En aquest tema, explorarem els diferents tipus d'analítica de negocis: descriptiva, predictiva i prescriptiva. Cada tipus té el seu propi conjunt de tècniques i aplicacions, i és important comprendre les diferències i les situacions en què cadascun és més útil.
- Analítica Descriptiva
Definició
L'analítica descriptiva se centra en l'anàlisi de dades històriques per comprendre què ha passat en el passat. Utilitza tècniques estadístiques per resumir i visualitzar dades.
Objectius
- Resumir dades històriques.
- Identificar patrons i tendències.
- Proporcionar una visió clara del rendiment passat.
Eines i Tècniques
- Taules i Gràfics: Taules de resum, gràfics de barres, gràfics de línies, etc.
- Estadístiques Descriptives: Mitjana, mediana, moda, desviació estàndard, etc.
- Quadres de Comandament (Dashboards): Utilitzats per visualitzar dades de manera interactiva.
Exemple Pràctic
import pandas as pd
import matplotlib.pyplot as plt
# Carregar dades d'exemple
dades = pd.read_csv('vendes.csv')
# Resum estadístic
resum = dades.describe()
# Gràfic de línies de vendes mensuals
dades.groupby('mes')['vendes'].sum().plot(kind='line')
plt.title('Vendes Mensuals')
plt.xlabel('Mes')
plt.ylabel('Vendes')
plt.show()Exercici
Exercici 1: Utilitza un conjunt de dades de vendes per crear un quadre de comandament que mostri les vendes mensuals, les vendes per producte i les vendes per regió.
- Analítica Predictiva
Definició
L'analítica predictiva utilitza models estadístics i algorismes de machine learning per predir esdeveniments futurs basant-se en dades històriques.
Objectius
- Predir tendències futures.
- Identificar relacions causals.
- Ajudar en la presa de decisions basada en prediccions.
Eines i Tècniques
- Regressió Lineal i Logística: Per predir valors continus i categòrics.
- Sèries Temporals: Per predir valors futurs basats en dades seqüencials.
- Algorismes de Machine Learning: Com arbres de decisió, boscos aleatoris, xarxes neuronals, etc.
Exemple Pràctic
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
# Carregar dades d'exemple
dades = pd.read_csv('vendes.csv')
# Preparar dades
X = dades[['mes', 'producte', 'regio']]
y = dades['vendes']
# Dividir dades en entrenament i prova
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Crear i entrenar el model
model = LinearRegression()
model.fit(X_train, y_train)
# Predir vendes
prediccions = model.predict(X_test)Exercici
Exercici 2: Utilitza un conjunt de dades de vendes per construir un model de regressió lineal que predigui les vendes futures basant-se en les dades històriques.
- Analítica Prescriptiva
Definició
L'analítica prescriptiva recomana accions específiques per optimitzar els resultats futurs. Combina tècniques descriptives i predictives amb models d'optimització i simulació.
Objectius
- Recomanar accions òptimes.
- Optimitzar processos i recursos.
- Ajudar en la presa de decisions estratègiques.
Eines i Tècniques
- Models d'Optimització: Programació lineal, programació no lineal, etc.
- Simulació: Monte Carlo, simulació d'esdeveniments discrets, etc.
- Anàlisi de Decisió: Arbres de decisió, anàlisi de costos-beneficis, etc.
Exemple Pràctic
from scipy.optimize import linprog
# Funció objectiu (maximitzar beneficis)
c = [-20, -30] # Coeficients de la funció objectiu
# Restriccions
A = [[1, 2], [2, 1]]
b = [20, 20]
# Limitar les variables a valors no negatius
x_bounds = (0, None)
y_bounds = (0, None)
# Resoldre el problema d'optimització
resultat = linprog(c, A_ub=A, b_ub=b, bounds=[x_bounds, y_bounds])
print('Solució òptima:', resultat.x)
print('Benefici màxim:', -resultat.fun)Exercici
Exercici 3: Utilitza un conjunt de dades de producció per construir un model d'optimització que maximitzi els beneficis tenint en compte les restriccions de recursos.
Conclusió
En aquesta secció, hem explorat els tres tipus principals d'analítica de negocis: descriptiva, predictiva i prescriptiva. Cada tipus té les seves pròpies tècniques i aplicacions, i és important saber quan utilitzar cadascun per obtenir els millors resultats. En els següents mòduls, aprofundirem en les eines i tècniques específiques per aplicar aquestes formes d'analítica en situacions reals.
Curs d'Analítica de Negocis
Mòdul 1: Introducció a l'Analítica de Negocis
- Conceptes Bàsics d'Analítica de Negocis
- Importància de l'Analítica en les Operacions Comercials
- Tipus d'Analítica: Descriptiva, Predictiva i Prescriptiva
Mòdul 2: Eines d'Analítica de Negocis
- Introducció a les Eines d'Analítica
- Microsoft Excel per a Analítica de Negocis
- Tableau: Visualització de Dades
- Power BI: Anàlisi i Visualització
- Google Analytics: Anàlisi Web
Mòdul 3: Tècniques d'Anàlisi de Dades
- Neteja i Preparació de Dades
- Anàlisi Descriptiu: Resum i Visualització
- Anàlisi Predictiu: Models i Algoritmes
- Anàlisi Prescriptiu: Optimització i Simulació
Mòdul 4: Aplicacions de l'Analítica de Negocis
Mòdul 5: Implementació de Projectes d'Analítica
- Definició d'Objectius i KPIs
- Recopilació i Gestió de Dades
- Anàlisi i Modelatge de Dades
- Presentació de Resultats i Presa de Decisions
Mòdul 6: Cases Pràctics i Exercicis
- Cas Pràctic 1: Anàlisi de Vendes
- Cas Pràctic 2: Optimització d'Inventaris
- Exercici 1: Creació de Dashboards en Tableau
- Exercici 2: Anàlisi Predictiu amb Excel