De Wikipedia, la enciclopedia libre
Saltar a navegación Saltar a búsqueda
Para otros usos, consulte Analytics (desambiguación) .

La analítica es el análisis computacional sistemático de datos o estadísticas. [1] Se utiliza para el descubrimiento, interpretación y comunicación de patrones significativos en los datos . También implica aplicar patrones de datos para una toma de decisiones efectiva. Puede ser valioso en áreas ricas en información registrada; la analítica se basa en la aplicación simultánea de estadísticas , programación de computadoras e investigación de operaciones para cuantificar el desempeño.

Las organizaciones pueden aplicar análisis a los datos comerciales para describir, predecir y mejorar el desempeño comercial. Específicamente, las áreas dentro del análisis incluyen análisis predictivo , análisis prescriptivo , gestión de decisiones empresariales , análisis descriptivo, análisis cognitivo, análisis de Big Data, análisis minorista, análisis de la cadena de suministro, optimización de unidades de almacenamiento y surtido de tiendas , optimización de marketing y modelado de mezcla de marketing , web análisis , análisis de llamadas, análisis de voz , dimensionamiento y optimización de la fuerza de ventas, modelado de precios y promociones, ciencia predictiva, análisis de gráficos, análisis de riesgo crediticio yanálisis de fraude . Dado que la analítica puede requerir una gran cantidad de cálculos (ver macrodatos ), los algoritmos y el software utilizados para la analítica aprovechan los métodos más actuales en ciencias de la computación, estadística y matemáticas. [2]

Análisis de tráfico de la propia Wikipedia en inglés

Analítica frente a análisis [ editar ]

El análisis de datos se centra en comprender el pasado; qué sucedió y por qué sucedió. Analytics se centra en por qué sucedió y qué sucederá en el futuro. [3]

El análisis de datos es un campo multidisciplinario . Existe un amplio uso de habilidades informáticas, matemáticas, estadística, el uso de técnicas descriptivas y modelos predictivos para obtener conocimientos valiosos a partir de los datos a través de la analítica. [ cita requerida ] . Los conocimientos de los datos se utilizan para recomendar acciones o para guiar la toma de decisiones arraigada en el contexto empresarial. Por lo tanto, la analítica no se ocupa tanto de análisis individuales o pasos de análisis, sino de toda la metodología [¿ según quién? ] . Existe una tendencia pronunciada a utilizar el término análisis en entornos comerciales, por ejemplo, análisis de texto frente a la minería de texto más genérica.para enfatizar esta perspectiva más amplia. [ cita requerida ] Existe un uso cada vez mayor del término análisis avanzado , que normalmente se utiliza para describir los aspectos técnicos de la analítica, especialmente en los campos emergentes, como el uso de técnicas de aprendizaje automático como redes neuronales , árbol de decisión, regresión logística, lineal a análisis de regresión múltiple , clasificación para hacer modelos predictivos . [4] También incluye técnicas de aprendizaje automático no supervisadas como análisis de clústeres , análisis de componentes principales, análisis de perfiles de segmentación y análisis de asociaciones. [5]

Aplicaciones [ editar ]

Optimización de marketing [ editar ]

El marketing ha evolucionado de un proceso creativo a un proceso basado en datos. Las organizaciones de marketing utilizan la analítica para determinar los resultados de campañas o esfuerzos y para orientar las decisiones de inversión y orientación al consumidor. Los estudios demográficos, la segmentación de clientes, el análisis conjunto y otras técnicas permiten a los especialistas en marketing utilizar grandes cantidades de datos de compra, encuestas y paneles de los consumidores para comprender y comunicar la estrategia de marketing.

La analítica de marketing consta de datos tanto cualitativos como cuantitativos, estructurados y no estructurados que se utilizan para impulsar decisiones estratégicas en relación con la marca y los resultados de ingresos. El proceso implica modelado predictivo, experimentación de marketing, automatización y comunicaciones de ventas en tiempo real. Los datos permiten a las empresas hacer predicciones y modificar la ejecución estratégica para maximizar los resultados de rendimiento.

La analítica web permite a los especialistas en marketing recopilar información a nivel de sesión sobre las interacciones en un sitio web mediante una operación llamada sesionización . Google Analytics es un ejemplo de una popular herramienta de análisis gratuita que los especialistas en marketing utilizan para este propósito. Esas interacciones brindan a los sistemas de información de análisis web la información necesaria para rastrear al remitente, buscar palabras clave, identificar la dirección IP y rastrear las actividades del visitante. Con esta información, un especialista en marketing puede mejorar las campañas de marketing, el contenido creativo del sitio web y la arquitectura de la información.

