Trang chủ / Python / Phân tích kinh doanh và Python

Phân tích kinh doanh và Python

Phân tích kinh doanh (Business Analytics) là việc giải quyết các bài toán của doanh nghiệp đang gặp phải dựa vào yêu cầu đầu vào giữa các bên liên quan và giải pháp được đưa ra nhằm giải quyết các vấn đề đang gặp phải (Power et al., 2018). Giá trị thu được từ phân tích sẽ giúp cho doanh nghiệp vận hành tốt hơn, từ tiết kiệm chi phí đến tăng doanh thu (Isson & Harriott, 2012). Các ví dụ trong tiếp thị và quản lý mối quan hệ khách hàng chiếm ưu thế trong tài liệu nghiên cứu về phân tích kinh doanh. Ví dụ, Capital One đã sử dụng phân tích để phát triển cơ sở khách hàng và tăng khả năng khách hàng thanh toán hóa đơn; do đó, họ đã thực hiện hơn 30.000 thí nghiệm mỗi năm thông qua sử dụng các biện pháp khuyến khích khác nhau để tìm ra chiến lược tốt nhất (Davenport, 2006). SearsHoldings đã sử dụng các cụm dữ liệu để giảm thời gian tạo các chương trình khuyến mại mới từ tám tuần xuống còn một tuần. Các chương trình khuyến mãi mới thậm chí còn tốt hơn các chương trình trước đó vì chúng được cá nhân hóa hơn và nhắm mục tiêu đến người tiêu dùng cá nhân (McAfee et al., 2012). Netflix, công ty đầu tiên áp dụng phân tích, đã phát động một cuộc thi trị giá hàng triệu đô la cho bất kỳ ai có thể cải thiện hiệu suất đề xuất phim lên 10%; hai trong số các đội hàng đầu đã kết hợp nỗ lực để cuối cùng giành được giải thưởng với mức cải thiện 10,06% (MacMillan, 2009). Cơ hội phân tích không dành riêng cho các bộ phận tiếp thị, mà còn được sử dụng trong phân tích nhân tài ở lĩnh vực quản trị nguồn nhân lực. Các công ty đang sử dụng phân tích để giúp họ cải thiện mọi thứ, từ việc thu hút nhân tài mới đến việc đưa ra các quyết định về nhân sự và đánh giá hiệu suất (Davenport et al., 2010). Phân tích vị trí cũng đang được quan tâm. Các công ty đang tích hợp hệ thống thông tin địa lý (GIS) với các nguồn dữ liệu khác để có được những hiểu biết mới về hoạt động kinh doanh của họ. Các chủ ngân hàng đang sử dụng phân tích vị trí để xem xét các hộ gia đình và cách họ so sánh với hàng xóm của họ (Ferguson, 2012).

Theo truyền thống, dữ liệu mà nhà nghiên cứu có chủ yếu có cấu trúc và kích thước nhỏ, có thể được phân tích bằng cách sử dụng các công cụ BI đơn giản. Ngày nay hầu hết dữ liệu là không có cấu trúc hoặc bán cấu trúc (Yousaf et al., 2018). Xu hướng dữ liệu cho thấy rằng vào năm 2020, hơn 80% dữ liệu sẽ không có cấu trúc (Ma & Sun, 2020). Dữ liệu này được tạo từ các nguồn khác nhau như nhật ký tài chính, tệp văn bản, biểu mẫu đa phương tiện, cảm biến và công cụ. Các công cụ BI đơn giản không có khả năng xử lý khối lượng lớn và nhiều loại dữ liệu này. Đây là lý do tại sao nhà nghiên cứu cần các công cụ và thuật toán phân tích phức tạp cũng như nâng cao hơn để xử lý, phân tích và rút ra những hiểu biết có ý nghĩa (Martinez-Mosquera et al., 2020).

