{"id":1128,"date":"2019-06-20T14:44:41","date_gmt":"2019-06-20T11:44:41","guid":{"rendered":"http:\/\/statistition.com\/?p=1128"},"modified":"2019-06-20T14:44:41","modified_gmt":"2019-06-20T11:44:41","slug":"analytiikan-alalajit","status":"publish","type":"post","link":"https:\/\/statistition.com\/?p=1128","title":{"rendered":"Analytiikan alalajit"},"content":{"rendered":"\n<p>Sijoittajamestari Ray Dalio kokosi el\u00e4m\u00e4ss\u00e4\u00e4n oppimansa asiat teokseen <em>Principles <\/em>ja p\u00e4\u00e4t\u00f6kseen tekoon liittyv\u00e4 ensimm\u00e4inen periaate kuuluu n\u00e4in:<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\"><p> <em>&#8221;Recognize that 1) the biggest threat to good decision making is harmful emotions, and 2) decision making is a two-step process (first learning and then deciding).&#8221;<\/em> <\/p><cite>Ray Dalio<\/cite><\/blockquote>\n\n\n\n<p>Datan analysointi tai datatieteily liityy nimenomaan ymp\u00e4rist\u00f6st\u00e4 oppimiseen ilman tunteiden aiheuttamia v\u00e4\u00e4rist\u00e4vi\u00e4 tunteita niin ett\u00e4 voitaisiin tehd\u00e4 mahdollisimman valistuneita p\u00e4\u00e4t\u00f6ksi\u00e4.<\/p>\n\n\n\n<p>Kun tehd\u00e4\u00e4n liiketoimintaa tukevaa analyysi\u00e4, datan analysointi jaetaan tyypillisesti nelj\u00e4\u00e4n alalajiin riippuen, mit\u00e4 ty\u00f6ll\u00e4 tavoitellaan. Eri konsultit voivat j\u00e4rjestell\u00e4 ne hieman eri tavoilla, mutta itse mielell\u00e4ni j\u00e4rjest\u00e4en ne seuraavasti analyyttisen haastavuuden mukaan helpoimmasta vaikeimpaan:<\/p>\n\n\n\n<ol class=\"wp-block-list\"><li>Kuvaileva analytiikka (<em>Mit\u00e4 tapahtui?<\/em>)<\/li><li>Ennakoiva analytiikka (<em>Mit\u00e4 tulee tapahtumaan?<\/em>)<\/li><li>Diagnosoiva analytiikka (<em>Miksi jotain tapahtui?<\/em>)<\/li><li>Ohjaileva analytiikka (<em>Mit\u00e4 kannattaisi tehd\u00e4?<\/em>)<\/li><\/ol>\n\n\n\n<p>Kolme ensimm\u00e4ist\u00e4 liittyy oppimiseen ja viimeinen p\u00e4\u00e4t\u00f6ksentekoon opitun pohjalta.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Hukkuvat j\u00e4\u00e4tel\u00f6nsy\u00f6j\u00e4t<\/h2>\n\n\n\n<p>Avataan sitten n\u00e4it\u00e4 alalajeja esimerkin avulla. Hukkuvat j\u00e4\u00e4tel\u00f6nsy\u00f6j\u00e4t on monelle jo liiankin tuttu esimerkki riippuvuussuhteista, mutta ratsastetaan nyt viel\u00e4 kerran sill\u00e4, koska se kaikessa tomppeluudessaan kuitenkin hyvin demonstroi oleellisia pointteja. <\/p>\n\n\n\n<p>Olkoon meill\u00e4 toimeksiantona j\u00e4\u00e4tel\u00f6kioskiyritt\u00e4j\u00e4n auttaminen ja myynti\u00e4 ilmi\u00f6n\u00e4 kuvaa seuraava graafi. <\/p>\n\n\n\n<figure class=\"wp-block-image is-resized\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/statistition.com\/wp-content\/uploads\/2019\/06\/graafi_jaatelo-1.png\" alt=\"\" class=\"wp-image-1131\" width=\"518\" height=\"429\" srcset=\"https:\/\/statistition.com\/wp-content\/uploads\/2019\/06\/graafi_jaatelo-1.png 894w, https:\/\/statistition.com\/wp-content\/uploads\/2019\/06\/graafi_jaatelo-1-300x248.png 300w, https:\/\/statistition.com\/wp-content\/uploads\/2019\/06\/graafi_jaatelo-1-768x636.png 768w\" sizes=\"(max-width: 518px) 100vw, 518px\" \/><figcaption>L\u00e4mp\u00f6tilan nousu aiheuttaa enemm\u00e4n sek\u00e4 j\u00e4\u00e4tel\u00f6n myynti\u00e4 ett\u00e4 hukkumiskuolemia. Hukkumisen ja j\u00e4\u00e4tel\u00f6n myynnin v\u00e4lill\u00e4 ei ole syy-seuraus-yhteytt\u00e4.<\/figcaption><\/figure>\n\n\n\n<p>Graafissa olevien syy-seuraus-yhteyksien pohjalta olen nyt simuloinut 300 havaintoa, jonka kanssa seuraavissa esimerkeiss\u00e4 operoidaan.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Kuvaileva analytiikka<\/h2>\n\n\n\n<p>Kuvaileva analytiikka vastaa siis kysymykseen &#8221;Mit\u00e4 tapahtui?&#8221;. Vastaus l\u00f6ytyy raporteista, joissa on tilastollisista tunnuslukuja ja graafisia kuvioita. Yritysmaailmassa t\u00e4t\u00e4 analytiikan alalajia kutsutaan termill\u00e4 <em>Business Intelligence<\/em> (BI). Meid\u00e4n dataa 300 aiemmasta viikkohavainnosta kuvaavat esim. seuraavat tunnusluvut.<\/p>\n\n\n\n<table class=\"wp-block-table\"><tbody><tr><td><\/td><td>TEMP (C)<\/td><td>SALES (EUR)<\/td><td>DROWNED<\/td><\/tr><tr><td>Keskiarvo<\/td><td>19.6<\/td><td>13035<\/td><td>1.15<\/td><\/tr><tr><td>Keskihajonta<\/td><td>5.34<\/td><td>1315<\/td><td>3.52<\/td><\/tr><\/tbody><\/table>\n\n\n\n<p>Lis\u00e4ksi mielenkiinnon mukaan tunnuslukuja voisi vertailla eri ryhmien, esim. viikonp\u00e4ivien tai j\u00e4\u00e4tel\u00f6makujen, v\u00e4lill\u00e4.<\/p>\n\n\n\n<p>Keski- ja hajontalukujen lis\u00e4ksi havaintoja voi kuvata muuttujien v\u00e4lisill\u00e4 korrelaatiokertoimilla ja graafisilla kuvaajilla. Seuraava graafi ei ole v\u00e4ltt\u00e4m\u00e4tt\u00e4 kauneimmasta p\u00e4\u00e4st\u00e4, mutta minulle sen piirt\u00e4minen on osa perusprosessia uuteen aineistoon tutustuttaessa.\u00a0Siin\u00e4 on paljon informaatiota tiiviisti ilmaistuna ja sen saa tulostettua R-ohjelmistolla yhdell\u00e4 komennolla.<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img loading=\"lazy\" decoding=\"async\" width=\"695\" height=\"439\" src=\"https:\/\/statistition.com\/wp-content\/uploads\/2019\/06\/jaatelo_corchart.png\" alt=\"\" class=\"wp-image-1134\" srcset=\"https:\/\/statistition.com\/wp-content\/uploads\/2019\/06\/jaatelo_corchart.png 695w, https:\/\/statistition.com\/wp-content\/uploads\/2019\/06\/jaatelo_corchart-300x189.png 300w\" sizes=\"(max-width: 695px) 100vw, 695px\" \/><figcaption>L\u00e4vist\u00e4j\u00e4ll\u00e4 ovat jokaisen muuttujan omat jakaumat. Vasemmalla alhaalla ovat parittaiset sirontakuviot. Oikella ylh\u00e4\u00e4ll\u00e4 ovat parittaiset korrelaatiokertoimet ja niiden merkitsevyystasot t\u00e4htin\u00e4.<\/figcaption><\/figure>\n\n\n\n<p>Kuvaajasta n\u00e4hd\u00e4\u00e4n mm. seuraavaa: <\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>L\u00e4mp\u00f6tilan ja myynnin havainnot ovat jakautuneet symmetrisesti keskiarvon ymp\u00e4rille ja muistuttaa normaalijakaumaa. Hukkumisten lukum\u00e4\u00e4r\u00e4n jakauma on vino.<\/li><li>Kaikkien muuttujien v\u00e4liset korrelaatiokertoimet (luvut oikealla ylh\u00e4\u00e4ll\u00e4) ovat positiivisia, joten muuttujilla on ollut taipumus saada isoja arvoja yht\u00e4aikaa.<\/li><li>Kaikki muuttujien v\u00e4liset korrelaatiokertoimet ovat tilastollisesti eritt\u00e4in merkitsevi\u00e4 (punaiset t\u00e4hdet), joten ei ole uskottavaa ett\u00e4 korrelaatiokertoimet poikkeavat nollasta vain sattumalta.<\/li><li>Suora viiva kuvaa hyvin myynnin ja l\u00e4mp\u00f6tilan v\u00e4list\u00e4 yhteytt\u00e4. Hukkumisen ja muiden muuttujien v\u00e4lisen yhteyden kuvaamiseen suora viiva ei ole paras mahdollinen (kuviot vasemmalla alhaalla).<\/li><\/ul>\n\n\n\n<p>Kuvaileva analytiikka keskittyy kuvailemaan historian tapahtumia, mutta vastuu siit\u00e4, mit\u00e4 tulee tapahtumaan tulevaisuudessa j\u00e4\u00e4 t\u00e4ysin raportin lukijalle.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ennakoiva analytiikka<\/h2>\n\n\n\n<p>Vaikka historiakin on mielenkiintoista, viel\u00e4 kiinnostavampaa liiketoiminnan kannalta on se mit\u00e4 on odotettavissa tulevaisuudessa. Mennyt ei ole tae tulevasta, mutta historiaan perustuen voi tehd\u00e4 valistuneita arvioita eri tulevaisuuden skenaarioiden todenn\u00e4k\u00f6isyyksist\u00e4.<\/p>\n\n\n\n<p>Esimerkiss\u00e4mme mielenkiinnon kohteena on ennustaa tulevan viikon j\u00e4\u00e4tel\u00f6n myyntim\u00e4\u00e4r\u00e4. Pelk\u00e4\u00e4n BI-raporttiin (kuvaileva analytiikka) perustuen paras arvaus olisi historiallinen keskiarvo 13035 euroa. Simuloin t\u00e4ss\u00e4 100 uutta havaintoa tulevista viikoista ja historialliseen keskiarvoon perustuva arvaus ei ole hassumpi: keskim\u00e4\u00e4rin ennuste on 7.3% pieless\u00e4.<\/p>\n\n\n\n<p>Olisimme voineet kuitenkin ottaa askel eteenp\u00e4in ennakoivan analytiikan puolelle ja muodostaa regressiomalli, jossa hy\u00f6dynnet\u00e4\u00e4n tietoa p\u00e4iv\u00e4n l\u00e4mp\u00f6tilasta. L\u00e4mp\u00f6tilan ja myynnin v\u00e4linen korrelaatiokerroinhan oli varsin suuri, 0.62. T\u00e4llaisen mallin tarjoama paras arvaus seuraavan viikon myynnist\u00e4 menee nyt uusilla havainnoilla keskim\u00e4\u00e4rin 6.5% pieleen.<\/p>\n\n\n\n<p>Vaikka hukkumisilla ei ole syy-seuraus-suhdetta myyntiin, ei sen hy\u00f6dynt\u00e4miselle ennustamisessa ole estett\u00e4. Jos sen lis\u00e4\u00e4 toiseksi selitt\u00e4j\u00e4ksi samaan regressiomalliin l\u00e4mp\u00f6tilan kanssa ei siit\u00e4 iloa kuitenkaan ole, koska l\u00e4mp\u00f6tila jo yksin\u00e4\u00e4n selitt\u00e4\u00e4 hukkumisten ja myynnin v\u00e4lisen yhteyden. Mutta mik\u00e4li vahingossa olisimme hukanneet historian l\u00e4mp\u00f6tilahavainnot, olisi hukkumiskuolemat hyv\u00e4 apumuuttuja. Pelk\u00e4st\u00e4\u00e4n  edellisen viikon hukkumisiin perustuvat ennusteet ovat t\u00e4ss\u00e4 tapauksessa 6.7% pieless\u00e4. Lopuksi viel\u00e4 yhteenveto, kuinka tarkasti saatiin 100 uutta myyntihavaintoa ennustetttua.<\/p>\n\n\n\n<table class=\"wp-block-table\"><tbody><tr><td>Ennustaja<\/td><td>Keskim\u00e4\u00e4r\u00e4inen virhe<\/td><\/tr><tr><td>Oma historia<\/td><td>7.33%<\/td><\/tr><tr><td>L\u00e4mp\u00f6tila<\/td><td>6.45%<\/td><\/tr><tr><td>Hukkumiset<\/td><td>6.73%<\/td><\/tr><tr><td>L\u00e4mp\u00f6tila+Hukkumiset<\/td><td>6.43%<\/td><\/tr><\/tbody><\/table>\n\n\n\n<p>Regressiomallien lis\u00e4ksi muita ennustamisen ty\u00f6kaluja ovat aikasarja-analyysi silloin kun kiinnitet\u00e4\u00e4n erityist\u00e4 huomiota ajassa systemaattisesti toistuviin kuvioihin. Sitten kun k\u00e4sill\u00e4 on ajassa stabiili ilmi\u00f6, mutta paljon potentiaalisia selitt\u00e4ji\u00e4 sek\u00e4 paljon dataa, arvoon arvaamattomaan nousevat erilaiset koneoppimisalgoritmit kuten neuroverkot tai p\u00e4\u00e4t\u00f6spuut. Mik\u00e4li useiden potentiaalisten selitt\u00e4jien lis\u00e4ksi meill\u00e4 on hieman ymm\u00e4rryst\u00e4 n\u00e4iden selitt\u00e4jien keskin\u00e4isist\u00e4 riippuuvuussuhteista, voidaan dataa ja asiantuntemusta yhdist\u00e4\u00e4 Bayes-verkkojen avulla tai simuloimalla maailman menoa ymm\u00e4rryksemme rajoissa.