Простое декодирование и не очень простая аналитика данных

Автор: профессор С. Садагопан, директор – IIIT Bangalore. Профессор Садагопан является одним из самых опытных академиков в экспертной группе UpGrad & IIIT-B Дипломной программы PG в области анализа данных.

Как начинающий аналитик, сбитый с толку жаргоном, шумихой и подавляющими маркетинговыми сообщениями, в которых говорится о миллионах предстоящих рабочих мест с оплатой в миллионы рупий, вы должны получить ясность относительно «реальной» ценности образования в области аналитики данных. Вот некоторые лакомые кусочки — мы надеемся, что они помогут уменьшить вашу путаницу.

Некоторые умные люди могут использовать «аналитическое мышление», чтобы получить «потрясающие цифры»; они очень полезны, но, будучи «интуитивными», их нельзя «обучить».

Например:

Простая аналитика

Предварительная настройка банкоматов с помощью Data Insights

«У нас самый быстрый банкомат на этой планете»

Забрал уважаемый банк. Специально для них сделали новый банкомат? Ни за что. Один умный сотрудник с аналитическим складом ума обнаружил, что в 90% случаев, когда пользователи идут к банкомату, чтобы снять наличные, они используют фиксированную сумму, скажем, 5000 рупий. Таким образом, Банк перенастроил стандартные параметры экрана — «Запрос баланса», «Вывод средств», «Печать выписки» и т. д. — чтобы включить еще один параметр. Снять сумму XYZ на основе прошлых действий отдельного клиента.

В итоге это позволило сэкономить один шаг в работе банкомата. Вместо того, чтобы выбирать вариант вывода, а затем вводить сумму для вывода, теперь вы можете сэкономить время, сделав процесс более удобным и интуитивно понятным. Однако это действительно умный ход, известный как «Простая аналитика» , который другие также могут скопировать. На самом деле, другие СДЕЛАЛИ копирование в течение трех месяцев!

Скрытые данные в погоде

В выборочных наборах данных, которые сопровождали электронные таблицы в 90-х годах, раньше были данные о площади и населении каждого штата в Соединенных Штатах. Также было проведено упражнение по обучению части формулы электронной таблицы для расчета плотности населения (население на квадратный километр). Нью-Джерси с населением 467 человек на кв. км является штатом с самой высокой плотностью населения.

Во время обучения студентов MBA в Нью-Джерси я встретил индийского студента, который выяснил, что с точки зрения плотности населения Нью-Джерси более густонаселенный, чем Индия: 446 человек на кв. км! Интересное наблюдение, хотя сравнение штата со страной немного вводит в заблуждение. Еще раз, упражнение Easy Analytics , ведущее к «хорошему» наблюдению!

Некоторые простые упражнения по анализу данных можно выполнять регулярно, а сделать их относительно проще благодаря замечательным инструментам:

Расшифровка покупательского поведения B-School

В бизнес-школе в Индии, у которой есть магазин на территории кампуса (кампус расположен далеко от центра города), некоторые умные студенты размещают данные о продажах своего магазина в кампусе за несколько лет . Они были в восторге от феноменальной мощности компьютера и почти надежного аналитического программного обеспечения.

Настоящим сюрпризом, однако, стало то, что на восемь товаров приходилось 85% их годовых продаж . Что еще более важно, эти восемь продуктов были съедены всего за шесть дней в году! Всем было известно, что только горстка предметов является быстроходной, но они не знали масштаба (85%) или интенсивности (потребление всего за шесть дней) этого.

Получается, что в первые 3 дня семестра студенты запасаются предметами на весь семестр! Бизнес-школа сочла разумным попросить ближайший магазин установить временный прилавок всего на две недели в начале семестров и закрыть магазин в кампусе. Это сэкономило полезное пространство и расходы, не причинив больших неудобств студентам. Хороший пример Easy Analytics, сделанный с помощью мощного инструмента.

« Не такая простая» аналитика требует глубокого аналитического понимания, инструментов, «аналитического мышления» и некоторой тяжелой работы. Вот два примера, один из которых был сделан еще в 70-х, а другой совсем недавно:

Непростая аналитика

Летать или не летать, вот в чем вопрос

Американские авиалинии уже давно усовершенствовали плановое избыточное бронирование мест в самолетах благодаря системе бронирования авиалиний SABRE, которая управляла каждым местом в самолете.
Вооружившись подробными прошлыми данными о «пустых местах» и «неявках» на каждом сегменте каждого рейса за каждый день в течение года, а также моделируя авиакресла как скоропортящиеся товары, American Airlines смогла повысить доходность, т. е. использование самолетов. емкость. Они сделали это за счет запланированного избыточного бронирования — продали больше билетов, чем количество мест, исходя из прогнозируемых отмен .

