การวิเคราะห์ข้อมูล (Data Analytics) เป็นส่วนหนึ่งของ การทำงานแบบอัจฉริยะ (Business Intelligence) ซึ่งเป็นศาสตร์ของการใช้ข้อมูลต่าง ๆ จากที่ต่าง ๆ มาร่วมวิเคราะห์รวมกัน เพื่อให้สามารถนำข้อมูลจำนวนมากมาวิเคราะห์และแสดงผลเพื่อสนับสนุนการทำางานต่าง ๆ เช่น การวิเคราะห์ประสิทธิภาพและประเสิทธิผล การตัดสินใจสำหรับผู้บริหาร รวมความรู้เพื่อให้มีความรู้ความเข้าใจเกี่ยวกับ Data Analytics และการนำ Data Analytics มาใช้ประโยชน์และช่วยในการปฏิบัติงานต่อไป
การวิเคราะห์ข้อมูล (Data Analytics)
- การวิเคราะห์ข้อมูลเป็นคำที่มักใช้แทนกันได้ วิทยาศาสตร์ข้อมูล (data science), การทำเหมืองข้อมูล (data mining) หรือการค้นหาความรู้ (knowledge discovery)
- การใช้ประโยชน์ในรูปแบบธุรกิจ หรือแบบจำลองการตัดสินใจทางคณิตศาสตร์ จากการประมวลผลชุดข้อมูลล่วงหน้าในอนาคต
- ความแตกต่างของการวิเคราะห์
@ การวิเคราะห์เชิงกำหนด ซึ่งใช้อัลกอริธึมการเพิ่มประสิทธิภาพและการจำลองสถานการณ์ เพื่อให้คำแนะนำผลลัพธ์และคำตอบที่เป็นไปได้ว่า “เราควรทำอย่างไร”
@ การวิเคราะห์ในรูปแบบเชิงพยากรณ์ โดยทั่วไปจะมีตัวแปรเป้าหมายการเรียนรู้แบบมีผู้สอน (Supervised learning)
@ การจัดหมวดหมู่ เช่นมีความปั่นป่วนหรือไม่ เป็นข้อมูลที่ถูกต้องหรือไม่ (e.g., churn or not, fraud or not)
@ ความต่อเนื่อง เช่น ค่าอายุการใช้งานของลูกค้า, การสูญเสียที่กำหนดไว้เป็นค่าเริ่มต้น
@ การวิเคราะห์เชิงพรรณนาไม่มีตัวแปรเป้าหมายดังกล่าว (การเรียนรู้ที่ไม่ได้รับการสงวน)
ประกอบด้วยหัวข้อ ดังนี้
1. ความรู้เบื้องต้นเกี่ยวกับการวิเคราะห์ข้อมูล (Introduction to Data Analytics)
- Data Analytics ระดับในการวิเคราะห์ข้อมูล (Level of data analytics)
- Data Analytics ทีมวิเคราะห์ (Analytics Team)
- Data Analytics วงจรชีวิตในการผลิตข้อมูล (Life cycle of data product)
- Big Data เรื่องคลังข้อมูล (Data Warehouse)
- Big Data เรื่องคลังข้อมูล (Data Warehouse) และทะเลสาบข้อมูล (Data Lake)
- Big Data เรื่องทะเลสาบข้อมูล (Data Lake)
- Big Data การทำเหมืองข้อมูลโดยวิธี Cross-Industry Standard Process for Data Mining (CRISP-DM)
- Big Data เรื่องการทำเหมืองข้อมูล (Data Mining)
- Big Data การออกแบบกระบวนการวิเคราะห์ที่เหมาะสมควรทำอย่างไร
- Big Data ควรค่าแก่การสนใจและนำมาใช้ในงานแค่ไหน
2. ความเข้าใจและการประมวลผลข้อมูล (Data understanding and processing)
3. การสำรวจข้อมูลและรูปแบบนำเสนอ (Data Exploration and Visualization)
4. การเรียนรู้ของเครื่อง (Machine Learning)
5. การวิเคราะห์เชิงพรรณนา (Descriptive analytics)
6. การวิเคราะห์เชิงพยากรณ์ แบบสมการการถดถอย (Predictive analytics: Regression)
7. การวิเคราะห์เชิงทำนาย แบบการจำแนกประเภท (Predictive analytics: Classification)
8. การพัฒนาระบบให้คำแนะนำ (Recommendation System)
ที่มาข้อมูล
รวบรวมโดย
----------------------------------------------------------------
สนใจข้อมูลเพิ่มเติมดูที่
DA การวิเคราะห์ข้อมูล (Data Analytics) รวมข้อมูล