Business analytics begins with the

Business analytics begins with the collection, organization, and manipulation of data and
is supported by three major components:14
1. Descriptive analytics. Most businesses start with descriptive analytics—the
use of data to understand past and current business performance and make
informed decisions. Descriptive analytics is the most commonly used and most
well understood type of analytics. These techniques categorize, characterize,
consolidate and classify data to convert it into useful information for the purposes
of understanding and analyzing business performance. Descriptive analytics
summarizes data into meaningful charts and reports, for example, about
budgets, sales, revenues, or cost. This process allows managers to obtain standard
and customized reports and then drill down into the data and make queries
to understand the impact of an advertising campaign, for example, review
business performance to find problems or areas of opportunity, and identify
patterns and trends in data. Typical questions that descriptive analytics helps
answer are: How much did we sell in each region? What was our revenue and
profit last quarter? How many and what types of complaints did we resolve?
Which factory has the lowest productivity? Descriptive analytics also helps
companies to classify customers into different segments, which enables them
to develop specific marketing campaigns and advertising strategies.
2. Predictive analytics. Predictive analytics analyzes past performance in an effort
to predict the future by examining historical data, detecting patterns or
relationships in these data, and then extrapolating these relationships forward
in time. For example, a marketer might wish to predict the response of different customer segments to an advertising campaign, a commodities trader
might wish to predict short-term movements in commodities prices, or a skiwear
manufacturer might want to predict next season’s demand for skiwear of a specific
color and size. Predictive analytics can predict risk and find relationships in
data not readily apparent with traditional analyses. Using advanced techniques,
predictive analytics can help to detect hidden patterns in large quantities of data
to segment and group data into coherent sets in order to predict behavior and
detect trends. For instance, a bank manager might want to identify the most profitable
customers or predict the chances that a loan applicant will default, or alert
a credit-card customer to a potential fraudulent charge. Predictive analytics helps
to answer questions such as: What will happen if demand falls by 10% or if supplier
prices go up 5%? What do we expect to pay for fuel over the next several
months? What is the risk of losing money in a new business venture?
3. Prescriptive analytics. Many problems, such as aircraft or employee scheduling
and supply chain design, for example, simply involve too many choices
or alternatives for a human decision maker to effectively consider. Prescriptive
analytics uses optimization to identify the best alternatives to minimize
or maximize some objective. Prescriptive analytics is used in many areas of
business, including operations, marketing, and finance. For example, we may
determine the best pricing and advertising strategy to maximize revenue, the
optimal amount of cash to store in ATMs, or the best mix of investments in
a retirement portfolio to manage risk. The mathematical and statistical techniques
of predictive analytics can also be combined with optimization to make
decisions that take into account the uncertainty in the data. Prescriptive analytics
addresses questions such as: How much should we produce to maximize
profit? What is the best way of shipping goods from our factories to minimize
costs? Should we change our plans if a natural disaster closes a supplier’s factory:
if so, by how much?

Kết quả (Việt) 1:

