Effektiv forretningsintelligens og kvalitativ dataanalyse. business intelligence

Alle sammen stor virksomhet og de fleste mellomstore strukturer står overfor problemet med å gi ledelsen unøyaktige data om selskapets tilstand. Årsakene kan være forskjellige, men konsekvensene er alltid de samme - feil eller utidige beslutninger som negativt påvirker effektiviteten av finansielle transaksjoner. For å unngå slike situasjoner er et profesjonelt business intelligence- eller BI-system utviklet ( fra engelsk. - business intelligence ). Disse høyteknologiske "assistentene" bidrar til å bygge et system for ledelseskontroll av alle aspekter i virksomheten.

I kjernen er BI-systemer avanserte analytiske programvare for forretningsanalyse og rapportering. Disse programmene kan bruke data fra ulike informasjonskilder og gi dem i en praktisk form og seksjon. Som et resultat får ledelsen rask tilgang til fullstendig og gjennomsiktig informasjon om tilstanden til selskapet. Et trekk ved rapportene innhentet ved hjelp av BI er lederens evne til selvstendig å velge i hvilken kontekst de skal innhente informasjon.

Moderne Business Intelligence-systemer er multifunksjonelle. Det er derfor i store selskaper de erstatter gradvis andre måter å innhente virksomhetsrapportering på. Deres hovedfunksjoner inkluderer:

• Tilkoblinger til ulike databaser, spesielt til;
• Utforming av rapporter av varierende kompleksitet, struktur, type og layout i høy hastighet. Det er også mulig å sette en tidsplan for generering av rapporter på en tidsplan uten direkte deltakelse og datadistribusjon;
• Transparent arbeid med data;
• Sikre en klar kobling mellom informasjon fra ulike kilder;
• Fleksibel og intuitiv konfigurasjon av tilgangsrettigheter for ansatte i systemet;
• Lagre data i hvilket som helst format som er praktisk for deg - PDF, Excel, HTML og mange andre.

Mulighetene til informasjonssystemer for business intelligence gjør at lederen ikke er avhengig av IT-avdelingen eller hans assistenter for å sende inn nødvendig informasjon. Det er også en flott mulighet til å demonstrere riktig retning for beslutningene dine, ikke med ord, men med nøyaktige tall. Mange store nettverksselskaper i Vesten har brukt BI-systemer i lang tid, inkludert verdenskjente Amazon, Yahoo, Wall-Mart, etc. De ovennevnte selskapene bruker anstendige penger på business intelligence, men de implementerte BI-systemene bringer uvurderlige fordeler.

Fordelene med profesjonelle business intelligence-systemer er basert på prinsipper som støttes i alle avanserte BI-applikasjoner:

1. synlighet. Hovedgrensesnittet til enhver programvare for forretningsanalyse bør gjenspeile nøkkeltall. Takket være dette vil lederen raskt kunne vurdere situasjonen i bedriften og begynne å gjøre noe om nødvendig;
2. Tilpasning. Hver bruker skal kunne tilpasse grensesnittet og funksjonstastene på den mest praktiske måten for seg selv;
3. Lagdeling. Hvert datasett bør ha flere kutt (lag) for å gi detaljene til informasjonen som er nødvendig på et bestemt nivå;
4. Interaktivitet. Brukere skal kunne samle informasjon fra alle kilder og i flere retninger samtidig. Det er nødvendig at systemet har funksjonen til å stille inn varsler etter nøkkelparametere;
5. Multithreading og tilgangskontroll. BI-systemet skal kunne implementere samtidig arbeid av et stort antall brukere med mulighet til å sette ulike tilgangsnivåer for dem.

Hele IT-miljøet er enige om det Informasjonssystemer business intelligence er en av lovende områder industriutvikling. Imidlertid er implementeringen ofte hemmet av tekniske og psykologiske barrierer, ukoordinert arbeid fra ledere og mangel på foreskrevne ansvarsområder.

