Dekodierung Einfache vs. nicht so einfache Datenanalyse

Verfasst von Professor S. Sadagopan, Direktor – IIIT Bangalore. Prof. Sadagopan ist einer der erfahrensten Akademiker im Expertengremium des UpGrad & IIIT-B PG Diploma Program in Data Analytics.

Als angehender Analytics-Profi, der von Fachjargon, Hype und überwältigenden Marketingbotschaften verwirrt ist, die von Millionen anstehender Jobs sprechen, die mit Millionen von Rupien bezahlt werden, sollten Sie sich Klarheit über den „wahren“ Wert einer Data Analytics-Ausbildung verschaffen. Hier sind einige Leckerbissen – die hoffentlich dazu beitragen sollten, Ihre Verwirrung zu verringern.

Einige kluge Leute können „analytisches Denken“ verwenden, um „erstaunliche Zahlen“ zu finden; Sie sind sehr nützlich, aber da sie „intuitiv“ sind, können sie nicht „gelehrt“ werden.

Zum Beispiel:

Einfache Analytik

Geldautomaten mit Data Insights vorkonfigurieren

„Wir haben den schnellsten Geldautomaten auf diesem Planeten“

Behauptete eine angesehene Bank. Haben sie einen neuen Geldautomaten bekommen, der speziell für sie angefertigt wurde? Auf keinen Fall. Ein kluger Mitarbeiter mit einer analytischen Denkweise fand heraus, dass Benutzer in 90 % der Fälle, in denen sie an einen Geldautomaten gehen, um Bargeld abzuheben, einen festen Betrag verwenden, sagen wir 5.000 Rupien. Daher hat die Bank die standardmäßigen Bildschirmoptionen – Saldoabfrage, Auszahlung, Kontoauszug drucken usw. – umkonfiguriert, um eine weitere Option hinzuzufügen. Ziehen Sie den XYZ-Betrag basierend auf den vergangenen Aktionen des einzelnen Kunden ab.

Dies hat letztendlich dazu geführt, dass ein Schritt des ATM-Betriebs eingespart wurde. Anstatt die Auszahlungsoption auszuwählen und dann den abzuhebenden Betrag einzugeben, könnten Sie jetzt etwas Zeit sparen – was den Vorgang bequemer und intuitiver macht. In der Tat ein kluger Schachzug, aber so etwas wie „Easy Analytics“ , das andere auch kopieren können. Tatsächlich haben andere innerhalb von drei Monaten kopiert!

Versteckte Daten im Wetter

In den Beispieldatensätzen, die in den 90er Jahren ein Tabellenkalkulationsprodukt begleiteten, befanden sich früher Daten über die Fläche und Bevölkerung jedes Staates in den Vereinigten Staaten. Es gab auch eine Übung, um dem Formelteil der Tabelle beizubringen, die Bevölkerungsdichte (Bevölkerung pro km²) zu berechnen. New Jersey ist mit 467 Einwohnern pro km² der Bundesstaat mit der höchsten Bevölkerungsdichte.

Als ich eine Klasse von MBA-Studenten in New Jersey unterrichtete, traf ich einen indischen Studenten, der herausfand, dass New Jersey in Bezug auf die Bevölkerungsdichte mit 446 Einwohnern pro Quadratkilometer überfüllter ist als Indien! Eine interessante Beobachtung, obwohl der Vergleich eines Staates mit einem Land etwas irreführend ist. Wieder einmal eine Easy Analytics - Übung, die zu einer „schönen“ Beobachtung führt!

Einige einfache Datenanalyseübungen können routinemäßig durchgeführt werden und werden dank erstaunlicher Tools relativ einfacher:

B-School-Kaufverhalten entschlüsselt

In einer B-School in Indien, die ein Geschäft auf dem Campus hat (der Campus liegt weit vom Stadtzentrum entfernt), haben einige intelligente Schüler mehrere Jahre Verkaufsdaten ihres Campus-Geschäfts hinterlegt . Sie waren begeistert von der phänomenalen Computerleistung und der nahezu idiotensicheren Analysesoftware.

Die eigentliche Überraschung war jedoch, dass acht Artikel 85 % ihres Jahresumsatzes ausmachten . Noch wichtiger ist, dass diese acht Artikel in nur sechs Tagen des Jahres verbraucht wurden! Jeder wusste, dass eine Handvoll Artikel die einzigen Schnelldreher waren, aber er kannte weder das Ausmaß (85 %) noch die Intensität (Verbrauch in nur sechs Tagen) davon.

Es stellte sich heraus, dass die Studenten in den ersten 3 Tagen des Semesters die Artikel für das gesamte Semester einlagern würden! Die B-School fand es sinnvoll, einen nahe gelegenen Laden zu bitten, zu Beginn der Semester nur für zwei Wochen einen provisorischen Stand aufzubauen und den Campus-Laden zu schließen. Dies sparte nützlichen Platz und Kosten, ohne den Studenten größere Unannehmlichkeiten zu bereiten. Ein gutes Beispiel für Easy Analytics, das mit Hilfe eines leistungsstarken Tools erstellt wurde.

Die „nicht so einfache“ Analytik erfordert ein tiefes analytisches Verständnis, Werkzeuge, eine „analytische Denkweise“ und einiges an harter Arbeit. Hier sind zwei Beispiele, eines aus den 70er Jahren und das andere erst kürzlich:

Gar nicht so einfache Analytik

Fliegen oder nicht fliegen, das ist hier die Frage

Vor langer Zeit perfektionierte American Airlines die geplante Überbuchung von Sitzplätzen in Fluggesellschaften dank des SABRE-Reservierungssystems für Fluggesellschaften , das jeden Sitzplatz verwaltete.
Ausgestattet mit detaillierten Daten aus der Vergangenheit über „leere Sitze“ und „Nichterscheinen“ in jedem Abschnitt jedes Fluges für jeden Tag im Jahr und durch die Modellierung von Flugzeugsitzen als verderbliche Ware konnte die American Airlines den Ertrag, dh die Auslastung des Flugzeugs , verbessern Kapazität. Sie taten dies durch geplante Überbuchung – den Verkauf von mehr Tickets als die Anzahl der Plätze, basierend auf prognostizierten Stornierungen .

Wenn tatsächlich mehr Passagiere erschienen als die tatsächliche Anzahl der Sitzplätze, würde American Airlines jeden, der sich freiwillig meldet, auf die Reise in dem bestimmten Flug verzichten, mit dem Angebot, ihn mit dem nächsten Flug (oft kostenlos) zu fliegen und sich bei Bedarf um eine Hotelunterkunft zu kümmern. Manchmal boten sie dem Freiwilligen sogar finanzielle Anreize, sich abzumelden.

Mithilfe ausgefeilter statistischer und operativer Forschungsmodelle stellte American Airlines sicher, dass die Flüge ausgelastet waren und die tatsächlichen Vorfälle von mehr Passagieren als die volle Kapazität nahe Null waren. Tatsächlich würden sich viele Schüler auf solche Vorfälle freuen, um Anreize zu erhalten (tatsächlich müsste ich mich in diese Liste einschließen), aber selten wurden sie belohnt!)

Was American Airlines als Experiment begann, ist im Laufe der Jahre zur branchenüblichen Praxis geworden. Bis vor kurzem war ein Team von gut ausgebildeten (häufig promovierten) Analysten, die mit Zugang zu enormer Rechenleistung ausgestattet waren, erforderlich, um eine solche Analysetätigkeit aufrechtzuerhalten.

Jetzt verändern Software der neuen Generation wie die Programmiersprache R und leistungsstarke Desktop-Computer mit erheblicher Visualisierungs-/Grafikleistung die Welt der Datenanalyse sehr schnell. Jeder, der gut ausgebildet ist (nicht mehr unbedingt einen Doktortitel benötigt), kann ein erstklassiger Analytik-Profi werden.

Fahrerhaus aus der Tasche

Uber ist ein weiteres Beispiel dafür, wie die Macht der Datenanalyse eine etablierte Branche stören kann. Taxi-sicher in Bangalore und Ola Cabs sind Uber ähnlich. Gemeinsam versuchen diese Taxi-App-Unternehmen (die eine mobile App verwenden, um ein Taxi zu rufen, den Status des Taxis zu überwachen, das Taxi zu benutzen und zu bezahlen) die Welt davon zu überzeugen, vom Autobesitz auf die Nutzung von Autos auf Abruf umzusteigen.
Eine einfache, aber gründliche Analyseübung im Jahr 2008 gab Uber ein solches Selbstvertrauen, dass es anfing, davon zu sprechen , die Autoverkäufe bis zum Jahr 2025 um 25 % zu reduzieren!
Nach der Entwicklung der Uber-App für das iPhone hat der Uber-Gründer einige hundert Taxikunden in San Francisco und auch einige hundert Taxifahrer in dieser Gegend registriert. Alles, was die registrierten Fahrer tun mussten, war die Uber App zu berühren, wann immer sie für einen Kunden bereit waren. In ähnlicher Weise wurden die registrierten Taxikunden aufgefordert, die Uber App zu berühren, wenn sie nach einem Taxi suchten.
Dank des mit dem Internet verbundenen Telefons (Konnektivität), der mobilen App (Benutzeroberfläche), des GPS (Standort des Taxis und des Endbenutzers) und des GIS (Standortdetails) konnte Uber versuchen, die Taxifahrer und die Taxibenutzer miteinander zu verbinden.

Die wirkliche Erkenntnis war, dass Taxifahrer in fast 90 % der Fälle einen Kunden in weniger als 100 Metern Entfernung fanden! Auf die gleiche Weise waren Taxifahrer in fast 90 % der Fälle in kürzester Zeit mit ihren potenziellen Fahrern verbunden, die nicht allzu weit entfernt waren.
Leider hatten Fahrgäste und Taxifahrer bis zur Einführung der Uber-App keine Möglichkeit, diese Informationen zu erfahren. Noch wichtiger war, dass sie beide keine Möglichkeit hatten, einander zu erreichen! Sobald sie diese Informationen und den Zugang hatten, konnte eine neue Art der Taxibestellung etabliert werden.

Mit einer Back-End-Software zur Planung von Taxis, einem Zahlungsgateway und einem mobilen Zahlungsmechanismus könnte ein weitaus besserer Taxidienst eingerichtet werden. Natürlich hatten wir in der Nähe unseres Zuhauses noch bessere Optionen wie Taxi-for-sure, die versuchten, diese Erfahrung sogar auf Autorikschas auszudehnen. Der Rest ist, wie sie sagen, „Geschichte im Entstehen“!

Deep-Dive-Kurse in Datenanalyse helfen Ihnen, sich auf solche hochwirksamen Anwendungen vorzubereiten. Es ist nicht einfach, aber erinnern Sie sich an die Worte des ehemaligen US-Präsidenten Kennedy

„Wir haben uns entschieden, zum Mond zu fliegen, nicht weil es einfach ist, sondern weil es schwer ist!“

Holen Sie sich eine Data-Science-Zertifizierung von den besten Universitäten der Welt. Lernen Sie Executive PG-Programme, Advanced Certificate-Programme oder Master-Programme, um Ihre Karriere zu beschleunigen.