Cho dù là thống kê, khoa học dữ liệu, máy học hay trí tuệ nhân tạo, việc học các mô hình từ dữ liệu đang biến đổi thế giới. Gần như mọi ngành công nghiệp có thể tưởng tượng đều đã được máy học (Ferguson, 2012). Tiến bộ tổng hợp của cả cải tiến phần cứng và phần mềm đang thúc đẩy những tiến bộ nhanh chóng trong lĩnh vực này, mặc dù phần lớn mọi người tập trung chú ý vào phần mềm. Trong khi nhiều ngôn ngữ được sử dụng cho học máy, bao gồm R, C / C ++, Fortran và Go, Python đã được chứng minh là phổ biến đáng kể (Zhang et al., 2019). Điều này một phần lớn là nhờ vào scikit-learning, giúp dễ dàng không chỉ đào tạo một loạt các mô hình khác nhau mà còn thiết kế các tính năng, đánh giá chất lượng mô hình và cho điểm dữ liệu mới (Alkan & Isik, 2019). Dự án scikit-learning đã nhanh chóng trở thành một trong những thư viện phần mềm quan trọng và mạnh mẽ nhất của Python. Trong khi các khái niệm toán học nâng cao làm nền tảng cho việc học máy, hoàn toàn có thể đào tạo các mô hình phức tạp mà không có kiến ​​thức nền tảng sâu về giải tích và đại số ma trận (Mullainathan & Spiess, 2017). Đối với nhiều người, tham gia vào học máy thông qua lập trình, thay vì toán học, là một mục tiêu dễ đạt được hơn. Trong đó, xử lý dữ liệu thống kê để tạo ra các kết quả nhằm phục vụ việc ra quyết định cho nhà quản trị là điều cần thiết .

Tài liệu tham khảo

Alkan, C. B., & Isik, Z. (2019). Characterization of Cancer Types by Applying Machine Learning Methods on Blood RNA-Sequencing Data. Paper presented at the 2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT).

Davenport, T. H. (2006). Competing on analytics. Harvard Business Review, 84(1), 98.

Davenport, T. H., Harris, J., & Shapiro, J. (2010). Competing on talent analytics. Harvard Business Review, 88(10), 52-58.

Ferguson, R. (2012). Learning analytics: drivers, developments and challenges. International Journal of Technology Enhanced Learning, 4(5-6), 304-317.

Isson, J.-P., & Harriott, J. (2012). Win with advanced business analytics: Creating business value from your data (Vol. 62): John Wiley & Sons.

Ma, L., & Sun, B. (2020). Machine learning and AI in marketing–Connecting computing power to human insights. International Journal of Research in Marketing, 37(3), 481-504.

MacMillan, D. (2009). Netflix, AT&T are Real Winners of Netflix Prize. Retrieved from https://www.bloomberg.com/news/articles/2009-09-20/netflix-at-and-t-are-real-winners-of-netflix-prize

Martinez-Mosquera, D., Navarrete, R., & Lujan-Mora, S. (2020). Modeling and management big data in databases—A systematic literature review. Sustainability, 12(2), 634.

McAfee, A., Brynjolfsson, E., Davenport, T. H., Patil, D., & Barton, D. (2012). Big data: the management revolution. Harvard Business Review, 90(10), 60-68.

Mullainathan, S., & Spiess, J. (2017). Machine learning: an applied econometric approach. Journal of Economic Perspectives, 31(2), 87-106.

Power, D., Heavin, C., McDermott, J., & Daly, M. (2018). Defining business analytics: an empirical approach. Journal of Business Analytics, 1(1), 40-53.

Yousaf, T., Mark, A., Hao, S., Cohen, D., Elder, A., Lidor, D., . . . Zhang, K. (2018).

Zhang, W., Wang, W., Zhu, L., Zheng, R., & Liu, X. (2019). Python-Based Unstructured Data Retrieval System. Paper presented at the 2019 International Conference on Smart Grid and Electrical Automation (ICSGEA).

 

Thông tin Hỗ trợ luận văn

Tôi luôn mong muốn mang đến sự thành công cho tất cả mọi người. Phương châm sống "Càng hiểu biết, con người càng tự do"

Cũng Xem

Quy trình trainning-testing

Tách dữ liệu để trainning-testing Trước khi thực hiện hồi quy toàn bộ, Về cơ …