Når man vurderer implementering av klasse BI-systemer, er det viktig å huske at suksessen til prosjektet i stor grad vil avhenge av holdningen til bedriftens ansatte til innovasjonen. Dette gjelder alle IT-produkter: Skepsis og frykt for nedbemanning kan hindre all implementeringsarbeid. Derfor er det svært viktig å forstå hvordan business intelligence-systemet får fremtidige brukere til å føle seg. Den ideelle situasjonen vil være når bedriftens ansatte vil behandle systemet som en assistent og et verktøy for å forbedre arbeidet.

Før du starter et prosjekt for å introdusere BI-teknologi, er det nødvendig å gjennomføre en grundig analyse av selskapets forretningsprosesser og prinsippene for ledelsesmessige beslutninger. Det er tross alt disse dataene som skal være involvert i analysen av situasjonen i selskapet. Det vil også bidra til å velge et BI-system sammen med andre hovedkriterier:

1. Mål og mål for implementering av BI-systemer;
2. Krav til datalagring og evnen til å operere med dem;
3. Dataintegrasjonsfunksjoner. Uten å bruke data fra alle kilder i virksomheten vil ikke ledelsen kunne få et helhetlig bilde av tingenes tilstand;
4. Visualiseringsmuligheter. For hver person ser den ideelle BI-analysen annerledes ut, og systemet må møte behovene til hver bruker;
5. Universalitet eller snever spesialisering. I verden finnes det systemer rettet mot en viss bransje, og universelle løsninger, tillate å samle informasjon i enhver sammenheng;
6. Krav til ressurser og pris for programvare. Valget av et BI-system, som all programvare, avhenger av selskapets evner.

Kriteriene ovenfor vil hjelpe ledelsen med å ta et informert valg blant de mange kjente business intelligence-systemer. Det finnes andre parametere (for eksempel datalagringsstruktur, webarkitektur), men de krever ferdigheter innen snevre IT-områder.

Det er ikke nok bare å ta et valg, kjøpe programvare, installere og konfigurere den. Vellykket implementering av BI-systemer uansett retning er basert på følgende regler:

• Datariktighet. Hvis dataene for analyse er feil, er det en mulighet for en alvorlig systemfeil;
• Full opplæring for hver bruker;
• Rask implementering. Det er nødvendig å fokusere på riktig utforming av nødvendige rapporter på alle nøkkelsteder, og ikke på den ideelle tjenesten for én bruker. Justere utseende rapportere eller legge til en annen seksjon for enkelhets skyld, kan du alltid etter implementering;
• Forstå avkastningen på investeringen i ditt BI-system. Effekten avhenger av mange faktorer og er i noen tilfeller synlig først etter noen måneder;
• Utstyr må være designet ikke bare for nåværende situasjon men også for nær fremtid;
• Forstå hvorfor BI-implementeringen ble startet, og ikke krev det umulige fra programvaren.

I følge statistikk er kun 30 % av bedriftslederne fornøyde med implementeringen av BI-systemer. I løpet av de lange årene med eksistensen av programvare for forretningsanalyse, har eksperter formulert 9 sentrale feil, som kan redusere effektiviteten til et minimum:

