Оперативная аналитическая обработка

Тон или стиль этой статьи может не отражать энциклопедический тон , используемый в Википедии . См. руководство Википедии по написанию лучших статей для предложений. ( Декабрь 2024 ) ( Узнайте, как и когда удалить это сообщение )

Операционная аналитическая обработка , более известная как операционная аналитика , представляет собой подмножество аналитики данных , направленное на улучшение операционной природы бизнеса или организации.

Основная характеристика, которая отличает операционную аналитику от других видов аналитики, заключается в том, что это аналитика на лету , ^[1] что означает, что сигналы, исходящие из различных частей бизнеса, обрабатываются в режиме реального времени для обратной связи в моментальное принятие решений для бизнеса. Иногда это называют «непрерывной аналитикой», что является еще одним способом подчеркнуть непрерывный цифровой цикл обратной связи, который может существовать от одной части бизнеса к другим его частям.

Быстрая цифровая трансформация многих предприятий означает, что все большее количество бизнес-сигналов записывается и хранится в цифровой форме. Предприятия используют эти сигналы для повышения своей эффективности, улучшения производительности и предоставления лучшего опыта своим пользователям и клиентам. Отчет Forrester ^[2] подробно описывает, как оцифровка бизнеса влияет на его клиентский опыт за счет использования данных. Операционная аналитика позволяет обрабатывать различные типы информации из разных источников, а затем решать, что делать дальше: какие действия предпринять, с кем поговорить, какие ближайшие планы составить. Gartner определяет это как непрерывный интеллект ^[3] в исследовательском отчете и продолжает описывать это как шаблон проектирования, в котором аналитика в реальном времени интегрируется в бизнес-операцию, обрабатывая текущие и исторические данные для предписания действий в ответ на события . Андрессен Горовиц ^{[4] [5]} описывает это как ...все больше и больше решений полностью автоматизированы — подумайте об Amazon, постоянно обновляющей цены на свои продукты в течение дня . Эта форма аналитики стала популярной в связи с тенденцией цифровизации практически во всех отраслевых вертикалях, поскольку именно цифровизация предоставляет данные, необходимые для принятия оперативных решений.

Несколько примеров операционной аналитики включают... менеджера по продукту , который просматривает журналы использования продукта, чтобы определить, какие функции продукта нравятся его пользователям, какие функции замедляют их работу, а какие функции не нравятся его пользователям. Менеджер по продукту может собрать все эти ответы, запрашивая данные, которые регистрируют шаблоны использования из пользовательской базы продукта; и он или она может немедленно передать эту информацию обратно, чтобы сделать продукт лучше. Аналогично, в случае маркетинговой аналитики в доцифровом мире менеджер по маркетингу организует несколько фокус-групп , пробует несколько экспериментов, основанных на собственном творчестве, а затем реализует их. В зависимости от результатов экспериментов они затем решают, что делать дальше. Эксперимент может занять недели или месяцы. В цифровом мире есть « маркетинговый инженер », человек, который хорошо разбирается в использовании систем данных. Эти маркетинговые инженеры могут проводить несколько экспериментов одновременно, собирать результаты экспериментов в виде данных, прекращать неэффективные эксперименты и развивать те, которые работают, все это с помощью основанных на данных программных систем. Чем больше экспериментов они смогут провести и чем быстрее будут получены результаты, тем выше будет эффективность их маркетинга.

В статье MIT Technology Review ^[6] описывается, как приложение для совместного использования поездок использует алгоритмы для мониторинга трафика и времени поездки в реальном времени, чтобы сбалансировать спрос и предложение для поиска поездок, а также для соответствующей и быстрой корректировки сборов. Использование аналитики операций не ограничивается областью информационных технологий . Данные из бизнес-аналитики, финансов, науки, погоды и даже текущих событий объединяются, а затем анализируются вместе, чтобы извлечь из них ценную информацию, и это, в свою очередь, способствует быстрому принятию решений практически в каждом возможном использовании. Система сбора метрик, такая как Scuba ^[7], является системой операционной аналитики, поскольку она широко используется для интерактивных, специальных аналитических запросов, которые выполняются менее чем за секунду по реальным данным.

Определение механизма обработки оперативной аналитики (OPAP) ^[8] можно выразить в виде следующих шести положений:

1. Сложные запросы : поддержка таких запросов, как внутренние и внешние объединения, агрегации, сортировка, релевантность и т. д.
2. Низкая задержка данных : обновление любой записи данных отображается в результатах запроса менее чем за несколько секунд.
3. Низкая задержка запроса : простой поисковый запрос возвращается менее чем за несколько миллисекунд.
4. Большой объем запросов : возможность обслуживания не менее нескольких сотен одновременных запросов в секунду.
5. Синхронизация в реальном времени с источниками данных : способность поддерживать синхронизацию с различными внешними источниками без необходимости писать внешние скрипты. Это можно сделать с помощью захвата изменений внешней базы данных или путем отслеживания потоковых источников данных.
6. Смешанные типы : допускает значения разных типов в одном столбце. Это необходимо для возможности приема новых данных без необходимости манипулировать ими во время записи.

Операционная аналитика является подмножеством более широкого набора процессов, характеризующих OLAP ( онлайн-аналитическую обработку ). Как таковая, она наследует большие размеры данных и сложные запросы, которые обычно приходится обрабатывать системам OLAP. Однако характеристики, которые однозначно идентифицируют операционную аналитику, — это требование быстрых прогнозов на основе самых последних сигналов. Это означает, что задержка данных и задержка запросов очень малы. Например, операционная аналитика, применяемая к бизнес-процессам в реальном времени, указывает, что задержка данных должна быть нулевой. Это также означает, что запросы должны быть быстрыми и завершаться с интерактивной скоростью. Поскольку эти решения принимаются на микроуровне и очень персонализированы ^[9] для каждого отдельного субъекта, обработка операционной аналитики характеризуется тем, насколько легко предоставлять персонализированные рекомендации с помощью такой системы.