Articles

Come utilizzare le funzionalità di analisi di un data-driven organizzazione– tre cose da considerare

Come utilizzare le funzionalità di analisi di un data-driven organizzazione– tre cose da considerare
Da Dorman Bazzell e Scott Schlesinger, Capgemini
C’è un nuovo ruolo all’interno di molte organizzazioni principali che focalizzato su come aiutare a trasformare i dati in informazioni, e le informazioni in intelligence – i dati scienziato. È un ruolo un po ‘ ambiguo, poiché non molte persone capiscono cosa fanno e come lo fanno. Eppure, è un ruolo venerato come significativamente importante. I data scientist aiutano l’organizzazione a tracciare il percorso in avanti sfruttando i dati e creando sofisticati algoritmi statistici nel tentativo di risolvere i problemi nel viaggio verso l’intelligenza attuabile. Questo lavoro è così richiesto che McKinsey stima che ci sarà bisogno di un massimo di 190.000 scienziati di dati negli Stati Uniti entro il 2020.
Oggi, tuttavia, ci sono pochissimi scienziati di dati e talenti disponibili che hanno una conoscenza approfondita di come sfruttare al meglio i dati. Tra il resto di noi, molti sono desiderosi di sfruttare rapidamente questa tendenza per attingere alla grande quantità di nuovi dati che entrano nella nostra organizzazione accumulando e valutando più punti dati che mai per supportare il processo decisionale.
Quello che molti hanno capito è che il loro interesse risiede meno nella tendenza stessa, ma più con l’analisi. Questo entusiasmo, alimentato dal desiderio di ricavare immediatamente informazioni preziose e fruibili dai dati, sta purtroppo portando a risultati a basso impatto. Gli elementi chiave fondamentali necessari per realizzare veramente una visione di analisi efficace si perdono in fretta.
Attraverso le iniziative dei nostri clienti, riteniamo che ci siano tre elementi essenziali che i leader in qualsiasi funzione aziendale devono adottare per garantire risultati ideali un’analisi completa dei dati. Questi includono la creazione di una classificazione che fa una distinzione tra big data e analytics; definizione di un chiaro caso d’uso aziendale; e ottimizzando le infrastrutture e gli strumenti esistenti per sostenere lo sforzo.
Separare i Big Data da Analytics
L’idea generale alla base dei big data non è nuova. Da anni le aziende cercano di sfruttare i dati disponibili per migliorare le operazioni aziendali e le iniziative dei clienti. Ciò che è diverso oggi è la grande quantità di tipi di dati e il volume, i loro punti di ingresso, e la velocità con cui le organizzazioni cercano di acquisire e analizzare questi dati. Ciò che spesso si perde attraverso l’entusiasmo è la comprensione che i big data non riguardano solo la raccolta e la gestione di set di dati. Piuttosto, i big data devono incorporare l’analisi: la capacità di valutare e identificare i risultati e le tendenze per prendere decisioni aziendali più istruite e di impatto. Per sfruttare i vantaggi dell’analisi, le aziende hanno bisogno di rigore organizzativo attorno all’acquisizione efficiente e alla leva dei big data. All’inizio, tutti coloro che partecipano a un’iniziativa devono avere la stessa comprensione e le stesse aspettative.
Definire il caso d’uso aziendale
Il percorso di big data e analytics inizia con un caso d’uso aziendale pertinente, chiaramente definito e ben compreso. Eppure, una delle principali cause di frustrazione sta saltando in un’iniziativa di analisi troppo presto senza definire chiaramente ciò che l’azienda vuole realizzare.
Mentre le aziende cercano di sfruttare i dati – sia interni, esterni, strutturati o non strutturati – per aumentare l’efficienza operativa, migliorare la redditività, aumentare la quota di mercato, analytics offre la possibilità di raccogliere approfondimenti su aree del business che prima erano una realtà lontana. Quali sono le intuizioni che speri di ottenere? Cosa stai cercando di misurare? Cosa speri di ottenere attraverso l’analisi per il tuo dipartimento o azienda? Queste domande devono essere risolte prima di iniziare il viaggio, altrimenti non arriverai dove previsto e le tue aspettative sul ROI saranno tratteggiate.
Le organizzazioni devono capire perché e dove ha senso sfruttare i big data. Stabilire una serie di casi d’uso prioritari a livello di area funzionale garantirà chiarezza e guida strategica per ogni iniziativa e fornirà criteri di successo per misurare i risultati. I casi d’uso aiutano a creare casi aziendali che forniscono sia all’IT che al business un quadro comune per affrontare le domande sul ROI attese dalla leadership organizzativa agli investitori.
Ad esempio, è abbastanza semplice per un rivenditore di abbigliamento monitorare il numero di cravatte da uomo vendute. Ma, è meno evidente per loro-a meno che non fanno uso della conversazione dati sociali – perché legami particolari in cui tali venditori caldi. Le compagnie petrolifere potrebbero utilizzare i dati del sensore della macchina per determinare quando un dispositivo di prevenzione dello scoppio potrebbe fallire e qual è la causa probabile.
Questo uso dei dati migliora la sicurezza dei lavoratori; prevenire i danni ambientali ed eliminare i costi potenziali.
Ottimizza gli investimenti tecnologici esistenti
Molte aziende che cercano di sfruttare rapidamente l’analisi si precipitano nelle decisioni di acquisto. Essi cercano il più recente e più grande software di analisi e strumenti. Ma, non avendo prima creato un chiaro caso d’uso aziendale o messo in atto i quadri di governance dei dati appropriati, è probabile che raggiungano un basso ritorno sull’investimento fin dall’inizio.
Le aziende dovrebbero prima guardare la loro attuale infrastruttura IT e sistemi di pianificazione aziendale e cercare modi per accoppiare quelli con fonti esterne come i social media e sensori. Ciò li aiuterà a ottenere informazioni iniziali sui dati che probabilmente garantiranno una maggiore flessibilità per scalare le analisi dei set di dati successivi che avranno un impatto più ampio sull’azienda, sui suoi partner e clienti. Ancora più importante, questa pratica fornirà un percorso per sforzi di ottimizzazione dei dati più efficienti per sfruttare gli strumenti di dati open source, come Hadoop, per archiviare e valutare set di dati più grandi.
Ottenere risposte in tempo reale dai dati è il risultato ideale dell’analisi. Agire su questi tre elementi critici richiede un apprezzamento per la pazienza-richiedono tempo. Il desiderio di utilizzare l’analisi e ottenere risultati rapidi corre il rischio di creare più difficoltà che benefici per l’azienda a lungo termine. Affinché le organizzazioni possano mettere in rete i loro risultati ideali con l’analisi, questi passaggi di blocco e gestione sono essenziali. Senza dubbio richiedono tempo, ma il loro ritorno sull’investimento sarà inestimabile per qualsiasi iniziativa di analisi.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato.