Analytics ( altă greacă άναλυτικά , lit. - „ arta analizei ”) - parte a artei raționamentului - logica , având în vedere doctrina analizei - operația de dezmembrare mentală sau reală a întregului (lucru, proprietate, proces sau relație). între obiecte) în părțile sale constitutive, efectuate în procesul de cunoaștere sau subiect-activitate umană practică [1] .
În sens restrâns ( ing. Analytics ) - o analiză numerică sistematică a datelor pentru a identifica și interpreta modele semnificative [2] . Este folosit în zone care se caracterizează printr-o abundență de informații acumulate. Se bazează pe aplicarea concomitentă a statisticii , programarea calculatoarelor și cercetarea operațională . Analytics este împărțit în descriptiv, diagnostic, predictiv , prescriptiv și cognitiv [3] . Poate fi aplicat în domenii precum marketing, management, finanțe, securitatea informațiilor și software. Pentru prelucrarea datelor mari , algoritmii de analiză folosesc metodele informaticii, statisticii și matematicii [4] .
În secolul al IV-lea î.Hr. , un student al lui Platon , filozoful grec antic Aristotel , în „ Organonul ” său, a numit două dintre binecunoscutele sale lucrări despre logică cuvântul „ Analitică ” („ Prima analiză ” și „ A doua analiză ” [5] ] ), pe măsură ce descompun gândirea logică în cele mai simple elemente și apoi din ele trec la forme complexe de gândire. Fiind fondatorul logicii formale ca știință, Aristotel a numit-o „ analitică ”, în timp ce termenul de „ logică ” a devenit ferm stabilit după moartea sa în secolul al III-lea î.Hr. [6] .
În secolul al XVIII-lea, fondatorul filosofiei clasice germane, Immanuel Kant , a numit „ analitică ” descompunerea abilității cognitive umane.
Analytics este un domeniu interdisciplinar [7] . Uneori este folosit termenul de analiză avansată , folosind tehnici de învățare automată , rețele neuronale și analiză de regresie [8] < [9] . De asemenea, include metode de învățare automată nesupravegheată, cum ar fi analiza clusterului , analiza componentelor principale a profilului de segmentare și analiza asocierii [10] .
Cercetarea demografică, segmentarea clienților, analiza colaborativă și alte metode permit agenților de marketing să utilizeze cantități mari de informații despre cumpărături și date din sondajul clienților pentru a forma o strategie de marketing [11] .
Analiza de marketing constă atât în date calitative, cât și cantitative, structurate și nestructurate, utilizate pentru a lua decizii strategice privind mărcile și veniturile. Acest proces include modelare predictivă, experimente de marketing, automatizare și comunicații în timp real. Astfel de date permit companiilor să facă previziuni și să-și formeze o strategie pentru a obține rezultate maxime [11] .
Analiza web permite marketerilor să colecteze informații despre activitatea site-ului printr-o operațiune numită sesiune . Google Analytics este un exemplu de instrument gratuit de analiză web popular [12] [13] . Cu aceste informații, marketerul poate optimiza campaniile de marketing și arhitectura conținutului site-ului [14] .
Metodele de analiză utilizate în mod obișnuit în marketing includ modelarea mixului de marketing, analiza prețurilor și promovării, optimizarea forței de vânzări și analiza clienților, cum ar fi segmentarea. Analiza web și optimizarea site-urilor web și a campaniilor online completează metodele tradiționale de analiză de marketing.
Această secțiune de analiză este cunoscută și sub denumirea de HR analytics, talent analytics, human capital analytics HRIS (Human resource Information system). Analiza HR este aplicarea analizei la managementul resurselor umane [15] . Analiza resurselor umane a devenit un instrument strategic pentru analizarea și prezicerea tendințelor de resurse umane pe piețele forței de muncă în schimbare. Clasa corespunzătoare de instrumente este cunoscută ca instrumente de analiză a carierei [16] [17] . Sistemele automate de management al personalului sunt de asemenea utilizate pe scară largă . Există o părere că în secolul XXI. a venit „era datelor și a analizei resurselor umane” [18] .
O aplicație comună a business intelligence este analiza portofoliului . De regulă, o bancă sau o agenție de credit are un set de conturi de clienți de valoare și riscuri diferite . Conturile pot diferi în ceea ce privește statutul social al proprietarului, locația geografică, valoarea netă și alți parametri. Creditorul trebuie să echilibreze rentabilitatea împrumutului cu riscul de neplată. Aceasta ridică întrebarea cum să evaluăm portofoliul în ansamblu [19] .
Modelele predictive în industria bancară sunt dezvoltate pentru a oferi evaluări de risc pentru clienții individuali. Scorurile de credit sunt utilizate pe scară largă pentru a evalua bonitatea solicitanților [20] În plus, analiza riscului este utilizată în industria asigurărilor [21] .
Analiza de securitate se referă la tehnologia informației pentru colectarea de informații despre amenințările de securitate pentru a identifica evenimentele care prezintă cel mai mare risc [22] . Produsele din această zonă includ informații de securitate, managementul evenimentelor și analiza comportamentului utilizatorilor.
O atenție deosebită în sarcinile de analiză este acordată analizei datelor mari [23] . În trecut, big data se găsea doar în știință. În prezent, astfel de date apar și în industrie și afaceri [24] [23] .
O altă problemă care atrage atenția analiștilor este analiza tipurilor de date nestructurate . Datele nestructurate diferă de datele structurate prin faptul că formatul acestora variază foarte mult și nu pot fi stocate în baze de date relaționale tradiționale fără o transformare semnificativă [25] . Sursele de date nestructurate, cum ar fi e-mailul, documentele de procesare de text, PDF-urile, datele geospațiale etc. devin rapid o sursă importantă de business intelligence pentru întreprinderi, guverne și universități [26] [27] .
Sarcinile de mai sus au condus la apariția unor noi concepte de analiză a mașinilor, precum procesarea evenimentelor complexe [28] , căutarea full-text etc. Una dintre aceste inovații este utilizarea rețelelor de calculatoare care măresc performanța prin prelucrarea masivă paralelă a datelor [ 29] .
Principalul risc al implementării analizei este discriminarea, cum ar fi discriminarea prin preț sau discriminarea statistică [30] .