وقتی سازمان‌ها معیارها را با هزاران، میلیون‌ها یا حتی میلیاردها ردیابی می‌کنند، از بسیاری جهات می‌توان فهمید که کدام معیارها روابط نزدیکی دارند، به این معنی که وقتی یک معیار به شیوه‌ای خاص رفتار می‌کند، می‌توان انتظار داشت که یک یا چند معیار دیگر به شکل مشابهی رفتار کنند. یا برعکس
تحلیل همبستگی چیست؟
تحلیل همبستگی سطح تغییر یک متغیر را به دلیل تغییر متغیر دیگر محاسبه می کند. اگر نشان داده شود که بین دو متغیر یا معیار همبستگی قوی وجود دارد و یکی از آنها به روش خاصی مشاهده می شود، می توانید نتیجه بگیرید که دیگری نیز به شیوه ای مشابه تحت تأثیر قرار می گیرد.
یافتن روابط بین رویدادها و الگوهای متفاوت می‌تواند یک رشته مشترک را آشکار کند، یک علت زمینه‌ای برای رخدادهایی که در سطح سطحی ممکن است نامرتبط و غیرقابل توضیح به نظر برسند.
همبستگی بالا به یک رابطه قوی بین دو معیار اشاره دارد، در حالی که همبستگی پایین به این معنی است که معیارها با هم ارتباط ضعیفی دارند. نتیجه همبستگی مثبت به معنای افزایش هر دو معیار نسبت به یکدیگر است، در حالی که همبستگی منفی به این معنی است که با افزایش یک متریک، دیگری کاهش می‌یابد.
چرا تحلیل همبستگی مهم است
تجزیه و تحلیل همبستگی می تواند روابط معنی داری را بین معیارها یا گروه های مختلف معیارها آشکار کند. اطلاعات مربوط به آن ارتباطات می‌تواند بینش‌های جدیدی ارائه دهد و وابستگی‌های متقابل را آشکار کند، حتی اگر معیارها از بخش‌های مختلف کسب‌وکار باشد.
اگر نشان داده شود که بین دو متغیر یا معیار همبستگی قوی وجود دارد و یکی از آنها به روش خاصی مشاهده می شود، می توانید نتیجه بگیرید که دیگری نیز به شیوه ای مشابه تحت تأثیر قرار می گیرد. این به گروه بندی معیارهای مرتبط با هم کمک می کند تا نیاز به پردازش فردی داده ها کاهش یابد.
مزایای تحلیل همبستگی
زمان شناسایی را کاهش دهید
در تشخیص ناهنجاری، کار با تعداد زیادی از معیارها و سطح بندی معیارهای غیرعادی مرتبط به ایجاد روابطی کمک می کند که نه تنها زمان شناسایی (TTD) را کاهش می دهد، بلکه از زمان کوتاه تر برای اصلاح (TTR) نیز پشتیبانی می کند. از آنجایی که تصمیم گیری مبتنی بر داده به یک امر عادی تبدیل شده است، تشخیص زودهنگام و قوی ناهنجاری ها در هر حوزه صنعتی بسیار مهم است، زیرا تشخیص تاخیری بر تجربه و درآمد مشتری تأثیر منفی می گذارد.
کاهش خستگی هشدار
یکی دیگر از مزایای مهم تحلیل همبستگی در تشخیص ناهنجاری، کاهش خستگی هشدار با فیلتر کردن ناهنجاری‌های نامربوط (بر اساس همبستگی) و گروه‌بندی ناهنجاری‌های مرتبط در یک هشدار واحد است. طوفان های هشدار و موارد مثبت کاذب چالش های مهمی هستند که امروزه سازمان ها با آن مواجه هستند - دریافت صدها، حتی هزاران هشدار جداگانه از سیستم های متعدد، زمانی که بسیاری از آنها از یک حادثه ناشی می شوند.
