Analyse des données : Diagnostic & Prescription

Diagnostic et prescription sont les termes souvent utilisés dans le contexte médical. Cependant, aujourd’hui, je veux vous expliquer comment ces termes sont liés à l’analyse de données.

Il existe principalement 4 types d’analyse de données :

Ce blog se concentre sur l’analyse des données diagnostiques et prescriptives.

Analyse des données diagnostiques :

Le diagnostic signifie l’identification de la nature de la maladie par l’examen des symptômes. Le terme analyse des données de diagnostic est similaire lorsque quelque chose ne va pas – la maladie des données. Dans ce cas, vous analysez les données, les faits, les chiffres et concluez ce qui s’est passé et pourquoi.

Il y a principalement deux plaintes lorsque nous devons effectuer une analyse de données de diagnostic :

• Les données/rapports sont incorrects
• Pourquoi les offres de détail ont perdu

D’après mon expérience, je peux dire que la perte de données ou les données incorrectes sont principalement dues au flux de données entre différents systèmes. Il est très similaire au jeu « The Whisper Challenge ». Le jeu commence avec la première personne disant « Un million est un avec 6 zéros » et la dernière personne reçoit « Un sur un million est zéro »

En tant qu’analyste de données, nous devons être un bon auditeur, un lecteur conscient pour comprendre le problème. Voici les approches préférées pour l’analyse des données de diagnostic :

• Identifiez « ce qui s’est passé » : ici, vous pouvez relire le problème et répertorier votre compréhension et les impacts de la maladie des données
• Si possible, reproduisez le problème dans l’environnement Dev/QA et commencez l’analyse.
• Identifiez la source des données : Ici, vous allez à la racine des données en traçant le système qui génère les données, comment cela est transmis en aval/en amont et vérifiez s’il y a des lacunes. Vous vérifiez également s’il a atteint le système cible dans le format attendu.
• Identifiez les corrélations : s’il existe des processus interdépendants, identifiez et analysez chacun d’eux
• Identifiez les points d’intégration :
  • Une fois les données reçues en aval/amont, quels sont les points d’intégration où les données sont traitées/transformées ?
  • Vérifiez tous les programmes impliqués dans la transformation des données et analysez-les un par un
  • La meilleure approche ici consiste à prendre quelques exemples d’enregistrements et à les analyser en profondeur. par exemple, prenez n’importe quel numéro d’identification, vérifiez les données correspondantes dans chaque tableau un par un.
  • Si l’un des programmes implique l’UNION d’une grande quantité de données, commentez-le pour limiter le nombre d’enregistrements.
  • Si un outil ETL fusionne plusieurs fichiers, désactivez les flux de travail non essentiels

• Essayez de comparer des données similaires, ne comparez pas des pommes avec des oranges.
• Validation et vérification des données :
  • Vérifier les comptes source et destination
  • Vérifier les agrégats s’il y en a
  • Vérifier l’exactitude des données
  • Vérifier la qualité des données
  • Vérifier les transformations

Au moment où j’écris ceci, je me souviens de ce scénario :

Une grande chaîne pharmaceutique a offert 30 % de réduction aux personnes âgées et cela se passait bien au départ. Cependant, l’entreprise a observé que la marge bénéficiaire avait légèrement diminué au cours du trimestre suivant le lancement de l’offre.

Lorsque nous avons effectué l’analyse, nous avons observé que c’était parce qu’au lieu d’augmenter l’empreinte client, elle était réduite. Les achats basés sur les données des clients ressemblaient à des personnes âgées de tous les ménages qui venaient de collecter les commandes de la famille élargie et de tout acheter ensemble avec une remise de 30 %.

Le but de l’analyse des données de diagnostic est de découvrir la cause première du problème en cours.

Analyse prescriptive des données :

Lorsque le diagnostic est terminé, vous préparez l’ordonnance ou lorsque l’entreprise vous demande des solutions en fonction du diagnostic, vous donnez l’ordonnance. L’analyse prescriptive des données est souvent définie comme « Que devrions-nous faire ensuite ? » Ainsi, cela s’appelle l’avenir de l’analyse de données.

Voici quelques façons d’effectuer une analyse prescriptive des données :

1. Définir le résultat commercial que vous devez atteindre
2. Recueillir les données de toutes les sources pertinentes
3. Nettoyage des données pour uniformiser l’analyse des données
4. Créez vos propres modèles pour tester ces données. Vous pouvez également sélectionner des produits prêts à l’emploi appropriés pour l’analyse prédictive. Je ne vais pas recommander de particulier ici, vous pouvez choisir celui qui convient à votre cas et à votre style.
5. Évaluation et validation – Le modèle que vous avez créé à l’étape 4 doit être évalué, validé pour sa robustesse lorsqu’il est alimenté avec une large gamme de données.

Souvent, les grands détaillants viennent au service informatique et demandent des rapports basés sur le planogramme et les habitudes d’achat. L’analyste de données applique diverses techniques d’analyse prescriptive pour découvrir les habitudes d’achat des clients. Sur la base des résultats, ils fournissent des informations à l’équipe commerciale pour réorganiser les planogrammes des magasins.

Un point à noter ici est que, dans le commerce de détail, le planogramme du magasin contribue beaucoup à l’achat compulsif. Prenons un moment ici pour comprendre ce que signifie planogramme. Le planogramme est une carte de magasin qui définit l’emplacement des articles et la façon dont les allées sont planifiées dans les magasins. Les biscuits à côté du thé et le revitalisant à côté du shampoing sont des exemples courants de conception de planogramme.

Cette image est très courante dans la conception de planogrammes de tous les magasins de détail ; les œufs à côté du pain imposent des achats compulsifs qui sont le fruit d’années de compréhension humaine inhérente.

Revenons à notre exemple de l’analyse des données de diagnostic pour les grandes entreprises pharmaceutiques. Donc, comme je l’ai mentionné plus tôt, l’offre de remise de 30 % aux personnes âgées a eu un impact sur le détaillant. Ainsi, nous avons effectué une analyse des données et, sur la base du comportement d’achat, nous avons suggéré de remplacer l’offre par 30 % de réduction pour les personnes âgées sur les produits qu’elles utilisent comme les couches pour adultes, les cannes et certains médicaments en vente libre. C’était prescription à la perte ci-dessus diagnostic.

Cela a contribué à augmenter les empreintes et a également augmenté les revenus, car maintenant, on en vient à acheter un médicament contre la toux et le rhume et à acheter également quelques autres articles frontaux comme les produits laitiers, les cosmétiques ou les articles saisonniers, ce qui a augmenté les revenus.

L’objectif de l’analyse prescriptive des données est d’aider les entreprises/praticiens à prendre des décisions basées sur les données qui peuvent aider à améliorer les marges bénéficiaires ou l’expérience de l’utilisateur final.

Plongeons profondément dans les données.

~ Deepali