В этом руководстве мы будем разбираться, как повысить качество прогнозирования с помощью машинного обучения, используя точные методы разделения данных, перекрестную проверку временных рядов, конструирование признаков и многое другое.
В прошлой статье мы разбирали 6 способов сэкономить место на дашборде с помощью интерактивности в Tableau. Те, кто работал с Tableau, знают: это одна из самых мощных BI‑систем на рынке, позволяющая реализовать почти любую аналитическую идею.
Но есть нюанс: Tableau официально покинул российский рынок. Многие компании уже перешли или активно переходят на доступные аналоги, например, на DataLens, облачное BI‑решение от Яндекса.
DataLens — относительно молодой, но быстро развивающийся инструмент для визуализации данных. Во многом он вдохновлен Tableau, и это отличная новость для тех, кто ищет знакомый интерфейс и логику работы.
В профессиональной деятельности я регулярно использую Tableau для создания визуализаций, а с DataLens я знакома с 2019 года. Что особенно радует — каждые полгода, возвращаясь к DataLens для подготовки к занятиям, я постоянно обнаруживаю новые функции. И это всегда вызывает приятное удивление, ведь с каждым обновлением инструмент становится всё более удобным и продуманным для аналитической работы.
В этой статье я составила свои 3 топа фичей и функций, которые:
- Есть и в DataLens и в Tableau
- Есть в DataLens, но нет Tableau
- Очень не хватает в DataLens
Представьте ситуацию: у вас есть доступ ко всем данным компании – о каждом клиенте, каждой транзакции, каждом движении товара. Но когда нужно принять стратегическое решение, вы понимаете, что не можете получить ответы на простые вопросы: какие товары приносят максимальную прибыль? Какие акции действительно работают? Где узкие места в логистике?
В этой статье я проведу детальную диагностику трех ключевых "болевых точек" ритейл-аналитики и покажу, как удалось их решить с помощью платформы AW BI.
Где в Москве строить выгоднее?
Я собрал интерактивную карту, которая показывает районы и кварталы столицы по коэффициенту МПТ — ключевому параметру при расчёте городских льгот на строительство производственных, логистических и гостиничных объектов. В статье рассказываю, откуда берётся коэффициент, как работает формула, и как использовать дашборд для оценки инвестиционной привлекательности участков. Подойдёт девелоперам, аналитикам и просто тем, кто любит, когда данные говорят.
Мне всегда было интересно, как управляются разные бизнесы: как работает завод, ритейл, другие сферы. Я пытался изнутри наблюдать за бизнесом, где создаётся конечная ценность. Где-то работает автократия, в других компаниях уже есть зрелая бюрократия, а где-то все договариваются на словах, но нигде это не прописано.
Я видел, что даже в среднем бизнесе решения принимаются на основании чуйки хозяина. Тогда как в entreprise решения принимаются на основании процедур, отчётов. Люди страдают и ненавидят этот процесс, так как много времени уходит на оцифровку. Но при этом корпорации довольно эффективны, что показал мой дальнейший опыт. Они работают на 4-ку, но стабильно. Малый бизнес может сегодня сработать на 5, а завтра на 2.
Так у меня появилось убеждение, что в своих решениях нужно опираться на данные. Большой компанией можно стать только та, где есть система принятия решений.
Крупные компании повышают свою эффективность, оптимизируя бизнес-процессы, управляя ресурсами и внедряя современные технологии. Важную роль в этом процессе играет бизнес-анализ. В статье разберём, как BI-системы ускоряют рост компаний.
Стандартный анализ рынка недвижимости часто ограничивается поверхностными показателями: объемами продаж, средней ценой за квадратный метр, очевидными тенденциями. Однако факторы, которые действительно влияют на прибыль и риски, часто остаются незамеченными. BI-системы помогают выявлять скрытые закономерности в данных. Рассмотрим, как это происходит.
На связи Анна Астахова, директор по развитию ИТ-интегратор «Белый код». В этой статье расскажу, как можно адаптировать такой инструмент как BI под задачи конкретного бизнеса. Например, вы хотите видеть, сколько звонков совершают менеджеры по продажам, кто из них эффективнее. Внутри примеры таких задач с дашбордами.
В рамках BI решаются различные задачи, в том числе и с помощью статистических методов, для корректного выбора которых важно обращать внимание на содержание задачи. Например, если нужны только средние значения для графика, то действительно достаточно их рассчитать. Но иногда требуется решить другие задачи, например, не просто расчет средних значений двух выборок, но и сравнение средних двух выборок, чтобы узнать, в какой выборке среднее больше или меньше. Кроме того, данных для сравнения может быть столько, что они могут не умещаться на графике. В этом случае важно переключиться на подходящую статистическую гипотезу и использовать корректные статистические методы, намного более интересные, чем отображение средних значений на графике. Здесь могут быть эффективны методы дисперсионного анализа (ANOVA), или, в частном случае, когда речь идет о расчетах для одного фактора — методы сравнения средних двух выборок, и, например, метод Кохрена-Кокса. О том, какие результаты подобный подход дает на практике, а также о преимуществах работы с DAX при сравнении средних значений, читайте под катом.
