Home » Articole » Articles » Affaires » Business Intelligence » Analyse exploratoire des données

Analyse exploratoire des données

L’analyse exploratoire des données (AED) est la découverte, l’interprétation et la communication de modèles significatifs dans les données. Particulièrement précieuse dans les domaines riches en informations enregistrées, l’AED repose sur l’application simultanée de statistiques, de programmation informatique et de recherche opérationnelle pour quantifier les performances. AED privilégie souvent la visualisation des données pour communiquer des informations.

Les organisations peuvent appliquer des AED aux données d’entreprise pour décrire, prédire et améliorer les performances de l’entreprise. Plus précisément, les domaines de l’AED comprennent l’analyse prédictive, l’analyse exploratoire prescriptive, la gestion des décisions d’entreprise, l’analyse exploratoire de la vente au détail, l’assortiment des magasins et l’optimisation des unités de gestion des stocks, l’optimisation du marketing et la modélisation du mix marketing, l’analyse exploratoire Web, le dimensionnement et l’optimisation de la force de vente, la modélisation des prix et des promotions, l’analyse exploratoire prédictive de la science, l’analyse exploratoire du risque de crédit et l’analyse exploratoire de la fraude. Étant donné que l’AED peut nécessiter des calculs approfondis, les algorithmes et les logiciels utilisés pour l’AED exploitent les méthodes les plus récentes en informatique, en statistiques et en mathématiques.

L’analyse exploratoire des données vs analyse

L’analyse exploratoire des données est multidisciplinaire. Il y a une utilisation intensive des mathématiques et des statistiques, l’utilisation de techniques descriptives et de modèles prédictifs pour acquérir des connaissances précieuses à partir des données – l’analyse exploratoire des données. Les informations issues des données sont utilisées pour recommander des actions ou pour guider la prise de décision ancrée dans le contexte de l’entreprise. Ainsi, l’analyse exploratoire des données ne concerne pas tant les analyses individuelles ou les étapes d’analyse, mais l’ensemble de la méthodologie. Il existe une tendance prononcée à utiliser le terme analyse exploratoire des données dans les paramètres commerciaux, par ex. l’analyse exploratoire de texte par rapport à l’exploration de texte plus générique pour souligner cette perspective plus large. Le terme d’analyse exploratoire des données avancée est de plus en plus utilisé, généralement utilisé pour décrire les aspects techniques de l’analyse exploratoire des données, en particulier dans les domaines émergents tels que l’utilisation de techniques d’apprentissage automatique. comme les réseaux de neurones pour faire de la modélisation prédictive.

Exemples

Optimisation du marketing

Le marketing est passé d’un processus créatif à un processus fortement axé sur les données. Les organisations de marketing utilisent l’analyse exploratoire des données pour déterminer les résultats des campagnes ou des efforts et pour guider les décisions d’investissement et de ciblage des consommateurs. Les études démographiques, la segmentation de la clientèle, l’AED conjointe et d’autres techniques permettent aux spécialistes du marketing d’utiliser de grandes quantités de données d’achat, d’enquête et de panel des consommateurs pour comprendre et communiquer la stratégie marketing.

L’analyse exploratoire Web permet aux spécialistes du marketing de collecter des informations au niveau de la session sur les interactions sur un site Web à l’aide d’une opération appelée mise en session. Google Analytics est un exemple d’outil d’analyse gratuit et populaire que les spécialistes du marketing utilisent à cette fin. Ces interactions fournissent aux systèmes d’information d’analyse Web les informations nécessaires pour suivre le référent, rechercher des mots-clés, identifier l’adresse IP et suivre les activités du visiteur. Grâce à ces informations, un spécialiste du marketing peut améliorer les campagnes marketing, le contenu créatif du site Web et l’architecture de l’information.

Les techniques d’analyse fréquemment utilisées en marketing comprennent la modélisation du mix marketing, les analyses de tarification et de promotion, l’optimisation de la force de vente et l’analyse exploratoire de la clientèle, par exemple la segmentation. L’analyse exploratoire Web et l’optimisation des sites Web et des campagnes en ligne vont désormais souvent de pair avec les techniques d’analyse marketing plus traditionnelles. L’accent mis sur les médias numériques a légèrement modifié le vocabulaire, de sorte que la modélisation du mix marketing est communément appelée modélisation d’attribution dans le contexte de la modélisation du mix marketing ou numérique.

Ces outils et techniques prennent en charge à la fois les décisions marketing stratégiques (telles que le montant global à consacrer au marketing, la manière d’allouer les budgets à un portefeuille de marques et le mix marketing) et un support de campagne plus tactique, en termes de ciblage du meilleur client potentiel avec le message optimal sur le support le plus rentable au moment idéal.

