Analitika ( más görögül άναλυτικά , szó szerint - "az elemzés művészete ") - az érvelés művészetének része - logika , figyelembe véve az elemzés doktrínáját - az egész (dolog, tulajdonság, folyamat vagy kapcsolat) mentális vagy valós feldarabolásának művelete tárgyak között) alkotórészeibe, a megismerés vagy a szubjektum-gyakorlati emberi tevékenység során végzett [1] .
Szűk értelemben ( eng. Analytics ) – az adatok szisztematikus numerikus elemzése a jelentős minták azonosítására és értelmezésére [2] . Olyan területeken használják, amelyekre jellemző a rengeteg felhalmozott információ. A statisztika , a számítógépes programozás és az operációkutatás egyidejű alkalmazására támaszkodik . Az analitika leíró, diagnosztikai, prediktív , előíró és kognitív elemre oszlik [3] . Alkalmazható olyan üzleti területeken, mint a marketing, menedzsment, pénzügy, információbiztonság és szoftver. A nagy adatok feldolgozásához az analitikai algoritmusok a számítástechnika, a statisztika és a matematika módszereit használják [4] .
Az ie 4. században Platón egyik tanítványa , az ókori görög filozófus , Arisztotelész „ Orgonon ” című művében két jól ismert logikai művét „ Analytics ” szónak nevezte („ Első elemzés ” és „ Második elemzés ” [5 ) ] ), mivel a logikus gondolkodást a legegyszerűbb elemekre bontják, majd azokból áttérnek a komplex gondolkodási formákra. A formális logika mint tudomány megalapítójaként Arisztotelész „ analitikának ” nevezte, míg a „ logika ” kifejezés szilárdan meghonosodott halála után, az ie 3. században [6] .
A 18. században a német klasszikus filozófia megalapítója , Immanuel Kant az " analitikát " az emberi kognitív képességek dekompozíciójának nevezte.
Az analitika interdiszciplináris terület [7] . Néha a fejlett analitika kifejezést használják gépi tanulási technikák , neurális hálózatok és regressziós elemzés segítségével [8] < [9] . Tartalmaz olyan felügyelt gépi tanulási módszereket is, mint például a klaszterelemzés , a szegmentációs profil főkomponens -elemzése és az asszociációs elemzés [10] .
A demográfiai kutatás, az ügyfelek szegmentálása, az együttműködésen alapuló elemzés és más módszerek lehetővé teszik a marketingesek számára, hogy nagy mennyiségű vásárlási információt és vásárlói felmérési adatokat használjanak fel marketingstratégia kialakításához [11] .
A marketingelemzés minőségi és mennyiségi, strukturált és strukturálatlan adatokból áll, amelyeket stratégiai márka- és bevételi döntések meghozatalához használnak. Ez a folyamat magában foglalja a prediktív modellezést, a marketingkísérleteket, az automatizálást és a valós idejű kommunikációt. Az ilyen adatok lehetővé teszik a vállalatok számára, hogy előrejelzéseket készítsenek és stratégiát alakítsanak ki a maximális eredmények elérése érdekében [11] .
A webes elemzés lehetővé teszi a marketingszakemberek számára, hogy információkat gyűjtsenek a webhelyen végzett tevékenységekről egy munkamenetnek nevezett műveleten keresztül . A Google Analytics egy példa egy népszerű ingyenes webelemző eszközre [12] [13] . Ezen információk birtokában a marketingszakember optimalizálhatja a marketingkampányokat és a weboldal tartalomarchitektúráját [14] .
A marketingben általánosan használt elemzési módszerek közé tartozik a marketingmix modellezése, az ár- és promócióelemzés, az értékesítés optimalizálása és az ügyfélelemzés, például a szegmentálás. A webelemzés és a weboldalak és az online kampányok optimalizálása kiegészíti a hagyományos marketingelemzési módszereket.
Az elemzésnek ezt a részét HR-elemzésnek, tehetségelemzésnek, humántőke-elemzésnek, HRIS-nek (Human Resource Information System) is ismerik. A HR-analitika az analitika humánerőforrás-menedzsmentben való alkalmazása [15] . A HR-elemzés stratégiai eszközzé vált a változó munkaerőpiacokon tapasztalható HR-trendek elemzéséhez és előrejelzéséhez. Az eszközök megfelelő osztálya Karrierelemző eszközökként ismert [16] [17] . Az automatizált személyzetirányítási rendszereket is széles körben használják . Van olyan vélemény, hogy a XXI. eljött az „adat- és HR-analitika kora” [18] .
Az üzleti intelligencia általános alkalmazása a portfólióelemzés . Általános szabály, hogy egy bank vagy hitelügynökség különböző értékű és kockázatú ügyfélszámlákkal rendelkezik . A fiókok eltérhetnek a tulajdonos társadalmi státusza, földrajzi elhelyezkedése, nettó vagyona és egyéb paraméterek tekintetében. A hitelezőnek egyensúlyban kell tartania a kölcsön hozamát a nemteljesítés kockázatával. Ez felveti azt a kérdést, hogyan kell értékelni a portfólió egészét [19] .
A bankszektorban prediktív modelleket dolgoznak ki, hogy kockázatértékelést biztosítsanak az egyes ügyfelek számára. A kreditpontszámokat széles körben használják a kérelmezők hitelképességének felmérésére [20] Ezen kívül a biztosítási ágazatban is alkalmaznak kockázatelemzést [21] .
A biztonsági elemzés olyan információs technológiát jelent, amely a biztonsági fenyegetésekkel kapcsolatos információkat gyűjt a legnagyobb kockázatot jelentő események azonosítása érdekében [22] . Az ezen a területen található termékek közé tartoznak a biztonsági információk, az eseménykezelés és a felhasználói viselkedés elemzése.
Az analitika feladataiban kiemelt figyelmet kap a big data elemzése [23] . A múltban a big data csak a tudományban volt megtalálható. Jelenleg az iparban és az üzleti életben is megjelennek ilyen adatok [24] [23] .
Egy másik probléma, amely felkelti az elemzők figyelmét, a strukturálatlan adattípusok elemzése . A strukturálatlan adatok abban különböznek a strukturált adatoktól, hogy formátumuk nagyon változó, és jelentős átalakítás nélkül nem tárolhatók hagyományos relációs adatbázisokban [25] . A strukturálatlan adatforrások, mint például az e-mailek, szövegszerkesztő dokumentumok, PDF-ek, térinformatikai adatok stb., gyorsan válnak fontos üzleti intelligenciaforrássá a vállalatok, kormányok és egyetemek számára [26] [27] .
A fenti feladatok a gépi elemzés olyan új koncepcióinak megjelenéséhez vezettek, mint például a komplex eseményfeldolgozás [28] , a teljes szöveges keresés stb. Az egyik ilyen újítás a számítógépes hálózatok alkalmazása, amelyek masszívan párhuzamos adatfeldolgozással növelik a teljesítményt [ 29] .
Az elemzés megvalósításának fő kockázata a diszkrimináció, például az árdiszkrimináció vagy a statisztikai diszkrimináció [30] .