1. Ikke-opplagthet av formålet med implementering for ledelsen. Ofte lages prosjektet av IT-avdelingen uten nær medvirkning fra ledere. I de fleste tilfeller, i prosessen med implementering og drift, oppstår det spørsmål angående formålet og målene for BI-systemet, fordelene og brukervennligheten;
2. Mangel på åpenhet i ledelse, ansattes arbeid og beslutningstaking. Ledere vet kanskje ikke hvordan ansatte jobber i feltet, og ledelsesbeslutninger kan aksepteres ikke bare på grunnlag av tørre fakta. Dette vil føre til at det ikke er mulig å opprettholde det eksisterende paradigmet som følge av implementeringen av BI-systemet. Og bryter ofte kulturen som har utviklet seg gjennom årene eierstyring og selskapsledelse umulig;
3. Utilstrekkelig pålitelighet av data. Det er uakseptabelt at falsk informasjon kommer inn i forretningsanalysesystemet, ellers vil ansatte ikke kunne stole på den og bruke den;
4. Feil valg av et profesjonelt business intelligence-system. Mange eksempler i historien når ledelsen ansetter en tredjepartsorganisasjon for å implementere et BI-system og ikke tar del i utvalget taler for seg selv. Som et resultat blir det introdusert et system som ikke tillater innhenting av den nødvendige rapporten eller som det er umulig å integrere en av de eksisterende programvarene i selskapet med;
5. Mangel på en plan for fremtiden. Det særegne med BI-systemer er at det ikke er statisk programvare. Det er umulig å fullføre et implementeringsprosjekt og ikke tenke på det. Det er mange krav fra brukere og ledelse når det gjelder forbedringer;
6. Overføring av BI-systemet til en tredjepartsorganisasjon for support. Som praksis viser, fører slike situasjoner oftest til isolering av produktet og isolering av systemet fra den virkelige tilstanden. Egen støttetjeneste reagerer mye raskere og mer effektivt på brukertilbakemeldinger og ledelseskrav;
7. Ønske om å spare. I næringslivet er dette normalt, men BI-analyse fungerer kun hvis den tar hensyn til alle aspekter ved virksomhetens aktiviteter. Derfor er dype analytiske systemer med høye kostnader de mest effektive. Ønsket om å motta flere rapporter om interesseområder fører til vanlige feil i data og stor avhengighet av kvalifikasjonene til IT-spesialister;
8. Ulik terminologi i selskapet. Det er viktig at alle brukere forstår de grunnleggende begrepene og deres betydning. En enkel misforståelse kan føre til feiltolkning av BI-systemets rapporter og indikatorer;
9. Mangel på en enhetlig strategi for forretningsanalyse i bedriften. Uten et enkelt kurs valgt for alle ansatte, vil ethvert BI-klassesystem bare være et sett med ulike rapporter som oppfyller kravene til individuelle ledere.

Implementering av BI-systemer - viktig skritt for å bidra til å ta bedriften din til neste nivå. Men dette vil kreve ikke bare en ganske stor tilførsel av økonomi, men også tiden og innsatsen til hver ansatt i selskapet. Ikke alle bedrifter er klare til å fullføre prosjektet med å implementere et forretningsanalysesystem.

(Business Intelligence).

Som foredragsholdere på seminaret inviteres unge fagfolk som lager suksessfull karriere analytikere i høyteknologiske selskaper som Microsoft, IBM, Google, Yandex, MTS osv. På hvert seminar blir studentene fortalt om noen forretningsoppgaver som løses i disse selskapene, om hvordan data akkumuleres, hvordan analyseoppgaver oppstår data og hvordan de kan løses.

Alle inviterte spesialister er åpne for kontakter, og studentene vil kunne kontakte dem for råd.

Seminarets mål:

• bidra til å bygge bro over det eksisterende gapet mellom universitetsforskning og beslutningstaking praktiske oppgaver innen dataanalyse;
• fremme erfaringsutveksling mellom nåværende og fremtidige fagfolk.

Seminarprogram

Små bedrifter i CIS-landene bruker ennå ikke dataanalyse for forretningsutvikling, bestemme korrelasjoner, søker etter skjulte mønstre: gründere nøyer seg med rapporter fra markedsførere og regnskapsførere. Lederne i små og delvis mellomstore bedrifter stoler mer på sin intuisjon enn på analyser. Men samtidig har analyse et enormt potensial: det hjelper til å redusere kostnader og øke fortjenesten, ta beslutninger raskere og mer objektivt, optimalisere prosesser, bedre forstå kunder og forbedre produktet.

En regnskapsfører vil ikke erstatte en analytiker

Småbedriftsledere antar ofte at markedsførings- og regnskapsrapporter er en ganske nøyaktig representasjon av et selskaps ytelse. Men på grunnlag av tørr statistikk er det svært vanskelig å ta en beslutning, og en feil i beregninger uten spesialisert utdanning er uunngåelig.