L’analyse exploratoire de portefeuille

Une application courante de l’analyse exploratoire commerciale est l’analyse exploratoire de portefeuille. En cela, une banque ou une agence de prêt a une collection de comptes de valeur et de risque variables. Les comptes peuvent différer selon le statut social (riche, classe moyenne, pauvre, etc.) du titulaire, la situation géographique, sa valeur nette et de nombreux autres facteurs. Le prêteur doit équilibrer le rendement du prêt avec le risque de défaut pour chaque prêt. La question est alors de savoir comment évaluer le portefeuille dans son ensemble.

Le prêt le moins risqué est peut-être destiné aux personnes très riches, mais il existe un nombre très limité de personnes fortunées. D’un autre côté, il y a beaucoup de pauvres à qui on peut prêter, mais à un plus grand risque. Il faut trouver un équilibre qui maximise le rendement et minimise les risques. La solution d’analyse exploratoire des données peut combiner l’analyse de séries chronologiques avec de nombreux autres problèmes afin de prendre des décisions sur le moment de prêter de l’argent à ces différents segments d’emprunteurs, ou des décisions sur le taux d’intérêt facturé aux membres d’un segment de portefeuille pour couvrir les pertes parmi les membres de ce segment.

L’analyse exploratoire des risques

Des modèles prédictifs dans le secteur bancaire sont développés pour apporter une certitude sur les scores de risque pour les clients individuels. Les cotes de crédit sont conçues pour prédire le comportement de délinquance d’un individu et largement utilisées pour évaluer la solvabilité de chaque candidat. De plus, des analyses de risques sont effectuées dans le monde scientifique et l’industrie de l’assurance. Il est également largement utilisé dans les institutions financières telles que les sociétés de passerelle de paiement en ligne pour analyser si une transaction était authentique ou frauduleuse. À cette fin, ils utilisent l’historique des transactions du client. Ceci est plus couramment utilisé dans les achats par carte de crédit, lorsqu’il y a un pic soudain du volume de transactions client le client reçoit un appel de confirmation si la transaction a été initiée par lui. Cela aide à réduire les pertes dues à de telles circonstances.

L’analyse exploratoire numérique

L’analyse exploratoire numérique est un ensemble d’activités commerciales et techniques qui définissent, créent, collectent, vérifient ou transforment des données numériques en rapports, recherches, analyses, recommandations, optimisations, prédictions et automatisations. Cela inclut également le SEO (Search Engine Optimization) où la recherche par mot-clé est suivie et ces données sont utilisées à des fins de marketing. Même les bannières publicitaires et les clics relèvent de l’analyse exploratoire numérique. Toutes les entreprises de marketing s’appuient sur l’analyse exploratoire numérique pour leurs missions de marketing numérique, où le MROI (Marketing Return on Investment) est important.

L’analyse exploratoire de la sécurité

L’analyse exploratoire de la sécurité fait référence aux solutions de technologie de l’information (TI) qui collectent et analysent les événements de sécurité pour apporter une connaissance de la situation et permettre au personnel informatique de comprendre et d’analyser les événements qui présentent le plus grand risque. Les solutions dans ce domaine incluent des solutions de gestion des informations et des événements de sécurité et des solutions d’analyse exploratoire du comportement des utilisateurs.

L’analyse exploratoire du logiciel

L’analyse exploratoire du logicielle est le processus de collecte d’informations sur la manière dont un logiciel est utilisé et produit.

Défis

Dans l’industrie des logiciels d’analyse exploratoire commerciaux, l’accent a émergé sur la résolution des défis de l’analyse exploratoire d’ensembles de données volumineux et complexes, souvent lorsque ces données sont en constante évolution. Ces ensembles de données sont communément appelés mégadonnées. Alors qu’autrefois les problèmes posés par les mégadonnées n’étaient rencontrés que dans la communauté scientifique, aujourd’hui les mégadonnées est un problème pour de nombreuses entreprises qui exploitent des systèmes transactionnels en ligne et, par conséquent, accumulent rapidement de gros volumes de données.

L’analyse des types de données non structurées est un autre défi qui attire l’attention dans l’industrie. Les données non structurées diffèrent des données structurées en ce que leur format varie considérablement et ne peut pas être stocké dans des bases de données relationnelles traditionnelles sans un effort important de transformation des données. Les sources de données non structurées, telles que les e-mails, le contenu des documents de traitement de texte, les PDF, les données géospatiales, etc., deviennent rapidement une source pertinente de veille stratégique pour les entreprises, les gouvernements et les universités. Par exemple, en Grande-Bretagne, la découverte qu’une entreprise vendait illégalement des notes de médecin frauduleuses afin d’aider les gens à frauder les employeurs et les compagnies d’assurance, est une opportunité pour les compagnies d’assurance d’augmenter la vigilance de leur analyse de données non structurées. Le McKinsey Global Institute estime que l’analyse exploratoire des mégadonnées pourrait faire économiser 300 milliards de dollars par an au système de santé américain et 250 milliards d’euros au secteur public européen.

