분석 능력의 스펙트럼

분석의 세계에는 데이터 수집, 모델링, 인공 지능이 포함됩니다. 비즈니스 분석가에 대한 지식은 경력 과정에서 일련의 기술에서 다른 기술로 옮겨갈 것입니다. 다양한 도구는 다양한 종류의 문제를 해결하기 위한 전문 지식을 제공하며, 다른 회사는 다양한 도메인 및 분석 기능을 사용하는 데 중점을 둡니다. 이 모든 것을 종합하면 스펙트럼에 걸친 분석 능력을 볼 수 있습니다. 그렇다면 그 스펙트럼은 무엇이며 어떻게 중요합니까?

분석 스펙트럼의 현재 지역을 아는 것은 분석 전문가와 분석 회사 모두에게 유용할 수 있습니다. 기업은 제품의 전체 스펙트럼을 다루는 것을 목표로 해야 하지만 분석가는 분석의 마스터가 되기 위해 스펙트럼을 따라 이동하는 것을 목표로 해야 합니다. 이 게시물은 현재 위치와 원하는 위치를 알 수 있도록 다양한 분석 기능을 소개합니다.

어떤 질문을 하고 있습니까?

비즈니스 분석 프로젝트를 시작할 때 종종 비즈니스 문제를 해결하는 맥락에서 시작합니다. 학계와 달리 전문 데이터 과학자는 목표를 염두에 두고 궁극적으로 수익에 기여합니다. 해당 문제에 대한 솔루션은 종종 특정 관련 비즈니스 질문에 대한 답변을 시도합니다. 그리고 각 문제와 프로젝트에 대해 많은 질문을 할 수 있지만 질문 자체는 분석 제공 영역의 다른 영역에 속합니다.

• 얼마나 많이, 얼마나 자주, 언제, 누가 - 및 기타 계산 관련 질문

종종 다양한 컷으로 데이터를 요약하고 집계 하여 데이터를 설명하는 질문이 기술 분석 을 구성합니다. 목표는 이전에 알려진 차원에 대해 데이터가 말하는 내용을 이해하는 것이며 다른 형식(예: 피벗 테이블)의 계산 및 기타 측정항목을 포함하는 작업입니다. 이것은 종종 비즈니스 분석의 시작점이며 수집된 모든 데이터를 이해하기 위한 시도입니다. 대부분의 비즈니스에서 이 작업은 가장 큰 분석 덩어리를 구성하지만 이러한 작업은 종종 자동화되기 때문에 사람이 들인 노력이 클 수도 있고 크지 않을 수도 있습니다.

• 무슨 일이 있었는지, 무엇을 해야 하는지, 기타 이유에 초점을 맞춘 질문

데이터에서 어떤 일이 발생했거나 관찰된 이유를 이해하려는 질문 은 진단 분석 의 다음 수준을 형성합니다. 목표는 관찰된 데이터에 대한 이유를 찾는 것이며 다양한 잠재적 원인에 대한 가설 테스트, 데이터 집계 및 분할을 위한 올바른 차원 찾기, 데이터의 패턴 보기와 관련된 작업입니다. 이러한 문제를 해결하기 위해서는 비즈니스 이해와 기본적인 통계 지식이 중요합니다. 대부분의 분석 작업은 주로 이 스펙트럼 영역에 있습니다.

• What if, Who will, When will, so what, how much if – 및 기타 미래 관련 질문

예측 또는 예측을 시도하는 질문 은 Predictive Analytics 의 영역에 속합니다. 예측된 것은 분석가에 의해 제공되고 데이터는 과거를 기반으로 미래를 모델링하는 패턴에 대해 마이닝됩니다. 많은 전문 분석 회사가 스펙트럼의 이 부분에서 활동합니다. 목표는 다양한 가정 시나리오에서 다양한 수준의 확신으로 미래 결과를 예측하는 것입니다. 기계 학습 방법, 모델링 가정 및 모범 사례, 통계 및 SAS, R, SPSS, Python과 같은 Excel 이외의 도구에 대한 확실한 이해가 거의 항상 필요합니다.