Case 1. Etteranalyse av salgsfremmende kampanjer. Ved nyttår kunngjorde gründeren en kampanje der visse varer ble tilbudt med rabatt. Etter å ha evaluert inntektene for nyttårsperioden, så han hvordan salget økte, og var fornøyd med sin oppfinnsomhet. Men la oss ta hensyn til alle faktorene:

• Salget er spesielt sterkt på fredag, dagen da inntektene er maksimale – dette er en ukentlig trend.
• Sammenlignet med salgsvekst som vanligvis skjer under Nyttår, da er ikke gevinsten så stor.
• Siler du ut kampanjeartikler, viser det seg at salgstallene har blitt dårligere.

Case 2. Studie av omsetning. I butikken kvinne Klær vanskeligheter med logistikk: varene i noen varehus er mangelvare, og i andre ligger de i flere måneder. Hvordan bestemme, uten å analysere salg, hvor mange bukser du skal ta med til en region, og hvor mange strøk du skal sende til en annen, mens du får maksimal fortjeneste? For å gjøre dette må du beregne omsetningen, forholdet mellom salgshastigheten og gjennomsnittlig beholdning for en viss periode. For å si det enkelt er omsetningen en indikator på hvor mange dager butikken vil selge varene, hvor raskt gjennomsnittslageret selges, hvor raskt varene betaler seg. Det er økonomisk ulønnsomt å lagre store reserver, da dette fryser kapital og bremser utviklingen. Reduseres beholdningen kan det bli mangel, og selskapet vil igjen tape overskudd. Hvor du finner gylne snitt, forholdet der produktet ikke stagnerer på lageret, og samtidig kan du gi en viss garanti for at kunden finner riktig enhet i butikken? For å gjøre dette, bør analytikeren hjelpe deg med å finne ut:

• ønsket omsetning,
• omsetningsdynamikk.

Ved oppgjør med leverandører med forsinkelse må du også beregne forholdet mellom kredittgrense og omsetning. Omsetning i dager = Gjennomsnitt inventar* antall dager / Omsetning for denne perioden.

Beregning av sortimentsaldo og totalomsetning i butikk bidrar til å forstå hvor det er nødvendig å flytte deler av varene. Det er også verdt å beregne hvilken omsetning hver enhet i sortimentet har for å ta en beslutning: nedjustering med redusert etterspørsel, ombestilling med økt etterspørsel, flytting til et annet lager. Etter kategori kan du lage en rapport om omsetning i dette skjemaet. Det kan sees at T-skjorter og gensere selges raskere, men kåper selges lenge. Kan en vanlig regnskapsfører gjøre denne jobben? Vi tviler. Samtidig kan regelmessig beregning av omsetning og anvendelse av resultatene øke fortjenesten med 8-10%.

På hvilke områder er dataanalyse anvendelig?