Phân tích kinh doanh bắt đầu với việc thu thập, tổ chức, và các thao tác dữ liệu vàđược hỗ trợ bởi ba thành phần chính: 141. Mô tả phân tích. Hầu hết các doanh nghiệp bắt đầu với mô tả phân tích — cácsử dụng dữ liệu để hiểu hiệu suất trong quá khứ và hiện tại kinh doanh và làm chothông báo quyết định. Mô tả phân tích là sử dụng phổ biến nhất và hầu hếtcũng hiểu loại phân tích. Các kỹ thuật phân loại, đặc trưng,củng cố và phân loại các dữ liệu để chuyển đổi nó thành thông tin hữu ích cho các mục đíchsự hiểu biết và phân tích hiệu suất kinh doanh. Mô tả phân tíchtóm tắt dữ liệu vào biểu đồ có ý nghĩa và báo cáo, ví dụ, vềngân sách, bán hàng, doanh thu hoặc chi phí. Quá trình này cho phép người quản lý để có được tiêu chuẩnvà báo cáo tùy chỉnh và sau đó khoan xuống vào dữ liệu và thực hiện truy vấnđể hiểu tác động của một chiến dịch quảng cáo, ví dụ, xem xéthiệu quả kinh doanh để tìm vấn đề hoặc các khu vực của cơ hội, và xác địnhMô hình và xu hướng trong dữ liệu. Tiêu biểu câu hỏi đó giúp mô tả phân tíchcâu trả lời là: bao nhiêu chúng tôi bán ở mỗi vùng? Những gì đã là doanh thu của chúng tôi vàlợi nhuận quý cuối? Bao nhiêu và những gì loại của khiếu nại đã làm chúng tôi giải quyết?Nhà máy mà có năng suất thấp nhất? Mô tả phân tích cũng giúpCác công ty để phân loại khách vào phân đoạn khác nhau, cho phép họđể phát triển cụ thể chiến dịch tiếp thị và quảng cáo chiến lược.2. kiểu phân tích. Kiểu phân tích phân tích qua hiệu suất trong một nỗ lựcđể dự đoán tương lai bằng cách kiểm tra dữ liệu lịch sử, phát hiện mô hình hoặcmối quan hệ trong những dữ liệu này, và sau đó extrapolating các mối quan hệ chuyển tiếptrong thời gian. Ví dụ, một nhà tiếp thị có thể muốn để dự đoán phản ứng của khách hàng khác nhau phân đoạn cho một chiến dịch quảng cáo, hàng hóa thương nhâncó thể muốn để dự đoán các phong trào ngắn hạn trong giá cả hàng hóa, hoặc một skiwearnhà sản xuất có thể dự đoán của mùa giải tiếp theo nhu cầu về skiwear của một cụ thểmàu sắc và kích thước. Kiểu phân tích có thể dự đoán rủi ro và tìm thấy mối quan hệ trongdữ liệu không dễ dàng rõ ràng với truyền thống phân tích. Bằng cách sử dụng nâng cao kỹ thuật,tiên đoán analytics có thể giúp phát hiện ẩn mô hình với số lượng lớn của dữ liệuphân khúc và nhóm dữ liệu vào mạch lạc bộ để dự đoán hành vi vàphát hiện xu hướng. Ví dụ, một người quản lý ngân hàng có thể muốn xác định lợi nhuận cao nhấtkhách hàng hoặc dự đoán các cơ hội mà một nộp đơn vay tiền sẽ mặc định, hoặc cảnh báomột khách hàng thẻ tín dụng để một gian lận phí tiềm năng. Tiên đoán analytics giúpđể trả lời các câu hỏi như: những gì sẽ xảy ra nếu nhu cầu giảm xuống 10% hoặc nếu nhà cung cấpgiá đi lên 5%? Những gì chúng tôi mong đợi để trả tiền cho nhiên liệu hơn tiếp theo một sốvài tháng? Nguy cơ mất tiền trong một liên doanh kinh doanh mới là gì?3. prescriptive analytics. Nhiều vấn đề, chẳng hạn như máy bay hoặc nhân viên lập kế hoạchvà cung cấp thiết kế chuỗi, ví dụ, chỉ đơn giản là liên quan đến quá nhiều sự lựa chọnhoặc lựa chọn thay thế cho một con người ra quyết định để xem xét một cách hiệu quả. Quy tắcAnalytics sử dụng tối ưu hóa để xác định các lựa chọn thay thế tốt nhất để giảm thiểuhoặc tối đa hóa một số mục tiêu. Quy tắc phân tích được sử dụng trong nhiều lĩnh vực củakinh doanh, bao gồm cả hoạt động, tiếp thị và tài chính. Ví dụ, chúng tôi có thểxác định giá cả tốt nhất và quảng cáo chiến lược để tối đa hóa doanh thu, cácsố lượng tối ưu các tiền mặt để lưu trữ trong các máy ATM, hoặc kết hợp tốt nhất của đầu tư vàomột danh mục đầu tư hưu trí quản lý rủi ro. Các kỹ thuật toán học và thống kêtiên đoán Analytics có thể cũng được kết hợp với tối ưu hóa để làm choquyết định đưa vào tài khoản không chắc chắn trong dữ liệu. Quy tắc phân tíchđịa chỉ các câu hỏi như: bao nhiêu nên chúng tôi sản xuất để tối đa hóalợi nhuận? Cách tốt nhất để vận chuyển hàng hóa từ nhà máy của chúng tôi để giảm thiểu là gìchi phí? Chúng ta nên thay đổi kế hoạch của chúng tôi nếu một thảm họa tự nhiên đóng của một nhà cung cấp nhà máy:Nếu vậy, bao nhiêu?

Kết quả (Việt) 2:

