与几年前相比，今天的业务分析是一个明显不同的功能. 廉价的计算能力与复杂的开源技术和方法相结合，意味着拥抱数据驱动文化的组织明显优于传统的同行. 在某些学科中，(e.g. Web /市场营销分析, 风险/投资组合管理)的用例已经清晰了一段时间，人工智能的采用也很普遍.

传统上，财务和会计领域的用例不太清楚，但这种情况正在迅速改变. 组织正在寻求杠杆作用 先进的分析 (从数据准备到可视化，最终到机器学习模型开发)，但他们通常可以在入门时得到帮助. 去年Clearview的 主动供应商管理 是否证明这是一个非常好的分析用例，因为我们已经确定可以节省10-20%的供应商支出.

我们也意识到，机器学习对于金融的概念 & 会计可能令人望而生畏，其相关性难以想象. 然而, 高级分析的第一个阶段是获取和准备数据——这是任何分析师都会做的事情, 无论背景如何, 可以联系到. 此外, 在创建这个数据基础时，可以提取大量的价值, 在此基础上可以进行更复杂的建模.

帮助高级分析从一个抽象的概念到更相关的东西, 我们正在介绍一系列的 分析中的微观案例. 这些案例是对我们的客户有价值的当代分析技术或能力的个别例子.  除了分享其他人可能感兴趣的主题外，我们不打算按照任何顺序或时间表来使用我们的微案例.

在本系列的第一篇文章中，我们将着眼于大规模应用信用的问题.

分析学中的微观案例#1:应用积分

财务和会计独有的一个数据特征是反向交易的概念. 科学或营销分析的逆转是罕见的, 但在金融领域, 在数据集中看到2-5%的条目偏移是完全正常的. 这样的条目不仅没有增加信息价值, 它们实际上扭曲了任何涉及计数或平均值的分析. 例如, 入住酒店3晚的费用加上一晚的负金额，即入住两晚的费用为4条线.

从历史上看, 通常别无选择，只能手动识别和删除抵消条目，这是一项耗时(且无聊)的任务. 因此，这是我们首先遇到的有助于解决的问题之一.

Micro-Case

在我们的示例中，我们考虑一个公共数据集 俄克拉荷马州雇员购买卡交易. 有1个.从2015年到今天的7700万笔交易，总共有35000笔负交易(信用)-或3.占所有交易的25%.

匹配和删除抵消条目将是手动的，非常耗时且容易出错. 为了简化这个问题，我们创建了一个函数 apply_credits 识别基于持卡人的抵销交易, 商家和金额，并从工作数据集中消除它们.

当应用于1.700万笔交易，我们的 apply_credits 用了不到两秒的时间:

1. 根据我们的标准找出24000个匹配项
2. 检查它们和为零
3. 从我们的数据集中删除了它们
4. 检查剩余总额是否不变
5. 创建一个 .所有匹配项的CSV文件.

我们的 apply_credits 函数以一般化的形式编写，因此它可以在几分钟内应用于不同的数据集——这是一个非常有用的微功能，也是高级分析如何帮助完成基本任务的一个极好的例子.