Мастерская бизнес-анализа
Итак, как было задумано, начну свои размышления по поводу профессии с этой триады понятий и терминов.
Не претендую на истину в последней и даже в предпоследней инстанции, исхожу из своего опыта столкновений с этим и понятиями и их использования.
Анализ
Если исключить здесь из рассмотрения все, что связано с медицинскими исследованиями (крови и т.д, с которыми мы сталкиваемся с самого детства, естественно, не вникая в значение отдельных слов), то скорее всего впервые я столкнулась со словом «Анализ» в связке со словом «математический». Причем, так как я училась в очень продвинутой школе (класс был правда не математиков, а физиков, но не важно), то с этим понятием я столкнулось до ВУЗа – в школе. Хотя, в общем случае, в наше время это называлось высшей математикой и в школе не изучалось. (Потом я видела школьный учебник с названием: «Алгебра и начала анализа»).
Но я уже понятие имела. На нашем экономфаке математика была общеинженерная – не урезанная, поэтому матанализ или матан (так наверное до сих пор говорят студенты) мы изучали довольно серьезно.
Дальше была теория вероятностей и математическая статистика, а там – корреляционный, регрессионный, дисперсионный, факторный – большое разнообразие всяких анализов.
И все же понятие и термин «анализ» из стен УПИ был вынесен в связке со специально изучаемым предметом (это уже на 5 курсе) «Анализ хозяйственной деятельности». Именно этот курс мы окрестили коротко «анализ», и надо сказать, что навыки, методики анализа, вынесенные из этого институтского курса были действительно полезны, и часто были использованы в самых неожиданных ситуациях. Причем, часто казалось, что применяемые подходы (типа анализа динамики, влияния факторов и многое другое – это просто очевидные вещи, и лишь в следующую минуту приходило на память, что меня этому всерьез учили).
Потом, в связи с чтением большого количества литературы при подготовке диссертации (сразу скажу – она не случилась, но об этом когда-нибудь в другой раз), пришло понимание и об «анализе как методе научного познания» (конечно, нам об этом говорили в курсе философии, но на 2 курсе это не дошло).
И вот уже в конце 80-х годов мы услышали термин «анализ» в связке со бывшим уже очень популярным словом «система» (мы ведь проектировали АСУ) — такие слова как «системный анализ» (ну и «системный аналитик»).
Слово «бизнес» стало широко употребляемым уже после перестройки – на мой взгляд –излишне широко: все подряд имеют бизнес, занимаются бизнесом. В отношении этого понятия, а также и многих других, применяется прямой даже не перевод с английского, а переписывание слова русскими буквами.
Не могу не привести цитату из: Конотопов П.Ю.
«Удивительные трансформации происходят с заимствованными и переводными терминами при их пересадке на российскую почву…
Большинство иноязычных терминов и понятий при переходе границы Российской Федерации начинает вести себя подобно злодеям из шпионских фильмов сталинской эпохи. Вроде бы все у них как у всех, но выделяются они среди прочих «лица не общим выраженьем».
Становятся они сразу какими-то водянистыми, блёклыми да размытыми.»
Но здесь я остановлюсь, чтобы не погружаться в «терминологические дебри», а скажу только, что появился «бизнес», а с ним – «бизнес-анализ» и «бизнес-аналитик».
А вот теперь воспользуюсь возможностью, предоставляемой Интернетом и приведу несколько определений – правильных, словарных и научных, но прежде мне слабо знакомых. Слово «анализ» всегда казалось настолько понятным, что желания заглянуть в энциклопедический словарь (который на полке конечно стоял) никогда не возникало. Но, как говорит народная мудрость – лучше поздно…
Большая Советская Энциклопедия Не ограничусь ссылкой, а выделю в описании важные для меня моменты.
