Business Intelligence (BI) และ Machine Learning (ML) เป็นหนึ่งในเทคโนโลยีที่ดีที่สุดที่จัดการกับความท้าทายด้านการวิเคราะห์ขั้นสูงที่ขับเคลื่อนโดยธุรกิจ แม้ว่าการแสดงภาพ BI จะเกี่ยวข้องกับการคำนวณที่ซับซ้อน แต่ก็มีข้อจำกัดเมื่อเทียบกับ ML ที่ขับเคลื่อนด้วย Python นี่คือที่มาของการแสดงภาพด้วย ML ช่วยให้คุณสามารถรวมการวิเคราะห์ขั้นสูงและอัลกอริทึม ML เข้ากับการแสดงภาพที่มีประสิทธิภาพอยู่แล้ว ในบล็อกนี้ เราจะพูดถึงการรวม ML กับการแสดงข้อมูล

Data Visualization คืออะไร?

การแสดงข้อมูลเป็นการแปลงข้อมูลเป็นบริบทภาพ เช่น แผนที่หรือกราฟ เพื่อทำให้สมองของมนุษย์เข้าใจข้อมูลได้ง่ายขึ้นและดึงข้อมูลเชิงลึกจากข้อมูลประเภทใดก็ได้

เป้าหมายหลักของการแสดงภาพข้อมูลคือการทำให้ง่ายต่อการระบุรูปแบบ แนวโน้ม และค่าผิดปกติในชุดข้อมูลขนาดใหญ่

BI ทำอะไรให้ธุรกิจได้บ้าง?

เทคโนโลยี BI ใช้สถิติขั้นสูงและการวิเคราะห์เชิงคาดการณ์เพื่อช่วยให้ธุรกิจดึงข้อสรุปจากการวิเคราะห์ข้อมูล ค้นพบรูปแบบและคาดการณ์เหตุการณ์ในอนาคตในการดำเนินธุรกิจ การรายงาน BI ไม่ใช่แนวปฏิบัติเชิงเส้น ค่อนข้างเป็นวัฏจักรการเข้าถึงข้อมูลการสำรวจและการแบ่งปันข้อมูลอย่างต่อเนื่องหลายแง่มุม

ML ทำอะไรให้ธุรกิจได้บ้าง?

ML สามารถจัดการการยกข้อมูลจำนวนมากที่จำเป็นสำหรับธุรกิจเพื่อเข้าถึงแกนหลักของประสิทธิภาพ ตัวอย่างเช่น อัลกอริทึม ML สามารถระบุปัจจัยที่สนับสนุนและเบี่ยงเบนความสนใจจากสถานะของแบรนด์ของคุณโดยการวิเคราะห์ข้อมูลจากทุกมุม ML มีเอกลักษณ์เฉพาะเนื่องจากสามารถระบุความสัมพันธ์ที่อาจไม่ชัดเจนในทันทีหรือเข้าใจได้ง่ายสำหรับมนุษย์

ทำไมเราต้องรวม ML เข้ากับเครื่องมือสร้างภาพ BI

• ซอฟต์แวร์ BI เป็นทางออกที่มีประสิทธิภาพสำหรับการทำความสะอาด การดูแลจัดการ และการแสดงข้อมูลเป็นภาพ ควบคู่ไปกับเทคโนโลยี ML ช่วยให้ผู้ใช้ทางธุรกิจค้นพบข้อมูลเชิงลึกที่มักถูกมองข้ามโดยแม้แต่นักวิเคราะห์ที่มีประสบการณ์มากที่สุด
• ML สามารถทำงานที่น่าเบื่อเกินกว่ามนุษย์จะทำได้อย่างง่ายดายและรวดเร็ว การรู้จำภาพและคำพูดเป็นตัวอย่างที่ชัดเจนที่สุดของงานดังกล่าว ML ได้รับผลลัพธ์ค่อนข้างดีในการปฏิบัติงานเหล่านั้นเมื่อผ่านขั้นตอนการฝึกอบรมที่เพียงพอ

• ระบบอัตโนมัติของงาน : ML สามารถจัดการงานประจำได้ ทำให้นักวิเคราะห์และที่ปรึกษามีเวลาทำงานอย่างมีประสิทธิผลมากขึ้น
• คุณภาพของข้อมูล : ระบบ ML สามารถทำงานได้โดยจำกัดหรือไม่มีการแทรกแซงจากมนุษย์ ดังนั้นจึงสามารถตัดสินใจแก้ไขข้อผิดพลาดโดยอัตโนมัติและจัดการกับปัญหาต่างๆ ได้
• การบริการตนเอง : ชุดเครื่องมือข่าวกรองธุรกิจจะเข้าถึงระดับใหม่ของการบริการตนเอง ลดความจำเป็นในการใช้ความรู้ด้านเทคนิค และเสนอวิธีที่ง่ายกว่าในการโต้ตอบกับข้อมูล ระบบจะสามารถเรียนรู้ตามความต้องการของผู้ใช้และกิจกรรมก่อนหน้านี้ โดยเสนอบริการที่ปรับให้เหมาะกับผู้ใช้แต่ละคน

การรวม Python เข้ากับเครื่องมือ BI เป็นคุณสมบัติที่ยอดเยี่ยม เนื่องจากคุณสามารถแสดงให้เห็นว่าโค้ด Python ของคุณกำลังทำอะไรและเชื่อมต่อกับข้อมูลในรูปแบบการแสดงภาพได้อย่างไร ด้วยการเติบโตของทีมงานข้ามสายงาน นี่เป็นความก้าวหน้าสำหรับบทบาทของ BI นักวิเคราะห์ข้อมูล และนักวิทยาศาสตร์

Power BIและTableauเป็นหนึ่งในเครื่องมือการแสดงภาพ BI ที่ดีที่สุดที่จัดการกับความท้าทายด้านการวิเคราะห์ขั้นสูงที่ขับเคลื่อนโดยธุรกิจ

ที่นี่เรามุ่งเน้นไปที่การรวม Tableau Python กับกรณีการใช้งานทางธุรกิจและการติดตั้งในระบบ

Tappy (การรวม Tableau Python) : Tappy ช่วยให้คุณสามารถรวมการวิเคราะห์ขั้นสูง เช่น อนุกรมเวลาและอัลกอริทึม ML เข้ากับการแสดงภาพที่มีประสิทธิภาพอยู่แล้ว นี่เป็นคุณสมบัติที่ยอดเยี่ยม เนื่องจากคุณสามารถแสดงให้เห็นว่าโค้ด Python ของคุณทำอะไรได้บ้างและเชื่อมต่อกับข้อมูลผ่านการแสดงภาพได้อย่างไร การเติบโตของทีมงานข้ามสายงานเป็นความก้าวหน้าสำหรับบทบาททางธุรกิจอัจฉริยะ การวิเคราะห์ข้อมูล และวิทยาศาสตร์ข้อมูล

Tappy คืออะไรกันแน่? เป็นการใช้งานส่วนขยายการวิเคราะห์ที่ขยายขีดความสามารถของ Tableau โดยอนุญาตให้ผู้ใช้เรียกใช้สคริปต์ไพ ธ อนและฟังก์ชันที่บันทึกไว้ผ่านการคำนวณตารางของ Tableau

คุณใช้ Tappy เมื่อใด เราสามารถกำหนดเขตข้อมูลจากการคำนวณใน Python เราสามารถใช้ประโยชน์จากพลังของไลบรารี ML จำนวนมากได้โดยตรงจากแพลตฟอร์มการแสดงภาพของคุณ การรวม Python เข้ากับ Tableau ช่วยให้เกิดสถานการณ์ที่ทรงพลังอย่างยิ่ง

ประโยชน์ของแท็บปี้

Tappy ใช้ สภาพแวดล้อม Anaconda ยอดนิยม ซึ่งติดตั้งไว้ล่วงหน้าและพร้อมใช้งานแพ็คเกจ Python จำนวนมากPandas , NumPyและSklearnแต่คุณสามารถติดตั้งไลบรารี Python ใดก็ได้ในสคริปต์ของเรา

Tappy ใช้กรณี

TabPy ทำให้สามารถใช้สคริปต์ Python ในฟิลด์ที่คำนวณจาก Tableau ได้ เมื่อคุณจับคู่ความสามารถ ML ของ Python กับพลังของ Tableau คุณจะสามารถพัฒนาแอปพลิเคชันการวิเคราะห์ขั้นสูงได้อย่างรวดเร็ว ซึ่งสามารถช่วยในงานธุรกิจต่างๆ ได้

การวิเคราะห์ความรู้สึกโดยใช้ TabPy

ธุรกิจทุกวันนี้พึ่งพาข้อมูลข้อความเป็นอย่างมาก ข้อมูลส่วนใหญ่เป็นข้อความที่ไม่มีโครงสร้างซึ่งมาจากแหล่งที่มา เช่น อีเมล แชท โซเชียลมีเดีย แบบสำรวจ บทความ และเอกสาร ในขณะที่การวิเคราะห์เป็นสิ่งสำคัญในการตรวจสอบคุณลักษณะดังกล่าว แต่ก็สามารถช่วยในการค้นหาความรู้สึกของลูกค้าได้
แทนที่จะใช้การติดฉลากแบบดั้งเดิม เราสามารถใช้การประมวลผลภาษาธรรมชาติจากไพธอนได้ การใช้ชุดเครื่องมือภาษาธรรมชาติ (NLTK ) จากการประมวลผลภาษาธรรมชาติ (NLP)ทำให้คอมพิวเตอร์เข้าใจข้อความที่ไม่มีโครงสร้างและดึงข้อมูลที่มีความหมาย เช่น ความรู้สึกและความคิดเห็น

โซลูชั่นที่เสนอ

Valence Aware Dictionary และ Sentiment Reasoner (Vader)เป็นแพ็คเกจโอเพ่นซอร์สภายใน NLTK มันค่อนข้างประสบความสำเร็จเมื่อจัดการกับข้อความโซเชียลมีเดีย มันใช้การรวมกันของคำศัพท์ความรู้สึกเป็นรายการของคุณสมบัติคำศัพท์ (เช่นคำ) ที่โดยทั่วไปมีป้ายกำกับตามการวางแนวความหมายว่าเป็นบวกหรือลบ แนวทางการใช้คำศัพท์หมายความว่าอัลกอริทึมนี้สร้างพจนานุกรมที่มีรายการคุณสมบัติความรู้สึกที่ครอบคลุม

VADER ในฟิลด์คำนวณ Tableau

เราสามารถสร้างการคำนวณบริการภายนอกซึ่งเรียกว่าฟังก์ชันสคริปต์ใน tableau เราไม่ต้องฝึกฝนอะไรเพื่อใช้ไลบรารีนี้ เราจะสร้างรายการประโยค นี่คือข้อความความคิดเห็นที่เราจะใช้การวิเคราะห์ความรู้สึกโดยใช้ เมธอด polarity_scores()จากคลาสSentimentIntensityAnalyzer คะแนนขั้วส่งคืนทศนิยมสำหรับความแรงของความเชื่อมั่นตามข้อความที่ป้อนตั้งแต่ -1 ถึง 1

การวิเคราะห์ความคิดเห็นต่อบทวิจารณ์ผลิตภัณฑ์ของ Amazon โดยใช้ Tappy

ด้วย Tappy เราสามารถใช้การวิเคราะห์ความคิดเห็นของ Vader สำหรับข้อมูลการรีวิวผลิตภัณฑ์ของ Amazon เรากำลังใช้คะแนนขั้วในข้อความความคิดเห็นเพื่อทราบความคิดเห็นของลูกค้าสำหรับข้อเสนอแนะต่อไปนี้ โดยใช้ตัวกรองเพื่อดูเฉพาะบทวิจารณ์เชิงลบและตรวจทานเนื้อหาเพื่อทำความเข้าใจเหตุผลที่อยู่เบื้องหลังบทวิจารณ์เหล่านั้น จาก ML เราได้รับอัลกอริทึม NLP สำหรับการวิเคราะห์ความรู้สึก และเราสามารถกำหนดรหัสสีคะแนนเหล่านั้นในการแสดงภาพ Tableau เพื่อความเข้าใจที่ดีขึ้น

การติดตั้ง Anaconda บน Windows

เราใช้ Anaconda เพราะมีตัวจัดการแพ็คเกจ ตัวจัดการสภาพแวดล้อม และการแจกจ่าย Python ที่มีแพ็คเกจโอเพ่นซอร์สจำนวนมาก นี่เป็นข้อได้เปรียบเมื่อคุณทำงานในโครงการวิทยาศาสตร์ข้อมูล คุณจะพบว่าคุณต้องการแพ็คเกจต่างๆ มากมาย (NumPy, Sklearn, Pandas) ซึ่งมีการติดตั้ง Anaconda ไว้ล่วงหน้าแล้ว

ไปที่เว็บไซต์ Anaconda และเลือกตัวติดตั้งกราฟิก Python 3 (A) หรือตัวติดตั้งกราฟิก Python (B) หากคุณไม่แน่ใจว่าต้องการติดตั้ง Python เวอร์ชันใด ให้เลือก Python 3 อย่าเลือกทั้งสองอย่าง

• หน่วยความจำ: ขนาด RAM ขั้นต่ำ 16 GB RAM
• พื้นที่เก็บข้อมูล: แนะนำขั้นต่ำ 100 GB

จากสภาพแวดล้อม TabPy ที่เปิดใช้งาน ให้รันคำสั่งต่อไปนี้ คุณจะต้องยืนยันกระบวนการสำหรับคำสั่งแรก

create - - name virtualenv
python -m pip install - - upgrade pip
pip install tabpy

ข้อความยืนยัน TabPy ในหน้าต่างเทอร์มินัลระบุว่า "บริการเว็บกำลังฟังพอร์ต 9004" ให้บริการเซิร์ฟเวอร์ของ "localhost" และพอร์ต "9004" หากคุณคลิก "ทดสอบการเชื่อมต่อ" และได้รับข้อความ "เชื่อมต่อกับบริการภายนอกเรียบร้อยแล้ว" ขอแสดงความยินดีด้วย! คุณพร้อมที่จะใช้ Python ใน Tableau แล้ว

C สรุป

ด้วยการรวม BI เข้ากับ ML เราจะเปิดประตูสู่ความเป็นไปได้ที่ไม่รู้จบเพื่อทำให้การตั้งค่าการวิเคราะห์ข้อมูลปัจจุบันของคุณเป็นไปโดยอัตโนมัติและปรับปรุง เรายังสามารถใช้มันเพื่อรวมโมเดลการเรียนรู้เชิงลึกเข้ากับแดชบอร์ดการวิเคราะห์ ดำเนินงานทางสถิติที่ซับซ้อน และใช้การผสานรวมและการพัฒนาอย่างต่อเนื่อง

ลิงค์อ้างอิง

• การรวม Tableau และ Python: Tappy