کاهش هزینه های
تجزیه و تحلیل همبستگی به کاهش قابل توجه هزینه های مربوط به زمان صرف شده برای بررسی هشدارهای بی معنی یا تکراری کمک می کند. علاوه بر این، زمان صرفه جویی شده را می توان صرف ابتکارات استراتژیک تری کرد که به ارزش سازمان می افزاید.
موارد استفاده مثال برای تجزیه و تحلیل همبستگی
متخصصان بازاریابی از تحلیل همبستگی برای ارزیابی کارایی یک کمپین با نظارت و آزمایش واکنش مشتریان به تاکتیک های مختلف بازاریابی استفاده می کنند. از این طریق می توانند مشتریان خود را بهتر درک کنند و به آنها خدمت کنند.
برنامه ریزان مالی همبستگی سهام فردی را با یک شاخص مانند S&P 500 ارزیابی می کنند تا مشخص کنند آیا افزودن سهام به یک سبد سرمایه گذاری ممکن است خطر سیستماتیک نمونه کارها را افزایش دهد.
برای دانشمندان داده ها و افرادی که وظیفه نظارت بر داده ها را دارند ، تجزیه و تحلیل همبستگی در هنگام استفاده از تجزیه و تحلیل علت اصلی و کاهش زمان تشخیص (TTD) و زمان اصلاح (TTR) بسیار ارزشمند است. دو رویداد غیرمعمول یا ناهنجاری که در همان زمان/نرخ اتفاق می افتد می تواند به مشخص کردن علت اصلی یک مشکل کمک کند. اگر می توان زودتر از موعد درک و رفع کرد ، این سازمان هزینه کمتری برای تجربه مشکل متحمل می شود.
تیم های پشتیبانی فنی می توانند با فیلتر کردن ناهنجاری های بی ربط و گروه بندی ناهنجاری های همبسته در یک هشدار واحد ، تعداد هشدارهایی را که باید به آنها پاسخ دهند ، کاهش دهند. ابزارهایی مانند سیستم های اطلاعات امنیتی و مدیریت رویداد (SIEM) این کار را به طور خودکار برای تسهیل پاسخ حادثه انجام می دهند.
چگونه آنودوت از همبستگی معیارها در نظارت بر تجارت استفاده می کند
نظارت بر تجارت فرایند جمع آوری ، تجزیه و تحلیل و استفاده از معیارها و شاخص های کلیدی عملکرد (KPI) برای پیگیری پیشرفت سازمان در جهت دستیابی به اهداف تجاری خود و هدایت تصمیمات مدیریت است. تشخیص ناهنجاری یک روش کلیدی برای شناسایی زمان انجام یک فرایند تجاری است که یک تغییر غیر منتظره را تجربه می کند که ممکن است نشانگر یک مسئله اساسی باشد که روند کار را از بین می برد.
هرچه سازمان ها بیشتر به داده های محور تبدیل می شوند ، خود را قادر به مقیاس بندی قابلیت های تحلیلی خود بدون کمک اتوماسیون نمی دانند. هنگامی که یک سازمان هزاران معیار (یا بیشتر) داشته باشد ، تجزیه و تحلیل معیارهای فردی می تواند بینش کلیدی را مبهم کند.
یک روش سریعتر استفاده از تجزیه و تحلیل همبستگی مبتنی بر یادگیری ماشین به منظور گروه بندی معیارهای مرتبط با هم است. به این ترتیب ، هنگامی که یک متریک غیر عادی می شود ، تمام وقایع و معیارهای مرتبط با آن که غیر عادی هستند نیز در یک حادثه واحد گروه بندی می شوند. این امر به کاهش زمان پردازش داده ها ، آشکار کردن علت اصلی یک حادثه کمک می کند و حوادث را به هم می پیوندد تا خستگی هشدار را کاهش دهد. به طور متوسط ، مشتریانی که از ANODOT استفاده می کنند ، تجزیه و تحلیل همبستگی را کاهش می دهند تا 99 ٪ سر و صدای هشدار را کاهش دهند.
