Η ανάλυση ανάλυσης δεδομένων είναι χρήσιμη σε όλους. Αποτελεί μια δεξιότητα απαραίτητη πλέον σε κάθε εργαζόμενο. Κάθε εταιρεία ή οργανισμός συλλέγει δεδομένα και χρειάζεται ανθρώπους που έχουν γνώσεις ανάλυσης δεδομένων και μπορούν να τα ερμηνεύσουν. Ουσιαστικά όλοι χρειάζονται γνώσεις ανάλυσης δεδομένων, ξεκινώντας από φοιτητές και φτάνοντας σε εργαζομένους, σε δικοκητικά στελέχη, μέχρι και στο Γενικό Διευθυντή μιας εταιρείας. Ο φοιτητής χρησιμοποιεί ανάλυση δεδομένων για να μετατρέψει τα δεδομένα σε χρήσιμες πληροφορίες ώστε να λάβει τεκμηριωμένες αποφάσεις. Ανεξάρτητα από το γνωστικό αντικείμενο κάθε φοιτητή η ανάλυση δεδομένων αποτελεί μία από τις πιο χρήσιμες δεξιότητες που μπορεί να αποκτήσει για την αγορά εργασίας. Στα μαθήματα ανάλυσης δεδομένων για εργαζομένους έχουμε συμπεριλάβει παραδείγματα από τομείς όπως πωλήσεις, hr, οικονομικά και άλλα. Στη σελίδα μας θα βρείτε πολλά παραδείγματα ανάλυσης δεδομένων σε πολλούς κλάδους και πολλά επίπεδα δυσκολίας.
Τι είναι η ανάλυση δεδομένων;
Η ανάλυση δεδομένων είναι η διαδικασία μετατροπής των πρωτογενών και ακατέργαστων δεδομένων σε πληροφορίες που έχουν αξία για τον οργανισμό ή την επιχείρηση. Στόχος της ανάλυσης δεδομένων είναι η δημιουργία πληροφοριών που βοηθούν στη λήψη επιχειρηματικών αποφάσεων. Με απλά λόγια θα μπορούσαμε να πούμε ότι ανάλυση δεδομένων είναι η μετατροπή των δεδομένων σε χρήσιμη γνώση.
Τι περιλαμβάνει η ανάλυση δεδομένων
Η ανάλυση δεδομένων περιλαμβάνει όλα τα βήματα από τη συλλογή των δεδομένων μέχρι την παρουσίαση σε επαγγελματικά dashboards. Ειδικότερα περιλαμβάνει τα ακόλουθα βασικά στάδια:
1. Λήψη δεδομένων από τις πρωτογενείς πηγές. Το πρώτο βήμα είναι να λάβουμε τα δεδομένα από την πηγή τους και να τα φέρουμε στο εργαλείο που θα χρησιμοποιηθεί για την επεξεργασία. Για παράδειγμα να πάρουμε τα δεδομένα από βάση δεδομένων, ERP, CRM ή csv και να τα βάλουμε σε εργαλείο όπως excel, power BI ή tableau. Επίσης υπάρχουν δεδομένα σε Web APIs, διαδικτυακές υπηρεσίες, αισθητήρες IoT και συσκευές καταγραφής.
2. Καθαρισμός δεδομένων. Συνήθως τα δεδομένα έχουν ατέλειες όπως για παράδειγμα διπλοεγγραφές, τιμές εκτός ορίων (ασυνήθιστα μικρές ή μεγάλες) ή χαρακτήρες κειμένου σε αριθμητικά πεδία και άλλα. Ο στόχος του καθαρισμού των δεδομένων είναι να δημιουργηθεί αξιόπιστο και συνεπές σύνολο δεδομένων. Εδώ μπορείτε να δείτε τα πιο συνηθισμένα προβλήματα ποιότητας δεδομένων που λύνουμε με τον καθαρισμό δεδομένων.
3. Οργάνωση και μοντελοποίηση των δεδομένων. Ανεξάρτητα από την αρχική προέλευση των δεδομένων πολλές φορές συνδέονται μεταξύ τους. Η διασύνδεση των πινάκων οδηγεί στη δημιουργία μοντέλου δεδομένων, κάτι σαν βάση δεδομένων. Όλα τα εργαλεία ανάλυσης δεδομένων δίνουν δυνατότητα μοντελοποίησης. Στόχος της οργάνωσης και μοντελοποίησης των δεδομένων είναι η προσαρμογή του συνόλου δεομένων ώστε να επιτρέπει εύκολη και αποδοτική ανάλυση. Εδώ πλέον ξεκαθαρίζουμε τα KPI και τα dimensions καθώς και τυχόν υπολογιζόμενα πεδία.
4. Ανάλυση με αλγορίθμους και στατιστικές μεθόδους. Ο μεγάλος όγκος δεδομένων οδηγεί στην ανάγκη εφαρμογής αλγορίθμων και ανάλυσης με στατιστικές μεθόδους. Χρησιμοποιούνται τεχνικές όπως περιγραφική στατιστική (μέσος όρος, διάμεσος, διακύμανση), ανάλυση τάσεων (Trend Analysis), παλινδρόμηση (Regression), ομαδοποίηση (Clustering), ταξινόμηση (Classification), πρόβλεψη (Forecasting) και ανίχνευση ανωμαλιών (Anomaly Detection).
