Articles

jak využít analytiku, aby se stala skutečně datově řízenou organizací-tři věci, které je třeba zvážit

jak využít analytiku, aby se stala skutečně datově řízenou organizací-tři věci, které je třeba zvážit
Dorman Bazzell a Scott Schlesinger, Capgemini
v mnoha předních organizacích je nová role, která se zaměřuje na pomoc při transformaci dat na informace a informace na inteligenci – datový vědec. Je to trochu nejednoznačná role, protože mnoho lidí nerozumí tomu, co dělají a jak to dělají. Dosud, je to role ctěná jako významně důležitá. Vědci v oblasti dat pomáhají organizaci zmapovat cestu vpřed využitím dat a vytvářením sofistikovaných statistických algoritmů ve snaze vyřešit problémy na cestě k žalovatelné inteligenci. Tato práce je tak žádaná, že McKinsey odhaduje, že do roku 2020 bude v USA potřeba až 190 000 datových vědců.
dnes je však k dispozici jen velmi málo vědců a talentů, kteří mají hluboké znalosti o tom, jak co nejlépe využít data. Mezi námi ostatními, mnozí touží rychle využít tohoto trendu a využít obrovské množství nových dat přicházejících do naší organizace shromažďováním a hodnocením více datových bodů než kdykoli předtím, aby podpořili rozhodování.
mnozí si uvědomili, že jejich zájem spočívá méně v samotném trendu, ale spíše v analytice. Tato dychtivost, poháněná touhou okamžitě odvodit cenné, použitelné poznatky z dat, bohužel vede k nízkým dopadům. Základní klíčové prvky potřebné ke skutečné realizaci efektivní analytické vize jsou ztraceny ve spěchu.
prostřednictvím našich klientských iniciativ věříme, že existují tři základní prvky, které musí vedoucí pracovníci v jakékoli obchodní funkci přijmout, aby zajistili ideální výsledky důkladné analýzy dat. Patří mezi ně vytvoření klasifikace rozlišující mezi velkými daty a analytikou; definování jasného případu obchodního použití; a optimalizace stávající infrastruktury a nástrojů na podporu úsilí.
oddělte velká Data od analytiky
obecná myšlenka velkých dat není nová. Společnosti se již léta snaží využít dostupných údajů ke zlepšení obchodních operací a zákaznických iniciativ. To, co se dnes liší, je obrovské množství datových typů a objemu, jejich vstupní body a rychlost, jakou se organizace snaží získat a analyzovat tato data. To, co se často ztrácí dychtivostí, je pochopení, že velká data nejsou jen o shromažďování a správě datových souborů. Spíše, velká data musí zahrnovat analytiku-schopnost posoudit a identifikovat výsledky a trendy, aby se vzdělanější, působivá obchodní rozhodnutí. Aby společnosti mohly těžit z výhod analytiky, potřebují organizační přísnost ohledně efektivního získávání a využívání velkých dat. Na začátku musí mít každý, kdo se podílí na iniciativě, stejné porozumění a očekávání.
Definujte případ obchodního použití
cesta velkých dat a analýz začíná relevantním, jasně definovaným a dobře pochopeným případem obchodního použití. Dosud, jednou z hlavních příčin frustrace je příliš brzy skočit do analytické iniciativy, aniž by jasně definovala, čeho chce společnost dosáhnout.
vzhledem k tomu, že se společnosti snaží využívat data – ať už interní, externí, strukturovaná nebo nestrukturovaná – ke zvýšení provozní efektivity, zlepšení ziskovosti, zvýšení podílu na trhu, analytika nabízí možnost získat poznatky o oblastech podnikání, které dříve byly vzdálenou realitou. Jaké jsou postřehy, které doufáte získat? Co chcete měřit? Co doufáte, že dosáhnete prostřednictvím analýzy pro vaše oddělení nebo podnik? Tyto otázky musí být zodpovězeny před zahájením cesty, jinak nedorazíte tam, kde se očekávalo, a vaše očekávání návratnosti investic budou přerušena.
organizace musí pochopit, proč a kde má smysl využívat velká data. Stanovení souboru prioritních případů použití na úrovni funkční oblasti zajistí jasnost a strategické vedení pro každou iniciativu a poskytne kritéria úspěchu pro měření úspěchů. Případy použití pomáhají vytvářet obchodní případy, které poskytují IT I podnikání společný rámec pro řešení otázek návratnosti investic očekávaných od vedení organizace investorům.
například pro prodejce oděvů je poměrně jednoduché sledovat počet prodaných pánských kravat. Ale, je pro ně méně zřejmé – pokud nevyužijí konverzaci o sociálních datech-proč konkrétní vazby tam, kde jsou takové horké prodejce. Ropné společnosti mohou pomocí dat senzorů stroje určit, kdy může dojít k selhání preventeru a jaká je pravděpodobná příčina.
toto použití dat zvyšuje bezpečnost pracovníků; předcházení škodám na životním prostředí a eliminace potenciálních nákladů.
Optimalizujte stávající investice do technologií
mnoho společností, které chtějí rychle využít analytického spěchu při rozhodování o nákupu. Hledají nejnovější a nejlepší analytický software a nástroje. Ale tím, že nejprve nevytvořili jasný případ obchodního použití nebo zavedli správné rámce správy dat, pravděpodobně dosáhnou nízké návratnosti investic od začátku.
společnosti by se nejprve měly podívat na svou současnou IT infrastrukturu a systémy podnikového plánování a hledat způsoby, jak spárovat ty s externími zdroji, jako jsou sociální média a senzory. To jim pomůže získat počáteční informace o datech, které pravděpodobně zajistí větší flexibilitu při škálování analýz následných datových souborů, které budou mít širší dopad na podnikání, jeho partneři a zákazníci. Ještě důležitější je, že tato praxe poskytne cestu k efektivnějšímu úsilí o optimalizaci dat s cílem využít nástrojů s otevřeným zdrojovým kódem, jako je Hadoop, k ukládání a hodnocení větších datových sad.
dosažení odpovědí v reálném čase z dat je ideálním výsledkem analýzy. Působení na tyto tři kritické prvky vyžaduje uznání trpělivosti-vyžadují čas. Dychtivost zaměstnávat analytiku a dosahovat rychlých výsledků riskuje, že z dlouhodobého hlediska vytvoří více těžkostí než výhod pro podnikání. Aby organizace mohly pomocí analytiky propojit své ideální výsledky, jsou tyto kroky blokování a řešení nezbytné. Bezpochyby to vyžaduje čas, ale jejich návratnost investic bude neocenitelná pro jakoukoli analytickou iniciativu.

Napsat komentář

Vaše e-mailová adresa nebude zveřejněna.