Пятый, юбилейный выпуск нашего исследования «Круги Громова» выходит в момент, когда рынок отечественных BI-платформ переживает волну бурного роста и трансформации. За два года, прошедшие с публикации предыдущего отчёта, импортозамещение перестало быть формальностью и стало стратегической необходимостью: доля внедрений российских BI-систем выросла почти в восемь раз, а зарубежных — упала до 23 %[1]. На этом фоне особенно важны объективные ориентиры, позволяющие ИТ-директорам и бизнес-пользователям выбрать платформу, которая останется актуальной на ближайшие несколько лет. Именно такую навигационную карту мы и предлагаем.
Меня зовут Андрей Рыжик, я разработчик BI. У большинства ритейлеров есть система лояльности. Но далеко не каждый владелец бизнеса имеет внятную аналитику этой лояльности. Кто действительно возвращается, а кто просто копит баллы? Какие клиентские сегменты приносят деньги, а какие висят мертвым грузом? Расскажу про аналитику системы лояльности, которую мы разработали и внедряем в проектах.
Внедрение систем бизнес-аналитики (BI) — сложный процесс, который включает не только установку программного обеспечения, но и интеграцию с источниками данных, их очистку, проектирование ETL-процессов, разработку дашбордов и наполнение аналитическими моделями. Компании часто сталкиваются с вопросом: как сократить расходы, сохранив ключевые возможности системы? Разберём, где возможна разумная экономия, а где она приведёт к снижению эффективности.
Эта история прежде всего для родителей первоклашек, которые летом должны много прочитать. Программирования тоже немного будет, но главное — хотелось просто поделиться инструментом, надеюсь, полезным.
Первоклашке за лето нам нужно прочитать 39 произведений. Объём довольно приличный, поэтому подумалось, что нужно применить планирование, мониторинг и прочие технологии управления.
Очередной футбольной сезон заканчивается. Самое время вернуться к вопросам справедливости. Давайте попробуем её измерить? Ну хотя бы в футболе.
Какова роль случая в спорте? Действительно ли плей-офф - это лотерея? Портит ли нам впечатление от игры новая схема розыгрыша лиги чемпионов?
Давайте построим много-много графиков и закроем уже этот гештальт.
Продолжаем делать свою систему мониторинга и управления холодильного оборудования.
Сегодня у нас на столе ( и в наших шкафах) контроллер EliWell ID Plus974.
Привет, Хабр! Меня зовут Александр Антипов, я продакт-оунер MWS Tables.
Современный бизнес требует быстрых и эффективных решений для управления проектами, задачами и данными. И далеко не всегда есть возможность разрабатывать с нуля сложные системы или интегрировать дорогостоящий софт. Именно для таких случаев создан MWS Tables, чтобы быстро делать приложения без привлечения разработчиков.
В прошлом посте я рассказал, как MWS Tables помог внедрить единый реестр для работы с качеством данных, централизовать управление проектами и заменил таск-трекер. Сегодня будут еще три кейса: создание общего календаря и списка задач в распределенных региональных командах, единая система допусков и внедрение механики рейтингов.
Хабр, привет! Много лет читаю тебя, и решил, что пора внести свой вклад в соообщество. Может мой опыт тоже будет кому полезен.
Делаю систему диспетчеризации уровня «бомж‑плюс» для выявления проблем.
Мне 25, последние несколько лет я работаю в аналитическом отделе одного из департаментов Правительства города Москвы. Занимаюсь сведением бесконечных таблиц с регулярной отчетностью и подготовкой презентаций на самые разнообразные сюжеты.
Назвать ту работу — работой мечты, сложно, как ни крути. Трудозатраты на сбор, обработку и визуализацию информации были так велики, что уход с работы в десять вечера был для меня настоящим праздником. Именно этот «спартанский» опыт вкупе с желанием доказать себе, что разобраться можно в чем угодно, побудил меня к изучению доселе неведомого для мира баз данных, языка запросов SQL, BI и ETL инструментов.
Как вы, возможно, уже поняли, в аналитику я попал не по зову сердца, а по воле случая. Хантер Томпсон внутри меня, конечно, предпочел бы писать колонки в модные журналы, вести собственный блог о литературе или теннисе, в который я играю с детства, ну или посвятить себя еще какой-то творческой ерундистике, окрыляющей не хуже Red Bull Cola. Не смейтесь, исчезновение этого напитка с полок магазинов стало для меня в свое время настоящей трагедией.
Увы, каждый раз, находясь в поиске работы, здравый смысл неустанно напоминал мне о том, что он — главный враг творчества (Пабло Пикассо был во многом прав), а карьера фрилансера, вернее всего, приведет меня на социальное дно, нежели чем на вершину карьерной лестницы.
Итак, осознание того, что автоматизация процессов востребована на рынке и облегчает собственное существование, становится стартовой точкой долгого пути от полного непонимания азов работы с базами данных до уверенного владения всеми необходимыми инструментами для управления подразделением, обеспечивающим data-driven подход к решению задач внутри компании.
Генеалогическое древо — один из самых древних и устойчивых способов визуализации информации. Сначала — как символическое выражение божественного или королевского происхождения, позже — как аналитический инструмент для науки, политики, биологии, даже искусства. Дерево стало универсальной метафорой: и кровного родства, и интеллектуальной преемственности, и эволюции жизни.