5. Παρουσίαση των αποτελεσμάτων σε dashboards που περιλαμβάνουν γραφήματα, πίνακες και αναφορές. Η δημιουργία επαγγελματικών dashboards αποτελεί προσόν απαραίτητο σε στελέχη επιχειρήσεων όπως οικονομολόγοι και οικονομικοί διευθυντές (Finance/CFO), στελέχη ανθρώπινου δυναμικού (HR Managers), στελέχη marketing, στελέχη πωλήσεων, στελέχη εφοδιαστικής αλυσίδας και άλλους.
Τύποι ανάλυσης δεδομένων
Στην ανάλυση δεδομένων υπάρχουν τέσσερις τύποι ανάλυσης:
- Περιγραφική ανάλυση (Descriptive Analytics): ασχολείται με το τι συνέβη.
- Διαγνωστική ανάλυση (Diagnostic Analytics): ασχολείται με το γιατί συνέβη.
- Προβλεπτική ανάλυση (Predictive Analytics): εξετάζει τι πιθανότατα θα συμβεί.
- Καθοδηγητική ανάλυση (Prescriptive Analytics): ασχολείται με τις ενέργειες πρέπει να κάνουμε.
Παραδείγματα ανάλυσης δεδομένων
Ακολουθούν δυο απλά εισαγωγικά παραδείγματα που δείχνουν πως αυτοί οι τύποι ανάλυσης εφαρμόζονται σε πραγματικά σύνολα δεδομένων:
Πρώτο εισαγωγικό παράδειγμα ανάλυσης δεδομένων
Το πρώτο εισαγωγικό παράδειγμα ανάλυσης δεδομένων αφορά πωλήσεις eshop.
Έχουμε εικονικά datasets από πωλήσεις και διαφημίσεις. Το πλήθος των εγγραφών είναι επίτηδες πολύ μικρό ώστε να γίνει ευκολότερα κατανοητό το συμπέρασμα.
1. Descriptive Analytics (Περιγραφική Ανάλυση)
Στον πίνακα βλέπουμε πλήθος πωλήσεων ανά προϊόν και ημερομηνία:
Ένα ερώτημα περιγραφικής ανάλυσης είναι: πόσες ήταν οι συνολικές πωλήσεις όλων των προϊόντων;
Η απάντηση είναι: 1200 + 30 + 1200 + 250 + 1200 = 3.880 €
Εδώ απλώς περιγράφουμε την υπάρχουσα κατάσταση.
Στην Περιγραφική Ανάλυση εξετάζουμε τι συνέβη.
2. Diagnostic Analytics (Διαγνωστική Ανάλυση)
Στον πίνακα βλέπουμε πλήθος επισκεπτών ανά ημέρα και διαφήμιση:
Ένα ερώτημα διαγνωστικής ανάλυσης είναι: γιατί μειώθηκαν οι επισκέπτες την Τετάρτη και την Πέμπτη;
Παρατηρώντας τον πίνακα διαπιστώνουμε ότι η μείωση των επισκεπτών οφείλεται στην απουσία διαφήμισης. Συμπεραίνουμε ότι η πτώση της επισκεψιμότητας οφείλεται στη διακοπή της διαφήμισης.
Στη Διαγνωστική Ανάλυση εξετάζουμε γιατί συνέβη.
3. Predictive Analytics (Προγνωστική Ανάλυση)
Έχουμε πίνακα πωλήσεων ανά μήνα:
Ένα ερώτημα προγνωστικής ανάλυσης είναι: πόσες πωλήσεις αναμένονται τον Ιούνιο;
Παρατηρώντας τον πίνακα διαπιστώνουμε ότι οι πωλήσεις αυξάνονται περίπου κατά 20 κάθε μήνα. Άρα η πρόβλεψη είναι ότι τον Ιούνιο αναμένονται 200 πωλήσεις (εκτίμηση, πρόβλεψη).
Στην Προγνωστική Ανάλυση εξετάζουμε τι πιθανόν θα συμβεί. Χρησιμοποιήσαμε τα δεδομένα από το παρελθόν για να προβλέψουμε μια μελλοντική τιμή.
4. Prescriptive Analytics (Καθοδηγητική Ανάλυση)
Έχουμε πίνακα διαφημιστικών καμπανιών που έχει πλήθος πωλήσεων και κόστος καμπάνιας ανά καμπάνια:
Ένα ερώτημα καθοδηγητικής ανάλυσης είναι: πού πρέπει να επενδύσει η εταιρεία τα επόμενα 300€;
Εξετάζοντας τον πίνακα παρατηρούμε ότι για το ίδιο ποσό επένδυσης (300€) η καμπάνια Google Ads έφερε περισσότερες πωλήσεις. Συμπεραίνουμε λοιπόν ότι η εταιρεία ενδείκνυται να επενδύσει στο Google Ads διότι έχει καλύτερη απόδοση.
Στην Καθοδηγητική Ανάλυση εξετάζουμε τι πρέπει να κάνουμε.
Δεύτερο εισαγωγικό παράδειγμα ανάλυσης δεδομένων
Στο δεύτερο εισαγωγικό παράδειγμα ανάλυσης δεδομένων έχουμε εικονικά δεδομένα νοσοκομείου. Και εδώ το πλήθος των εγγραφών είναι πολύ μικρό διότι θέλουμε να γίνουν ευκολότερα κατανοητά τα συμπεράσματα.
1. Descriptive Analytics (Τι συνέβη;)
Η περιγραφική ανάλυση απλώς μας δείχνει τι έγινε.
