Analitik, modern analitik modelinde dört farklı ayağı kapsayan geniş bir terimdir: tanımlayıcı, teşhis edici, öngörücü ve tanımlayıcı. Her analitik türü, işletmenizin verilerinizin ne ortaya koyduğunu daha iyi nasıl anlayabileceği ve bu içgörüleri iş hedeflerinizi yönlendirmek için nasıl kullanabileceğinizde bir rol oynar. Bu blogda, her analitik türünün bir işletmeye ne sağladığını, ne zaman ve neden kullanılacağını ve hepsinin kuruluşunuzun analitik olgunluğunda nasıl kritik bir rol oynadığını tartışacağız.

Kuruluşlar daha fazla veri topladıkça, bunların nasıl kullanılacağını anlamak çok önemli hale gelir ve bu da ayrıntılı veri analizi ve yorumlama ihtiyacını artırır. Analitik olmadan veri pek bir anlam ifade etmez, ancak analitik, veri analitiği olgunluk modelinde nerede olduğunuza bağlı olarak birçok farklı anlama gelebilen geniş bir terimdir.

Modern analitikler genellikle dört ayrı kategoriye ayrılır: tanımlayıcı, teşhis edici, öngörücü ve reçeteleyici. Hangi tür analitiği kullanmanız gerektiğini, ne zaman kullanmanız gerektiğini ve neden kullanmanız gerektiğini nasıl biliyorsunuz?

Veri analizi yoluyla veri analitiğinizin ne, neden, ne zaman, nerede ve nasıl olduğunu anlamak, daha iyi karar almaya yardımcı olur ve kuruluşunuzun iş hedeflerine ulaşmasını sağlar.

Dört Tür Analitik

Tanımlayıcı Analitik

Tanımlayıcı Analitik Nedir?

Tanımlayıcı analizler, "Ne oldu?" sorusunu yanıtlar. Bu tür analizler, müşteriler tarafından en sık kullanılanlardır ve geçmiş olaylara odaklanan raporlama ve analizler sunarlar. Şirketlerin şu gibi şeyleri anlamalarına yardımcı olur:

Şirket olarak ne kadar satış yaptık?

Genel verimliliğimiz neydi?

Son çeyrekte kaç müşteriyi kaybettiniz?

Tanımlayıcı analiz, genel performansı toplu düzeyde anlamak için kullanılır ve raporlar ve uygulamalar oluşturmak için verilerin kolayca erişilebilir olması nedeniyle bir şirket için başlayabileceği en kolay yerdir.

Veri analitiği olgunluk modelinde yukarı doğru ilerlemeye çalışmadan önce, tanımlayıcı analitikte temel yeterlilikleri oluşturmak son derece önemlidir. Temel yeterlilikler şunları içerir:

Veri modelleme temelleri ve temel yıldız şeması en iyi uygulamalarının benimsenmesi,

Verileri doğru görselleştirmelerle iletmek ve

Temel gösterge paneli tasarım becerileri.

Betimsel Analize Nasıl Başlarsınız?

Muhtemelen dahili olarak bir tür tanımlayıcı analitiği benimsemişsinizdir, ister statik K&Z tabloları, PDF raporları veya bir analitik araç içinde raporlama olsun. Gerçek bir tanımlayıcı analitik programının uygulanması için, tekrarlanabilirlik ve görevlerin otomasyonu kavramları akılda en üstte olmalıdır. Tekrarlanabilirlik, bir veri sürecinin standart hale getirilmesi ve asgari çabayla düzenli olarak uygulanabilmesidir (haftalık bir satış raporunu düşünün) ve otomasyon, karmaşık görevlerin (VLOOKUP'lar, excel elektronik tablolarının birleştirilmesi, vb.) otomatikleştirilmesidir - çok az veya hiç manuel müdahale gerektirmez. Bunu başarmanın en etkili yolu, bu süreçleri arka uçta standart hale getirip otomatikleştirmeye yardımcı olabilen ve son kullanıcılar için ön uçta tutarlı bir raporlama çerçevesi sağlayan modern bir analitik aracı benimsemektir.