Phân tích kinh doanh bắt đầu với việc thu thập, tổ chức, và thao tác dữ liệu và
được hỗ trợ bởi ba thành phần chính: 14
1. Phân tích mô tả. Hầu hết các doanh nghiệp bắt đầu với mô tả phân tích-the
sử dụng số liệu để hiểu hiệu quả kinh doanh trong quá khứ và hiện tại và làm cho
các quyết định được thông tin. Phân tích mô tả là phổ biến nhất được sử dụng và hầu hết các
loại được hiểu rõ các phân tích. Những kỹ thuật phân loại, đặc điểm,
củng cố và phân loại dữ liệu để chuyển đổi nó thành thông tin hữu ích cho các mục đích
của sự hiểu biết và phân tích hiệu quả kinh doanh. Phân tích mô tả
tóm tắt dữ liệu vào bảng xếp hạng có ý nghĩa và báo cáo, ví dụ, về
ngân sách, bán hàng, doanh thu, hoặc chi phí. Quá trình này cho phép các nhà quản lý để có được tiêu chuẩn
báo cáo và tùy chỉnh và sau đó đi sâu vào các dữ liệu và thực hiện truy vấn
để hiểu tác động của một chiến dịch quảng cáo, ví dụ, xem xét
hiệu quả kinh doanh để tìm các vấn đề hoặc các khu vực của cơ hội, và xác định
mô hình và xu hướng dữ liệu . Câu hỏi điển hình mà việc phân tích mô tả giúp
câu trả lời là: Làm thế nào nhiêu chúng tôi bán ở từng khu vực? Doanh thu và chúng tôi là những gì
lợi nhuận quý cuối cùng? Bao nhiêu và những loại khiếu nại đã giải quyết xong?
Mà Nhà máy có công suất thấp nhất? Phân tích mô tả cũng giúp
các công ty để phân loại khách hàng thành các phân đoạn khác nhau, cho phép họ
để phát triển các chiến dịch tiếp thị và chiến lược quảng cáo cụ thể.
2. Các phân tích. Các phân tích phân tích hiệu suất quá khứ trong một nỗ lực
để dự đoán tương lai bằng cách kiểm tra các dữ liệu lịch sử, phát hiện các mẫu hoặc
các mối quan hệ trong các dữ liệu, và sau đó suy rộng các mối quan hệ về phía trước
trong thời gian. Ví dụ, một nhà tiếp thị có thể muốn để dự đoán phản ứng của phân khúc khách hàng khác nhau để một chiến dịch quảng cáo, một nhà kinh doanh hàng hóa
có thể muốn để dự đoán biến động ngắn hạn của giá hàng hóa, hoặc một skiwear
nhà sản xuất có thể muốn dự đoán nhu cầu mùa tới cho skiwear của một cụ thể
màu sắc và kích cỡ. Các phân tích có thể dự đoán rủi ro và tìm các mối quan hệ trong
dữ liệu không rõ ràng với những phân tích truyền thống. Sử dụng kỹ thuật tiên tiến,
phân tích tiên đoán có thể giúp phát hiện các mô hình ẩn với số lượng lớn dữ liệu
để phân đoạn và nhóm dữ liệu vào bộ mạch lạc để dự đoán hành vi và
phát hiện các xu hướng. Ví dụ, một người quản lý ngân hàng có thể muốn xác định có lợi nhất
cho khách hàng hoặc dự đoán các cơ hội mà một người nộp đơn vay sẽ mặc định, hoặc cảnh báo cho
khách hàng thẻ tín dụng để gian lận phí một tiềm năng. Phân tích tiên đoán giúp
trả lời các câu hỏi như: Điều gì sẽ xảy ra nếu nhu cầu giảm 10% hoặc nếu nhà cung cấp
giá cả đi lên 5%? Chúng tôi làm những gì mong đợi để trả tiền cho nhiên liệu trong nhiều tiếp theo
tháng? Các nguy cơ mất tiền trong một liên doanh mới là gì?
3. Phân tích quy tắc. Nhiều vấn đề, ​​chẳng hạn như máy bay hoặc nhân viên lập kế hoạch
và thiết kế chuỗi cung ứng, ví dụ, chỉ cần liên quan đến quá nhiều sự lựa chọn
hoặc lựa chọn thay thế cho một quyết định của con người để xem xét hiệu quả. Quy tắc
phân tích sử dụng tối ưu hóa để xác định các lựa chọn thay thế tốt nhất để giảm thiểu
hoặc tối đa hóa một số mục tiêu. Phân tích quy tắc được sử dụng trong nhiều lĩnh vực
kinh doanh, bao gồm cả các hoạt động, tiếp thị và tài chính. Ví dụ, chúng ta có thể
xác định giá và quảng cáo chiến lược tốt nhất để tối đa hóa doanh thu,
số tiền tối ưu tiền mặt để lưu trữ trong các máy ATM, hoặc kết hợp tốt nhất của các khoản đầu tư trong
danh mục đầu tư quỹ hưu trí để quản lý rủi ro. Các kỹ thuật toán học và thống kê
của hãng phân tích tiên đoán cũng có thể được kết hợp với tối ưu hóa để làm cho
các quyết định có tính đến sự không chắc chắn trong các dữ liệu. Phân tích quy tắc
giải quyết các câu hỏi như: Làm thế nào nhiêu chúng tôi phải sản xuất để tối đa hóa
lợi nhuận? Cách tốt nhất để vận chuyển hàng hóa từ các nhà máy của chúng tôi để giảm thiểu những gì là
chi phí? Chúng ta có nên thay đổi kế hoạch của chúng tôi nếu một thảm họa tự nhiên đóng cửa một nhà máy của nhà cung cấp:
nếu có thì bao nhiêu?