5/30/18

1

ModernídatováanalytikaRadimHampel, IntelligentTechnologies

Pročdatováanalytika?

• Pochopitdůvody proúspěchyineúspěchy• Porozumět zákazníkům,zaměstnancům• Přesněplánovatbudoucnost• Experimentovánímpředcházetrisku

• Postavitbyznysnaanalytice

Typyanalýz

• Deskriptivní– pohleddominulosti,popisstavu• Prediktivní– schopnostněcopředpovědět,pohleddopředu• Preskriptivní– návrhkonkrétníchkrokůaodhadjejichdopadu

Návratnostanalytiky• Náklady– technologie,službyalidé• Výnosy– vícepeněz(většíhodnotavytvořená),úspora• Vyzkoušet– změřit– změnit

https :/ /www.experfy.com/traini ng/cou rses/big- data -wha t-ev ery- ma nager -ne eds- to-k now

Prediktivníanalytika

• Předpověďbudoucnostinazákladěhistorickýchdatspomocímetodstatistickéhomodelováníastrojovéhoučení• Data science– machinelearning,statistika,bigdata,práce sdaty• Machinelearning– algoritmy nadetekci důležitýchvzorců• Průzkumdat,predikce

• Můžepomocipoznatvztahyskrytévdatech

Datamining algoritmy

• supervised vs unsupervised,reinforced• Rozhodovacístromy– jakjevýsledekovlivněnvstupy• Regrese, klasifikace– předpověď• Clustering – detekceabnormalit,shlukování• Basketanalysis – coseprodávásčím,promoce,doporučení• Neuronovésítě– rozpoznáníobrázků,mluvenářeč

5/30/18

2

Jakseděládatascience? Akdo?

Expertnadata

Datovývědec

ByznysexpertData

Modely

Byznysovýproblém

Příklady

Mámedostdat,která

ukazují,kdojeVIP?

Exis tujechováníavzorykterévedouk

vysokéLTV?

MůžemeidentifikovatVIPzákazníky?KdojeVIP?

Hodnotazákazníka+risk+preferenceoffline-online

Rozhodovacís tromkhodnotě zákazníkaa

riz iku

Mámeuzavřítkamennépobočky?

• Častýstav:nejasnézadání– nevhodnádata– neznámévzorce

Příkladypoužitídataminingu

Datamining

Pro fi tab i ln í zákazn íci

P o chopen í zákazn ických po třeb

Ro zpo znán í od chodu

Odhad pop távky

Marketin govékampaně

Detekcefraudů

Detekcepo ru ch ystroje

Bigdata

• Volume,velocity,variety,variability,complexity• Nestrukturovanádata – dokumenty,emaily,videa,obrázky• Umožnilyzměnyvtechnologiích,cloudovénasazeníiHWceny• Serverovéclustery,dostupnost, škálovatelnost• Proces:nahránídat– uložení– zpracování- vizualizace

• Data lake– místo proukládánídatrůznýchformátůastruktur(pozoraťzjezírkaneníbažinanebohřbitov)

Případy

• Target – posunoutodměnymaminkámna2.trimestr• h ttp s://www.nytimes.com/2 01 2/0 2/1 9/magazin e/shopp in g-hab its.h tml?pagewan ted=1&_r=2&hp&

• Banka– identifikacerodinsdětmi,vzářínejvětšívýdaje– úvěr• Starbucks – novékafe• Kamiony– senzory• Prediktivníúdržba• Banky– úvěrovériziko,detekcefraudu

Každýuživatel

Analytikuživateli

ITuživateli

2. vlnaSelf-serviceBI

1. vlnaKorporátní BI

3. vlnaUživatelská BI

Evolucebusiness intelligence

5/30/18

3

Přístup

Čištění

Propojení

Zkoumání

Vizualizace

Sdílení

Couživatelé potřebují AccessallyourDATA

• Datafromserviceso SaaSservices that you already useo Growing number ofsupported SaaSsolutions

• Datafromyourorganization

o Content published by others in your org(organizational content packs )

• Bigdataandmoreo Azure data services , e.g. HDI, ASA, AML etc.o On-premises data sources , e.g. SSAS