Analitiğin yalnızca ilk ayağı olmasına rağmen, tanımlayıcı analitik aynı zamanda çoğu kuruluşun analitik olgunluk modelinde durduğu yer olma eğilimindedir. Tarihsel göstergeleri ve eğilimleri çerçevelemede son derece yararlı olsa da, tanımlayıcı analitik genellikle bir şeyin neden meydana geldiğine dair somut bir harekete geçme çağrısından veya çıkarımdan yoksundur ve bu da bizi analitiğin bir sonraki ayağına götürür: tanısal analitik.

Tanısal Analitik

Tanısal Analitik Nedir? 

Tanısal analiz, tıpkı tanımlayıcı analiz gibi, bir soruyu yanıtlamak için geçmiş verileri kullanır. Ancak "ne"ye odaklanmak yerine, tanısal analiz, verileriniz içinde bir olayın veya anormalliğin neden meydana geldiği gibi kritik bir soruyu ele alır. Tanısal analiz ayrıca, analitik olgunluk modeli içinde en çok gözden kaçan ve atlanan adımdır. Anekdot olarak, çoğu müşterinin "ne oldu"dan "ne olacak"a geçmeye çalıştığını ve "neden oldu" adımını ele almaya hiç zaman ayırmadığını görüyorum. Bu tür analizler, şirketlerin şu tür soruları yanıtlamasına yardımcı olur:

Şirketimizin satışları geçen çeyrekte neden azaldı?

Müşteri kaybında neden artış görüyoruz?

Belirli bir ürün sepetinin performansı bir önceki yılın satış rakamlarından neden çok daha yüksek?

Tanısal analizler, makine öğrenimi/öngörücü analizlerden daha erişilebilir olma eğilimindedir ve daha geniş bir kullanım senaryosu yelpazesine uygundur. Hatta öngörücü analiz kullanım senaryoları için ayırdığınız bazı iş sorunlarını çözdüğünü bile görebilirsiniz.

Tanısal Analizlere Nasıl Başlarsınız?

Tanısal analiz aşamasında olmak muhtemelen modern bir analiz aracını benimsediğiniz anlamına gelir. Çoğu modern analiz aracı çeşitli arama tabanlı veya hafif yapay zeka yetenekleri içerir. Bu özellikler, daha derin bir katmanda ayrıntılı içgörülere olanak tanır (örneğin: Power BI'daki Key Drivers görselleştirmesi veya Qlik'in arama tabanlı içgörü işlevi). Açık olmak gerekirse, bunlar tanısal analiz kullanım durumlarını ele almak için etkili ve hafif bir araçtır ancak tam ölçekli bir uygulamaya yönelik bir araç değildir. Sisu gibi yazılım satıcıları, temel işlerini tanısal analiz kullanım durumlarını ele almak (kendilerinin "artırılmış analiz" adını verdiği) üzerine kurmuşlardır ve harika bir bahistirler.

Tanısal analiz, olgunluk modelinde ne yazık ki atlanmaya veya gizlenmeye meyilli olan önemli bir adımdır. Satışlarınızın 2020'de neden %20 düştüğünü çıkaramıyorsanız, o zaman öngörücü analize atlayıp "2021'de satışlara ne olacak" sorusunu yanıtlamaya çalışmak, analitik olgunluk modelinde yukarı doğru ilerlemek için bir zorlamadır.

Tahmini Analitik

Öngörücü Analitik Nedir?

Tahmini analiz, makine öğrenimini kullanarak geçmiş verilere dayanarak ne olma olasılığını belirleyen bir gelişmiş analiz biçimidir. Tanımlayıcı ve tanısal analizlerin büyük kısmını oluşturan geçmiş veriler, tahmine dayalı analiz modelleri oluşturmanın temeli olarak kullanılır. Tahmini analiz, şirketlerin şu gibi kullanım durumlarını ele almasına yardımcı olur:

Makinelerde bakım sorunlarını ve parça bozulmalarını öngörmek.

Kredi riskinin belirlenmesi ve potansiyel dolandırıcılıkların tespiti.