Ο πρώτος πίνακας αφορά επισκέψεις ασθενών. Δείχνει πλήθος επισκέψεων ανά ημέρα:
Ένα ερώτημα περιγραφικής ανάλυσης θα μπορούσε να είναι: πόσοι ασθενείς επισκέφθηκαν συνολικά το νοσοκομείο αυτή την εβδομάδα;
Η απάντηση προκύπτει απλά αθροίζοντας τις εγγραφές του πίνακα: 42 + 38 + 45 + 40 + 55 = 220 ασθενείς
2. Diagnostic Analytics (Γιατί συνέβη;)
Έχουμε πίνακα αναμονής στα επείγοντα. Ο πίνακας δείχνει πλήθος ιατρών σε βάρδια και μέσο χρόνο αναμονής σε συνάρτηση με την ημέρα:
Ένα ερώτημα διαγνωστικής ανάλυσης θα μπορούσε να είναι: γιατί αυξήθηκε ο χρόνος αναμονής την Τρίτη και την Πέμπτη;
Παρατηρούμε τον πίνακα και διαπιστώνουμε ότι τις ημέρες αυτές (Τρίτη και Πέμπτη) εργάζονταν μόνο 3 γιατροί, ενώ τις υπόλοιπες ημέρες (Δευτέρα, Τετάρτη, Παρασκευή) εργάζονταν 5 ή 6 γιατροί.
Το συμπέρασμα που βγάζουμε από τη διαγνωστική ανάλυση είναι ότι αύξηση της αναμονής κατά πάσα πιθανότητα οφείλεται στον μικρότερο αριθμό γιατρών.
3. Predictive Analytics (Τι πιθανόν θα συμβεί;)
Έχουμε πίνακα εισαγωγών ασθενών. Ο πίνακας παρουσιάζει πλήθος εισαγωγών ανά μήνα:
Ένα ερώτημα προγνωστικής ανάλυσης θα μπορούσε να είναι: πόσες εισαγωγές αναμένονται τον Ιούνιο;
Παρατηρώντας τον πίνακα διαπιστώνουμε ότι οι εισαγωγές αυξάνονται περίπου κατά 20 κάθε μήνα. Άρα η πρόβλεψη είναι ότι τον Ιούνιο αναμένονται 300 εισαγωγές.
Η προγνωστική ανάλυση χρησιμοποιεί το παρελθόν για να κάνει εκτιμήσεις για το μέλλον.
4. Prescriptive Analytics (Τι πρέπει να κάνουμε;)
Ο πίνακας παρουσιάζει τις βάρδιες. Δείχνει πλήθος ιατρών και μέσο χρόνο αναμονής ανά βάρδια:
Ένα ερώτημα καθοδηγητικής ανάλυσης θα μπορούσε να είναι: τι πρέπει να κάνει το νοσοκομείο για να μειώσει την αναμονή;
Η παρατήρηση του πίνακα μας οδηγεί στο συμπέρασμα ότι όσο περισσότεροι ιατροί τόσο μικρότερος ο μέσος χρόνος αναμονής.
Το συμπέρασμα που βγάζουμε από την καθοδηγητική ανάλυση είναι ότι θα πρέπει προγραμματίζονται 5 γιατροί ανά βάρδια, ή και περισσότεροι αν είναι εφικτό.
Πολυπλοκότητα στην ανάλυση δεδομένων
Χρησιμοποιήσαμε μικρά dataset για να είναι απλή η εξαγωγή των συμπερασμάτων. Παρατηρούμε ότι τα συμπεράσματα προκύπτουν εύκολα. Στην ανάλυση δεδομένων μεγάλο κομμάτι της εμπειρίας αφορά την επιλογή εκείνων των δεδομένων που θα δώσουν εύκολα τα συμπεράσματα που θα οδηγήσουν σε επιχειρηματικές αποφάσεις. Αυτό δεν είναι πάντα εύκολο διότι μπορεί να έχουμε μεγάλο όγκο δεδομένων και ενδεχομένως να απαιτείται εφαρμογή συναρτήσεων ή τεχνικών ομαδοποίησης και επιλογής. Επίσης το συμπέρασμα δεν εξαρτάται μόνο από το συνδυασμό δυο παραμέτρων. Συνήθως έχουμε πολλά KPI και πολλά dimensions που αλληλοεξαρτώνται με πολλούς τρόπους. Ένα επιπλέον πρόβλημα, ίσως το δυσκολότερο, είναι να κατανοήσουμε τι ζητάει η διοίκηση ή τα ανώτατα στελέχη και να επιλέξουμε τα κατάλληλα δεδομένα ανάμεσα σε πλήθος διαφορετικών και αλληλοεξαρτώμενων KPIs και dimensions.
Προβλήματα ποιότητας δεδομένων
Όπως αναφέρθηκε ένα από τα προβλήματα κατά τη χρήση δεδομένων από τα λογισμικά business intelligence είναι η κακή ποιότητα των δεδομένων. Τι σημαίνει όμως κακή ποιότητα δεδομένων; Κακή ποιότητα δεδομένων έχουμε όταν τα δεδομένα περιέχουν λάθη, ελλείψεις ή ασυνέπειες. Σε αυτές τις περιπτώσεις τα δεδομένα δεν είναι αξιόπιστα για ανάλυση, λήψη αποφάσεων ή επιχειρησιακή χρήση. Ακολουθούν παραδείγματα κακής ποιότητας δεδομένων:
1. Διπλοεγγραφές (Duplicate Records)
Οι διπλοεγγραφές είναι εγγραφές που εμφανίζονται περισσότερες από μία φορές στον πίνακα. Όταν υπάρχουν διπλοεγγραφές τότε προκύπτουν λανθασμένα αποτελέσματα. Για παράδειγμα μπορεί να προκύψει διπλός υπολογισμός πωλήσεων ή λανθασμένο πλήθος πελατών.