Ces défis sont la source d’inspiration actuelle d’une grande partie de l’innovation dans les systèmes d’information d’analyse exploratoire modernes, donnant naissance à des concepts d’analyse automatique relativement nouveaux tels que le traitement d’événements complexes, la recherche et l’analyse de texte intégral, et même de nouvelles idées de présentation. L’une de ces innovations est l’introduction d’une architecture de type grille dans l’analyse des machines, permettant d’augmenter la vitesse de traitement massivement parallèle en répartissant la charge de travail sur de nombreux ordinateurs, tous avec un accès égal à l’ensemble de données complet.

L’analyse exploratoire des données est de plus en plus utilisée dans l’éducation, en particulier au niveau des districts et des bureaux gouvernementaux. Cependant, la complexité des mesures de performance des élèves présente des défis lorsque les éducateurs essaient de comprendre et d’utiliser des analyses exploratoire des données pour discerner les modèles de performance des élèves, prédire la probabilité d’obtention du diplôme, améliorer les chances de réussite des élèves, etc. Par exemple, dans une étude impliquant des districts connus pour une forte utilisation des données , 48 % des enseignants ont eu des difficultés à poser des questions suscitées par des données, 36 % n’ont pas compris les données données et 52 % ont mal interprété les données. Pour lutter contre cela, certains outils d’analyse pour les enseignants adhèrent à un format de données en vente libre (intégrant des étiquettes, une documentation supplémentaire et un système d’aide, et prenant des décisions clés concernant l’emballage/l’affichage et le contenu) afin d’améliorer la compréhension et l’utilisation des analyses exploratoire des données affichées

Un autre défi émergeant est celui des besoins réglementaires dynamiques. Par exemple, dans le secteur bancaire, Basel III et les futurs besoins en fonds propres inciteront probablement les banques encore plus petites à adopter des modèles de risque internes. Dans de tels cas, le cloud computing et l’open source R (langage de programmation) peuvent aider les petites banques à adopter l’analyse des risques et à prendre en charge la surveillance au niveau des succursales en appliquant l’analyse exploratoire prédictive.

Des risques

Le principal risque pour les personnes est la discrimination comme la discrimination par les prix ou la discrimination statistique. Les processus de l’analyse exploratoire des données peuvent également aboutir à des résultats discriminatoires susceptibles de violer les lois anti-discrimination et les droits civils. Il existe également le risque qu’un développeur profite des idées ou du travail effectué par les utilisateurs, comme dans cet exemple : les utilisateurs peuvent rédiger de nouvelles idées dans une application de prise de notes, qui peuvent ensuite être envoyées sous forme d’événement personnalisé, et les développeurs peuvent en tirer profit de ces idées. Cela peut se produire, car la propriété du contenu n’est généralement pas claire dans la loi.

Si l’identité d’un utilisateur n’est pas protégée, il y a plus de risques ; par exemple, le risque que des informations privées sur les utilisateurs soient rendues publiques sur Internet.

Source: Drew Bentley, Business Intelligence and Analytics. © 2017 Library Press, License CC BY-SA 4.0. Traduction et adaptation: Nicolae Sfetcu. © 2022 MultiMedia Publishing, L’informatique décisionnelle et l’analyse exploratoire des données dans les entreprises, Collection Sciences de l’information

Émotions et intelligence émotionnelle dans les organisations
Émotions et intelligence émotionnelle dans les organisations

Une argumentation pour l’importance dualiste des émotions dans la société, individuellement et au niveau communautaire. La tendance actuelle à la prise de conscience et au contrôle des émotions grâce à l’intelligence émotionnelle a un effet bénéfique dans les affaires et … Lire la suite

non noté 0.00 lei Choix des options Ce produit a plusieurs variations. Les options peuvent être choisies sur la page du produit
La philosophie de la technologie blockchain - Ontologies
La philosophie de la technologie blockchain – Ontologies

De la nécessité et de l’utilité de développer une philosophie spécifique pour la technologie de la blockchain, mettant l’accent sur les aspects ontologiques. Après une Introduction qui met en évidence les principales orientations philosophiques de cette technologie émergente, dans La … Lire la suite

non noté 0.00 lei Choix des options Ce produit a plusieurs variations. Les options peuvent être choisies sur la page du produit
Guide marketing Internet pour les débutants
Guide marketing Internet pour les débutants

L’une des plus anciens guides de marketing Internet, mais aussi l’une des guides les plus concises et pratiques. Bien que de nombreuses années se sont écoulées depuis sa rédaction, les principes de base décrits ici restent valables. Le marketing Internet … Lire la suite

non noté 0.00 lei Choix des options Ce produit a plusieurs variations. Les options peuvent être choisies sur la page du produit

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *