5 мин. чтения
12/12/2023 11:21:39 AM

Навигация по граниту аналитики: ориентированное на проблемы и когнитивную революцию

Article Preview Image Структура анализа данных.Кредит: Значение (2022).Doi: 10.1111/1740-9713.01707

В современном мире данных аналитика данных стала краеугольным камнем принятия решений.Однако, несмотря на преобразующий потенциал, значительное количество аналитических проектов терпит неудачу.

В недавней статье, опубликованной в значительной степени, мы углубились в тонкости анализа данных, подчеркивая важность проблемного мышления, ориентированного на проблемы, в достижении успешных результатов.

Analytics Data-это широкое поле, включающее данные, инструменты и процессы, которые включают как вычислительные, так и управленческие процессы для извлечения значимой информации из обработанных данных для принятия решений, ориентированных на данные.Проблемы в аналитике данных увеличиваются в эпоху больших данных, когда наборы данных являются огромными, часто обновляемыми и разнообразными по типу и качеству.

На изображении выше изображена комплексная ориентационная структура.Построенный на пяти типах аналитики - в поправке, диагностическом, прогнозирующем, предписывающем и когнитивном - эта структура предлагает уникальный объектив, с помощью которого мы можем ориентироваться в сложности, сложности и, в конечном итоге, ценности.

Сложность равна вычислительной сложности, ссылаясь на ресурсы, которые алгоритмы потребляют (время и требования к памяти).Сложность проистекает из сложности изучаемой проблемы.Ценность-это окончательный результат, охватывающий лучшие принятия решений, улучшенную производительность и конкурентоспособность, а также организационный успех, среди прочего.

Следует отметить, что различные типы аналитики, хотя и представленные в последовательности, не являются взаимоисключающими;Они взаимосвязаны и могут работать одновременно на основе конкретной проблемы.Кроме того, визуальное представление аналитики таким образом отражает представление о том, что по мере продвижения аналитики необходимо ввести повышенную сложность и сложность, требующие большего количества ресурсов - как вычислительных, так и человеческих.Однако реальность может отличаться, так как существуют случаи, когда реализация более продвинутых уровней аналитики не обязательно оправдана.

С таким большим количеством вариантов выбора, это заставляет задуматься: почему наличие большего количества данных или сложных инструментов анализа данных, а не гаранта успеха?Есть много причин, по которым проекты анализа данных могут потерпеть неудачу.Одна из причин заключается в том, что действия не обязательно предпринимаются на основе полученных инерции в результате инерции/стиля управления, сопротивления, отсутствия поддержки лидерства, внутренней политики или нежелания измениться.Но ответ также может заключаться в отсутствии подхода, ориентированного на проблемы с проблемой мышления.

Проблемное мышление включает в себя преднамеренный сдвиг в перспективе, с основным акцентом на выявление и решение проблем реального мира.Он поощряет организации рассматривать аналитику данных не только как технологическое решение, но и как средство решения конкретных проблем.

Суть нашего аргумента заключается в важности своевременных решений для принятия решений и на заказ аналитических решений, адаптированных к конкретным проблемам.Речь идет не о том, чтобы утонуть в океане данных или использование самых продвинутых инструментов;Речь идет о углубленном понимании проблемы и стратегического развертывания вычислительных ресурсов.Принимая этот подход, мы можем перенести парадигму с высоких частот отказов на ландшафт, где процветают проекты аналитики данных и обеспечивать ощутимую ценность.Будущее аналитики ориентировано на проблемы.

Преимущества достаточно.При принятии ориентированного на проблемы подхода мышления организации могут способствовать культуре постоянного улучшения.Вместо того, чтобы рассматривать проблемы как препятствия, они становятся возможностями для инноваций и роста.Это мышление побуждает команды активно искать проблемы, строго анализировать их и реализовать целевые решения.

Итеративный характер ориентированного на проблемы мышления не только повышает адаптивность стратегий аналитики, но и способствует упреждающему подходу к решению возникающих вопросов.В конечном счете, организации, которые определяют приоритеты, ориентированную на проблемную аналитику, имеют лучшее положение для навигации по сложностям постоянно развивающейся бизнес-ландшафта и достижения устойчивого успеха.

Также важно отметить, что будущее аналитики данных готова к революции в результате роста когнитивной аналитики.Поскольку технология продолжает продвигаться, традиционные методы анализа данных уступают место более сложным подходам, которые имитируют когнитивные функции человека.Чтобы достичь этого уровня изощренности, когнитивная аналитика затрагивает помощь искусственного интеллекта, алгоритмов машинного обучения (в частности, обучения подкрепления), семантики, теории игр и моделей глубокого обучения.

Используя когнитивную аналитику, предприятия могут раскрыть скрытые закономерности, понимать сложные отношения и принимать более осознанные решения в режиме реального времени.Эта эволюция представляет собой квантовый скачок в возможностях анализа данных, «подталкивая» организации к будущему, где данные будут проанализированы не только анализируются, но и все понятно и стратегически применяются.

Поскольку организации стремятся получить большую ценность из своих данных, когнитивная аналитика становится маяком инноваций, раздвигая границы того, что возможно.Это все равно, что исследовать неизведанные территории ума данных.

Когнитивная аналитика - это не только хрустящие цифры;Речь идет о ответе на более глубокий вопрос: «Какова степень того, что может произойти?»Речь идет о том, чтобы получить «глубокое зрение» в данные, отслаивая слои, чтобы выявить скрытые закономерности, которые в противном случае могли бы ускользнуть от нас.Представьте, что это стремление воспроизвести человеческую мысль, чтобы имитировать сложные работы нашего собственного мозга.

Поскольку поле анализа данных продолжает развиваться, проблемы с проблемой, ориентированное на проблемы, останется руководящим принципом для организаций, стремящихся полностью использовать силу своих данных.В этом динамическом ландшафте становится очевидным, что каждый тип аналитики предлагает уникальное ценностное предложение, и что один размер не подходит для всех в сфере аналитики.Следовательно, ключ состоит в том, чтобы согласовать аналитический подход с конкретной проблемой.

Более того, углубление в сферу когнитивной аналитики усиливает инновационный потенциал, используя передовые технологии для воспроизведения человеческих мыслительных процессов и разблокировки беспрецедентной идеи.В конечном счете, акцент заключается в признании того, что будущее аналитики зависит от проблемной ориентации и интеграции передовой когнитивной аналитики.Эта комбинация предлагает сложный путь к устойчивому успеху в постоянно развивающейся деловой среде.

Больше информации: Винсент Чарльз и др., Почему аналитика данных - это искусство, значение (2022).Doi: 10.1111/1740-9713.01707

Винсент Чарльз, доктор философии, PDRF, FRSS, FBCS, FHEA, MISCT, CMBE, является читателем в бизнес -школе Queen’s Business, University’s University, и он занимает многочисленные должности в гостях по всему миру.Его область знаний заключается в области искусственного интеллекта и управления наукой, уделяя особое внимание повышению производительности бизнеса, повышению региональной конкурентоспособности и повышению социального благосостояния, а также в всесторонней приверженности повышению положительного многомерного воздействия.Он провел академический опыт в секторе HE, с более чем десятилетием полного профессора, и он поддерживает компании для повышения производительности с помощью прогнозирующей, предписывающей и когнитивной аналитики.

Получи бесплатную еженедельную рассылку со ссылками на репозитории и лонгриды самых интересных историй о стартапах 🚀, AI технологиях 👩‍💻 и программировании 💻!
Присоединяйся к тысячам читателей для получения одного еженедельного письма

Подписывайся на нас:

Нашли ошибку в тексте? Напишите нам.

Добавляй ЛРНЧ в свою ленту Google Новостей.
Читайте далее 📖

Meta представляет Chameleon, мультимодальную модель раннего слияния

5/23/2024 · 5 мин. чтения

Meta представляет Chameleon, мультимодальную модель раннего слияния

Исследователи используют «умные» резиновые конструкции для выполнения вычислительных задач

5/23/2024 · 5 мин. чтения

Исследователи используют «умные» резиновые конструкции для выполнения вычислительных задач