Müşteri memnuniyetsizliğinin belirtilerini belirleyerek müşteri kaybını tahmin edin ve önleyin.

Tahmini Analizlere Nasıl Başlarsınız?

Herhangi bir öngörücü analiz yapısının başlangıcında üç temel unsurun belirlenmesi gerekir:

Çözülecek bir sorun belirleyin,

Ne tahmin etmek istediğinizi tanımlayın ve

Bunu yaparak ne elde edeceğinizi belirtin.

Başlamak için mevcut verileri toplamalı, veri modellemesine olanak verecek şekilde verileri kullanışlı bir şekilde düzenlemeli, verilerinizi temizlemeli ve genel kaliteyi gözden geçirmeli ve son olarak modelleme hedefinizi belirlemelisiniz.

Modelleme, öngörücü analizde ön plana çıkarken, veri hazırlama ilk önce gerçekleşmesi gereken kritik bir adımdır. Bu nedenle, tanımlayıcı ve tanısal analizde sağlam bir temele sahip kuruluşlar öngörücü analizle başa çıkmak için daha donanımlıdır. Basitçe söylemek gerekirse, geriye dönük raporlama için veri hazırlama, dönüştürme ve kalitesini sağlama zamanı ve çabası zaten gerçekleşmiştir. Modelleme aşaması için verileri hızlı bir şekilde belirlemek ve değerlendirmek için temel nispeten iyi atılmış olmalıdır. Belirli bir iş raporlama alanında (örneğin satış raporlamasını düşünün) iyi tanımlanmış KPI'ları ve iş mantığı olan müşterileri bunu ilk öngörücü analiz kullanım örneği olarak kullanmaya her zaman teşvik ederim. Amaç, değeri hızlı bir şekilde elde etmektir ve verilerin iyi tanımlandığını ve yüksek kalitede olduğunu bildiğiniz bir alandan başlamaktan daha iyi bir yer yoktur.

Öngörücü analitik, bir sonraki adım olan öngörücü analitiğe açılan kapıdır.

Öngörücü Analitik

Öngörücü Analitik Nedir?

Öngörücü analiz, modern analitiğin dördüncü ve son ayağıdır. Öngörücü analiz, analitiğinizin sizi belirli bir eyleme yönlendirdiği veya yönlendirdiği gerçek yönlendirilmiş analitiğe ilişkindir. Karar vermeyi yönlendirmek için tanımlayıcı, tanılayıcı ve öngörücü analitiğin etkili bir şekilde birleştirilmesidir. Mevcut senaryolar veya koşullar (mevcut yük treni filonuzu düşünün) ve bir kararın veya olayın sonuçları (yük trenlerinde parça arızası) kullanıcının alması için yönlendirilmiş bir karar veya eylem oluşturmak için uygulanır (önleyici bakım için proaktif olarak daha fazla parça satın alın).

Öngörücü analiz, tanımlayıcı, tanılayıcı ve öngörücü analizlerde güçlü yeterlilikler gerektirir; bu nedenle kullanım durumlarının iyi tanımlandığı son derece uzmanlaşmış endüstrilerde (örneğin petrol ve gaz, klinik sağlık, finans ve sigorta) bulunma eğilimindedir. Öngörücü analiz, aşağıdaki gibi kullanım durumlarını ele almaya yardımcı olur:

Müşteri talebinin öngörülmesi ve dış etkenlere bağlı olarak ürün fiyatlandırmasının otomatik olarak ayarlanması.

Sahada gelen olay raporlarına göre seçili çalışanların ek eğitime tabi tutulması.

Öngörücü analitiğin temel amacı, veri analitiğinden eğitimli tahminleri veya değerlendirmeleri çıkarmak ve karar alma sürecini kolaylaştırmaktır.

Öngörücü Analizlere Nasıl Başlarsınız?

Öngörücü analizler genellikle tanımlayıcı, tanılayıcı ve öngörücü analizlerin birleştirilmesi olarak kabul edilir. Başlamak adım adım bir liste olmaktan çok, analitik olgunluk eğrisi içinde yeteneklerinizi oluşturmak için önceden harcanan zaman ve çabadır.