1. Salg. Det er viktig å forstå hvorfor salget går bra (eller dårlig), hva er dynamikken. For å løse dette problemet er det nødvendig å undersøke faktorene som påvirker fortjeneste og inntekter - for eksempel å analysere lengden på kvitteringen og inntekten per kunde. Slike faktorer kan undersøkes av varegrupper, årstider, butikker. Du kan identifisere salgstopper og groper ved å analysere returer, kanselleringer og andre transaksjoner.
2. Finansiere. Overvåking av indikatorer er nødvendig for enhver finansmann for å overvåke kontantstrøm og fordele eiendeler på tvers av ulike forretningsområder. Dette bidrar til å evaluere effektiviteten av beskatning og andre parametere.
3. Markedsføring. Ethvert markedsføringsselskap trenger prognoser og etteranalyse av aksjer. På stadiet med å utvikle ideen er det nødvendig å bestemme varegruppene (kontroll og mål) som vi lager et tilbud for. Dette er også en jobb for en dataanalytiker, siden en vanlig markedsfører ikke har nødvendige verktøy og ferdigheter for god analyse. kontrollgruppe mengden av inntekter og antall kjøpere er like større i forhold til målet - handlingen fungerte ikke. For å bestemme dette er det nødvendig med intervallanalyse.
4. Kontroll.Å ha lederegenskaper er ikke nok for en bedriftsleder. Kvantitative estimater i alle fall er personellarbeidet nødvendig for den kompetente ledelsen av foretaket. Det er viktig å forstå effektiviteten av lønnsfondstyring, forholdet mellom lønn og salg, samt effektiviteten til prosesser - for eksempel arbeidsmengden til kassedisker eller ansettelse av lastere i løpet av dagen. Dette bidrar til å fordele arbeidstiden riktig.
5. Nettanalyse. Siden må promoteres skikkelig slik at den blir en salgskanal, og dette krever riktig promoteringsstrategi. Det er her nettanalyse kan hjelpe deg. Hvordan bruke det? For å studere atferd, alder, kjønn og andre egenskaper til kunder, aktivitet på bestemte sider, klikk, trafikkkanal, e-postytelse osv. Dette vil bidra til å forbedre virksomheten og nettstedet.
6. Sortimentsstyring. ABC-analyse er avgjørende for sortimentsstyring. Analytikeren må klassifisere produktet etter egenskaper for å kunne gjennomføre denne typen analyser og forstå hvilket produkt som er mest lønnsomt, hvilket er grunnlaget og hvilket som bør forkastes. For å forstå stabiliteten i salget er det greit å gjennomføre en XYZ-analyse.
7. Logistikk. Mer forståelse om innkjøp, varer, deres lagring og tilgjengelighet vil bli gitt ved studiet av logistikkindikatorer. Tap og behov for varer, inventar er også viktig å forstå for vellykket bedriftsledelse.

Disse eksemplene viser hvor kraftig dataanalyse er, selv for små bedrifter. En erfaren direktør vil øke selskapets fortjeneste og dra nytte av de mest ubetydelige dataene, ved å bruke dataanalysen riktig, og visuelle rapporter vil i stor grad forenkle arbeidet til en leder.

Business intelligence og dataanalyse. Effektiv rådgivning er det som er nødvendig for kvalitativ utvikling av enhver virksomhet. Løse eksisterende problemer og kriser, forhindre potensielle, finne måter å øke fortjenesten og effektiviteten generelt: alt dette gir deg kvalitetsrådgivning.

Konsulentprosessen er kompleks, flertrinns, multi-nivå, det er ingen klar og universell tilnærming til absolutt enhver virksomhet: forretningskonteksten, dens nisje, bransje, målgruppe, funksjoner og mye mer: alt dette påvirker hvordan forretningsprosesser vil bli diagnostisert. Naturligvis innledes det siste stadiet av rådgivning av mange andre forhåndsprosesser, som å forberede en oppgave, beskrive forretningsprosesser, forretningsanalyse, diagnostisere infrastrukturen generelt og IT-infrastrukturen til organisasjonen, spesielt data analyseres, og basert på dette lages en rekke anbefalinger. . Jeg må si at det er forretningsanalyse og dataanalyse som er de viktigste stadiene i konsulentprosessen, de fører til de riktige konklusjonene, det er på grunnlag av en slik analyse at eventuelle anbefalinger kommer.

Dataanalyse og forretningsanalyse: hvordan implementere?

Kvalitativ analyse, i dette tilfellet, kan ikke klare seg uten tilstedeværelsen av noen kvantitative beregninger. Det vil si at det er svært ønskelig at en slags automatisering blir introdusert i virksomhetens arbeid - forretningsprosesser, relasjoner med kunder, leverandører, mellommenn, slik at dokumentflyt og alle andre prosesser også automatiseres. Det er med en kvalitativ redegjørelse for alle prosesser som skjer i virksomheten at rapportering og videre analyser blir i stor grad tilrettelagt.

Hvordan kan du automatisere dokumentflyt, kundebehandling og legge til rette for rapportering?