2. Λανθασμένος τύπος δεδομένων
Ένα πεδίο περιέχει δεδομένα διαφορετικού τύπου από αυτόν που αναμένεται. Για παράδειγμα, ένα αριθμητικό πεδίο περιέχει κείμενο ή ένα πεδίο ημερομηνίας περιέχει μη έγκυρες τιμές. Όταν υπάρχει λανθασμένος τύπος δεδομένων τότε ενδέχεται να προκληθούν σφάλματα σε υπολογισμούς, ταξινομήσεις και αναλύσεις.
3. Κενές ή ελλιπείς τιμές (Missing Values)
Ορισμένα πεδία δεν περιέχουν καμία πληροφορία (κενά ή Null). Οι ελλιπείς τιμές δυσκολεύουν την ανάλυση και ενδέχεται να αλλοιώσουν τα αποτελέσματα.
4. Ασυνεπής μορφοποίηση (Inconsistent Formatting)
Οι ίδιες πληροφορίες καταγράφονται με διαφορετική μορφή. Η ασυνεπής μορφοποίηση δημιουργεί προβλήματα στις ομαδοποιήσεις και στις αναζητήσεις.
5. Περιττά κενά (Leading / Trailing Spaces)
Οι τιμές περιέχουν κενά στην αρχή, στο τέλος ή πολλαπλά κενά ανάμεσα στις λέξεις. Τα κενά αυτά κάνουν δύο φαινομενικά ίδιες τιμές να θεωρούνται διαφορετικές.
Εδώ δεν έχουμε εικόνα διότι δεν θα έδειχνε κάτι
6. Διαφορετικοί τρόποι γραφής της ίδιας τιμής
Η ίδια πληροφορία καταγράφεται με διαφορετικές λέξεις ή συντομογραφίες με συνέπεια να δημιουργούνται λανθασμένες κατηγοριοποιήσεις.
7. Λανθασμένη μορφή ημερομηνιών
αρκετές φορές οι ημερομηνίες εμφανίζονται με διαφορετικές μορφές ή ως κείμενο. Η λανθασμένη μορφή ημερομηνιών δυσκολεύει την ταξινόμηση και τους χρονικούς υπολογισμούς.
8. Μη έγκυρες τιμές (Invalid Values)
Ένα πεδίο περιέχει τιμές που δεν είναι λογικά αποδεκτές.
9. Ακραίες τιμές (Outliers)
Ορισμένες τιμές είναι μη φυσιολογικές. Δηλαδή κάποιες τιμές διαφέρουν υπερβολικά από τις υπόλοιπες. Αυτό πιθανότατα οφείλονται σε λάθη κατά την καταχώριση.
Διόρθωση προβλημάτων ποιότητας δεδομένων με το power query
Ο πιο απλός τρόπος για να διορθώσουμε τα προβλήματα στα δεδομένα είναι να χρησιμοποιήσουμε το power query. H Microsoft έχει ενσωματώσει το power query στα πολύ δημοφιλή προϊόντα όπως το excel και το power BI για τον καθαρισμό δεδομένων. Είναι διαθέσιμο και σε άλλα προϊόντα της Microsoft όπως Power BI Dataflows (Service/Fabric), Microsoft Fabric Dataflow Gen2, Power Platform Dataflows, Dynamics 365 και Azure Data Factory. Ο καλύτερος τρόπος για να κατανοήσετε τον τρόπο που διορθώνουμε τα προβλήματα ποιότητας δεδομένων είναι να δείτε τα παραδείγματα στη σελίδα μαθημάτων power query. Επίσης έχουμε δημιουργήσει ασκήσεις power query που καλύπτουν μεγάλο μέρος των δυνατοτήτων του εργαλείου. Οι ασκήσεις power query ενδέχεται να σας δυσκολέψουν λίγο περισσότερο διότι καλύπτουν πολλές περιπτώσεις. Όμως αν ολοκληρώσετε την εξάσκηση μέσω των ασκήσεων power query τότε θα έχετε αποκτήσει ολοκληρωμένη γνώση για τη διόρθωση προβλημάτων ποιότητας δεδομένων.
Αφού ξεπεράσουμε όμως τις όποιες δυσκολίες, είναι σημαντικό να φτιάξουμε dashboards με τα οποία τα στελέχη επιχειρήσεων να εξάγουν συμπεράσματα και επιχειρηματικές αποφάσεις πανεύκολα. Δηλαδή να το χρησιμοποιούν με την ίδια ευκολία που θα το έκαναν ακόμα και μικρά παιδιά, μαθητές δημοτικού σχολείου.
Περιγραφική ανάλυση (Descriptive Analytics)
Η περιγραφική ανάλυση απαντά σε ερωτήματα σχετικά με το τι συνέβη.
Στην περιγραφική ανάλυση η απάντηση δίνεται με αναφορές (reports), dashboards, γραφήματα και βασικούς δείκτες (KPIs).
Βοηθά στην κατανόηση της τρέχουσας ή παρελθοντικής απόδοσης μιας επιχείρησης.