<\/p>\n\n\n\n<p>K\u00e4yttip\u00e4 mit\u00e4 tahansa n\u00e4ist\u00e4 ennustusmenetelmist\u00e4 tai jotain niiden yhdistelm\u00e4\u00e4,  meill\u00e4 on kaksi ik\u00e4v\u00e4\u00e4 kiusaa:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li> Ylisovittaminen: tiet\u00e4m\u00e4tt\u00e4mme yrit\u00e4mme tulevaisuutta ennustaa sellaisilla historiallisilla piirteill\u00e4, jotka ovat toteutuneet aiemmin vain sattumalta eiv\u00e4tk\u00e4 kuvaa ilmi\u00f6t\u00e4 tulevaisuudessa. T\u00e4t\u00e4 ongelmaa olen ruotinut aiemmin <a href=\"https:\/\/statistition.com\/?p=810\">t\u00e4ss\u00e4 kirjoituksessa<\/a>.<\/li><li>Pysyv\u00e4t muutokset muuttujissa, joita ei olla aiemmin mitattu. Esimerkiksi lakimuutokset voivat ohjata ihmisi\u00e4 k\u00e4ytt\u00e4ytym\u00e4\u00e4n tulevaisuudessa eri tavalla kuin mihin aiemmin olemme tottuneet. T\u00e4t\u00e4 ongelmaa olen k\u00e4sitellyt tarkemmin <a href=\"https:\/\/statistition.com\/?p=984\">t\u00e4ss\u00e4 kirjoituksessa<\/a>.<\/li><\/ul>\n\n\n\n<p>Kiitos mm. edell\u00e4 mainittujen haasteiden ennakoivassa analytiikassa vaaditaan jo huomattavasti korkeamman tason koulutusta kuin kuvailevassa analytiikassa.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Diagnosoiva analytiikka<\/h2>\n\n\n\n<p>Diagnosoivalla analytiikalla pyrit\u00e4\u00e4n l\u00f6yt\u00e4m\u00e4\u00e4n asioiden v\u00e4lisi\u00e4 syy-seuraus-yhteyksi\u00e4. Tieteellisen uteliaisuuden lis\u00e4ksi liiketoiminnan kannalta kiinnostavaa voisi olla selvitt\u00e4\u00e4, mit\u00e4 asioita muuttamalla saisimme myynti\u00e4 kasvatettua. Ennakoivan analytiikan maailmassa korrelaatiokertoimet antoivat hyvi\u00e4 vinkkej\u00e4, mit\u00e4 muuttujia voisimme hy\u00f6dynt\u00e4\u00e4 ennustamisessa. Kun tavoitteena on puuttua itse peliin asioiden muuttamiseksi, vain korrelaatioita tuijottamalla voisimme p\u00e4\u00e4ty\u00e4 raportoimaan j\u00e4\u00e4tel\u00f6yritt\u00e4j\u00e4lle: &#8221;Myynnin edist\u00e4miseksi kannattaa alkaa hukuttamaan ihmisi\u00e4&#8221;. T\u00e4m\u00e4h\u00e4n ei alkuunkaan pid\u00e4 paikkansa niinkuin kohta tullaan n\u00e4kem\u00e4\u00e4n.<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img loading=\"lazy\" decoding=\"async\" width=\"639\" height=\"428\" src=\"https:\/\/statistition.com\/wp-content\/uploads\/2019\/06\/ice_cream_van.jpg\" alt=\"\" class=\"wp-image-1137\" srcset=\"https:\/\/statistition.com\/wp-content\/uploads\/2019\/06\/ice_cream_van.jpg 639w, https:\/\/statistition.com\/wp-content\/uploads\/2019\/06\/ice_cream_van-300x201.jpg 300w, https:\/\/statistition.com\/wp-content\/uploads\/2019\/06\/ice_cream_van-450x300.jpg 450w\" sizes=\"(max-width: 639px) 100vw, 639px\" \/><\/figure>\n\n\n\n<p>Varmin tapa syy-seuraus eli kausaaliyhteyden selvitt\u00e4miseksi on tehd\u00e4 satunnaisettu koe riitt\u00e4v\u00e4ll\u00e4 m\u00e4\u00e4r\u00e4ll\u00e4 toistoja. N\u00e4ist\u00e4 klassinen esimerkki on antaa satunnaisesti toisille koehenkil\u00f6ille oikeaa l\u00e4\u00e4kett\u00e4 ja toisille koehenkil\u00f6ille lumel\u00e4\u00e4kett\u00e4. Vaikutuksia vertailemalla voidaan saada selville, onko l\u00e4\u00e4kkeess\u00e4 oikeasti tehoa. Modernimpi esimerkki on verkkokaupan k\u00e4ytt\u00f6liittym\u00e4n A\/B-testaus, jossa satunnaisesti toisille asiakkaille nettisivulle n\u00e4ytet\u00e4\u00e4n punainen nappi ja toisille sininen nappi ja vertaillaan vaikuttaako napin v\u00e4ri sen klikkausten m\u00e4\u00e4r\u00e4\u00e4n.