Det beste alternativet ville være eksklusiv programvare designet for å utføre mange oppgaver - fra FB Consult. Du tilbys kundeadministrasjonssystemer av høy kvalitet - ulike typer CRM, designet for ulike forretningssektorer, en effektiv dokumenthåndteringsløsning - DocsVision, samt programvare egnet for forretningsanalyse og dataanalyse, inkludert - og for å identifisere tvilsomme økonomiske transaksjoner - QlikView . Implementeringen av slike løsninger vil øke effektiviteten til virksomheten din betydelig.

Rimelig arbeid med Big Data ved hjelp av visuell analyse

Forbedre forretningsintelligens og løs rutineoppgaver ved å bruke informasjonen skjult i Big Data ved å bruke TIBCO Spotfire-plattformen. Det er den eneste plattformen som gir forretningsbrukere et intuitivt, brukervennlig brukergrensesnitt som lar dem bruke hele spekteret av Big Data-analyseteknologier uten behov for IT-fagfolk eller spesialundervisning.

Spotfire-grensesnittet gjør det like praktisk å jobbe med både små datasett og multi-terabyte-klynger med store data: sensoravlesninger, informasjon fra sosiale nettverk, salgssteder eller geolokaliseringskilder. Brukere på alle ferdighetsnivåer får enkelt tilgang til rike instrumentbord og analytiske arbeidsflyter ved å bruke visualiseringer, som er grafiske representasjoner av aggregeringen av milliarder av datapunkter.

Prediktiv analyse er læring ved å gjøre basert på delt bedriftserfaring for å ta bedre informerte beslutninger. Ved å bruke Spotfire Predictive Analytics kan du oppdage nye markedstrender fra din business intelligence-innsikt og iverksette tiltak for å redusere risiko for å forbedre ledelsesbeslutninger.

Anmeldelse

Koble til Big Data for høyytelsesanalyse

Spotfire tilbyr tre hovedtyper av analyser med sømløs integrasjon med Hadoop og andre store datakilder:

1. Datavisualisering på forespørsel (On-Demand Analytics): innebygde, brukerkonfigurerbare datakoblinger som forenkler superrask, interaktiv datavisualisering
2. Analyse i databasen (In-Database Analytics): integrasjon med den distribuerte dataplattformen, som lar deg gjøre databeregninger av enhver kompleksitet basert på big data.
3. In-Memory Analytics: Integrasjon med en statistisk analyseplattform som henter data direkte fra enhver datakilde, inkludert tradisjonelle og nye datakilder.

Sammen representerer disse integrasjonsmetodene en kraftig kombinasjon av visuell utforskning og avansert analyse.
Den lar bedriftsbrukere få tilgang til, kombinere og analysere data fra enhver datakilde med kraftige, brukervennlige dashbord og arbeidsflyter.

Store datakoblinger

Spotfire Big Data Connectors støtter alle typer datatilgang: In-datasource, In-memory og On-Demand. Innebygde Spotfire-datakontakter inkluderer:

• Sertifiserte Hadoop-datakoblinger for Apache Hive, Apache Spark SQL, Cloudera Hive, Cloudera Impala, Databricks Cloud, Hortonworks, MapR Drill og Pivotal HAWQ
• Andre sertifiserte stordatakoblinger inkluderer Teradata, Teradata Aster og Netezza
• Koblinger for historiske og aktuelle data fra kilder som OSI PI berøringssensorer

Distribuert databehandling i datakilden

I tillegg til Spotfires praktiske visuelle utvalg av operasjoner for SQL-spørringer som får tilgang til data distribuert på tvers av datakilder, kan Spotfire lage statistiske og maskinlæringsalgoritmer som opererer innenfor datakilder og returnerer kun de nødvendige resultatene for å lage visualiseringer i Spotfire-systemet.

