Business Analytics s R.
Hlavným zameraním Business Analytics je vývoj nových poznatkov o podnikaní a hodnotenie výkonnosti. O Business Analytics a jeho rôznych technikách sa toho už hovorilo dosť. Najviac sa vyžaduje dôkladné pochopenie toho, ako sa štatistiky používajú v Business Analytics.
Čo je štatistické modelovanie?
Štatistické modelovanie je formalizácia vzťahov medzi premennými vo forme matematických rovníc. V zásade ide o zistenie premennej. Opisuje, ako jedna alebo viac premenných súvisí s jednou alebo viacerými inými premennými. Premenné tu nesúvisia presne, ale môžu byť stochasticky spojené.
Zjednodušene povedané, premenná nie je nič iné ako atribút. Atribútom sa stáva výška, váha a vek človeka. Výška a vek majú pravdepodobnú povahu. 30-ročný človek má vyššie šance na to, že bude vysoký 4 stopy. Podobne, keď viete o osobe, ktorá má 13 rokov, má vyššiu pravdepodobnosť, že bude vysoká 6 stôp.
Celý účel štatistického modelovania nie je o výskume, nakoniec ide o poskytnutie prehľadu riešení. Zahŕňa to analýzu údajov a ich použitie za rôznych okolností. Vo videu sa diskutuje o týchto témach:
1. Čo je to štatistické modelovanie
2. Čo je to regresné modelovanie
3. Pochopenie služby Analytics
jednoduchá implementácia hashmapy v jave
Čo je regresné modelovanie?
Ako bolo uvedené v predchádzajúcich riadkoch o štatistickom modelovaní, dôležitým a základným faktorom v tejto teórii je regresné modelovanie. Regresné modelovanie je o získavaní vzťahu medzi dvoma premennými. Regresia konkrétnejšie pomáha pochopiť, ako sa mení hodnota závislej premennej, zatiaľ čo ktorákoľvek z nezávislých premenných sa mení, zatiaľ čo ostatné nezávislé premenné sú udržiavané pevne. Napríklad čas je nezávislá premenná, zatiaľ čo predaj a rýchlosť závisia od určitých faktorov. Preto je cieľom zistiť vzťah medzi nimi.
V regresnom modeli existujú určité rovnice, ide o lineárnu, viacrozmernú a logistickú regresiu. Logistická regresia je podobná regresii, pri ktorej existujú dve premenné, a preto sa klasifikuje ako pravdepodobnostný štatistický model. Používa sa pri opise parametrov kvalitatívneho modelu odpovede.
V schéme uvedenej vo videu predstavuje linka dva koncepty - jeden, ktorý je na linke, a druhý, ktorý nie je. U tých, ktoré sú od čiary, sa vyskytla chyba. Toto je vzdialenosť medzi skutočnou hodnotou (modré bodky) a predpokladanou hodnotou (čierna čiara). Cieľom modelovania, nech už je v akejkoľvek podobe, je minimalizácia týchto chýb, čo je pokus o prekonanie medzery medzi nimi. Existujú aj ďalšie techniky na pochopenie teórie.
Pochopenie analytiky v podnikaní
Celá prevádzka analytiky sa zredukuje na 3 jednoduché modely - prediktívny, popisný a rozhodovací model. Ako už názov napovedá, umožňuje človeku pochopiť budúcnosť. Napríklad zlyhanie systému, bonita, podvody spadajú do prediktívneho modelu, ktorý si dnes získava popularitu po celom svete. Na druhej strane existujú popisné a rozhodovacie modely, ktoré existujú už dlho. Popisný model umožňuje charakterizovať údaje, z ktorých možno odhadnúť HDP a priemernú dĺžku života v krajine. Má tiež prieskumnú povahu, keď zákazník poskytne údaje a problém sa analyzuje. Zákazníkovi sa poskytne prehľad o probléme a potom sa použije rozhodovací model, po ktorom sa navrhnú určité optimalizácie. Model má cieľ, ktorý nie je nič iné ako optimalizácia.
Máte na nás otázku? Uveďte ich v sekcii komentárov a my sa vám ozveme.
Súvisiace príspevky:
previesť dátum reťazca na dátum v jave