注意:以下翻译的准确性尚未经过验证。这是使用 AIP ↗ 从原始英文文本进行的机器翻译。
如果组织拥有寻找工具,通常可以获得显著的收入或成本节约机会,例如,识别电网中的风险,调查潜在的欺诈行为,识别提高材料产量的机会,或找到下一个最佳销售操作。调查和分组工作流程允许用户创建其组织的共同运营图景,结合主题专家知识和数据分析揭示机会,并实施现实世界的解决方案。
调查和分组工作流程旨在理解和分组数据中代表收入或节约机会的现实世界异常或问题,促进深入分析这些问题,并促进补救。它们被用于主动识别问题或理解关系,遵循探索性方法,其中分组逻辑指导分析师的主题专家知识,并用于发现异常。随着数据量的不断增加,处理复杂统计应用的技术技能缺乏往往为分析师设置了进入障碍,或迫使组织大幅降低数据的复杂性。
这些工作流程几乎总是需要一个工具集,以便快速分析和探索大型、通常是孤立的数据资产。然后需要存储和重用结果,并且通常也需要可重现。
在 Foundry 中,这些工作流程为具有不同技能的用户结合了不同的工具,但都依赖于相同的数据资产,Ontology,它建模了相关的组织对象及其之间的关系。自动化的业务逻辑和/或机器学习分组被应用于为调查提供起始点,并使用 Foundry 的各种分析工具深入研究问题。最后,Ontology 数据输出用于更新 Ontology 和外部源系统,以补救或执行问题。
探索性分析
为了调查数据和测试假设,分析师通常依赖探索性分析。他们会从自上而下的方法开始,高层次地查看大型数据集,然后通过变换、筛选或聚合数据来测试他们的假设。例如,在材料产量应用中,分析师每周审查表现最差的材料,并通过Contour深入研究以识别节约机会。
过去,这种方法仅限于能够使用工具处理大型数据集并比较结果的高度技术性分析师,这通常意味着过程在少数用户上形成瓶颈,迭代速度缓慢。
在 Foundry 中,用户依赖于一组代码和无代码工具来分析任何数据集,无论其大小如何,只需几秒钟。它不仅提供了一组工具来可视化探索数据,从而降低了进入门槛,而且通过利用 Ontology,它还为用户提供了大量的操作背景。
相关产品:
案例调查
调查可能是由于警报工作流程模式(例如电网中的趋势或中断)、优先级分组(例如表现最差的制造过程)或用户寻找机会(例如销售人员识别他们的下一个操作)而开始的。
它们要么从单个 Object 或一小部分 Objects 开始。调查很少是开放式的;相反,它们通常有一个明确的目标(例如了解客户投诉的来源),分析师的任务是从触发事件回溯到其根本原因。
相关产品:
影响跟踪器
一旦调查完成,假设得到确认,或分析结束,便会采取一个触发现实事件的操作决策(例如触发一个团队去补救一个风险资产)。
理想情况下,这些现实事件也会减少再次遇到相同情况的风险。如果发生这种情况,所做的决策和采取的操作本身就成为重要的数据资产。了解何时、何地以及为何做出决策,反过来可以在未来的调查和分析中得到利用,使分析师能够随着时间的推移比较不同情况以提高一致性。
相关产品:
手动规则创建
理想情况下,调查是主动触发的。主题专家可能能够估计哪些错误或异常可能在某个时刻发生,并希望专门监控这些数据。假设可以非常具体(在这种情况下,他们会转向警报模式,如资产故障操作)应用案例,或较为松散(在这种情况下,他们定义 KPI 或业务逻辑以在数据中寻找,例如材料产量应用)。最简单的情况下,逻辑遵循分析师在每次调查或分析开始时通常会手动执行的步骤。
拥有一种(至少局部)自动化的方法还可以用于确保确定性行为,这可能是监管机构要求的,或者对确保一致性和降低风险的机会有价值。
就像在警报模式中一样,用户可以依赖 Foundry 的警报自动化,或使用与调查和探索相同的工具。
相关产品:
在某些情况下,调查或检测数据中的异常不需要在个案基础上应用主题专家知识。当存在稳健且一致的数据资产时,统计方法可能更适合手头的问题。对于人类来说,在大量数据中检测复杂模式可能很困难,尤其是当模式不断变化时。通过 Foundry ML,可以在大型数据集上训练和实施模型。结果(无论是聚类还是预测)都可以像平台中的任何其他数据点一样使用,这意味着它可以成为 Ontology 的一部分,并在探索性分析或调查中被利用。
相关产品:
Ontology 存储了不同资产之间的关系信息(例如,如何将发货、客户和订单连接起来),以便用户自然地提出和回答问题。
Objects:
相关产品:
无论使用何种模式,底层数据基础是由管道构建并同步到外部源系统的。
数据集成管道
数据集成管道使用包括 SQL、Python 和 Java 在内的多种语言编写,用于将数据源集成到主题 Ontology 中。
Foundry 可以从广泛的来源同步数据,包括 FTP、JDBC、REST API 和 S3。从多种来源同步数据并编译最完整的真实来源是实现最高价值决策的关键。
想要了解更多有关此应用案例模式的信息?希望实施类似的东西?开始使用 Palantir。↗