Hva er ...?

Hva er avansert dataanalyse?

Avansert dataanalyse forklart på ti minutter

Du, jeg og avansert dataanalyse

Tenk deg at du driver en reiselivsbedrift. Du har lyst til å tilby turer og opplevelser som er mest mulig skreddersydd turistenes behov og ønsker. Men ... hva slags behov og ønsker er nå egentlig det, sånn helt nøyaktig? 

Erfaringen og kunnskapen din tar deg et stykke på vei. Du har til og med gjennomført flere spørreundersøkelser, men de har du opplevd at er både for dyre og unøyaktige. Til syvende og sist koker det ned til mye gjetning og magefølelse. For eksempel ønsker du å vite: Hvor kommer turistene fra, når og hvordan beveger de seg rundt i regionen, hvilke reisemål oppsøker de – og på hvilke tidspunkt?

Dette er et reelt eksempel. I et pilotprosjekt med verktøyet Mobility Analytics fra Telenor, fikk reiselivsaktørene i Nord-Norge unik innsikt i turistenes faktiske bevegelsesmønstre, basert på anonymiserte data fra mobilnettet.* 

Daglig registrerer Telenor milliarder av «hendelser» i nettverket sitt, når mobiltelefoner er i kontakt med en basestasjon. Dette resulterer i et stort og komplisert datasett – et eksempel på såkalt stordata (big data). Stordata betyr egentlig bare at vi jobber med store datamengder, ofte mange ulike typer data fra separate kilder, som er vanskelige å analysere med tradisjonelle dataprosesseringsverktøy. 

Ettersom mange av innsiktene reiselivsaktørene ønsker seg handler om bevegelsesmønstre, kan analyser av dataene fra mobilnettet gjøre synlig trender og sammenhenger som avslører mye om turistenes reelle ønsker og behov. Innsiktene gjør det lettere for lokale bedrifter å tilpasse seg og tilby bedre tjenester. 

* Kilde: Telenor.no

Hva er avansert dataanalyse?

Avansert dataanalyse er ikke en teknologi eller programvare som sådan, men en trinnvis prosess for å gruppere, samle, organisere og analysere data. Det er snakk om teknikker vi kan bruke for å analysere og lære fra rådata for å få ny innsikt og nye svar. Det omfatter bruk og utvikling av ulike verktøy basert på statistikk, matematikk og informatikk. 

Prosessen kan være verdifull både med små og store datasett, ikke bare «stordata». Men jo mer data du har tilgjengelig, desto bedre vil analysene bli – forutsatt at datakvaliteten er god. 

Et fellestrekk for de mange forskjellige teknikkene for dataanalyse, er at vi bruker dem for å forstå sammenhenger basert på observasjoner. Avansert dataanalyse kan eksempelvis avsløre trender som ellers ville gått tapt i mengden av informasjon. 

https://www.youtube.com/watch?time_continue=126&v=8ZXpRmIlzh8&feature=emb_logo

Hvordan fungerer det?

Avansert dataanalyse er som sagt ingen programvare, men en prosess som består av flere trinn:

Det første trinnet er å bestemme datakravene, eller hvordan dataene skal grupperes. Data kan for eksempel skilles ut etter alder, inntekt eller kjønn. Dataverdiene kan være kvantitative eller kvalitative.

Det andre trinnet er å samle dataene. Disse dataene vil være bransjeavhengige og kan komme fra en rekke kilder som for eksempel IoT-enheter, klikk eller kjøp på nettet, tall fra fysiske butikker, maskiner, databaser eller manuelle registreringer.

Tredje trinn handler om at når dataene er samlet, må de organiseres. Til dette brukes programvare som kan håndtere statiske data, som for eksempel Excel eller mer avanserte former for programvare. Deretter handler det om å rydde opp. Dataene vaskes og kontrolleres for å unngå duplikater, feil eller ufullstendig informasjon.