«АНАЛИЗ (от греч. analysis — разложение, расчленение), процедура мысленного, а часто также и реального расчленения предмета (явления, процесса), свойства предмета (предметов) или отношения между предметами на части (признаки, свойства, отношения);
Аналитические методы настолько распространены в науке, что термин «Анализ» часто служит синонимом исследования вообще как в естественных, так и в общественных науках (количественный и качественный Анализ в химии, диагностические Анализы в медицине, разложение сложных движений на составляющие в механике, функциональный Анализ в социологии и т. д.). Процедуры Анализа входят органической составной частью во всякое научное исследование и обычно образуют его первую стадию, когда исследователь переходит от нерасчленённого описания изучаемого объекта к выявлению его строения, состава, а также его свойств, признаков. Но и на других ступенях познания Анализ сохраняет своё значение, хотя здесь он выступает уже в единстве с другими процедурами исследования. Аналитические процедуры являются одними из главных не только в научном мышлении, но и во всякой деятельности, поскольку она связана с решением познавательных задач. Как познавательный процесс Анализ изучается психологией, рассматривающей его как психический процесс, который осуществляется на различных уровнях отражения действительности в мозгу человека и животных, а также теорией познания и методологией науки, которые рассматривают Анализ прежде всего как один из приёмов (методов) получения новых познавательных результатов .
Человек, как и животные способен на чувственно-наглядный анализ и, в отличие от животных, на мыслительный Анализ, который совершается с помощью понятий и суждений, выражаемых в естественных или искусственных языках (знаковых системах науки). С другой стороны, и сам Анализ, вместе с другими приёмами, служит средством формирования понятий о действительности.
Существует несколько видов Анализа как приёма научного мышления. Одним из них является мысленное (а часто, например, в эксперименте, и реальное) расчленение целого на части. Такой Анализ, выявляющий строение (структуру) целого, предполагает не только фиксацию частей, из которых состоит целое, но и установление отношений между частями. При этом особое значение имеет случай, когда анализируемый предмет рассматривается как представитель некоторого класса предметов: здесь Анализ служит установлению одинаковой (с точки зрения некоторых отношений) структуры предметов класса, что позволяет переносить знание, полученное при изучении одних предметов, на другие.
Другим видом Анализа является Анализ общих свойств предметов и отношений между предметами, когда свойство или отношение расчленяется на составляющие свойства или отношения; одни из них подвергаются дальнейшему Анализу, а от других отвлекаются; на следующем этапе Анализа может подвергнуться то, от чего ранее отвлеклись, и т. д. В результате Анализа общих свойств и отношений понятия о них сводятся к более общим и простым понятиям.
Видом Анализа является также разделение классов (множеств) предметов на подклассы — непересекающиеся подмножества данного множества. Такого рода Анализ называют классификацией.
Все эти и другие виды Анализа применяются как при получении нового знания, так и при систематическом изложении уже имеющихся научных результатов».
Аналитика
В былые времена я не припомню, чтобы мы пользовались этим термином для чего бы то ни было, поэтому – сразу к словарям и другим источникам.
Аналитика — (греч. analytike — искусство анализа) — искусство расчленения понятий, начал, элементарных принципов, с помощью которых рассуждения приобретают доказательный характер. Понятием Аналитика Аристотель обозначил раздел логической науки, посвященный строгим силлогистическим рассуждениям. Аналитикой предлагают называть «сферу деятельности, процесс и методику некоторого анализа. В некоторых случаях аналитикой называют также результат некоторого анализа. Что за анализ, в какой сфере он производится, с какой целью — уже второй вопрос».
Что НЕ является аналитикой:
- Перевод информации из одного формата в другой. К примеру, если вы, имея числовой ряд данных по продажам вашего магазина, строите график продаж в течение года, это не есть аналитика — вы просто перевели данные из числового формата в графический. Если же вы по этому графику определили наличие сезонности (получили новую информацию), это уже похоже на аналитику.
- Недостаточно обоснованные выводы и домыслы, выдаваемые за факты. При этом формирование гипотез вполне может являться частью процесса аналитики, если они в дальнейшем проверяются на достоверность.
В конечном счете, аналитика — это «увеличение информации», улучшение понимания причинно-следственных связей в рассматриваемом процессе или событии.
А вот в статье «Что такое аналитика?» понятие «Аналитика» сводится к понятию «Анализ»: «Для определения точного ответа, что такое аналитика, необходимо разобрать, что такое анализ? Причем, это действие, само по себе, уже объясняет суть понятия аналитики. Ведь разложение на составляющие с целью понимания сути процесса и есть понятие аналитики, или анализа. Уже очень долгое время вопрос, что такое аналитика вызывает различные трактования, но основная терминология остается прежней. Получение выводов, на основе имеющихся данных, перерабатываемых особым образом, объясняет, что такое аналитика. Аналитика газетных статей показывает, насколько действительные данные, по мнению субъекта, проводившего анализ, соответствуют реальности. Поэтому, судить о правильности аналитики, можно только по отношению к профессионализму аналитика (как можно назвать специалиста по анализу).
