Бизнес-анализ: от отчетов к data mining

- kbrbank

Бизнес-анализ: от отчетов к data mining

На страницах «Клуба специалистов» уже поднимались вопросы: что такое и для чего бизнес-аналитика, бизнес-анализ, бизнес-аналитические совокупности, бизнес-приложения и т.д. Решил порассуждать на эту тему и я. Тем более что очень многое из данной проблематики днем ранее пребывало на уровне отвлечённого интереса, а на данный момент все больше приобретает практическую направленность.

Сергей Рязанцев, начальник направления бизнес-аналитических совокупностей компании ПрограмБанк

Под понятие бизнес-аналитика, бизнес-анализ подводят весьма широкий спектр технологий и подходов. К бизнес-анализу а также относятся и несложная группировка данных в отчеты (таблицы) с элементарной агрегацией, и расчет групп экономических коэффициентов и показателей. В конечном итоге все, что оказывает помощь искать, извлекать и разбирать эти для принятия управленческих ответов относится к категории бизнес-аналитики.

Но имеется ли какие-то принципиальные отличия между BI-подходами, BI-совокупностями?

Бизнесом руководят люди, и, не смотря на то, что Создатель до тех пор пока что есть непревзойденным разработчиком нейронных совокупностей, Человек изобрел математику, которая оказывает помощь ему принимать решения. И как раз глубина применения математических способов обязана, с общепринятой точки зрения, являться главным критерием при инструментов и классификации подходов, используемых при анализе данных.

Говоря в противном случае, в наше время подходы к анализу данных, бизнес-анализу и автоматизированные совокупности, снабжающие возможность для того чтобы анализа, отличаются степенью помощи принятия ответов.

К примеру, некое бизнес-приложение разрешает вам организовать некоторый отчет о доходах от потребительского кредитования в разрезе клиентов — хорошо. В другом бизнес-приложении вы имеете возможность выстроить диаграмму и взглянуть, как доходы от кредитования физических лиц распределены по возрастным категориям — значительно лучше. Но что дальше?

Как трактовать имеющиеся эти и как их применять для управления бизнесом?

Совсем другое дело, в то время, когда бизнес-приложение, к примеру, выдаст вам некую группу (кластер) клиентов, увидьте, совсем необязательно относящуюся к одной возрастной категории и полу, и организует советы по предложению кредитных продуктов из существующей линейки, самые подходящих данной группе, исходя из анализа комплекта поведенческих и социально-демографических факторов.

Комплект подходов и методов для информационных (статистических) моделей, снабжающих не просто расчет неких показателей и формирование отчетности, а выявляющих нетривиальные закономерности и предлагающих варианты ответов, на сегодня принято связывать с понятием Data Mining. В случае если практически переводить данный термин, то речь заходит о «добыче» данных, но, в действительности, данный термин подразумевает извлечение знаний из данных в ходе (еще один английский термин) Knowledge Discovery in Data (Database) (KDD).

Data Mining есть элементом, этапом KDD-процесса, что, также, предполагает наличие этапов извлечения, трансформации и очистки данных.

Но неизменно ли и везде ли мы можем применять Data Mining? Увы — нет. И тут на сцену выходит второе, не только актуальное, но и вправду актуальное на сегодня понятие — Big Date.

Наряду с этим, в случае если пользователи и разработчики отчетно-аналитических совокупностей ломают голову над тем, что делать с экспоненциально нарастающими количествами данных, апологеты продвинутого бизнес-анализа потирают руки и подготавливаются к взрывному росту спроса на совокупности, основанные на способах Data Mining. Так как чем больше данных, чем больше статистики, тем лучше трудится закон солидных чисел, соответственно, выявляемые закономерности и предлагаемые варианты ответов являются более объективными и фактически нужными.

Но с учетом того, что далеко не везде и не всегда имеется достаточный количество однородных данных, относящихся к одному объекту либо группе аналогичных объектов, для реализации информационного (методов) и статистического подхода Data Mining, способы «несложного» анализа, основанного на формировании формульных показателей и отчётности, никуда, само собой разумеется, не денутся. К примеру, в то время, когда мы говорим о денежном анализе крупных предприятий и средних, то вряд ли возможно будет придумать что-то лучше формирования балансовых отчёта и показателей о убытках и прибылях, пассивов и сопоставления активов, анализа разных показателей, рассчитанных на базе этого сопоставления.

Так, в случае если возвратиться к классификации и вопросу понятий автоматизированных совокупностей, я желал бы подметить следующее.

В случае если бизнес-приложение разрешает собирать информацию о предприятии, банке, каким-либо образом собирать их в диаграммы и отчёты, то оно уже, само собой разумеется, относится к классу бизнес-аналитических совокупностей. Причем развитость ETL-механизмов, продвинутые подходы к хранению данных, развитость инструментов OLAP-средств и анализа визуализации главной сути не меняют и принципиального отличия совокупностям (платформам) не дают.

В целом категорию для того чтобы рода совокупностей я бы классифицировал как отчетно-аналитические совокупности. К ней относятся приложения и любые системы, снабжающие формирование управленческой отчетности уровня и различного рода, начиная от формирования базисных балансовых отчетов и PL и заканчивая расчетом KPI для совокупности сбалансированных показателей.

Отдельной категорией аналитических совокупностей являются платформы, ориентированные на информационный подход к моделированию бизнес-процессов, основанные на применении способов Data Mining и снабжающих процесс Knowledge Discovery in Data (Database). возможности и Отчётные функции по визуализации для для того чтобы рода совокупностей являются вторичными. В целом задачи, решаемые для того чтобы рода совокупностями, возможно поделить на следующие классы:

— классификация; — регрессия; — кластеризация; — ассоциация; — анализ отклонений; — анализ связей; — факторный анализ.

В случае если сказать о практическом нюансе применения для того чтобы рода совокупностей для банков, то они смогут удачно употребляться для ответа задач классификации при массовом кредитовании, и для задач сегментации (кластеризации) клиентской базы, с целью увеличения эффективности маркетинга банковских продуктов и одолжений.

Применение подобного рода совокупностей это уже не что-то экзотическое, а реалии сегодняшнего дня. Как пример вхождения и стремительного развития в нашу жизнь интеллектуальных подходов к анализу разрешённых можно привести поисковые интернет-совокупности да и то, как скоро мы привыкли к тому, что поисковик выдает не просто комплект какой-то информации, а предлагает нам варианты ответов.

Бизнес-анализ мобильных приложений #2 — Кто такой бизнес-аналитик?

Интересные записи

Похожие статьи, которые вам, наверника будут интересны: