Analytique - Analytics

L'analytique est l'analyse informatique systématique de données ou de statistiques. Il est utilisé pour la découverte, l'interprétation et la communication de modèles significatifs dans les données . Cela implique également l'application de modèles de données pour une prise de décision efficace. Il peut être utile dans des domaines riches en informations enregistrées ; l'analyse repose sur l'application simultanée de statistiques , de programmation informatique et de recherche opérationnelle pour quantifier les performances.

Les organisations peuvent appliquer des analyses aux données commerciales pour décrire, prévoir et améliorer les performances commerciales. Plus précisément, les zones dans l' analyse comprennent l' analyse prédictive , l' analyse normative , la gestion des décisions d'entreprise , l' analyse descriptive, analyse cognitive, Big Data Analytics, l' analyse de détail, l' analyse de la chaîne d'approvisionnement, assortiment de magasin et unité de gestion des stocks d' optimisation, l' optimisation du marketing et de la commercialisation de la modélisation du mix , web analytique , analyse des appels, analyse de la parole , dimensionnement et optimisation de la force de vente, modélisation des prix et des promotions, science prédictive, analyse graphique, analyse du risque de crédit et analyse de la fraude . Étant donné que l'analyse peut nécessiter des calculs étendus (voir Big Data ), les algorithmes et les logiciels utilisés pour l'analyse exploitent les méthodes les plus récentes en informatique, en statistiques et en mathématiques.

Analyse du trafic de Wikipedia anglais lui-même

Analytique vs. analyse

L'analyse des données se concentre sur le processus d'examen des données passées par la collecte, l'inspection, la modélisation et le questionnement. Il s'agit d'un sous-ensemble d'analyses de données, qui nécessite plusieurs processus d'analyse de données pour se concentrer sur la raison pour laquelle un événement s'est produit et ce qui peut arriver à l'avenir en fonction des données précédentes. L'analyse des données est utilisée pour formuler des décisions organisationnelles plus larges.

L'analyse de données est un domaine multidisciplinaire . Les compétences informatiques, les mathématiques, les statistiques, l'utilisation de techniques descriptives et de modèles prédictifs sont largement utilisées pour acquérir des connaissances précieuses à partir des données grâce à l'analyse. Les informations tirées des données sont utilisées pour recommander des actions ou pour guider une prise de décision ancrée dans le contexte commercial. Ainsi, l'analytique ne concerne pas tant les analyses individuelles ou les étapes d'analyse, mais l'ensemble de la méthodologie . Il existe une tendance prononcée à utiliser le terme analytique dans des contextes commerciaux, par exemple l' analyse de texte par rapport à l' exploration de texte plus générique pour mettre l'accent sur cette perspective plus large. Le terme d'analyse avancée est de plus en plus utilisé pour décrire les aspects techniques de l'analyse, en particulier dans les domaines émergents tels que l'utilisation de techniques d' apprentissage automatique telles que les réseaux de neurones , l'arbre de décision, la régression logistique, l' analyse de régression linéaire à multiple , classification pour faire de la modélisation prédictive . Il comprend également des techniques d'apprentissage machine Unsupervised comme l' analyse des grappes , analyse en composantes principales , l' analyse du profil de segmentation et d' analyse de l' association.

Applications

Optimisation marketing

Le marketing est passé d'un processus créatif à un processus hautement axé sur les données. Les organisations marketing utilisent l'analyse pour déterminer les résultats des campagnes ou des efforts, et pour orienter les décisions d'investissement et de ciblage des consommateurs. Les études démographiques, la segmentation de la clientèle, l'analyse conjointe et d'autres techniques permettent aux spécialistes du marketing d'utiliser de grandes quantités de données d'achat, d'enquête et de panel pour comprendre et communiquer la stratégie marketing.

L'analyse marketing se compose de données à la fois qualitatives et quantitatives, structurées et non structurées, utilisées pour prendre des décisions stratégiques en ce qui concerne les résultats de la marque et des revenus. Le processus implique la modélisation prédictive, l'expérimentation marketing, l'automatisation et les communications commerciales en temps réel. Les données permettent aux entreprises de faire des prédictions et de modifier l'exécution stratégique pour maximiser les résultats de performance.

L'analyse Web permet aux spécialistes du marketing de collecter des informations au niveau de la session sur les interactions sur un site Web à l'aide d'une opération appelée mise en session . Google Analytics est un exemple d'outil d'analyse gratuit populaire que les spécialistes du marketing utilisent à cette fin. Ces interactions fournissent aux systèmes d'information d' analyse Web les informations nécessaires pour suivre le référent, rechercher des mots-clés, identifier l'adresse IP et suivre les activités du visiteur. Avec ces informations, un spécialiste du marketing peut améliorer les campagnes marketing, le contenu créatif du site Web et l'architecture de l'information.

