Índice:
Vídeo: Controle de estoque - Projeto python (Apresentando o código) 2024
Existem duas maneiras de gerar ou implementar análises preditivas: puramente com base em seus dados (sem conhecimento prévio do que você está procurando) ou com um Objetivo comercial proposto de que os dados podem ou não suportar. Você não precisa escolher um ou outro; as duas abordagens podem ser complementares. Cada um tem suas vantagens e desvantagens.
Ambas as abordagens para análises preditivas têm suas limitações; Tenha em mente o gerenciamento de riscos enquanto você examina os resultados. Qual abordagem você considera ser promissor de bons resultados e relativamente seguro?
A combinação de ambos os tipos de análise habilita o seu negócio e permite expandir sua compreensão, percepção e conscientização sobre seus negócios e seus clientes. Isso torna seu processo de decisão mais inteligente e, posteriormente, mais lucrativo.
Como gerar análise preditiva baseada em dados
Se você basear sua análise puramente em dados existentes, você pode usar dados internos - acumulados por sua empresa ao longo dos anos - ou dados externos (geralmente comprados de uma fonte externa sua empresa) que é relevante para sua linha de negócios.
Para dar sentido a esses dados, você pode empregar ferramentas de mineração de dados para superar sua complexidade e tamanho; revele alguns padrões que você não conhecia; Descobre algumas associações e links dentro de seus dados; e use suas descobertas para gerar novas categorizações, novas idéias e novas compreensões.
A análise baseada em dados pode até revelar uma ou duas gemas que podem melhorar radicalmente o seu negócio - tudo isso dá a essa abordagem um elemento de surpresa que se alimenta de curiosidade e cria antecipação.
A análise baseada em dados é mais adequada para grandes conjuntos de dados, porque é difícil para os seres humanos envolver suas mentes em torno de grandes quantidades de dados. As ferramentas de mineração de dados e as técnicas de visualização ajudam você a se aproximar e reduzir a enorme massa de dados ao tamanho. Tenha em mente esses princípios gerais:
-
Quanto mais completo seus dados forem, melhor será o resultado da análise baseada em dados. Se você possui dados extensivos que possuem informações importantes para as variáveis que você está medindo e abrange um período de tempo prolongado, você terá certeza de descobrir algo novo sobre sua empresa.
-
A análise orientada a dados é neutra porque nenhum conhecimento prévio sobre os dados é necessário e você não está depois de um objetivo específico em particular, mas analisa os dados por sua causa.
-
A natureza desta análise é ampla e não se preocupa com uma busca ou validação específica de uma idéia preconcebida.Essa abordagem de análise pode ser vista como uma espécie de mineração de dados aleatória e ampla.
-
Se você realizar essa análise de dados, e se você aprender algo sobre sua empresa a partir da análise, você ainda precisará decidir se os resultados que você está recebendo valem a pena implementar ou agir.
-
Baseando-se exclusivamente na análise baseada em dados, adiciona algum risco às decisões comerciais resultantes. Você pode, no entanto, limitar esse risco incorporando parte do realismo que caracteriza a análise orientada pelo usuário.
Quando os dados do mundo real comprovam (ou pelo menos suporta) a correção de suas idéias originais, a decisão apropriada é praticamente já feita. Quando um palpite informado é validado pelos dados, toda a análise se mostra como impulsionada por idéias estratégicas que valeram a pena perseguir e verificar.
Como gerar análise preditiva orientada pelo usuário
A abordagem orientada pelo usuário para a análise preditiva começa com você (ou seus gerentes) a conceber idéias e depois se refugiar em seus dados para ver se essas As idéias têm mérito, ficariam testando e são suportadas pelos dados.
Os dados do teste podem ser um subconjunto muito pequeno de seus dados comerciais totais; É algo que você define e escolhe conforme julga relevante para testar suas idéias.
O processo de escolher os conjuntos de dados adequados e projetar métodos de teste precisos - de fato, todo o processo desde o início até a adoção - deve ser orientado por uma consideração cuidadosa e um planejamento meticuloso.
A análise orientada pelo usuário requer não apenas o pensamento estratégico, mas também o conhecimento aprofundado suficiente do domínio comercial para respaldar a estratégia. Visão e intuição podem ser muito úteis aqui; você está procurando como os dados prestam suporte específico às idéias que você considerou importantes e estratégicas. Essa abordagem de análise preditiva é definida pelo alcance das idéias que você está investigando. A tomada de decisões torna-se mais fácil quando os dados suportam suas idéias.
O processo de sondar suas idéias pode não ser tão simples como analisar conjuntos de dados inteiros. Também pode ser afetado pelo seu viés para provar a correção de seus pressupostos iniciais.
Aqui está uma comparação de dados orientados por dados e dados orientados pelo usuário.
| Características | Dados Driven | User-Driven |
|---|---|---|
| Conhecimento empresarial necessário | Nenhum conhecimento prévio | conhecimento aprofundado de domínio |
| Análise e ferramentas usadas | Uso amplo de dados Ferramentas de mineração | Projeto específico para análise e teste |
| Dados grandes | Adequado para dados em larga escala | Aplicado em conjuntos de dados menores |
| Escopo de análise | Escopo aberto | Escopo limitado > Análise Conclusão |
| Necessita de verificação dos resultados | Adoção mais fácil de resultados de análise | Padrão de dados |
| Descobre padrões e associações | Pode faltar padrões e associações escondidas |