• Datafromfileso Import data from Text, CSV,Exceland Power BI

Desktop files

SaaS so lu tionse.g .Ma rketo ,Sa lesfo rce,GitHub ,Goog leAnalytics

On-p remise s Data

Data sources

Organ izationalCo rpo ra teda ta sou rceso rexterna lda ta services

Azure se rvice sAzu re SQL,Stre amAnalytics…

Powe rBIDe sktop fi le sData fromfi les,da taba ses,Azu re,and o ther sou rces

Exce l fi le s

Share &co llaborate

Visualize

Exp lo re

P re pare • Consolidatedatafromabroadrangeofsourceso Merge or append queries to combine data

from multiple queries into as ingle query

• TransformdatatofityourneedsusingintuitiveUIo Select data for inclus iono Cleanse data and remove errors

• Define calculationstogeneratenew fields foruseinreports

• Developadvanced analyticsusingacombinationofmeasuresandrelationshipso Uncover correlations , highlight exceptions and

unders tand bus iness outcomes

Cleanandmash-upyourDATA

Share &co llaborate

Visualize

Exp lo re

P re pare • Exploredatainavariety ofways andacrossmultiplevisualizationsusingdraganddropcanvas

• Dig deeperintoyourreportso Drill-down inyour hierarchical datao Filter, sort, hover over and highlight data

• Leverage Quick Insightstofindinsightsinyourdata

• Askquestionsofyourdatainnaturallanguage withQ&Ao Type questions inplain languageo Q&A intelligently filters , sorts , aggregates ,

groups and displays data based on thequestion

ExploreyourDATA

• Visualizedataina varietyof ways

• Growingnumberofvisualizationtypeso Donuts , bas icarea, waterfall, filled maps , tree

maps , funnel, gauges combo charts and moreo Custom visuals available from Power BIVisuals

Gallery (https ://s tore.office.co m /en-us/appshome.aspx?productg rou p=Po wer BI)

o Tools to develop, tes t,package new customvisuals

• Visualizationsonreportpageareconnected–select value inonevisualizationtochangeothervisualizations

• Fullscreen popoutmodeforreportvisualstoshowadditionaldetails

Share &co llaborate

Visualize

Exp lo re

P re pare

VisualizeyourDATA

Share &co llaborate

Visualize

Exp lo re

P re pare • Save PowerBIDesktopreportfilesandeasily publishthemtopowerbi.com

• Access dashboardsusingnativemobileappsforWindows,iOSandAndroid

• Shareas appropriatewithotherPowerBIusersinyourorganization

• PublishPower BI apps toabroadersetofpeopleusingPowerBIPremium

• Easily embedinteractive PowerBIvisualizationsinblogposts,websites,throughemailsorsocialmediaWithPowerBIPublish to web

Bringyourstory tolifewithDATA

5/30/18

4

5/30/18

5

*Gar t ner “MagicQuadr ant f or Bus iness I nt elligence and Analyt ics Plat f orm s,”byRit aL. Sallam , Cindi Howson, Car lie J . I doine,Thom as W. Oest r eich, J am es Laur enceRichar dson,and J oaoTapadinhas Febr uar y16,2017This gr aphicwas published by Gar t ner ,I nc. as par t of alar ger r esear chdocum ent andshould beevaluat edin t he cont ext of t heent ir edocum ent . TheGar t ner docum ent is available uponr equest f r om M icr osof t . Gar t ner does not endor seanyvendor ,pr oduct or ser vicedepict edin it s r esear chpublicat ions , and does not advise t echnologyuser s t oselect only t hosevendor s wit h t hehighest r at ings or ot her des ignat ion. Gar t ner r esear chpublicat ions cons is t of t heopinions of Gar t ner 's r esear chor ganizat ionand shouldnot beconst r uedas s t at ement s of f act . Gar t ner disclaim s all war r ant ies , expr essedor im plied, wit h r espect t ot his r esear ch,including any war r ant ies of m er chant abilit yor f it ness f or apar t icular pur pose.

Demo– vytvořeníreportu

5/30/18

6