Veri Madenciliği

Veri Biliminde Veri Analitiği Tipleri

Descriptive Analytics / Diagnostic Analytics / Predictive Analytics / Prescriptice Analytics

analytic-maturity

Merhabalar,

Veri Biliminde kullanılan veri analitiği tipleri olan Descriptive, Diagnostic, Predictive ve Prescriptive Analitiği kavramlarını açıklayama çalışacağım.

Descriptive Analytics

Descriptive Analytics, tanımlayıcı, tarif edici olarak ifade edebiliriz. veri’yi (özelinde business’i) tanımladığımız bilgi edindiğimiz analitiktir. Veri hakkında tanımlayıcı bilgileri ortaya koymaktadır.What happened? (Ne oldu?) sorusuna cevap aldığımız kavramdır. İstatistik derslerinde ilk olarak bahsedilen tanımlayıcı kavramların genel adıdır. İstatistik, Veri Madenciliği, İş Zekası gibi alanlarda sıkça rastlanılır.

Diagnostic Analytics

Diagnostic Analytics, veriye yada içeriğe ilişkin tanı/teşhis durumunun konulmasını içeren ileri analitik tekniklerdir. İçerisinde Pattern(Örüntü), Data Mining(Veri Madenciliği), Correlation(Korelasyon) gibi teknikler ile Why did it happen?(Neden oldu?) sorusuna tanı/teşhis koyabilir ve karakterize edebiliriz.

Predictive Analytics

Predictive Analytic, tahmine yönelik bir kavram (forecast, predict) olarak ifade edebiliriz. Geçmişe yada geleceğe yönelik olarak belirli bir durum olması/olmaması halinde satış, karlılık, performans gibi metriklerin belirlenmesinde kullanılan bir kavramdır. What is going to happen? (Ne olacak?)sorusuna cevap vermektedir. İstatistik derslerinde tahmin edici (çıkarsamalı) olarak bahsedilen kavramdır.(Bu noktada bu yazımızı okuyabilirsiniz: Peki Hangi Tahmin: Estimate, Forecast, Predict) Time Series Analysis(Zaman Serisi Analizi), Regression (Regresyon – Bağlanım), Multivariate Statistics (Çok Değişkenli İst.) teknikleri tahmin edici modeli karakterize etmektedir.

Prescriptive Analytics

Prescriptive Analytics, kuralcı bir ileri analitik tekniğidir. Yapısı itibariyle tavsiye/öneri sistemleri benzemektedir. Tanımları belirledikten tahminlerin oluşturulmasından sonra belirli aksiyonların/eylemlerin alınması sürecidir. What should be done? (Ne yapılmalı?) sorusuna cevap verebildiğimiz bir metriktir. Sürecin devamlılığı için Graph analysis(Graf Teorisi), Simulation(Simülasyon), Neural Networks(Sinir Ağları), Recommendation Engines(Tavsiye Motorları), Heuristics(Sezgisel Yöntemler), ve Machine Learning(Makine Öğrenmesi) teknikler ile karakterize edilmektedir.

IBM’in bu konuda hakkında bir yazısını sizinle paylaşmak istiyorum. İlgili yazıya buradan http://www-01.ibm.com/common/ssi/cgi-bin/ssialias?infotype=SA%26subtype=WH%26htmlfid=TIW14162USEN ulaşabilirsiniz.

ibmdataanalytics

Görüş, öneri ve katkıda bulunmak ve beraber öğrenmek isterseniz [email protected] ‘dan bana ulaşabilirsiniz. Görüşmek üzere, selamlar 🙂

Kaynak

[1] https://halobi.com/2014/10/descriptive-predictive-and-prescriptive-analytics-explained/

[2] http://www-01.ibm.com/common/ssi/cgi-bin/ssialias?infotype=SA%26subtype=WH%26htmlfid=TIW14162USEN

[3] http://www.gartner.com/it-glossary/predictive-analytics/

[4] http://www.gartner.com/it-glossary/descriptive-analytics

[5] http://www.gartner.com/it-glossary/diagnostic-analytics

[6] http://www.gartner.com/it-glossary/predictive-analytics-2

[7] http://www.gartner.com/it-glossary/prescriptive-analytics

İstatistik ve Bilgisayar Programlama bölümü mezunu olan Metin; İstatistiksel Modelleme, Yapay Sinir Ağları ve Veri Madenciliği konularına ilgi duymakta ve çalışmalar yapmaktadır. veribilimci olma gayreti içerisinde ama yolun çok başında. İleri spor istatistiklerine de bayılıyor. Daha çok kendi halinde, kitap ve basket sever.