Veri kaynaklarının çok bol olduğu bir çağda yaşıyoruz. Veri toplama artık eskisine göre daha kolay. Her nekadar teknoloji veri toplama bakımından tam olarak iş süreçlerine ulaşamamışsa da 10 yıl öncesine göre veri bakımndan çok zengin bir dünyada yaşıyoruz.
Büyük verinin bulunduğu bir çağda artık veriyi kullanarak anlamlandırmak, sonuçlar çıkartmak, doğru tahminler yapmak ve önlem almak zamanı.
Tanımlayıcı Analitik: Veri toplama, birleştirme, ayıklama, temizleme ile analiz edilebilir verinin istatistiksel yöntemlerle incelenmesi ve veriyi tanımlayıcı değerlerin elde edilmesi işlemidir. Değişkenlerin ortalama ve varyans değerlerinin bulunması tanımlayıcı analitik konusudur. "Geçmişte ne oldu?" sorusunun cevabını vermeye çalışır.
Teşhis Eden Analitik: Veri üzerinde algoritma ve modelleri kullanarak anlamlandırma çalışmasıdır. Veriyi kullanarak veriyi oluşturan sistemdeki sorunları bulmayı amaçlar. "Sorunlar nelerdi?" sorusunun cevabını vermeye çalışır.
Öngören Analitik:İstatistiksel modeller ve tahminleme teknikleri ile geçmiş veriden geleceği tahmin etmeye çalışmaktır. En yaygın kullanımı, tahminleme yöntemleri ile müşteri talebini bulmaya çalışmaktır. "Gelecekte ne olabilir?" sorusunun cevabını bulmaya çalışır.
Reçeteliyici Analitik:Makine öğrenme, optimizasyon, simülasyon gibi ileri teknikler kullanarak ne yapılması gerektiği hakkında tavsiye verebilmek için verinin kullanılmasıdır. "Ne yapmalıyız?" sorusunun cevabını vermeye çalışır.
Verinin tek başına varlığı yeterli değildir. Anlamlı şekilde kullanılabilmesi gereklidir. Elimizdeki yazılımlar ile verideki örüntüleri bulabiliyor ve örüntünün sebeplerini araştırıyoruz. Örüntüler, sistemlerde tekrar eden davranışlardır ve gelecek tahmininde önemli rolleri vardır. Örüntünün yakalanması, istemediğiniz ama rutin olarak yapılan davranışları önlemek için gereklidir.
Örüntüler ayrıca verideki gruplamaları da bulabilir. Verideki kümeler, veri analitiği konularında birisidir ve müşteri segmentasyonu, odak grubu oluşumu, hedef belirlenmesi gibi bir çok amaç için kullanılabilir.
Verideki rassallığı anlamak, stokastik öğelerin anlaşılabilmesi ile mümkündür. Olasılık dağılımları, verideki rassallığı anlamada önemli bir adımdır. Eğer kontrol edilemeyen değişkenler olasılık dağılımı olarak tanımlanabilirse, analitik olarak bazı çözümler üretebiliriz.
Simarter olarak stokastik veri analizinde uzmanlığımız sayesinde rasgeleliğin üstesinden gelebilirsiniz.