Еще один вариант использования ответа, что такое аналитика гласит – это набор данных, имеющих определенную структуру и позволяющий подогнать любое происходящие событие под рамки имеющихся шаблонов. Это очень сложный и, зачастую условный процесс, точность которого зависит, в первую очередь, от того, насколько богатым будет ассортимент образцов для сравнения»
Недавно в Интернете выложена книга Ю.В. Конотопова «АНАЛИТИКА: МЕТОДОЛОГИЯ, ТЕХНОЛОГИЯ И ОРГАНИЗАЦИЯ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ РАБОТЫ», изданная в 2004г . Прочитав в предисловии, что: «Фактически данная книга — это первое в России капитальное исследование чрезвычайно важной сферы деятельности – аналитики как таковой.» и что «…то, что вам предстоит прочитать — своеобразное интеллектуальное Эльдорадо…», я утвердилась в своем решении пока термин «аналитика» в рассуждениях не использовать.
Ну и наконец, Кто такой Аналитик?
Я уже писала, что во времена первых АСУ нас – специалистов «допрограммистской» работы – называли постановщиками задач (или просто постановщиками). Среди моих знакомых людей с профессией аналитик не было, читать о таких тоже тогда не приходилось (по крайней мере в памяти не зацепилось). Просто любой специалист — экономист, финансист и постановщик задач тоже, должны были владеть методами анализа.
Что пишут на эту тему? Статьи с название Аналитик ни в БСЭ, ни в Википедии не нашлось. И вроде как из области «само собой»: АНАЛИТИК — специалист, владеющий методикой анализа, участвующий в проведении анализа. Но все же кадровые агенства иногда формулируют профессию в общем виде:
Аналитик «В рамках данной профессии можно найти различные должности: маркетолог-аналитик, финансовый аналитик, аналитик рынка ценных бумаг, инвестиционный аналитик, системный аналитик (бизнес-аналитик) и другие. Профессия аналитика является универсальной, специалист в данной сфере может работать, например, в финансовых, инвестиционных компаниях, банковских структурах, консалтинговых компаниях, брокерских конторах, международных корпорациях.
К претендентам на должность аналитика работодатели предъявляют довольно жесткие требования. Профессия аналитика требует, как правило, высшего образования в области экономики/финансов, статистики либо информационных технологий. Аналитик должен знать методы анализа рынка, основы статистики, иметь аналитические способности, навыки работы с большими объемами информации. В международных компаниях одним из главных требований к аналитику является знание иностранного языка и документ международного образца о подтверждении профессионального уровня.
Среди профессиональных качеств аналитика можно выделить следующие: внимательность, усидчивость, наблюдательность, структурное и аналитическое мышление, хорошую память».
Какие выводы я могу сделать из такого краткого и не претендующего на большой охват вариантов обзора ?
- Общие понятия будем трактовать в соответствии с известными энцеклопидически описанными (приведены выше) формулировками.
- Для конкретного применения этих понятий они всегда (или за редким исключением) требуют определения, уточняющего сферу использования общего понятия. И при рассмотрении толкования понятий для дальнейшей работы с ними, при формулировке того, о чем будем договариваться на будущее, термин анализ будем конкретизировать – о каком анализе идет речь – математической, химическом или экономическом.
НО! В этой формулировке не должно быть противоречий с общему понятию «анализ» (см. П.1).
- И, как уже сказано, в дальнейших рассуждениях о профессии я буду преимущественно использовать понятия анализ и аналитик (с соответствующими определениями), уточняя и представления о том что это и как используется. Что касается понятия аналитика, то без особой необходимости, я им пока пользоваться просто не буду (как впрочем, и раньше как-то не очень он у меня был в ходу).
Получилось ли что-то новое? Если и да, то малые крохи. И тем не менее, опыт говорит, что даже вещи, которые кажутся совершенно очевидными, необходимо проговаривать – сплошь и рядом они разным людям очевидны по-разному. А все новое всегда накапливается по крупицам, но складывается в КОПИЛКУ.
