Analityka opisowa w Microsoft Power BI – co się stało?
Same dane to połowa sukcesu. Dopiero proces ich przekształcania w informacje, określany mianem Business Intelligence, może być wykorzystywany do zwiększania zysków, generowania oszczędności i zwiększania konkurencyjności rynkowej.
Pierwszym pytaniem, na które odpowiada analiza danych, jest: co się stało? Deskryptywne, czyli opisowe metody analityczne wykrywają prawidłowości i związki ilościowe zachodzące pomiędzy danymi historycznymi. Wyniki takiej analizy mogą być wykorzystywane podczas podejmowania decyzji odnośnie zdarzeń w przyszłości. Typowym przykładem analizy opisowej są firmowe raporty, dostarczające informacji takich jak poziom sprzedaży w danym kwartale czy poziom realizacji budżetu w skali roku.
Analityka diagnostyczna w Power BI – dlaczego coś się stało?
Jak sama nazwa wskazuje, analityka diagnostyczna służy badaniu przyczyn wystąpienia konkretnego zjawiska w organizacji. Podobnie jak metoda deskryptywna, opiera się ona na danych historycznych, spośród których szuka tych czynników, jakie wpłynęły na zaistnienie danego zdarzenia. Dostarcza tym samym informacji takich jak ta, dlaczego w danym kwartale sprzedaż była niższa od zaplanowanej bądź z jakiego powodu zakładany roczny budżet został znacznie przekroczony.
Analityka predykcyjna w Power BI – co może się wydarzyć?
Analityka predykcyjna, choć tak jak pozostałe metody odnosi się do danych z przeszłości, próbuje znaleźć odpowiedzi na pytania dotyczące przyszłych zdarzeń. Analizowane pod tym kątem dane dostarczają informacji o możliwych scenariuszach i skutkach ich realizacji. Takie wykorzystanie danych znajduje szerokie zastosowanie – nie tylko czysto prognostyczne, ale i praktyczne. Szczególne korzyści niesie ze sobą możliwość przewidywania zachowań i preferencji klientów, zarządzania ryzykiem czy weryfikowania hipotez biznesowych.
Analityka preskryptywna w Power BI – co można zrobić?
Na znaczeniu zyskuje też analityka preskryptywna, której zadaniem jest znajdowanie optymalnych rozwiązań służących wywołaniu konkretnych zmian w procesach biznesowych. W praktyce: algorytmy, uwzględniając znane im czynniki, przewidują na etapie predykcji skutki konkretnych działań. Na kolejnym etapie, w oparciu o gotowe scenariusze algorytmy preskryptywne wyszukują najlepsze rozwiązania. Te mogą być wykorzystywane w szeroko pojętych procesach optymalizacyjnych, dotyczących na przykład kanałów sprzedaży towaru. I to z uwzględnieniem wielu czynników, takie jak koszty produkcji czy zdolności magazynowania towaru.
Ten typ analizy doskonale sprawdzi się wszędzie tam, gdzie z uwagi na przetwarzanie dużych ilości danych, niezbędne jest wdrożenie zautomatyzowanych procesów decyzyjnych. Zgodnie z prognozami analityków Gartnera, zawartymi w raporcie „100 Data and Analytics Predictions Through 2020”, aż 40 proc. firm zainwestuje w kolejnych latach w analitykę preskryptywną i wspomnianą wcześniej, predyktywną.