Ακολουθούν παραδείγματα ερωτήσεων που αφορούν περιγραφική ανάλυση:
Παραδείγματα ερωτήσεων περιγραφικής ανάλυσης στις πωλήσεις:
- Πόσες πωλήσεις έγιναν τον Ιούλιο;
- Ποιος ήταν ο συνολικός τζίρος;
- Πόσα προϊόντα πουλήθηκαν;
- Ποιο προϊόν είχε τις περισσότερες πωλήσεις;
- Ποια περιοχή είχε τις περισσότερες παραγγελίες;
- Πόσοι νέοι πελάτες αποκτήθηκαν;
Παραδείγματα ερωτήσεων περιγραφικής ανάλυσης στο marketing:
- Πόσοι επισκέπτες μπήκαν στο website;
- Πόσα clicks είχε η διαφήμιση;
- Πόσα emails ανοίχτηκαν;
- Πόσοι χρήστες έκαναν εγγραφή;
- Πόσες εμφανίσεις είχε μια καμπάνια;
Παραδείγματα ερωτήσεων περιγραφικής ανάλυσης στο HR:
- Πόσοι εργαζόμενοι προσλήφθηκαν;
- Πόσοι παραιτήθηκαν;
- Πόσες ημέρες άδειας χρησιμοποιήθηκαν;
- Ποιος είναι ο μέσος μισθός;
Παραδείγματα ερωτήσεων περιγραφικής ανάλυσης σε Νοσοκομείο:
- Πόσοι ασθενείς εισήχθησαν σήμερα;
- Πόσες επεμβάσεις έγιναν;
- Ποια ήταν η μέση διάρκεια νοσηλείας;
Διαγνωστική ανάλυση (Diagnostic Analytics)
Η διαγνωστική ανάλυση απαντά σε ερωτήματα σχετικά με το γιατί συνέβη.
Στη διαγνωστική ανάλυση εντοπίζουμε τις αιτίες που οδήγησαν σε ένα αποτέλεσμα.
Χρησιμοποιούμε τεχνικές όπως drill-down ανάλυση, ανάλυση συσχετίσεων και συγκρίσεις.
Η διαγνωστική ανάλυση βοηθά τη λήψη τεκμηριωμένων αποφάσεων μέσω της κατανόησης των αιτιών μιας επιτυχίας ή ενός προβλήματος.
Ακολουθούν παραδείγματα ερωτήσεων διαγνωστικής ανάλυσης:
Παραδείγματα ερωτήσεων διαγνωστικής ανάλυσης στις πωλήσεις:
- Γιατί μειώθηκαν οι πωλήσεις τον Ιούνιο;
- Γιατί αυξήθηκαν οι επιστροφές προϊόντων;
- Γιατί οι πωλήσεις στη Βόρεια Ελλάδα ήταν χαμηλότερες;
- Γιατί οι πωλήσεις αυξήθηκαν μετά την προσφορά;
Παραδείγματα ερωτήσεων διαγνωστικής ανάλυσης στο marketing:
- Γιατί η τελευταία καμπάνια είχε μικρό CTR;
- Γιατί αυξήθηκε το κόστος ανά πελάτη;
- Γιατί μειώθηκαν οι επισκέψεις στο site;
- Γιατί οι χρήστες εγκαταλείπουν το καλάθι αγορών;
Παραδείγματα ερωτήσεων διαγνωστικής ανάλυσης στο HR:
- Γιατί αυξήθηκαν οι παραιτήσεις;
- Γιατί υπάρχει αυξημένη απουσία προσωπικού;
- Γιατί μειώθηκε η παραγωγικότητα;
Παραδείγματα ερωτήσεων διαγνωστικής ανάλυσης στην παραγωγή:
- Γιατί αυξήθηκαν τα ελαττωματικά προϊόντα;
- Γιατί καθυστέρησαν οι παραδόσεις;
- Γιατί αυξήθηκε το κόστος παραγωγής;
Προβλεπτική ανάλυση (Predictive Analytics)
Η προβλεπτική ανάλυση απαντά σε ερωτήματα σχετικά με το τι πιθανότατα θα συμβεί.
Στην προβλεπτική ανάλυση χρησιμοποιούμε ιστορικά δεδομένα και μοντέλα μηχανικής μάθησης ή στατιστικά μοντέλα.
Η προβλεπτική ανάλυση μας βοηθά να προβλέψουμε μελλοντικές τάσεις, συμπεριφορές ή κινδύνους.
Για παράδειγμα η προβλεπτική ανάλυση χρησιμοποιείται για προβλέψεις πωλήσεων, ζήτησης, πελατειακής συμπεριφοράς και διαχείρισης κινδύνων.
Στη συνέχεια έχουμε παραδείγματα ερωτήσεων προβλεπτικής ανάλυσης:
Παραδείγματα ερωτήσεων προβλεπτικής ανάλυσης στις πωλήσεις:
- Πόσες πωλήσεις θα έχουμε τον επόμενο μήνα;
- Ποιο προϊόν θα έχει μεγαλύτερη ζήτηση;
- Ποιος πελάτης είναι πιθανό να αγοράσει ξανά;
- Πόσα έσοδα αναμένονται το επόμενο τρίμηνο;
Παραδείγματα ερωτήσεων προβλεπτικής ανάλυσης στο marketing:
- Ποιος πελάτης είναι πιθανό να κάνει κλικ στη διαφήμιση;
- Ποια καμπάνια θα έχει μεγαλύτερη επιτυχία;
- Πόσοι χρήστες θα εγγραφούν την επόμενη εβδομάδα;
Παραδείγματα ερωτήσεων προβλεπτικής ανάλυσης στις τράπεζες:
- Ποιος πελάτης είναι πιθανό να μην αποπληρώσει το δάνειο;
- Ποιος πελάτης είναι πιθανό να κλείσει τον λογαριασμό του;
Παραδείγματα ερωτήσεων προβλεπτικής ανάλυσης στην υγεία:
- Ποιος ασθενής κινδυνεύει περισσότερο από επιπλοκές;
- Πόσοι ασθενείς αναμένονται στα επείγοντα αύριο;
Καθοδηγητική ανάλυση (Prescriptive Analytics)
Η καθοδηγητική ανάλυση απαντά σε ερωτήματα σχετικά με το τι ενέργειες πρέπει να κάνουμε.