Если бы действительно появилось больше пассажиров, чем фактическое количество мест, American Airlines попросила бы любого добровольца отказаться от поездки на конкретном рейсе с предложением доставить их следующим рейсом (часто бесплатным) и позаботиться о размещении в гостинице, если это необходимо. Иногда они даже предлагали добровольцам денежное поощрение за отказ от участия.

Используя сложное моделирование статистических и оперативных исследований , American Airlines гарантировала, что рейсы будут заполнены, а фактическое количество пассажиров, превышающее полную вместимость, будет близко к нулю. На самом деле, многие студенты с нетерпением ждали бы таких инцидентов, чтобы получить поощрения (на самом деле, мне пришлось бы включить себя в этот список), но они редко получали вознаграждение!)

То, что American Airlines начинало как эксперимент, с годами стало стандартной отраслевой практикой . До недавнего времени для поддержания такой аналитической деятельности требовалась команда хорошо обученных (часто имеющих докторскую степень) аналитиков, вооруженных доступом к огромной вычислительной мощности.

Теперь программное обеспечение нового поколения, такое как язык программирования R и мощные настольные компьютеры со значительными возможностями визуализации/графики , очень быстро меняют мир анализа данных. Любой, кто хорошо обучен (больше не обязательно должен иметь докторскую степень), может стать первоклассным профессионалом в области аналитики.

Кабина из сумки

Uber — еще один пример того, как мощь аналитики данных может разрушить хорошо зарекомендовавшую себя отрасль. Taxi-for-sure в Бангалоре и Ola Cabs похожи на Uber. Вместе эти компании-приложения такси (использующие мобильное приложение для вызова такси, отслеживания состояния такси, использования и оплаты такси) пытаются убедить мир перейти от владения автомобилем к использованию автомобиля по требованию.
Простая, но глубокая аналитика в 2008 году вселила в Uber такую ​​уверенность, что она заговорила о снижении продаж автомобилей на 25% к 2025 году!
Создав приложение Uber для iPhone, основатель Uber зарегистрировал несколько сотен клиентов такси в Сан-Франциско, а также несколько сотен таксистов в этом районе. Все, что нужно было сделать зарегистрированным водителям, — это прикасаться к приложению Uber всякий раз, когда они были готовы принять клиента. Точно так же зарегистрированных клиентов такси просили прикасаться к приложению Uber всякий раз, когда они искали такси.
Благодаря подключенному к Интернету телефону (связь), мобильному приложению (пользовательский интерфейс), GPS (такси и местоположение конечного пользователя) и ГИС (данные о местоположении) Uber может попытаться связать водителей такси и пользователей такси.

Реальное понимание заключалось в том, что почти в 90% случаев таксисты находили клиентов менее чем в 100 метрах от них! Точно так же почти в 90% случаев пользователи такси быстро и не слишком далеко соединялись со своими потенциальными водителями.
К сожалению, пока не появилось приложение Uber, пассажиры и таксисты не имели возможности узнать эту информацию. Что еще более важно, у них обоих не было возможности связаться друг с другом! Как только они получат эту информацию и доступ, можно будет установить новый способ вызова такси.

С внутренним программным обеспечением для планирования такси, платежным шлюзом и механизмом мобильных платежей можно было бы создать гораздо более качественную службу такси. Конечно, рядом с домом у нас были еще лучшие варианты, такие как Taxi-for-sure, пытающиеся распространить этот опыт даже на авторикши. Остальное, как говорится, «делается история!»

Курсы глубокого погружения в аналитику данных помогут вам подготовиться к таким высокоэффективным приложениям. Это непросто, но помните слова бывшего президента США Кеннеди

«Мы решили отправиться на Луну не потому, что это легко, а потому, что это сложно!»

Получите сертификат по науке о данных от лучших университетов мира. Изучите программы Executive PG, Advanced Certificate Programs или Master Programs, чтобы ускорить свою карьеру.