Ano ang Itinuturo na Analytics?
Ang mapaglarawang analytics ay isang uri ng data analytics - ang paggamit ng teknolohiya upang matulungan ang mga negosyo na gumawa ng mas mahusay na mga pagpapasya sa pamamagitan ng pagsusuri ng hilaw na data. Partikular, ang mga iniresetang pampropesyonal na kadahilanan ng impormasyon tungkol sa mga posibleng sitwasyon o sitwasyon, magagamit na mapagkukunan, nakaraang pagganap, at kasalukuyang pagganap, at nagmumungkahi ng isang kurso ng aksyon o diskarte. Maaari itong magamit upang gumawa ng mga pagpapasya sa anumang oras ng abot-tanaw, mula sa agarang sa pangmatagalang.
Ang kabaligtaran ng prescriptive analytics ay descriptive analytics, na sinusuri ang mga desisyon at kinalabasan pagkatapos ng katotohanan.
Paano gumagana ang Nagreskriptibong Analytics
Ang pampropektibong analytics ay nakasalalay sa mga artipisyal na diskarte sa intelektwal, tulad ng pag-aaral ng makina — ang kakayahan ng isang programa sa computer, nang walang karagdagang pag-input ng tao, upang maunawaan at isulong mula sa data na nakukuha nito, umaangkop nang matagal. Ang pag-aaral ng makina posible upang maproseso ang napakalaking dami ng data na magagamit ngayon. Bilang magagamit o bago o karagdagang data, awtomatikong ayusin ang mga programa ng computer upang magamit ito, sa isang proseso na mas mabilis at mas komprehensibo kaysa sa maaaring pamahalaan ng mga tao.
Maraming mga uri ng mga negosyo-masinsinang mga negosyo at mga ahensya ng gobyerno ay maaaring makinabang mula sa paggamit ng mga prescriptive analytics, kasama na ang mga nasa pinansiyal na serbisyo at pangangalaga sa kalusugan, kung saan mataas ang gastos ng pagkakamali ng tao.
Gumagana ang mga mapaglarong analytics sa isa pang uri ng data analytics, mahuhulaan na analytics, na nagsasangkot sa paggamit ng mga istatistika at pagmomolde upang matukoy ang hinaharap na pagganap, batay sa kasalukuyan at makasaysayang data. Gayunpaman, napupunta nang higit pa: Gamit ang pagtatantya ng predictive analytics ng kung ano ang malamang na mangyari, inirerekumenda nito kung ano ang darating na kurso sa hinaharap.
Ang kalamangan at kahinaan ng Prescriptive Analytics
Ang mga mapaglarawang analytics ay maaaring i-cut sa pamamagitan ng kalat ng kagyat na kawalan ng katiyakan at pagbabago ng mga kondisyon Makakatulong ito upang maiwasan ang pandaraya, limitahan ang panganib, dagdagan ang kahusayan, matugunan ang mga layunin sa negosyo, at lumikha ng mas matapat na mga customer.
Ang mapaglarawang analytics ay hindi kalokohan. Mabisa lamang ito kung alam ng mga organisasyon kung anong mga katanungan ang itatanong at kung paano tumugon sa mga sagot. Kung ang mga pagpapalagay ng pag-input ay hindi wasto, ang mga resulta ng output ay hindi tumpak.
Kung gagamitin nang epektibo, gayunpaman, maaaring matulungan ng mga prescriptive analytics ang mga organisasyon na gumawa ng mga desisyon batay sa lubos na nasuri na mga katotohanan sa halip na tumalon sa mga walang-alam na mga konklusyon batay sa likas na ugali. Ang mga mapaglarong analytics ay maaaring gayahin ang posibilidad ng iba't ibang mga kinalabasan at maipakita ang posibilidad ng bawat isa, na tumutulong sa mga organisasyon na mas maunawaan ang antas ng peligro at kawalan ng katiyakan na kinakaharap nila kaysa sa maaaring umasa sa mga average. Ang mga samahan ay maaaring makakuha ng isang mas mahusay na pag-unawa sa posibilidad ng mga pinakamasamang kaso at plano nang naaayon.