Las técnicas de análisis que se utilizan con frecuencia en marketing incluyen el modelado de mezclas de marketing, análisis de precios y promociones, optimización de la fuerza de ventas y análisis de clientes, por ejemplo: segmentación. El análisis web y la optimización de sitios web y campañas en línea ahora trabajan frecuentemente de la mano con las técnicas de análisis de marketing más tradicionales. Un enfoque en los medios digitales ha cambiado ligeramente el vocabulario, por lo que el modelado de mezcla de marketing se conoce comúnmente como modelo de atribución en el contexto de modelado de mezcla de marketing o digital .

Estas herramientas y técnicas respaldan tanto las decisiones estratégicas de marketing (como cuánto gastar en marketing en general, cómo asignar presupuestos en una cartera de marcas y la combinación de marketing) y un apoyo más táctico a la campaña, en términos de dirigirse al mejor cliente potencial con el mensaje óptimo en el medio más rentable en el momento ideal.

Análisis de personas [ editar ]

People Analytics utiliza datos de comportamiento para comprender cómo trabajan las personas y cambiar la forma en que se administran las empresas. [6]

El análisis de personas también se conoce como análisis de la fuerza laboral, análisis de recursos humanos, análisis de talentos, conocimientos de personas, conocimientos de talentos, conocimientos de colegas, análisis de capital humano y análisis de HRIS. El análisis de recursos humanos es la aplicación de análisis para ayudar a las empresas a administrar los recursos humanos . [7] Además, el análisis de RR.HH. se ha convertido en una herramienta estratégica para analizar y pronosticar las tendencias relacionadas con los humanos en los cambiantes mercados laborales, utilizando herramientas de Career Analytics. [8] El objetivo es discernir qué empleados contratar, cuáles recompensar o promover, qué responsabilidades asignar y problemas similares de recursos humanos. [9]El análisis de recursos humanos es cada vez más importante para comprender qué tipo de perfiles de comportamiento tendrían éxito y fracasarían. Por ejemplo, un análisis puede encontrar que las personas que se ajustan a un cierto tipo de perfil son las que tienen más probabilidades de tener éxito en un puesto en particular, lo que las convierte en los mejores empleados para contratar.

Se ha sugerido que People Analytics es una disciplina separada de la analítica de RR.HH., lo que representa un mayor enfoque en cuestiones comerciales que en procesos administrativos, [10] y que People Analytics puede no pertenecer realmente a Recursos Humanos en las organizaciones. [11] Sin embargo, los expertos no están de acuerdo con esto, y muchos argumentan que Recursos Humanos necesitará desarrollar People Analytics como una parte clave de una función empresarial más capaz y estratégica en el cambiante mundo del trabajo provocado por la automatización. [12] En lugar de trasladar People Analytics fuera de RR.HH., algunos expertos argumentan que pertenece a RR.HH., aunque habilitado por una nueva generación de profesionales de RR.HH. que se basa más en datos y es más conocedor de los negocios. [13]

Análisis de cartera [ editar ]

Una aplicación común de la analítica empresarial es el análisis de carteras . En esto, un banco o agencia crediticia tiene una colección de cuentas de valor y riesgo variables . Las cuentas pueden diferir por el estatus social (rico, de clase media, pobre, etc.) del titular, la ubicación geográfica, su valor neto y muchos otros factores. El prestamista debe equilibrar el rendimiento del préstamo con el riesgo de incumplimiento de cada préstamo. Entonces, la pregunta es cómo evaluar la cartera en su conjunto.

El préstamo de menor riesgo puede ser para los muy ricos, pero hay un número muy limitado de personas adineradas. Por otro lado, hay muchos pobres a los que se les puede prestar, pero con mayor riesgo. Se debe lograr un equilibrio que maximice el rendimiento y minimice el riesgo. La solución de análisis puede combinar el análisis de series de tiempo con muchas otras cuestiones para tomar decisiones sobre cuándo prestar dinero a estos diferentes segmentos de prestatarios, o decisiones sobre la tasa de interés que se cobra a los miembros de un segmento de cartera para cubrir cualquier pérdida entre los miembros de ese segmento. .