<\/p>\n\n\n\n<p>Mik\u00e4li satunnaistetut kokeet eiv\u00e4t ole mahdollisia, voidaan yritt\u00e4\u00e4 mets\u00e4st\u00e4\u00e4 luonnollisia kokeita. Esimerkiksi voidaan ottaa seurantaan henkil\u00f6t, jotka ovat juuri ja juuri p\u00e4\u00e4sseet l\u00e4pi l\u00e4\u00e4kiksen p\u00e4\u00e4sykokeista ja vertailla t\u00e4t\u00e4 joukkoa niihin jotka j\u00e4iv\u00e4t niukasti ulos l\u00e4\u00e4kiksest\u00e4. Voidaan olettaa ett\u00e4 pienet erot p\u00e4\u00e4sykokeen pistem\u00e4\u00e4riss\u00e4 jouhtuvat suurelta osin satunnaistekij\u00f6ist\u00e4 ja n\u00e4in ollen on luotettavaa tehd\u00e4 p\u00e4\u00e4telmi\u00e4 l\u00e4\u00e4kiksen kausaalivaikutuksista loppuel\u00e4m\u00e4n onnellisuuteen.<\/p>\n\n\n\n<p>Viimeisimpien vuosikymmenien aikana on erityisesti Judea Pearlin johdolla kehitetty kausaalimalleja, jotka auttavat tekem\u00e4\u00e4n kausaalip\u00e4\u00e4telmi\u00e4 my\u00f6s silloin kun k\u00e4yt\u00f6ss\u00e4 havaittua dataa, mutta ei voida tehd\u00e4 satunnaistettuja kokeita. Niiss\u00e4 aluksi pit\u00e4\u00e4 pysty\u00e4 aiempiin tutkimuksiin perustuen rakentamaan graafi, josta n\u00e4kee mitk\u00e4 muuttujat vaikuttavat mielenkiinnon kohteina oleviin muuttujiin. Mik\u00e4li t\u00e4rkeimm\u00e4t n\u00e4ist\u00e4 taustamuuttujista on mitattu, kausaalip\u00e4\u00e4telm\u00e4t voivat olla mahdollisia.<\/p>\n\n\n\n<p>Meid\u00e4n kolmen muutttujan tapauksessa  ilmi\u00f6t\u00e4 kuvaava graafi on esitelty kirjoituksen alussa. T\u00e4ss\u00e4 hyvin yksinkertaisessa maailmassa pystymme tutkimaan hukkumisten kausaalityhteytt\u00e4 myyntiin. Kun laitamme sek\u00e4 l\u00e4mp\u00f6tilan, ett\u00e4 hukkumiset samaan regressiomalliin selitt\u00e4m\u00e4\u00e4n myynti\u00e4, hukkumisella ei ole mit\u00e4\u00e4n selitysvoimaa, koska l\u00e4mp\u00f6tila on kaiken juurisyy. N\u00e4in ollen data n\u00e4ytt\u00e4\u00e4, ett\u00e4 ihmisi\u00e4 on aivan turha alkaa hukuttamaan myynnin edist\u00e4miseksi.<\/p>\n\n\n\n<p>Monimutkaisempien ilmi\u00f6iden tutkiminen kausaalimalleihin tukeutuen on itsell\u00e4ni viel\u00e4 vaiheessa, joten ei kannata puhua t\u00e4ss\u00e4 siit\u00e4 sen enemp\u00e4\u00e4. Silti osa omaa analyysiprosessia on hahmotella graafiksi erilaisia potentiaalisia taustalla lymyilevi\u00e4 syy-seuraus-yhteyksi\u00e4, joita voi sitten asiaan paremmin vihkiytyneet haastaa. Mik\u00e4li mielenkiinto kausaalimalleihin her\u00e4si, kannattaa aloittaa Judea Pearlin tietokirjasta &#8221;The book of why&#8221;, josta Kimmo Pietil\u00e4inen on tehnyt my\u00f6s suomenkielisen k\u00e4\u00e4nn\u00f6ksen: &#8221;Miksi \u2013 syyn ja seurauksen uusi tiede&#8221;.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ohjaileva analytiikka<\/h2>\n\n\n\n<p>Ohjaileva analytiikka on t\u00e4ss\u00e4 lajittelussa laitettu viimeiseksi, koska pohjalla pit\u00e4\u00e4 olla alemman tason analytiikkaa p\u00e4\u00e4t\u00f6ksenteon tueksi.  