Что такое принятие решений на основе данных?
В современной науке о данных есть несколько модных слов, которые имеют огромный вес, но из-за их сложности часто оказываются плохо определенными. Такие термины, как «большие данные», «облачные вычисления» и «управление на основе данных», могут запутать многих людей. Однако одним из ключей к успеху в области анализа данных является создание прочной основы путем определения этих терминов на ранней стадии.
Понимание языка науки данных позволит вам начать использовать его в своих интересах. Как только вы овладеете определением «управления на основе данных», вы можете приступить к применению этого акта в процессе принятия решений.
Итак, что такое «большие данные»? Этот термин используется для описания величины или сложности информации. Даже небольшой объем данных можно считать «большими данными», если по этим данным было собрано большое количество информации.
Тогда что значит быть «управление на основе данных»? Этот термин в основном описывает процесс принятия решений, который включает сбор данных, извлечение моделей и фактов из этих данных и использование этих фактов для принятия выводов, влияющих на принятие решений.
Сегодня каждая отрасль стремится к управлению на основе данных. Ни одна компания, группа или организация на самом деле не скажут: «Давайте не будем использовать данные. Нам хватит только интуиции для принятия верных решений». Интуиция без данных может быть омрачена предвзятостью или ложными предположениями и может привести к неправильному принятию решений.
Чтобы эффективно использовать данные, вам нужно уметь делать несколько вещей
1. Организационная проницательность
Разносторонний аналитик данных хорошо знает бизнес. Спросите себя, какие существуют проблемы на рынке, с которым вы работаете. Определите и поймите их полностью. Это позволит вам сделать более точные выводы с вашими данными позже.
2. Источники данных
Соберите источники, из которых вы будете извлекать свои данные. Вы будете координировать информацию из разных баз данных, веб-форм обратной связи и социальных сетей.
Координация различных источников, кажется, простой затеей, но поиск общих переменных в каждом наборе данных может представлять собой чрезвычайно сложную проблему. Может быть, легко согласиться с непосредственной целью использования данных только для вашей текущей цели, но разумно определить, будут ли эти данные использоваться для других проектов в будущем. Если да, следует ли разработать стратегию представления данных таким образом, чтобы они были доступны в других сценариях?
3. Чистые данные
Начните с создания таблиц, чтобы упорядочить и каталогизировать то, что вы нашли. Создайте словарь данных: таблицу, в которой каталогизируются все переменные, с которыми вы работаете, и, по сути, переводите их в то, что они значат для вас в контексте этого конкретного проекта. Это включает в себя типы данных и другие факторы обработки.
4. Статистика
Есть три разных способа представить свои выводы:
• Только факты.
• Факты плюс толкование того, что эти факты указывают в контексте конкретного проекта.
• Вывод, основанный на фактах, и рекомендации для дальнейших действий, основанные на заключении.
5. Выводы
Какую новую информацию вы узнали из сбора статистики? Несмотря на стремление открыть что-то совершенно новое, отличное место для начала – это задать себе вопросы, на которые вы уже знаете – или думаете, что знаете – ответы.
Многие компании полагаются на предположения: «Рынок для этого продукта существует». Или «Это то, чего хотят наши клиенты». Поэтому, прежде чем найти что-то новое, проверьте эти предположения. Доказательство того, что эти предположения верны, дает вам твердую основу для перехода, а опровержение этих предположений позволит вам устранить любые ложные утверждения, которые, возможно, по незнанию, негативно влияют на вашу компанию. Имейте в виду, что хорошее решение, основанное на данных, на самом деле вызывает больше вопросов, чем ответов.
Кстати, большинство шагов, перечисленных выше, на самом деле не генерируют статистику. Большинство из этих шагов по эффективному использованию данных побуждают начинающих исследователей данных становиться более разносторонними – способными не только анализировать, но и понимать данные с целостного взгляда, а также обеспечивать понимание на основе данных. Этот целостный аспект анализа – будущее.