• Brukere arbeider med dashbord med visuell utvalgsfunksjonalitet som får tilgang til skript ved å bruke de innebygde funksjonene i TERR-språket,
• TERR-skript påkaller distribuert databehandlingsfunksjonalitet i forbindelse med Map/Reduce, H2O, SparkR eller Fuzzy Logix,
• Disse applikasjonene får i sin tur tilgang til systemer med høy effektivitet som Hadoop eller andre datakilder,
• TERR kan distribueres som en avansert analysemotor på Hadoop-noder som administreres med MapReduce eller Spark. TERR-språket kan også brukes for Teradata-datanoder.
• Resultatene er visualisert på Spotfire.

TERR for avansert analyse

TIBCO Enterprise Runtime for R (TERR) - TERR er en statistisk pakke bedriftsnivå, som ble utviklet av TIBCO for å være fullt kompatibel med R-språket, og implementerer selskapets mange års erfaring i det analytiske systemet knyttet til S+. Dette lar kundene fortsette å utvikle applikasjoner og modeller, ikke bare ved å bruke åpen kildekode R, men også å integrere og distribuere R-koden sin på en kommersielt pålitelig plattform uten å måtte skrive om koden. TERR har høyere effektivitet og pålitelig minneadministrasjon, gir mer høy hastighet behandle data på store volumer sammenlignet med R-språket med åpen kildekode.

Kombinere all funksjonalitet

Kombinerer de nevnte kraftige funksjonalitet betyr at selv for de mest komplekse oppgavene som krever svært pålitelige analyser, samhandler brukerne med enkle og brukervennlige interaktive arbeidsflyter. Dette lar bedriftsbrukere visualisere og analysere data, og dele analyseresultater, uten å måtte kjenne til detaljene i dataarkitekturen som ligger til grunn for forretningsintelligens.

Eksempel: Spotfire-grensesnitt for å konfigurere, kjøre og visualisere resultatene av en modell som karakteriserer tapt last. Gjennom dette grensesnittet kan forretningsbrukere utføre beregninger ved hjelp av TERR og H2O (et distribuert databehandlingsrammeverk) på transaksjons- og forsendelsesdata lagret i Hadoop-klynger.

Analytisk plass for store data

Avansert og prediktiv analyse

Brukere bruker Spotfires visuelle utvalg dashboards for å lansere et rikt sett med avanserte funksjoner som gjør det enkelt å lage spådommer, bygge modeller og optimalisere dem på farten. Ved å bruke big data kan analyser gjøres inne i datakilden (In-Datasource), og returnerer bare den aggregerte informasjonen og resultatene som trengs for å lage visualiseringer på Spotfire-plattformen.

Maskinlæring

Et bredt spekter av maskinlæringsverktøy er tilgjengelig i Spotfires liste over innebygde funksjoner som kan brukes med et enkelt klikk. Statistikere har tilgang til programkoden skrevet på R-språket og kan utvide funksjonaliteten som brukes. Maskinlæringsfunksjonalitet kan deles med andre brukere for enkel gjenbruk.

Tilgjengelig følgende metoder maskinlæring for kontinuerlige kategoriske variabler på Spotfire og på TERR:

• Lineær og logistisk regresjon
• Beslutningstrær, tilfeldig skogalgoritme, gradientforsterkende maskiner (GBM)
• Generaliserte lineære (additive) modeller ( Generaliserte additivmodeller)
• Nevrale nettverk

Innholdsanalyse

Spotfire gir analyser og datavisualisering, hvorav mye ikke har blitt brukt før - det er ustrukturert tekst som lagres i kilder som dokumenter, rapporter, notater CRM-systemer, nettstedslogger, publikasjoner i sosiale nettverk og mye mer.

Stedsanalyse

Lagdelte kart høy oppløsning er en fin måte å visualisere big data på. Spotfires rike kartfunksjonalitet lar deg lage kart med så mange referanse- og funksjonslag du trenger. Spotfire gir deg også muligheten til å bruke sofistikert analyse mens du arbeider med kart. I tillegg til geografiske kart, lager systemet kart for å visualisere brukeratferd, lager, produksjon, råvarer og mange andre indikatorer.