T\u00e4\u00e4lt\u00e4 huipulta kannattaa kuitenkin aina aloittaa pohtimalla, mit\u00e4 halutaan tehd\u00e4. Mihin liittyvi\u00e4 p\u00e4\u00e4t\u00f6ksi\u00e4 analytiikalla halutaan parantaa? Esimerkkej\u00e4:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>Halutaan kehitt\u00e4\u00e4 j\u00e4\u00e4tel\u00f6nmyynnin logistiikkaa: miten paljon mit\u00e4kin makua pit\u00e4isi toimittaa kioskille, ett\u00e4 asiakkaat saavat mit\u00e4 haluavat, mutta j\u00e4\u00e4tel\u00f6\u00e4 ei tarvitsisi kohtuuttomia m\u00e4\u00e4ri\u00e4 pakastimessa varastoida. &#8211; > Ratkaisu: <em>P\u00e4\u00e4t\u00f6ksenteon tueksi tarvitsemme ennakoivaa analytiikkaa, jolla arvioidaan kuinka paljon mit\u00e4kin makua menee ensi viikolla.<\/em><\/li><li>Halutaan lis\u00e4t\u00e4 j\u00e4\u00e4tel\u00f6n kysynt\u00e4\u00e4. -> Ratkaisu: <em>Diagnosoiva analytiikka. Johtop\u00e4\u00e4t\u00f6s on se, ett\u00e4 korkeammat l\u00e4mp\u00f6tilat johtaisivat korkeampaan myyntiin. Mutta koska kaikki s\u00e4iden hallitsemiseen kykenev\u00e4t tahot ovat niin kallispalkkaisia, ei t\u00e4llaista hanketta kannata toteuttaa. Laitetaan resurssit muun toiminnan kehitt\u00e4miseen.<\/em><\/li><\/ul>\n\n\n\n<p>Kun pohjalla on riitt\u00e4v\u00e4sti oppia analytiikan alemmilta tasoilta, ohjaileva analytiikka on p\u00e4\u00e4asiassa erilaisia optimointialgoritmeja. Lis\u00e4ksi on olemassa itseoppivia p\u00e4\u00e4t\u00f6ksentekoalgoritmeja, jotka p\u00e4ivitt\u00e4v\u00e4t omaa ymm\u00e4rryst\u00e4 aina p\u00e4\u00e4t\u00f6ksest\u00e4 tulleen palautteen perusteella.<\/p>\n\n\n\n<p>P\u00e4\u00e4t\u00f6ksenteon optimointi on liian laaja aihe alkaa t\u00e4ss\u00e4 syvemmin k\u00e4sitelt\u00e4v\u00e4ksi, mutta se vaanii kaiken liiketoiminta-analytiikan taustalla. Ennen hosumista liian pitk\u00e4lle datan kanssa, olisi hyv\u00e4 ymm\u00e4rt\u00e4\u00e4 mit\u00e4 p\u00e4\u00e4t\u00f6ksi\u00e4 halutaan parantaa. Se mahdollistaa, ett\u00e4 analytiikan alimmalta portaalta ponnistaessa edet\u00e4\u00e4n oikeaan suuntaan. Toisinaan matkalla opitaan jotain uutta, jonka vuoksi kurssia joudutaan k\u00e4\u00e4nt\u00e4m\u00e4\u00e4n. T\u00e4m\u00e4 tekee seikkailusta kuin seikkailusta entist\u00e4 j\u00e4nnemp\u00e4\u00e4.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Lopputurinat<\/h2>\n\n\n\n<p>Dataan pohjautuvalla analytiikalla on useita eri tasoja ja niiden sis\u00e4ll\u00e4 eri etenemispolkuja. Jotta varmistetaan datan penkomisen hy\u00f6dyllisyys, aluksi pit\u00e4isi kirkastaa, mitk\u00e4 p\u00e4\u00e4t\u00f6ksentekoprosessit yrityksess\u00e4 kaipaavat hiomista. Sitten valitaan sellainen polku, jota olemassa olevan datan pohjalta on mahdollista edet\u00e4. Lopulta p\u00e4\u00e4t\u00f6ksenteko on kaksivaiheista: ensin opitaan, sitten p\u00e4\u00e4tet\u00e4\u00e4n.<\/p>\n<a class=\"synved-social-button synved-social-button-share synved-social-size-48 synved-social-resolution-single synved-social-provider-facebook nolightbox\" data-provider=\"facebook\" target=\"_blank\" rel=\"nofollow\" title=\"Share on Facebook\" href=\"https:\/\/www.facebook.com\/sharer.php?u=https%3A%2F%2Fstatistition.com&#038;t=Analytiikan%20alalajit&#038;s=100&#038;p&#091;url&#093;=https%3A%2F%2Fstatistition.com&#038;p&#091;images&#093;&#091;0&#093;=https%3A%2F%2Fstatistition.com%2Fwp-content%2Fuploads%2F2019%2F06%2Fice_cream_van.jpg&#038;p&#091;title&#093;=Analytiikan%20alalajit\" style=\"font-size: 0px;width:48px;height:48px;margin:0;margin-bottom:5px;margin-right:5px\"><img loading=\"lazy\" decoding=\"async\" alt=\"Facebook\" title=\"Share on Facebook\" class=\"synved-share-image synved-social-image