Στην καθοδηγητική ανάλυση προτείνουμε τις βέλτιστες ενέργειες για την επίτευξη ενός στόχου.
Στην καθοδηγητική ανάλυση συνδυάζουμε προβλέψεις με τεχνητή νοημοσύνη και τεχνικές προσομοίωσης και βελτιστοποίησης.
Με την καθοδηγητική ανάλυση μπορούμε να έχουμε υποστήριξη για τη λήψη στρατηγικών αποφάσεων.
Μας βοηθά να μειώσουμε το κόστος και να αυξήσουμε την αποτελεσματικότητα.
Ακολουθούν παραδείγματα ερωτήσεων καθοδηγητικής ανάλυσης:
Παραδείγματα ερωτήσεων καθοδηγητικής ανάλυσης στις πωλήσεις:
- Ποια τιμή πρέπει να έχει το προϊόν;
- Ποια έκπτωση θα μεγιστοποιήσει τα κέρδη;
- Ποια προϊόντα πρέπει να προωθηθούν;
- Σε ποια περιοχή πρέπει να αυξηθεί το απόθεμα;
Παραδείγματα ερωτήσεων καθοδηγητικής ανάλυσης στο marketing:
- Σε ποιο κοινό πρέπει να εμφανιστεί η διαφήμιση;
- Πώς πρέπει να κατανεμηθεί το budget;
- Ποιο κανάλι διαφήμισης πρέπει να επιλεγεί;
- Πότε πρέπει να σταλεί το email;
Παραδείγματα ερωτήσεων καθοδηγητικής ανάλυσης σε Logistics:
- Ποια είναι η καλύτερη διαδρομή παράδοσης;
- Πόσα φορτηγά πρέπει να χρησιμοποιηθούν;
- Πού πρέπει να ανοίξει νέα αποθήκη;
Παραδείγματα ερωτήσεων καθοδηγητικής ανάλυσης στο HR:
- Ποιους υπαλλήλους πρέπει να εκπαιδεύσουμε;
- Πώς πρέπει να κατανεμηθούν οι βάρδιες;
- Ποιον υποψήφιο πρέπει να προσλάβουμε;
Παραδείγματα με όλους τους τύπους ανάλυσης δεδομένων
Για να βγάλουμε τεκμηριωμένα συμπεράσματα και να πάρουμε σωστές αποφάσεις συνήθως χρειαζόμαστε και τους τέσσερις τύπους ανάλυσης δεδομένων.
Ας πάρουμε για παράδειγμα τις πωλήσεις ενός καταστήματος. Ακολουθούν ερωτήματα από κάθε τύπο ανάλυσης δεδομένων:
- Η περιγραφική ανάλυση (Descriptive Analytics) απαντά στο ερώτημα: Πόσες πωλήσεις έγιναν τον Μάιο;
- Η διαγνωστική ανάλυση (Diagnostic Analytics) απαντά στο ερώτημα: Γιατί οι πωλήσεις του Μαΐου ήταν χαμηλότερες από του Απριλίου;
- Η προβλεπτική ανάλυση (Predictive Analytics) απαντά στο ερώτημα: Πόσες πωλήσεις αναμένονται τον Ιούνιο;
- Η καθοδηγητική ανάλυση (Prescriptive Analytics) απαντά στο ερώτημα: Τι έκπτωση πρέπει να δώσουμε για να αυξήσουμε τις πωλήσεις τον Ιούνιο;
Παρόμοιες ερωτήσεις μπορούμε να έχουμε σε κάθε τύπο ανάλυσης δεδομένων στην περίπτωση ενός Website:
- Περιγραφική ανάλυση: Πόσοι επισκέπτες μπήκαν σήμερα;
- Διαγνωστική ανάλυση: Γιατί μειώθηκε η επισκεψιμότητα;
- Προβλεπτική ανάλυση: Πόσοι επισκέπτες αναμένονται την επόμενη εβδομάδα;
- Καθοδηγητική ανάλυση: Τι αλλαγές πρέπει να γίνουν για να αυξηθεί η επισκεψιμότητα;
Τα ίδια ακριβώς μπορούμε να χρησιμοποιήσουμε στην περίπτωση ηλεκτρονικού καταστήματος. Εδώ συνδυάζουμε πωλήσεις και website:
- Περιγραφική ανάλυση: Πόσες πωλήσεις έγιναν σήμερα;
- Διαγνωστική ανάλυση: Γιατί μειώθηκαν οι πωλήσεις;
- Προβλεπτική ανάλυση: Πόσες πωλήσεις αναμένονται την επόμενη εβδομάδα;
- Καθοδηγητική ανάλυση: Τι αλλαγές πρέπει να γίνουν για να αυξηθούν οι πωλήσεις;
Μαθήματα ανάλυσης δεδομένων
Στα μαθήματα ανάλυσης δεδομένων παρουσιάζουμε παραδείγματα από όλους τους τύπους ανάλυσης. Έχουμε έτοιμα σύνολα δεδομένων και πολλά παραδείγματα που καλύπτουν ερωτήσεις από όλους τους κλάδους. Ο εκπαιδευόμενος που θα παρακολουθήσει μαθήματα ανάλυσης δεδομένων θα είναι σε θέση να πραγματοποιήσει ανάλυση δεδομένων στα δεδομένα της επιχείρησης πού εργάζεται ή θέλει να εργαστεί. Στα σεμινάρια ανάλυσης δεδομένων καθοδηγούμε τον εκπαιδευόμενο ώστε να χρησιμοποιήσει το κατάλληλο εργαλείο για κάθε τύπο ανάλυσης και για κάθε τύπο ερωτήματος.