Basitçe söylemek gerekirse, modern analitiğin gerekli ilk üç ayağının önce oluşturulması olmadan, tanımlayıcı analitiğe bir başlangıç ​​noktası yoktur. Tanımlayıcı analitiğe hazırsanız, harekete geçme çağrınızı ve altta yatan ölçütleri nicelleştirmek ilk gereklilik olacaktır. Örneğin: kullanım durumu bir çalışan için düzeltici eylem çağrısı yapmaksa (yani – zayıf performansa dayalı ek eğitim), bu eylemi gerektiren faktörler kesin bir şekilde belirlenmeli ve eylemin kendisi açıkça tanımlanmalıdır.

Veri analitiği olgunluk modelinde ilerlemek bir yarış olmamalı. Her bir analitiğin verilerinizi daha iyi anlamanıza ve bunları iş hedeflerinizi ilerletmek için nasıl kullanacağınızı bilmeniz, veri ve analitiğe yapılan yatırımın getirisini elde etmenin anahtarıdır.

Üretken Yapay Zeka ile Analitiği Geliştirme

Tanımlayıcı, tanılayıcı, öngörücü ve tanımlayıcı analizler geleneksel veri analizi ve iş karar alma süreçlerinin omurgasını oluştururken, üretken yapay zekanın tanıtımı verilerle nasıl etkileşim kurduğumuz ve verileri nasıl kullandığımız konusunda bir paradigma değişimini temsil ediyor. Bu evrim, geleneksel analizleri değiştirmekle ilgili değil, onları zenginleştirmek ve yenilikçi entegrasyon yoluyla optimize etmekle ilgilidir.

Üretken Yapay Zeka Nedir?

Üretken AI – yapay zekanın bir dalı – yeni içerik veya veri oluşturmak için makine öğrenimi modellerini kullanır. Mevcut bilgileri basitçe analiz etmek yerine, iş problem çözme ve karar alma yeteneklerini geliştiren orijinal, gerçekçi çıktılar üretir. Daha fazla otomasyon, daha kişiselleştirilmiş müşteri deneyimleri ve verilerden içgörüler çıkarmada daha derin bir yaratıcılık düzeyi sağlar.

Üretken Yapay Zeka'ya Nasıl Başlarsınız?

Kuruluşunuzda üretken AI'yı uygulamak, benzersiz yeteneklerini ve bunların mevcut analitik çerçevenizi nasıl değiştirdiğini değil, nasıl tamamladığını anlamak anlamına gelir. Tanımlayıcı, teşhis edici, öngörücü ve tanımlayıcı analitiklerinizden daha fazla içgörü elde etmek, genel karar almayı geliştirmek ve inovasyonu yönlendirmek için üretken AI'dan yararlanın.

Başlamak için bazı adımlar şunlardır:

İş Vizyonu ve Hedefleriyle Uyumlu Olun: Üretken AI'yı genel iş hedeflerinizle entegre ederek başlayın. Geleneksel analitik yöntemlerinin sağladığı içgörüleri geliştirmeli ve tamamlamalıdır.

Mevcut Analitik Altyapısını Değerlendirin: Mevcut analitik yeteneklerinizin üretken AI ile nasıl artırılabileceğini değerlendirin. Bu, önemli değer katabileceği potansiyel kullanım durumlarını belirlemeyi içerir.

Paydaşları Kullanım Durumu Tanımına Dahil Edin: Üretken AI'nın anlamlı uygulamalarını tanımlamak için kilit paydaşlarla etkileşim kurun. Bu uygulamaların karar alma süreçlerini ve operasyonel verimliliği artırdığından emin olun.

Teknoloji ve Yetenek Planı: Üretken AI girişimlerini uygulamak ve sürdürmek için gereken teknoloji altyapısını ve yeteneği göz önünde bulundurun. Bu planlama, daha gelişmiş, AI odaklı analitiğe başarılı bir geçiş için çok önemlidir.