synved-social-image-share\" width=\"48\" height=\"48\" style=\"display: inline;width:48px;height:48px;margin: 0;padding: 0;border: none;box-shadow: none\" src=\"https:\/\/statistition.com\/wp-content\/plugins\/social-media-feather\/synved-social\/image\/social\/regular\/96x96\/facebook.png\" \/><\/a><a class=\"synved-social-button synved-social-button-share synved-social-size-48 synved-social-resolution-single synved-social-provider-twitter nolightbox\" data-provider=\"twitter\" target=\"_blank\" rel=\"nofollow\" title=\"Share on Twitter\" href=\"https:\/\/twitter.com\/intent\/tweet?url=https%3A%2F%2Fstatistition.com&#038;text=Hey%20check%20this%20out\" style=\"font-size: 0px;width:48px;height:48px;margin:0;margin-bottom:5px;margin-right:5px\"><img loading=\"lazy\" decoding=\"async\" alt=\"twitter\" title=\"Share on Twitter\" class=\"synved-share-image synved-social-image synved-social-image-share\" width=\"48\" height=\"48\" style=\"display: inline;width:48px;height:48px;margin: 0;padding: 0;border: none;box-shadow: none\" src=\"https:\/\/statistition.com\/wp-content\/plugins\/social-media-feather\/synved-social\/image\/social\/regular\/96x96\/twitter.png\" \/><\/a><a class=\"synved-social-button synved-social-button-share synved-social-size-48 synved-social-resolution-single synved-social-provider-reddit nolightbox\" data-provider=\"reddit\" target=\"_blank\" rel=\"nofollow\" title=\"Share on Reddit\" href=\"https:\/\/www.reddit.com\/submit?url=https%3A%2F%2Fstatistition.com&#038;title=Analytiikan%20alalajit\" style=\"font-size: 0px;width:48px;height:48px;margin:0;margin-bottom:5px;margin-right:5px\"><img loading=\"lazy\" decoding=\"async\" alt=\"reddit\" title=\"Share on Reddit\" class=\"synved-share-image synved-social-image synved-social-image-share\" width=\"48\" height=\"48\" style=\"display: inline;width:48px;height:48px;margin: 0;padding: 0;border: none;box-shadow: none\" src=\"https:\/\/statistition.com\/wp-content\/plugins\/social-media-feather\/synved-social\/image\/social\/regular\/96x96\/reddit.png\" \/><\/a><a class=\"synved-social-button synved-social-button-share synved-social-size-48 synved-social-resolution-single synved-social-provider-pinterest nolightbox\" data-provider=\"pinterest\" target=\"_blank\" rel=\"nofollow\" title=\"Pin it with Pinterest\" href=\"https:\/\/pinterest.com\/pin\/create\/button\/?url=https%3A%2F%2Fstatistition.com&#038;media=https%3A%2F%2Fstatistition.com%2Fwp-content%2Fuploads%2F2019%2F06%2Fice_cream_van.jpg&#038;description=Analytiikan%20alalajit\" style=\"font-size: 0px;width:48px;height:48px;margin:0;margin-bottom:5px;margin-right:5px\"><img loading=\"lazy\" decoding=\"async\" alt=\"pinterest\" title=\"Pin it with Pinterest\" class=\"synved-share-image synved-social-image synved-social-image-share\" width=\"48\" height=\"48\" style=\"display: inline;width:48px;height:48px;margin: 0;padding: 0;border: none;box-shadow: none\" src=\"https:\/\/statistition.com\/wp-content\/plugins\/social-media-feather\/synved-social\/image\/social\/regular\/96x96\/pinterest.png\" \/><\/a><a class=\"synved-social-button synved-social-button-share synved-social-size-48 synved-social-resolution-single synved-social-provider-linkedin nolightbox\" data-provider=\"linkedin\" target=\"_blank\" rel=\"nofollow\" title=\"Share on