Business Intelligence
Η επιχειρηματική ευφυΐα ή αλλιώς business intelligence είναι η διαδικασία με την οποία χρησιμοποιούμε τα δεδομένα για να εξάγουμε επιχειρηματικά συμπεράσματα. Στόχος του business intelligence είναι η μετατροπή των ακατέργαστων δεδομένων σε αξιόπιστες πληροφορίες με τις οποίες τα στελέχη επιχειρήσεων μπορούν να λάβουν τεκμηριωμένες επιχειρηματικές αποφάσεις. Τα εργαλεία business intelligence συγκεντρώνουν δεδομένα από διάφορες πηγές (CRMs, ERPs, βάσεις δεδομένων, e-shop) και προχωρούν σε αποθήκευση, επεξεργασία, ανάλυση και παρουσίαση επιχειρηματικών δεδομένων. Η παρουσίαση γίνεται με dashboards που παρουσιάζουν γραφήματα και πίνακες με διαδραστικό τρόπο.
Power BI
Το power bi είναι το πιο δημοφιλές λογισμικό business intelligence. Έχει δημιουργηθεί από τη Microsoft, είναι πραγματικά πολύ ισχυρό και καλύπτει ικανοποιητικά τις απαιτήσεις της αγοράς. Η Microsoft με το power bi μπαίνει στη μεγάλη αγορά του business intelligence. Το power bi αποτελείται από δύο κομμάτια. Ένα κομμάτι είναι το power bi desktop που εκτελείται στον υπολογιστή μας και είναι free. Χρησιμοποιούμε το power bi desktop για να δημιουργήσουμε διαδραστικά dashboard. Το δεύτερο κομμάτι είναι το power bi service το οποίο εκτελείται στο cloud και δεν είναι free. Ναι μεν υπάρχει free version για το power bi service, αν όμως θέλουμε να έχουμε διαθέσιμες δυνατότητες συνεργασίας τότε θα πρέπει να επιλέξουμε ένα από τα πακέτα επί πληρωμή. Εδώ μπορείτε να μάθετε περισσότερα για το Power BI.
Από το excel στο power BI
Ουσιαστικά το power bi είναι φτιαγμένο ώστε να καλύπτει τα κενά του excel όσον αφορά το business intelligence. Για παράδειγμα το power bi έχει τη δυνατότητα να δημιουργεί online διαδραστικά dashboard στα οποία χρήστης να έχει πρόσβαση με διαφορετικά δικαιώματα ανάλογα με το ρόλο του. Αυτή τη δυνατότητα δεν την έχει το excel. Για όσους γνωρίζουν καλά το excel και θέλουν να μεταβούν στο power bi έχουμε δημιουργήσει οδηγό μετάβασης από το Excel στο Power BI.
Εφαρμογές power BI
Το power bi προσφέρει πολύ περισσότερες δυνατότητες σε μία επιχείρηση σε σύγκριση με το excel. Ουσιαστικά πλέον δεν μιλάμε για απλή χρήση του λογισμικού αλλά δημιουργούμε εφαρμογές power bi για επιχειρήσεις. Η ανάπτυξη εφαρμογής power bi για μία επιχείρηση είναι ένα περίπλοκο έργο το οποίο ξεκινά από τα επιχειρηματικά ερωτήματα για τις επιχειρηματικές απαντήσεις που απαιτούνται. Το πρώτο βήμα της υλοποίηση εφαρμογής power BI είναι η συλλογή των δεδομένων. Ακολουθεί η σύνδεση των δεδομένων για τη δημιουργία του μοντέλου δεδομένων. Και η εφαρμογή power BI για μια επιχείρηση ολοκληρώνεται με την παρουσίαση των δεδομένων χρησιμοποιώντας διαδραστικά dashboard.
Σεμινάρια power BI
Ο καλύτερος τρόπος για να γνωρίσετε το λογισμικό είναι να παρακολουθήσετε μαθήματα power bi. Εμείς αναλαμβάνουμε σεμινάρια power BI τόσο προς ιδιώτες όσο και προς επιχειρήσεις. Στα ενδοεπιχειρησιακά σεμινάρια power bi προσαρμόζουμε το μάθημα στις ανάγκες της εταιρείας. Έχουμε αρκετά παραδείγματα power bi εκπαιδευόμενος να καταναλήσει πλήρως όλες τις έννοιες. Επίσης έχουμε δημιουργήσει σελίδα με ασκήσεις power BI.