Análisis de riesgos [ editar ]

Los modelos predictivos en la industria bancaria se desarrollan para brindar certeza en los puntajes de riesgo para clientes individuales. Puntajes de créditoestán construidos para predecir el comportamiento de delincuencia de las personas y se utilizan ampliamente para evaluar la solvencia crediticia de cada solicitante. Además, los análisis de riesgos se llevan a cabo en el mundo científico y en la industria aseguradora. También se utiliza ampliamente en instituciones financieras como las empresas de pasarela de pago en línea para analizar si una transacción fue genuina o fraudulenta. Para ello utilizan el historial de transacciones del cliente. Esto se usa más comúnmente en compras con tarjeta de crédito, cuando hay un aumento repentino en el volumen de transacciones del cliente, el cliente recibe una llamada de confirmación si la transacción fue iniciada por él / ella. Esto ayuda a reducir las pérdidas debidas a tales circunstancias.

Analítica digital [ editar ]

La analítica digital es un conjunto de actividades comerciales y técnicas que definen, crean, recopilan, verifican o transforman datos digitales en informes, investigaciones, análisis, recomendaciones, optimizaciones, predicciones y automatizaciones. [14] Esto también incluye el SEO ( optimización de motor de búsqueda ) donde se rastrea la búsqueda de palabras clave y esos datos se utilizan con fines de marketing. Incluso los anuncios publicitarios y los clics se incluyen en el análisis digital. Un número creciente de marcas y empresas de marketing confían en la analítica digital para sus asignaciones de marketing digital, donde MROI (Marketing Return on Investment) es un indicador clave de rendimiento (KPI) importante.

Análisis de seguridad [ editar ]

El análisis de seguridad se refiere a la tecnología de la información (TI) para recopilar eventos de seguridad para comprender y analizar los eventos que representan el mayor riesgo. [15] Los productos en esta área incluyen información de seguridad y gestión de eventos y análisis del comportamiento de los usuarios.

Análisis de software [ editar ]

Artículo principal: análisis de software

La analítica de software es el proceso de recopilar información sobre la forma en que se utiliza y se produce una pieza de software .

Desafíos [ editar ]

En la industria del software de análisis comercial, ha surgido un énfasis en resolver los desafíos de analizar conjuntos de datos masivos y complejos, a menudo cuando dichos datos se encuentran en un estado de cambio constante. Estos conjuntos de datos se conocen comúnmente como macrodatos . Mientras que una vez los problemas planteados por el big data solo se encontraban en la comunidad científica, hoy el big data es un problema para muchas empresas que operan sistemas transaccionales en línea y, como resultado, acumulan grandes volúmenes de datos rápidamente. [dieciséis]

El análisis de tipos de datos no estructurados es otro desafío que atrae la atención de la industria. Los datos no estructurados se diferencian de los estructurados en que su formato varía ampliamente y no se pueden almacenar en bases de datos relacionales tradicionales sin un esfuerzo significativo en la transformación de datos. [17] Las fuentes de datos no estructurados, como el correo electrónico, el contenido de documentos de procesadores de texto, archivos PDF, datos geoespaciales, etc., se están convirtiendo rápidamente en una fuente relevante de inteligencia empresarial para empresas, gobiernos y universidades. [18] Por ejemplo, en Gran Bretaña, el descubrimiento de que una empresa vendía ilegalmente notas médicas fraudulentas para ayudar a las personas a defraudar a empleadores y compañías de seguros, [19]es una oportunidad para que las empresas de seguros aumenten la vigilancia de sus análisis de datos no estructurados. El McKinsey Global Institute estima que el análisis de macrodatos podría ahorrarle al sistema sanitario estadounidense 300.000 millones de dólares al año y al sector público europeo 250.000 millones de euros. [20]

Estos desafíos son la inspiración actual para gran parte de la innovación en los sistemas de información analíticos modernos, dando lugar a conceptos de análisis de máquinas relativamente nuevos, como el procesamiento de eventos complejos , la búsqueda y el análisis de texto completo, e incluso nuevas ideas en la presentación. [21] Una de esas innovaciones es la introducción de una arquitectura similar a una cuadrícula en el análisis de máquinas, lo que permite aumentos en la velocidad del procesamiento masivamente paralelo al distribuir la carga de trabajo a muchas computadoras, todas con igual acceso al conjunto de datos completo. [22]

La analítica se utiliza cada vez más en la educación , particularmente en los niveles de las oficinas gubernamentales y de distrito. Sin embargo, la complejidad de las medidas de desempeño de los estudiantes presenta desafíos cuando los educadores intentan comprender y usar análisis para discernir patrones en el desempeño de los estudiantes, predecir la probabilidad de graduación, mejorar las posibilidades de éxito de los estudiantes, etc. Por ejemplo, en un estudio que involucra distritos conocidos por el uso sólido de datos , El 48% de los maestros tuvo dificultades para formular preguntas motivadas por los datos, el 36% no comprendió los datos dados y el 52% interpretó incorrectamente los datos. [23] Para combatir esto, algunas herramientas de análisis para educadores se adhieren a datos de venta libreformato (incrustación de etiquetas, documentación complementaria y un sistema de ayuda, y toma de decisiones clave sobre el paquete / visualización y el contenido) para mejorar la comprensión y el uso de las analíticas que se muestran por parte de los educadores. [24]

Otro desafío emergente son las necesidades regulatorias dinámicas. Por ejemplo, en la industria bancaria, Basilea III y las necesidades futuras de adecuación de capital probablemente hagan que incluso los bancos más pequeños adopten modelos internos de riesgo. En tales casos, la computación en la nube y el lenguaje de programación de código abierto R pueden ayudar a los bancos más pequeños a adoptar análisis de riesgo y respaldar el monitoreo a nivel de sucursales mediante la aplicación de análisis predictivos. [ cita requerida ]

Riesgos [ editar ]

El principal riesgo para las personas es la discriminación como la discriminación de precios o la discriminación estadística . Consulte la reseña del libro de Scientific American sobre "Armas de destrucción matemática".

También existe el riesgo de que un desarrollador pueda beneficiarse de las ideas o el trabajo realizado por los usuarios, como este ejemplo: los usuarios podrían escribir nuevas ideas en una aplicación para tomar notas, que luego podrían enviarse como un evento personalizado, y los desarrolladores podrían beneficiarse de esas ideas. Esto puede suceder porque la propiedad del contenido generalmente no está clara en la ley. [25]

Si la identidad de un usuario no está protegida, existen más riesgos; por ejemplo, el riesgo de que la información privada sobre los usuarios se haga pública en Internet.

En el extremo, existe el riesgo de que los gobiernos recopilen demasiada información privada, ahora que los gobiernos se están otorgando más poderes para acceder a la información de los ciudadanos.

Más información: retención de datos de telecomunicaciones

Ver también [ editar ]

  • Análisis
  • Aplicaciones analíticas
  • Analítica arquitectónica
  • Analítica de comportamiento
  • Análisis de negocio
  • Inteligencia de Negocio
  • Análisis de la nube
  • Procesamiento de eventos complejos
  • Analítica continua
  • Analítica cultural
  • Análisis de clientes
  • Panel de control (empresa)
  • Procesamiento de datos
  • Arquitectura de presentación de datos
  • Analítica embebida
  • Analítica de aprendizaje
  • Lista de temas de ingeniería de software
  • Análisis de ubicación móvil
  • Análisis de noticias
  • Procesamiento analítico en línea
  • Análisis de video en línea
  • Informes operativos
  • La investigación de operaciones
  • Predicción
  • Analítica predictiva
  • Análisis de ingeniería predictiva
  • Analítica prescriptiva
  • Analítica semántica
  • Red inteligente
  • Analítica social
  • Analítica de software
  • Analítica de voz
  • Estadísticas
  • Análisis del comportamiento del usuario
  • Analítica visual
  • Analista de la red
  • Análisis de pérdidas y ganancias

Referencias [ editar ]

