 |
【數據分析四階段】
大家較熟知的Garner「數據分析成熟度」，是依據「困難度」(Difficulty)與價值 (Value)，分為以下四個階段：。
一、描述性分析 (Descriptive Analytics)
能幫助回答已經發生的事件(What happened)？偏重過去資料分析，是屬於後見之明 (Hindsight)。依據歷史資料有助於發展KPI指標，所產生報表能提供組織銷售與財務績效的資訊。
二、診斷性分析 (Diagnostic Analytics)
可幫助回答事件為什麼會發生 (Why did it happen)？可協助辨識出異常資料，並蒐集相關的異常資料，再使用統計技術去發掘異常資料間的關聯性與趨勢。
三、預測性分析 (Predictive Analytics)
可幫助回答未來會發生什麼 (What will happen)？是屬於洞察力 (Insight)，利用歷史資料去辨識趨勢，並判定該事件未來是否會再發生，使用技術包括統計與機器學習，例如迴歸分析、決策樹、類神經網路等。
四、指示性分析 (Prescriptive Analytics)
可幫助回答應採取什麼行動去達成所欲目標 (How can we make it happened)？依賴機器學習策略在龐大資料中找出其型態 (Pattern)，趨向優化，是有先見之明的遠見 (Foresight)。
圖3：數據分析成熟度
目前企業常見報表與視覺化商業智慧，大多落於上述第一~二階段，AI大數據分析，則能涵蓋第一~四階段，提供異常監控與預警，進行數據探索 (例如根因/分群/異常/關聯分析)，以及預測、模擬與優化。
商業智慧 (Business Intelligence, 簡稱BI)的發展，是先從Windows-based應用程式、Web-based應用程式到Cloud-based的雲端應用程式，結合資料科學，包括統計、資料探勘、R/Python/Matlab、AutoML等，再整合成商業科學。隨著科技發展，使用者從早期技術導向(Technical BI)的資訊專家 (IT)，逐步走向自助型(Self-service BI)的分析人員 (DA)。近年”Low Code”與”No Code”盛行，無需統計與程式技能，大幅降低使用門檻，將走向終端使用者(End-user BI)的OT用戶自行作業。
陳素敏顧問簡介
（歡迎有興趣的保險公司洽詢陳素敏顧聯絡）
|