Чем Анализ отличается от Аналитики. И к чему приводит путаница
Тезисы Развитие специализации в ИТ привела к появлению разных новых направлений и специальностей. Одних аналитиков всех мастей появилось целый список: бизнес, процессные, системные, Data и др. И даже они сами стали путаться кто из них чем занимается: то ли анализом, то ли аналитикой. На квартирнике попытаемся выяснить, а в чем конкретно разница, и какое это в итоге имеет значение. Аудитория Everyone. Уровень сложности Any-level.
Школа системного анализа и проектирования
Евгений Галактионов
Системный аналитик с 20 летним стажем. И опытом в разных предметных областях: от логистики до банковских систем. Участие в проектах как в заказной разработке, так и в продуктовой. 8 лет тренерского опыта в обучении системных аналитиков.
Системный аналитик с 20 летним стажем. И опытом в разных предметных областях: от логистики до банковских систем. Участие в проектах как в заказной разработке, так и в продуктовой. 8 лет тренерского опыта в обучении системных аналитиков.
Аналитика данных против анализа данных: Ключевые различия и способы применения
Данные становятся новым топливом для бизнеса, потому что они помогают ему получить ключевые знания и расти. Однако существует большая разница между аналитикой и анализом, и важно знать, что это такое. Несмотря на то, что эти слова часто используются как взаимозаменяемые, они означают разные вещи и имеют разное значение. Давайте обсудим аналитику данных и анализ данных.
Люди часто путают анализ данных и аналитику данных. Чтобы прояснить это заблуждение, мы рассмотрим оба термина, их различия и способы использования.
Что такое аналитика данных?
Термин «аналитика данных» относится к широкому спектру действий и концепций, связанных с данными. Это процесс перевода основных фактов и цифр в конкретные действия путем изучения оценок и восприятия необработанных данных в контексте решения организационных проблем и принятия решений. Цель — помочь предприятиям принимать более эффективные решения и добиваться большего успеха.
Аналитика данных — это отличный способ для предприятий и людей использовать данные для определения конкретных решений для своих концепций. Эффективный подход может обеспечить более комплексную стратегию того, куда может двигаться ваша компания. Ниже перечислены некоторые из способов, которыми аналитика данных может помочь вам:
- Выявление тенденций и закономерностей.
- Поиск новых возможностей.
- Определение возможных рисков и выгод.
- Выработка стратегии действий.
Что такое анализ данных?
Процесс очистки, манипулирования, моделирования и опроса данных для обнаружения необходимой информации известен как анализ данных. Анализ данных является жизненно важной частью аналитики данных. Он помогает нам находить решения, предоставляя информацию.
Существует несколько подходов, которые мы можем использовать, когда речь идет об анализе данных. Вот некоторые из них, которые вы можете использовать в зависимости от того, чего вы хотите достичь.
- А/Б тестирование: сравнение одной тестовой группы с другой.
- Слияние, интеграция данных: Оно обеспечивает точность путем анализа и объединения данных из различных источников.
- Майнинг данных: Это выявление закономерностей в огромных массивах данных и извлечение их для анализа.
- Машинное обучение: Здесь компьютерные алгоритмы используются для автоматизации процесса разработки аналитических моделей.
- Обработка естественного языка (NLP) использует компьютерные алгоритмы для изучения человеческих языков.
Ключевые различия между аналитикой данных и анализом данных
Аналитика данных и анализ данных часто используются как синонимы. Аналитика данных — это общий термин для обозначения области, которая включает в себя все управление данными, а также используемые методы и инструменты. С другой стороны, анализ данных — это процесс расчленения заданного набора данных на составные части и анализа каждой из них в отдельности, а также того, как эти части соотносятся друг с другом. Давайте теперь рассмотрим их различия и сходства.
| Аналитика данных | Анализ данных |
| Аналитика данных — это традиционный или общий тип аналитики, используемый на предприятиях для принятия решений на основе данных. | Анализ данных — это специализированный вид аналитики, используемый на предприятиях для оценки данных и получения глубоких знаний. |
| У него есть один или несколько пользователей, и он обычно состоит из сбора и проверки данных. | Он включает в себя определение данных, их изучение, очистку и изменение для получения полезного результата. |
| Он состоит из множества этапов, таких как сбор данных и проверка бизнес-данных. | Чтобы обработать данные, необработанные данные сначала должны быть определены осмысленным образом, прежде чем из них можно будет извлечь необходимую информацию путем очистки и преобразования данных. |
| Обрабатывает данные с помощью различных технологий, таких как Tableau, Python, Excel, Google Analytics и др. | Анализирует данные с помощью многих инструментов, таких как SPARK, Google Fusion tables, Node XL, Excel и др. |
| Не поддается описательному анализу. | Может быть подвергнут описательному анализу. |
| С его помощью можно обнаружить анонимные отношения. | С его помощью нельзя найти неизвестные отношения. |
| Сюда не входит инференциальный анализ. | Здесь поддерживается инференциальный анализ. |
Пример анализа данных против анализа данных
Для разъяснения принципов давайте рассмотрим реальный пример. Приведенный пример поможет вам понять идеи.