  1. ^ "Definición de analítica de Oxford" .
  2. ^ Kohavi, Rothleder y Simoudis (2002). "Tendencias emergentes en Business Analytics". Comunicaciones de la ACM . 45 (8): 45–48. CiteSeerX 10.1.1.13.3005 . doi : 10.1145 / 545151.545177 . S2CID 15938729 .  
  3. ^ Parque, David. "Análisis vs analítica: pasado vs futuro" . EE Times . Consultado el 20 de enero de 2021 .
  4. ^ "AI, Big Data y análisis avanzado en la cadena de suministro" . Forbes.com . Consultado el 16 de abril de 2020 .
  5. ^ Ronin Myers (19 de mayo de 2019). Técnicas de gestión de datos y análisis estadístico . ISBN 9781839473395. Consultado el 16 de abril de 2020 .
  6. ^ lukem (4 de noviembre de 2016). "People Analytics: Transformar la gestión con datos de comportamiento" . Programas para profesionales | Educación Profesional del MIT . Consultado el 3 de abril de 2018 .
  7. ^ Chalutz Ben-Gal, Hila (2019). "Una revisión de análisis de recursos humanos basada en el ROI: herramientas de implementación práctica" (PDF) . Revisión de personal, vol. 48, núm. 6, págs. 1429-1448. Cite journal requiere |journal=( ayuda )
  8. ^ Sela, A., Chalutz Ben-Gal, Hila (2018). "Career Analytics: análisis basado en datos de la rotación y las trayectorias profesionales en empresas intensivas en conocimiento: Google, Facebook y otras" (PDF) . En 2018 IEEE International Conference on the Science of Electrical Engineering in Israel (ICSEE). IEEE. Cite journal requiere |journal=( ayuda )CS1 maint: multiple names: authors list (link)
  9. ^ "Análisis de personas - Universidad de Pennsylvania" . Coursera.
  10. ^ "People Analytics: MIT 24 de julio de 2017" . Examinador de RRHH . 2 de agosto de 2017 . Consultado el 3 de abril de 2018 .
  11. ^ Bersin, Josh. "Los geeks llegan a RR.HH.: la analítica de personas está aquí" . Forbes . Consultado el 3 de abril de 2018 .
  12. ^ "La guía del CEO para competir a través de recursos humanos" . Consultado el 24 de julio de 2020 .
  13. ^ McNulty, Keith. "Es hora de HR 3.0" . Economía del talento . Consultado el 24 de julio de 2020 .
  14. ^ Phillips, Judah "Creación de una organización de análisis digital" Financial Times Press, 2013, págs. 7-8.
  15. ^ "El análisis de seguridad apuntala la esperanza de detección de infracciones" . Innovación empresarial. Archivado desde el original el 12 de febrero de 2019 . Consultado el 27 de abril de 2015 .
  16. ^ Naone, Erica. "El Nuevo Big Data" . Technology Review, MIT . Consultado el 22 de agosto de 2011 .
  17. ^ Inmon, Bill; Nesavich, Anthony (2007). Aprovechando los datos no estructurados . Prentice Hall. ISBN 978-0-13-236029-6.
  18. ^ Sabio, Lyndsay. "Análisis de datos y datos no estructurados" . Dashboard Insight. Archivado desde el original el 5 de enero de 2014 . Consultado el 14 de febrero de 2011 .
  19. ^ "Notas de enfermedad de médicos falsos a la venta por £ 25, advierte el escuadrón de fraude del NHS" . El telégrafo . Londres. 26 de agosto de 2008 . Consultado el 16 de septiembre de 2011 .
  20. ^ "Big Data: la próxima frontera para la innovación, la competencia y la productividad como se informa en Building with Big Data" . The Economist . 26 de mayo de 2011. Archivado desde el original el 3 de junio de 2011.
  21. ^ Ortega, Dan (21 de junio de 2011). "Movilidad: impulsando una inteligencia empresarial más inteligente" . Ventaja empresarial de TI. Archivado desde el original el 5 de julio de 2011.
  22. ^ Khambadkone, Krish (10 de febrero de 2011). "¿Está listo para Big Data?" . InfoGain. Archivado desde el original el 14 de marzo de 2011.
  23. ^ Oficina de planificación, evaluación y desarrollo de políticas del Departamento de Educación de Estados Unidos (2009). Implementar la toma de decisiones basada en datos en las escuelas: acceso, apoyo y uso de los maestros. Departamento de Educación de los Estados Unidos (ERIC Document Reproduction Service No. ED504191)
  24. ^ Rankin, J. (28 de marzo de 2013). Cómo los sistemas de datos y los informes pueden combatir o propagar la epidemia de errores en el análisis de datos, y cómo pueden ayudar los líderes educadores. Presentación realizada desde la Cumbre de Liderazgo Escolar del Centro de Información Tecnológica para el Liderazgo Administrativo (TICAL).
  25. ^ Alan Norton (9 de julio de 2012). "10 razones por las que evito los servicios de redes sociales" . TechRepublic . Consultado el 4 de enero de 2016 .

Enlaces externos [ editar ]

  • La definición del diccionario de análisis en Wiktionary