Mga Key Takeaways
- Gumagamit ang mga mapaglarawang analytics ng pag-aaral ng machine upang matulungan ang mga negosyo na magpasya ng isang kurso ng pagkilos batay sa mga hula ng programa ng computer.Prescriptive analytics ay gumagana sa mga mapaghula na analytics, na gumagamit ng data upang matukoy ang malapit-term na mga kinalabasan.Kapag ginamit nang epektibo, ang mga mananaliksik na pang-agresibo ay maaaring makatulong sa mga organisasyon na gumawa ng mga desisyon batay sa mga katotohanan at mga pagpapabigat na may timbang na mga pag-asa, sa halip na tumalon sa mga di-kaalaman na mga konklusyon batay sa likas na ugali.
Mga halimbawa ng Prescriptive Analytics
Maraming mga uri ng mga negosyo-masinsinang mga negosyo at mga ahensya ng gobyerno ay maaaring makinabang mula sa paggamit ng mga prescriptive analytics, kasama na ang mga nasa pinansiyal na serbisyo at pangangalaga sa kalusugan, kung saan mataas ang gastos ng pagkakamali ng tao.
Maaaring magamit ang mapaglarawang analytics upang masuri kung ang isang lokal na kagawaran ng sunog ay dapat mangailangan ng mga residente na lumikas sa isang partikular na lugar kapag may sunog na malapit sa apoy. Maaari rin itong magamit upang mahulaan kung ang isang artikulo sa isang partikular na paksa ay magiging tanyag sa mga mambabasa batay sa data tungkol sa mga paghahanap at pagbabahagi ng lipunan para sa mga kaugnay na paksa. Ang isa pang paggamit ay maaaring ayusin ang isang programa sa pagsasanay ng manggagawa sa totoong oras batay sa kung paano tumugon ang manggagawa sa bawat aralin.
Nakagagatas na Analytics para sa Mga Ospital at Clinics
Katulad nito, ang mga prescriptive analytics ay maaaring magamit ng mga ospital at klinika upang mapabuti ang mga kinalabasan para sa mga pasyente. Inilalagay nito ang data ng pangangalagang pangkalusugan upang suriin ang pagiging epektibo ng iba't ibang mga pamamaraan at paggamot at upang masuri ang mga opisyal na pamamaraan ng klinikal. Maaari rin itong magamit upang pag-aralan kung aling mga pasyente ng ospital ang may pinakamataas na panganib ng muling pagpasok upang ang mga tagapagkaloob ng pangangalagang pangkalusugan ay maaaring gumawa ng higit pa, sa pamamagitan ng edukasyon ng pasyente at pag-follow-up ng doktor upang matigil ang patuloy na pagbabalik sa ospital o emergency room.
Nakagagatas na Analytics para sa Airlines
Ipagpalagay na ikaw ang CEO ng isang eroplano at nais mong i-maximize ang kita ng iyong kumpanya. Makatutulong sa iyo ang mapaglarawang analytics na gawin mo ito sa pamamagitan ng awtomatikong pag-aayos ng presyo ng tiket at pagkakaroon batay sa maraming mga kadahilanan, kabilang ang demand ng customer, panahon, at mga presyo ng gasolina. Kapag kinilala ng algorithm na ang mga benta ng pre-Christmas sa taong ito mula sa Los Angeles hanggang New York ay nahuli sa nakaraang taon, halimbawa, maaari itong awtomatikong babaan ang mga presyo, habang tinitiyak na huwag i-drop ang mga ito nang masyadong mababa sa ilaw ng mas mataas na presyo ng langis sa taong ito.
Kasabay nito, kapag sinuri ng algorithm ang mas mataas na hinihingi sa mga tiket mula sa St. Louis hanggang Chicago dahil sa mga nagyeyelo na mga kondisyon sa kalsada, maaari itong awtomatikong itaas ang mga presyo ng tiket. Ang CEO ay hindi kailangang tumitig sa isang computer sa buong araw na tinitingnan kung ano ang nangyayari sa mga benta ng tiket at mga kondisyon sa merkado at pagkatapos ay utukan ang mga manggagawa na mag-log in sa system at baguhin nang manu-mano ang mga presyo; maaaring gawin ng isang programang computer ang lahat ng ito at higit pa — at sa mas mabilis na tulin, din.