نمونه ای از همبستگی در نظارت بر تجارت
کاربرد تجزیه و تحلیل همبستگی را در حوزه تبلیغات تجارت الکترونیکی در نظر بگیرید. برای بسیاری از خرده فروشان ، سه ماهه آخر سال بیش از 50 درصد از فروش سالانه آنها را تشکیل می دهد. بیشتر بازرگانان تبلیغات مختلفی را برای تقویت فروش که مطابق با جمعه سیاه ، دوشنبه سایبر و سایر رویدادهای مربوط به تعطیلات است ، انجام می دهند.
عوامل متعدد در حال بازی با هرگونه ارتقاء ، از جمله نوع ارتقاء ، قیمت گذاری تبلیغاتی ، هدف قرار دادن مخاطبان ، هدف خرید ، به موقع بودن ، رسانه های مورد استفاده برای ارتقاء و عوامل متعدد دیگر هستند.
تجزیه و تحلیل همبستگی یک تناسب طبیعی را برای تعیین اینکه کدام عامل (ها) نقش مهمی در رانندگی خطوط بالا و پایین در فروش دارند ، پیدا می کند. توانایی شناسایی همبستگی های قوی به بازاریابان کمک می کند تا در تبلیغات مربوطه دو برابر شوند.
برای نشان دادن ، شکل زیر را در نظر بگیرید ، که نشان می دهد چگونه دو ناهنجاری همبستگی - سنبله در صفحه نمایش (نمودار بالا) و اضافه کردن به چرخ دستی ها (نمودار پایین) - برای یک سایت تجارت الکترونیک به یک الگوی فروش غیر عادی اشاره می کند. منطقه سایه دار (پایه) الگوی عادی فروش برای یک رویداد تبلیغاتی از این طبیعت است.
واضح است که معیار افزودن به سبد خرید ضعیف عمل می کند. ارتباط رویداد مربوطه (فروش) و معیارهای مرتبط (بازدید از صفحه و افزودن به سبد خرید) با هم، بر بی نظمی کاهش در هر دو این معیارها تأکید می کند.
هنگامی که رویداد شروع شد، تیم در مورد این واقعیت آگاه شد که رویداد فروش افزایش مورد انتظار را در هر دو معیار همبسته به همراه نداشت. در واقع، تعداد بازدید از صفحه در مقایسه با افزایش مورد انتظار، در واقع 46 درصد کاهش یافته است که منجر به کاهش 66 درصدی افزودن به سبد خرید شده است. این افت ها به این دلیل شناسایی شدند که اثر رویداد فروش (یک متغیر "خارجی" برای متریک) با مقادیر متریک مرتبط بود. اگر همبستگی بین معیارها و رویداد در نظر گرفته نمی شد، افت به نظر افزایش می یافت.
کشف روابط بین معیارهای داده کاربردهای عملی زیادی در نظارت بر کسب و کار دارد. تجزیه و تحلیل همبستگی می تواند به شناسایی علت اصلی یک مشکل کمک کند و زمان رفع مشکل را بسیار کاهش دهد. همچنین به گروه بندی رویدادها با هم کمک می کند تا تعداد هشدارهای تولید شده توسط رویدادها کاهش یابد و در نتیجه خستگی هشدار در میان پرسنل پشتیبانی و هزینه بررسی هشدارهای تکراری کاهش یابد.
نوشته شده توسط Anodot
Anodot پیشرو در نظارت بر کسب و کار مستقل است. شرکت‌های مبتنی بر داده از پلت‌فرم یادگیری ماشینی Anodot برای شناسایی رویدادهای تجاری در زمان واقعی استفاده می‌کنند که به کاهش زمان شناسایی تا ۸۰ درصد و کاهش نویز هشدار تا ۹۵ درصد کمک می‌کند. تا کنون، Anodot به مشتریان کمک کرده است تا میلیون‌ها دلار در زمان و درآمد خود را پس بگیرند.