Linkedin\" href=\"https:\/\/www.linkedin.com\/shareArticle?mini=true&#038;url=https%3A%2F%2Fstatistition.com&#038;title=Analytiikan%20alalajit\" style=\"font-size: 0px;width:48px;height:48px;margin:0;margin-bottom:5px;margin-right:5px\"><img loading=\"lazy\" decoding=\"async\" alt=\"linkedin\" title=\"Share on Linkedin\" class=\"synved-share-image synved-social-image synved-social-image-share\" width=\"48\" height=\"48\" style=\"display: inline;width:48px;height:48px;margin: 0;padding: 0;border: none;box-shadow: none\" src=\"https:\/\/statistition.com\/wp-content\/plugins\/social-media-feather\/synved-social\/image\/social\/regular\/96x96\/linkedin.png\" \/><\/a><a class=\"synved-social-button synved-social-button-share synved-social-size-48 synved-social-resolution-single synved-social-provider-mail nolightbox\" data-provider=\"mail\" rel=\"nofollow\" title=\"Share by email\" href=\"mailto:?subject=Analytiikan%20alalajit&#038;body=Hey%20check%20this%20out:%20https%3A%2F%2Fstatistition.com\" style=\"font-size: 0px;width:48px;height:48px;margin:0;margin-bottom:5px\"><img loading=\"lazy\" decoding=\"async\" alt=\"mail\" title=\"Share by email\" class=\"synved-share-image synved-social-image synved-social-image-share\" width=\"48\" height=\"48\" style=\"display: inline;width:48px;height:48px;margin: 0;padding: 0;border: none;box-shadow: none\" src=\"https:\/\/statistition.com\/wp-content\/plugins\/social-media-feather\/synved-social\/image\/social\/regular\/96x96\/mail.png\" \/><\/a>","protected":false},"excerpt":{"rendered":"<p>Ennen hosumista liian pitk\u00e4lle datan kanssa, olisi hyv\u00e4 ymm\u00e4rt\u00e4\u00e4 mit\u00e4 p\u00e4\u00e4t\u00f6ksi\u00e4 halutaan parantaa?<\/p>\n","protected":false},"author":1,"featured_media":1137,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[205,12,242,90],"tags":[239,159,14,241,240,113,10],"class_list":["post-1128","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-algoritmit","category-ennustaminen","category-liiketoiminta","category-paatoksenteko","tag-bi","tag-data","tag-ennustaminen-2","tag-kausaalisuus","tag-liiketoiminta","tag-optimointi","tag-paatoksenteko"],"_links":{"self":[{"href":"https:\/\/statistition.com\/index.php?rest_route=\/wp\/v2\/posts\/1128"}],"collection":[{"href":"https:\/\/statistition.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statistition.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statistition.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statistition.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1128"}],"version-history":[{"count":10,"href":"https:\/\/statistition.com\/index.php?rest_route=\/wp\/v2\/posts\/1128\/revisions"}],"predecessor-version":[{"id":1142,"href":"https:\/\/statistition.com\/index.php?rest_route=\/wp\/v2\/posts\/1128\/revisions\/1142"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/statistition.com\/index.php?rest_route=\/wp\/v2\/media\/1137"}],"wp:attachment":[{"href":"https:\/\/statistition.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1128"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statistition.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1128"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statistition.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1128"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}