Les techniques d'analyse fréquemment utilisées en marketing comprennent la modélisation du mix marketing, les analyses de prix et de promotion, l'optimisation de la force de vente et l'analyse de la clientèle, par exemple : la segmentation. L'analyse Web et l'optimisation des sites Web et des campagnes en ligne fonctionnent désormais fréquemment de pair avec les techniques d'analyse marketing plus traditionnelles. L'accent mis sur les médias numériques a légèrement modifié le vocabulaire, de sorte que la modélisation du marketing mix est communément appelée modélisation d'attribution dans le contexte de la modélisation numérique ou du marketing mix .

Ces outils et techniques soutiennent à la fois les décisions marketing stratégiques (telles que le montant global à dépenser en marketing, la manière d'allouer les budgets à travers un portefeuille de marques et le mix marketing) et un soutien de campagne plus tactique, en termes de ciblage du meilleur client potentiel avec le message optimal dans le support le plus rentable au moment idéal.

Analyse des personnes

People Analytics utilise des données comportementales pour comprendre comment les gens travaillent et changer la façon dont les entreprises sont gérées.

L'analyse des personnes est également connue sous le nom d'analyse de la main-d'œuvre, d'analyse des ressources humaines, d'analyse des talents, d'analyse des personnes, d'analyse des talents, d'analyse des collègues, d'analyse du capital humain et d'analyse SIRH. L'analyse RH est l'application de l'analyse pour aider les entreprises à gérer leurs ressources humaines . De plus, l'analyse des ressources humaines est devenue un outil stratégique pour analyser et prévoir les tendances humaines sur les marchés du travail en évolution, à l'aide d'outils d'analyse de carrière. L'objectif est de discerner quels employés embaucher, lesquels récompenser ou promouvoir, quelles responsabilités attribuer et des problèmes de ressources humaines similaires.

Il a été suggéré que l'analyse des personnes est une discipline distincte de l'analyse des ressources humaines, représentant une plus grande concentration sur les problèmes commerciaux plutôt que sur les processus administratifs, et que l'analyse des personnes peut ne pas vraiment appartenir aux ressources humaines dans les organisations. Cependant, les experts ne sont pas d'accord sur ce point, beaucoup affirmant que les ressources humaines devront développer l'analyse des personnes en tant qu'élément clé d'une fonction commerciale plus compétente et stratégique dans le monde du travail en mutation provoqué par l'automatisation. Au lieu de déplacer People Analytics en dehors des RH, certains experts soutiennent qu'il appartient aux RH, bien que permis par une nouvelle génération de professionnels des RH qui sont plus axés sur les données et plus avertis en affaires.

Analyse de portefeuille

Une application courante de l'analyse commerciale est l' analyse de portefeuille . En cela, une banque ou un organisme de prêt a une collection de comptes de valeur et de risque variables . Les comptes peuvent différer selon le statut social (riche, classe moyenne, pauvre, etc.) du titulaire, la situation géographique, sa valeur nette et bien d'autres facteurs. Le prêteur doit équilibrer le rendement du prêt avec le risque de défaut pour chaque prêt. La question est alors de savoir comment évaluer le portefeuille dans son ensemble.

Le prêt le moins risqué peut être accordé aux très riches, mais il y a un nombre très limité de personnes riches. D'un autre côté, il y a beaucoup de pauvres à qui on peut prêter, mais à plus grand risque. Il faut trouver un équilibre qui maximise le rendement et minimise le risque. La solution d'analyse peut combiner l' analyse de séries chronologiques avec de nombreux autres problèmes afin de prendre des décisions sur le moment de prêter de l'argent à ces différents segments d'emprunteurs, ou des décisions sur le taux d'intérêt facturé aux membres d'un segment de portefeuille pour couvrir les pertes parmi les membres de ce segment. .

Analyse des risques

Des modèles prédictifs dans le secteur bancaire sont développés pour apporter une certitude sur les scores de risque pour les clients individuels. Les cotes de crédit sont conçues pour prédire le comportement de délinquance d'un individu et largement utilisées pour évaluer la solvabilité de chaque demandeur. Par ailleurs, des analyses de risques sont réalisées dans le monde scientifique et l'industrie de l'assurance. Il est également largement utilisé dans les institutions financières telles que les entreprises de passerelle de paiement en ligne pour analyser si une transaction était authentique ou frauduleuse. À cette fin, ils utilisent l'historique des transactions du client. Ceci est plus couramment utilisé dans les achats par carte de crédit, lorsqu'il y a une augmentation soudaine du volume de transactions client, le client reçoit un appel de confirmation si la transaction a été initiée par lui. Cela aide à réduire les pertes dues à de telles circonstances.