Fjerde trinn er gjennomføringen av selve analysene, som kan skje nå som alt det andre er gjort. Analyseprosessene kan gjøres manuelt, men i dag er det mye som er automatisert. Når det gjøres manuelt, er det gjerne en data scientist, eller analytiker, som er ansvarlig.

Hva brukes avansert dataanalyse til?

Vi deler gjerne avansert dataanalyse inn i fire hovedkategorier:

1. Deskriptiv analyse: Hva har skjedd? 
Deskriptiv, eller beskrivende, analyse sier noe om hva som har skjedd over et gitt tidsrom. Dette kan for eksempel være informasjon om utviklingen i antall sidevisninger, hvilke sidevisninger som har generert salg og hvordan salget har utviklet seg den siste måneden. 

2. Diagnostisk analyse: Hvorfor skjedde det? 
Diagnostisk analyse fokuserer mer på hvorfor noe skjedde. Her inkluderes gjerne hypoteser og ulike data. En slik analyse vil for eksempel kunne forsøke å finne svar på hvorfor salget har økt og i hvilken grad dette kan forklares. Skyldes det en markedsføringskampanje, eller har kanskje variasjon i været hatt en minst like stor effekt? 

3. Prediktiv analyse: Hva kommer til å skje, når vil det skje og hvorfor vil det skje? 
Prediktiv analyse bygger videre på de to foregående analysene og sier noe om hva som sannsynligvis kommer til å skje på kort sikt. For eksempel kan den gi svar på hva som skjedde med salget forrige gang vi hadde en varm sommer, og hvor mange værmodeller som spår en varm sommer i år.

4. Preskriptiv analyse: Hva bør vi gjøre med det som skjer? 
Preskriptiv, eller normativ, analyse tar dette et skritt videre ved å bruke maskinlæring til å løse problemer og foreslå alternative handlinger basert på denne informasjonen. For eksempel at iskremfabrikken bør legge inn et ekstra kveldsskift fra mars for å øke lagerbeholdningen tilstrekkelig når sannsynligheten for en varm sommer overstiger 61 prosent.

Avansert dataanalyse i praksis

Avansert dataanalyse brukes nå av stadig flere virksomheter for å løse problemer innen for eksempel bioteknologi, medisin, industri og finans. Med enklere tilgang på store datamengder, har avansert dataanalyse blitt et område i sterk vekst. 

Den virkelige driveren til denne utviklingen er likevel virksomhetenes ønske om å optimalisere driften gjennom å finne nye vekstmuligheter, øke kundetilfredsheten og forbedre ulike forretningsprosesser. 

Noen bruksområder

  • Forsikringsselskaper og banker kan forstå variasjoner i risiko for en forsikrings- eller låneportefølje
  • Meglerhus får dypere innsikt om svingninger i aksje- og energimarkedet
  • Produksjonsbedrifter kan optimalisere energibruk, lagerstyring, bestillinger og bruken av sine maskiner
  • Innholdsleverandører og nettbutikker bruker innsikten til å forstå hva som skal til for at vi fortsetter å se, lese, klikke og kjøpe
  • Helsesektoren kan få dypere innsikt om en celles stoffskifte, spredning av smittsomme sykdommer eller hvordan pasientflyten kan effektiviseres
  • Flyindustrien bruker avansert dataanalyse til flåteplanlegging, ruteplanlegging og lagerstyring
  • Uber kombinerer avansert dataanalyse med datastrømming når de beregner sine flytende priser.

I dag er det enklere enn noen gang før å hente ut innsikter og analyser fra komplekse datasett, ikke minst takket være skytjenester som du leser om i en egen jukselapp.

Vil du ta flere kurs hos oss?

Få tilgang ved å bli medlem

Allerede medlem?

Medlemskap

DigitalNorway+

Inkluderer
  • Alle veivisere, komplett kurskatalog og alt annet kunnskapsinnhold

Gratis

Bli medlem