• 무엇이 최선인지, 무엇이 옳은지 - 그리고 질문을 찾는 기타 권장 사항

예측 분석은 다양한 조치에 따라 미래를 엿볼 수 있지만 조치 자체에 대해서는 조언하지 않습니다. Prescriptive Analytics 는 예측을 넘어 모든 제약 조건, 비즈니스 요구 사항 및 목표를 전체적으로 살펴보는 여러 엔터티에 대한 최상의 조치를 권장 합니다. 이 분석 능력 영역에서는 최적화 및 의사 결정 알고리즘/도구에 대한 지식이 중요해집니다. 아주 틈새 조직과 기업만이 처방적 분석을 제공하고 사용할 수 있습니다.

• 무엇을 가질 수 있었는지, 무엇을 말하세요 – 그리고 질문을 찾는 기타 조치

분석의 마지막이자 성배를 선제 분석 이라고 합니다. 사후 에 문제를 해결하려는 예측 및 처방 분석과 달리 Pre-emptive Analytics는 비즈니스와 고객의 모든 영역을 주시하고 문제가 나타나기 전에 문제를 지속적으로 예측하고 해결합니다. 제한된 인간 개입으로 전체 시스템에 통합된 데이터, 피드백 루프 및 인공 지능이 완전히 통합되어야 하기 때문에 이 범위에서 실제로 운영한다고 주장할 수 있는 조직은 거의 없습니다.

누구를 위해 일하고 있습니까?

분석 스펙트럼에 반영된 분석 기능의 발전과는 별도로 귀하의 기술에 영향을 미치는 다른 직교 차원은 다음과 같습니다. 귀하의 고객은 누구입니까? 종종 분석 회사는 다른 회사에 서비스를 제공하는 타사 분석 회사와 회사 내의 다른 부서에 서비스를 제공하는 종속 분석 회사로 분류할 수 있습니다. 전자는 종종 더 다양한 작업을 수행하지만 여전히 팀 전문화가 있을 수 있습니다. 나중에 도메인 전문 지식에 대한 더 많은 기회를 제공할 수 있습니다.

다른 방식으로 고객이 분석 기능에 영향을 미치는 것은 올바른 질문 세트를 제시하는 것입니다. 대부분 분석을 처음 접하는 일부 고객은 의사 결정을 내리는 데 복잡한 "블랙박스" 모델을 신뢰하는 것이 불편하다고 느끼는 반면, 대부분 과거에 분석의 혜택을 받은 고객은 새롭고 직관적인 아이디어에 더 개방적일 수 있습니다.

당신은 이것을 다시(그리고 또) 하고 있습니까?

마지막으로 일부 팀은 다른 고객에게 계속해서 유사한 분석 솔루션을 제공하는 데 집중하고 다른 팀은 다른 유형의 솔루션을 제공하는 데 중점을 둡니다.

첫 번째 유형의 팀은 문제 해결에 깊이 관여하고, 종종 프로젝트 수행을 위한 세부 프로세스와 체크리스트를 갖고, 사전 분석에 막대한 투자를 하고, 일반적으로 맞춤형 도구와 부분적으로 또는 완전히 자동화된 분석 개발을 사용합니다. 이러한 종류의 프로젝트에서 작업하는 분석가는 해당 영역의 마스터가 될 것으로 기대할 수 있습니다. 그러나 실제로는 각 프로젝트가 다르고 기민한 분석가가 배울 기회를 찾을 수 있지만 여기에는 약간의 단조로움이 동반될 수 있습니다.

두 번째 유형의 팀은 작업이 더 유연하고 다양하여 지루함을 완화하지만 다른 문제를 해결하고, 다른 데이터 구조를 탐색하고, 더 많은 사용자 지정 작업을 수행하고, 데이터 탐색을 수행해야 하는 문제가 발생합니다. 종종 이러한 팀에서 일하는 분석가는 다양한 비즈니스 영역과 하위 영역에 더 광범위하게 노출되지만 깊이와 비즈니스 지식은 제한적일 수 있습니다.

세계가 빅 ​​데이터, 인공 지능 및 사물 인터넷으로 이동함에 따라 분석 스펙트럼의 고급 수준에서 일하는 노련한 분석 전문가에 대한 필요성은 역사상 가장 높은 수준으로 남아 있습니다.