Analyse numérique

L'analyse numérique est un ensemble d'activités commerciales et techniques qui définissent, créent, collectent, vérifient ou transforment des données numériques en rapports, recherches, analyses, recommandations, optimisations, prédictions et automatisations. Cela inclut également le référencement ( optimisation pour les moteurs de recherche ) où la recherche par mot-clé est suivie et ces données sont utilisées à des fins de marketing. Même les bannières publicitaires et les clics relèvent de l'analyse numérique. Un nombre croissant de marques et de sociétés de marketing s'appuient sur l'analyse numérique pour leurs missions de marketing numérique , où le MROI (Marketing Return on Investment) est un indicateur clé de performance (KPI) important.

Analyse de sécurité

L'analyse de la sécurité fait référence aux technologies de l'information (TI) pour rassembler les événements de sécurité afin de comprendre et d'analyser les événements qui présentent le plus grand risque. Les produits de ce domaine comprennent les informations de sécurité, la gestion des événements et l'analyse du comportement des utilisateurs.

Analyse de logiciels

L'analyse logicielle est le processus de collecte d'informations sur la façon dont un logiciel est utilisé et produit.

Défis

Dans l'industrie des logiciels d'analyse commerciale, l'accent a émergé sur la résolution des défis liés à l'analyse d'ensembles de données volumineux et complexes, souvent lorsque ces données sont en constante évolution. Ces ensembles de données sont communément appelés big data . Alors qu'autrefois les problèmes posés par le big data n'étaient rencontrés que dans la communauté scientifique, le big data est aujourd'hui un problème pour de nombreuses entreprises qui exploitent des systèmes transactionnels en ligne et, par conséquent, amassent rapidement de gros volumes de données.

L'analyse des types de données non structurées est un autre défi qui attire l'attention de l'industrie. Les données non structurées diffèrent des données structurées en ce que leur format varie considérablement et ne peuvent pas être stockées dans des bases de données relationnelles traditionnelles sans un effort important de transformation des données. Les sources de données non structurées, telles que les e-mails, le contenu de documents de traitement de texte, les PDF, les données géospatiales, etc., deviennent rapidement une source pertinente d' intelligence d'affaires pour les entreprises, les gouvernements et les universités. Par exemple, en Grande-Bretagne, la découverte qu'une entreprise vendait illégalement des notes médicales frauduleuses afin d'aider les gens à frauder les employeurs et les compagnies d'assurance est une opportunité pour les compagnies d'assurance d'accroître la vigilance de leur analyse de données non structurées.

Ces défis sont l'inspiration actuelle d'une grande partie de l'innovation dans les systèmes d'information analytiques modernes, donnant naissance à des concepts d'analyse de machine relativement nouveaux tels que le traitement d'événements complexes , la recherche et l'analyse de texte intégral, et même de nouvelles idées de présentation. L'une de ces innovations est l'introduction d'une architecture de type grille dans l'analyse des machines, permettant d'augmenter la vitesse du traitement massivement parallèle en répartissant la charge de travail sur de nombreux ordinateurs, tous avec un accès égal à l'ensemble de données complet.

L'analytique est de plus en plus utilisée dans l' éducation , en particulier au niveau des districts et des bureaux gouvernementaux. Cependant, la complexité des mesures de la performance des élèves présente des défis lorsque les éducateurs essaient de comprendre et d'utiliser des analyses pour discerner des tendances dans la performance des élèves, prédire la probabilité d'obtention du diplôme, améliorer les chances de réussite des élèves, etc. Par exemple, dans une étude impliquant des districts connus pour une forte utilisation des données , 48% des enseignants ont eu des difficultés à poser des questions induites par les données, 36% n'ont pas compris les données données et 52% ont mal interprété les données. Pour lutter contre cela, certains outils d'analyse pour les éducateurs adhèrent à un format de données en vente libre (incorporant des étiquettes, une documentation supplémentaire et un système d'aide, et prenant des décisions clés sur l'emballage/l'affichage et le contenu) pour améliorer la compréhension et l'utilisation des éducateurs les analyses sont affichées.

Des risques

Le principal risque pour les personnes est la discrimination comme la discrimination par les prix ou la discrimination statistique .

Il existe également le risque qu'un développeur puisse tirer profit des idées ou du travail effectué par les utilisateurs, comme cet exemple : les utilisateurs pourraient écrire de nouvelles idées dans une application de prise de notes, qui pourraient ensuite être envoyées en tant qu'événement personnalisé, et les développeurs pourraient profiter de ces idées. Cela peut se produire parce que la propriété du contenu n'est généralement pas claire dans la loi.

Voir également

Les références

Liens externes

  • La définition du dictionnaire de l' analyse au Wiktionnaire