Большинство из нас хотя бы немного разбираются в фондовом рынке. Представьте, что вы новичок и хотите начать торговлю с прибылью. Теперь опишите свой первоначальный план действий.
- Как начинающий трейдер, вы, вероятно, изучали записи о рынке акций и трендах, чтобы получить представление о том, что происходит на рынке. Эта техника включает в себя анализ данных.
- В результате нового понимания модели акций вы можете оценить их будущую рыночную цену и купить несколько акций. Это служит примером процесса анализа данных.
Какой вариант лучше?
Исследования и процессы, используемые специалистом по анализу для составления прогнозов и выводов, сложны для понимания неспециалиста. Человеку, не обладающему необходимыми знаниями и опытом, может быть сложно понять, что такое постобработка, например, создание новых данных из набора данных для получения лучшего и желаемого вывода.
С другой стороны, возможно улучшение графического и визуального представления анализа данных, что позволяет даже неграмотным людям быстрее и легче понять содержание набора данных.
Вывод об анализе данных в сравнении с анализом данных
Данные становятся новым источником топлива для бизнеса. Правильно используя их, вы можете быстро увеличить общий объем продаж и чистый доход. Для ускорения роста, особенно в современных условиях жесткой конкуренции, необходимо понимать разницу между анализом данных и аналитикой данных. Аналитика — это изучение предыдущих данных для принятия лучших решений. Интерпретация данных осуществляется с помощью анализа данных. Он дает важнейшие исторические сведения, позволяющие понять, что происходило до этого момента.
предлагает решения для любого вопроса и отрасли, что делает его гораздо большим, чем просто программное обеспечение для проведения опросов. Кроме того, у нас есть платформы управления данными, такие как наша исследовательская библиотека InsightsHub.
Организации по всему миру используют инструменты и системы управления знаниями, такие как InsightsHub, для более эффективного управления данными, сокращения времени, необходимого для получения информации, и более эффективного использования исторических данных при сокращении расходов и повышении рентабельности инвестиций.
Ключевые слова:
- Маркетинговые исследования
- Инсайт-хаб
В чем разница между бизнес-аналитикой и машинным обучением?
В чем разница между бизнес-аналитикой и машинным обучением?
Бизнес-аналитика – это набор программных возможностей, которые позволяют компаниям получать доступ к данным, анализировать их и получать полезную информацию для принятия бизнес-решений. Как правило, инструменты бизнес-аналитики предоставляют информацию на удобных информационных панелях и средствах визуализации, которые отображают ключевые показатели в виде графиков и диаграмм, помогая принимать решения на основе данных. Машинное обучение – это наука о разработке алгоритмов и методов глубокого обучения для анализа больших данных и выявления скрытых в них закономерностей. Машинное обучение и искусственный интеллект позволяют специалистам по обработке данных и бизнес-аналитикам автоматизировать ручные процессы для извлечения данных, лучшего понимания тенденций, прогнозирования и создания новых отчетов бизнес-аналитики.
В чем сходство бизнес-аналитики и машинного обучения?
BI – это форма описательной и диагностической аналитики, которая анализирует произошедшее. ML также оценивает произошедшее, но использует эту информацию для прогнозирования будущего поведения. BI работает со структурированными данными, тогда как ML также может использовать неструктурированную информацию, такую как электронные письма и фотографии. Оба типа анализа данных преследуют одну и ту же цель – принятие обоснованных решений на основе данных. ML позволяет BI-системам извлекать более глубокую информацию из закономерностей в данных, которые не всегда очевидны в наборах данных.
Основные различия между бизнес-аналитикой и Машинное обучение?
Несмотря на некоторое сходство, бизнес-аналитика и машинное обучение – разные формы анализа.
