Data. Dashboard Insight. Дата обращения: 14 февраля 2011. Архивировано 5 января 2014 года.
  27. Tapping the power of unstructured data (англ.). MIT Sloan. Дата обращения: 10 января 2022.
  28. Flouris, Ioannis (2017-05-01). “Issues in complex event processing: Status and prospects in the Big Data era”. Journal of Systems and Software [англ.]. 127: 217—236. DOI:10.1016/j.jss.2016.06.011. ISSN 0164-1212.
  29. Yang, Ning (2019-06-25). “Large-Scale Crop Mapping Based on Machine Learning and Parallel Computation with Grids”. Remote Sensing. 11 (12): 1500. Bibcode:2019RemS...11.1500Y. DOI:10.3390/rs11121500. ISSN 2072-4292.
  30. Favaretto, Maddalena (2019-02-05). “Big Data and discrimination: perils, promises and solutions. A systematic review”. Journal of Big Data. 6 (1): 12. DOI:10.1186/s40537-019-0177-4. ISSN 2196-1115.


Литература[править | править код]

  • Дэйв Миллнер, Надим Хан. HR-аналитика. Практическое руководство по работе с персоналом на основе больших данных = Introduction to People Analytics: A practical guide to data-driven HR. — М.: Альпина Паблишер , 2022. — 384 с. — ISBN 978-5-9614-7831-0.