Σχέση μεταξύ Business Intelligence και ανάλυσης δεδομένων
Στο business intelligence ασχολούμαστε κυρίως με το τι συνέβη και ποια είναι η απόδοση της επιχείρησης. Επίσης εξετάζουμε το γιατί συνέβη. Σημαντικό στοιχείο του business intelligence είναι η επαγγελματική παρουσίαση μέσω dashboards, δεικτών απόδοσης (KPIs) και dimensions. Αντίθετα η ανάλυση δεδομένων προχωρά πολύ περισσότερο εξετάζοντας τι πιθανότατα θα συμβεί στο μέλλον καθώς και τι ενέργειες πρέπει να κάνουμε για να πετύχουμε το στόχο μας. Δηλαδή θα μπορούσαμε να πούμε ότι το Business Intelligence αποτελεί υποσύνολο της ανάλυσης δεομένων. Άλλωστε τα πιο δημοφιλή εργαλεία business intelligence χρησιμοποιούνται και στην ανάλυση δεομένων όπως για παράδειγμα Microsoft Power BI, Tableau, Microsoft Excel, Google Looker Studio, SAP BusinessObjects, Oracle Analytics Cloud και άλλα.
Μαθήματα business intelligence
Στα μαθήματα business intelligence ο εκπαιδευόμενος έχει τη δυνατότητα να γνωρίσει όλα αυτά τα εργαλεία. Παρουσιάζουμε επιλεγμένα ερωτήματα συγκρίνουμε την απόδοση αλλά και την ευκολία στη χρήση των εργαλείων. Τα μαθήματα business intelligence απευθύνονται καθαρά σε στελέχη επιχειρήσεων που γνωρίζουν τι πρέπει να κάνουν αλλά δεν ξέρουν πώς να το κάνουν. Αναλαμβάνουμε σεμινάρια business intelligence είτε ενδοεπιχειρησιακά είτε γενικά.
Εφαρμογές Business Intelligence
Το Business Intelligence εφαρμόζεται όπου απαιτείται η αξιοποίηση δεδομένων για τη λήψη αποφάσεων, όπως:
- Πωλήσεις και Marketing
- Οικονομική διαχείριση
- Εφοδιαστική αλυσίδα (Supply Chain)
- Διαχείριση ανθρώπινου δυναμικού (HR Analytics)
- Υγεία
- Τραπεζικός τομέας
- Ηλεκτρονικό εμπόριο
- Βιομηχανία
- Εκπαίδευση
- Δημόσιος τομέας
Παραδείγματα Business Intelligence
Ακολουθούν ενδεικτικά παραδείγματα εφαρμογών του Business Intelligence σε διάφορους κλάδους:
1. Παραδείγματα Business Intelligence στο Λιανικό εμπόριο (Retail)
Μια αλυσίδα super market χρησιμοποιεί BI για:
- να αναλύει τις πωλήσεις ανά κατάστημα,
- να εντοπίζει τα προϊόντα με τη μεγαλύτερη ζήτηση,
- να προβλέπει τις ανάγκες σε αποθέματα,
- να σχεδιάζει προσφορές με βάση τις αγοραστικές συνήθειες των πελατών.
2. Παραδείγματα Business Intelligence στον Τραπεζικό τομέα
Οι τράπεζες αξιοποιούν το BI για:
- παρακολούθηση οικονομικών δεικτών,
- ανάλυση συναλλαγών,
- εντοπισμό ύποπτων συναλλαγών (απάτη),
- αξιολόγηση πιστωτικού κινδύνου.
3. Παραδείγματα Business Intelligence σε Νοσοκομεία και Υγεία
Ένα νοσοκομείο χρησιμοποιεί BI για:
- παρακολούθηση πληρότητας κλινών,
- διαχείριση προμηθειών και φαρμάκων,
- ανάλυση χρόνων αναμονής,
- αξιολόγηση της ποιότητας των παρεχόμενων υπηρεσιών.
4. Παραδείγματα Business Intelligence στο Ηλεκτρονικό εμπόριο (E-commerce)
Ένα ηλεκτρονικό κατάστημα χρησιμοποιεί BI για:
- ανάλυση της συμπεριφοράς των πελατών,
- προτάσεις εξατομικευμένων προϊόντων,
- μέτρηση του ποσοστού μετατροπής (conversion rate),
- αξιολόγηση της αποτελεσματικότητας διαφημιστικών καμπανιών.
Στον ακόλουθο σύνδεσμο έχουμε παράδειγμα δημιουργίας Power BI Dashboard για την παρακολούθηση πωλήσεων ηλεκτρονικού καταστήματος
5. Παραδείγματα Business Intelligence στη Βιομηχανία
Μια βιομηχανική επιχείρηση χρησιμοποιεί BI για:
- παρακολούθηση της παραγωγής,
- έλεγχο του κόστους παραγωγής,
- πρόβλεψη αναγκών συντήρησης εξοπλισμού,
- βελτιστοποίηση της εφοδιαστικής αλυσίδας.
6. Παραδείγματα Business Intelligence στην Εκπαίδευση
Ένα πανεπιστήμιο εφαρμόζει BI για:
- ανάλυση της ακαδημαϊκής επίδοσης των φοιτητών,
- παρακολούθηση ποσοστών αποφοίτησης,
- διαχείριση οικονομικών πόρων,
- υποστήριξη στρατηγικού σχεδιασμού.
7. Παραδείγματα Business Intelligence στις Τηλεπικοινωνίες
Μια εταιρεία κινητής τηλεφωνίας χρησιμοποιεί BI για:
- ανάλυση χρήσης υπηρεσιών,
- πρόβλεψη αποχώρησης πελατών (customer churn),
- βελτίωση της ποιότητας του δικτύου,
- σχεδιασμό νέων πακέτων υπηρεσιών.