Бизнес-аналитика
Хотя бизнес-аналитика может работать с данными практически в реальном времени, она является одной из форм исторической аналитики, которая наиболее точно характеризуется как описательная и диагностическая. Анализ в бизнес-аналитике обычно объясняет суть, способ и причину произошедшего. Бизнес-аналитика, созданная специалистами в этой области, также охватывает средства визуализации, такие как информационные панели и диаграммы.
Машинное обучение и искусственный интеллект
Машинное обучение – это разновидность искусственного интеллекта. Основное различие между машинным обучением и бизнес-аналитикой заключается в том, что машинное обучение – это наука о разработке алгоритмов и статистических моделей, которые компьютерные системы используют для выполнения задач без явных инструкций, опираясь на шаблоны и логические выводы. Компьютерные системы применяют алгоритмы машинного обучения для обработки больших объемов данных и определения их шаблонов. Таким образом, они могут более точно прогнозировать результаты на основе заданного набора входных данных. Например, анализ данных можно использовать для обучения медицинского приложения диагностировать рак по рентгеновским изображениям, сохраняя миллионы отсканированных изображений и соответствующие диагнозы.
Краткое описание различий между бизнес-аналитикой и машинным обучением
Бизнес-аналитика
Machine Learning
Определение прослеживающихся тенденций, а также установление сути, способа и причины произошедшего
Прогнозирование будущих результатов
Высокая квалификация в области статистического анализа, извлечения и визуализации данных с помощью информационных панелей
Продвинутые навыки программирования, кодирования, анализа данных и извлечения информации в сочетании с углубленной статистикой или статистическим анализом с использованием бескодовых инструментов машинного обучения
Работает с хорошо организованными реляционными базами и хранилищами данных
Работает с большими структурированными и неструктурированными озерами данных
Менее сложная, но зависит от навыков и знаний аналитиков в области бизнеса
Относительно сложная, требует значительных ресурсов и времени
Использует математические методы
Опирается на алгоритмы
Когда использовать бизнес-аналитику, а когда – Машинное обучение
Ниже приведены некоторые примеры, позволяющие лучше понять различия между бизнес-аналитикой (Business Inteligence, BI) и машинным обучением (Machine Learning, ML). Поскольку они отражают общие проблемы, полезно сравнить, как аналитики используют эти методы для выявления проблем и оптимизации бизнес-процессов.
Прогнозирование оттока клиентов
Отток клиентов – это количество клиентов, которых теряет компания в течение определенного периода времени в сравнении с общим их количеством в начале данного периода. Это простой расчет BI, который графически представляет результаты, отображающие исторический ежемесячный процент оттока клиентов. Расчеты оттока клиентов с помощью машинного обучения отличаются. Здесь алгоритмы могут анализировать определенные факторы в клиентской базе данных, в частности историю покупок, демографические данные и маркетинговые кампании, для прогнозирования будущего оттока клиентов.
Анализ настроения клиентов
Важно оценивать настроение клиентов – будь то положительное, нейтральное или негативное. С помощью BI можно использовать опросы и рейтинги для оценивания мнения клиентов. В то же время машинное обучение помогает глубже анализировать настроение в наборах данных, включая электронные письма, стенограммы центров обработки вызовов и ленты социальных сетей.
Как AWS может преобразовать бизнес-аналитику с помощью машинного обучения?
Дополнив бизнес-аналитику машинным обучением, вы сможете преодолеть разрыв между прошлым, настоящим и будущим. Бескодовые инструменты машинного обучения, такие как Amazon SageMaker Canvas, позволяют генерировать точные прогнозы с помощью машинного обучения, не требуя предварительного опыта работы с ним или написания каких-либо кодов. Это помогает вам принимать более эффективные бизнес-решения на основе данных.
Кроме того, вы можете визуализировать прогнозы, сгенерированные с помощью SageMaker Canvas, в сервисе Amazon QuickSight, который обеспечивает бизнес-аналитику в условиях гипермасштабирования. Благодаря QuickSight все пользователи могут выполнять различные аналитические задачи, используя один и тот же источник достоверной информации, с помощью современных интерактивных информационных панелей, постраничных отчетов, встроенной аналитики и запросов на естественном языке.
Чтобы начать работу с SageMaker Canvas и QuickSight, посмотрите семинар.