Большие данные изменили общество, в котором мы живем, и использование этого преимущества повышает ценность организации. Но не все знают, как извлечь из этого максимальную пользу.

Действительно, большинство этих организаций опираются на кладезь данных, исторической информации и другой ценной информации, но не могут извлечь выгоду из этого преимущества. Таким образом, успешное использование аналитики может стать эффективной частью процесса принятия решений.

Использование аналитики может эффективно улучшить качество решений, приемлемость и внедрение конкурентных действий. Четыре распространенные ошибки или подводные камни, с которыми сталкиваются организации при использовании аналитики в качестве инструмента для принятия решений, заключаются в следующем:

Непонимание проблем интеграции

Компания будет иметь несколько ресурсов для данных, которые могут предоставить некоторую информацию для процесса принятия решений. Но получение полезных данных из данных станет геркулесовой задачей, если компании не смогут хорошо интегрировать свои ресурсы. В бизнес-аналитике (BI) интеграция информации помогает в запросах и отчетах о бизнес-действиях, для статистических исследований, онлайн-аналитической обработки (OLAP) и интеллектуального анализа данных для поддержки прогнозирования, общекорпоративного планирования, принятия решений и, таким образом, для получения большего преимущества. в магазине. Итак, что выделяет компанию на сегодняшнем рынке, так это то, как они интерпретируют размерность, качество и тип данных, которые у них есть. Необходимо также устранить несоответствие данных, поступающих из разных источников. Тесная связь и слабая связь — это два подхода к решению проблем с интеграцией данных. Тесная связь включает в себя извлечение данных из нескольких источников с использованием ETL (извлечение, преобразование и загрузка) в одно централизованное место. Свободная связь, с другой стороны, гарантирует, что временное хранение данных не выполняется таким образом, что предопределенный интерфейс может преобразовывать и манипулировать корневым хранилищем.

Идеальным примером того, как можно правильно управлять интеграцией данных, является Walmart. Они отслеживают, что клиенты покупают в Интернете, каковы текущие тенденции среди их клиентов и даже то, как изменение местной погоды может повлиять на модели покупок.

Непонимание ограничений неструктурированных данных

По оценкам, ежедневно генерируется около 2,5 квинтиллионов байтов данных. 90% данных в мире было сгенерировано за последние два года. В то время как количество генерируемых данных растет, большие данные создают проблемы, связанные с размерностью, неоднородностью и масштабируемостью данных, генерируемых для извлечения полезной информации. Таким образом, точные и эффективные методы преобразования этих данных для сбора полезной информации становятся ключевыми. В большинстве случаев неструктурированные данные грязные и зашумленные. Всегда есть много проблем, связанных с процессом устранения шума. Поэтому передовые методы предварительной обработки данных необходимы для решения проблем качества неструктурированных данных. Эффективные инструменты для обработки данных и стандартизации всех задействованных процессов могут в определенной степени помочь в решении проблем, связанных с неструктурированными данными. Неструктурированные данные обладают высокой динамичностью по сравнению со структурированными данными. Таким образом, осмысление неструктурированных данных может облегчить анализ и реализацию, тем самым улучшив их интерпретируемость.

Каждый час Walmart собирает 2,5 петабайта неструктурированных данных от 1 миллиона клиентов. Walmart — один из примеров того, как можно использовать аналитику больших данных для эффективного и продуктивного управления операциями.

Предполагая, что корреляции что-то значат

В связи с тем, что объем данных растет день ото дня, возникает вопрос. Будут ли эти данные способствовать принятию решений? Если собранные данные включают большое количество перекрывающихся или дублирующихся данных, объем данных не служит какой-либо цели помощи лицам, принимающим решения. Слишком много информации больше похоже на мало информации, если это одно и то же. Таким образом, разнообразие данных становится очень влиятельным и важным фактором, связанным со всем процессом. Алгоритмы машинного обучения, которые должны дать нам представление о серьезной обработке чисел, будут бесполезны с плохими данными. Выявление корреляций, связанных с данными, на начальном этапе, а не просто подключение алгоритмов, является возможным способом работы с большими данными. Это также может привести к выявлению случайных моделей и, таким образом, помочь в принятии решения о стратегическом действии для удовлетворения требования. Экспериментирование с данными не только улучшает качество анализа, но и улучшает ответы, скрытые внутри данных.

Kmart — отличный пример того, почему нельзя улучшить бизнес-аналитику, просто внедрив новую систему бизнес-аналитики. Kmart не смог провести статистический анализ своих данных, что привело к плохому пониманию рынка и клиентов. Покупатели постоянно жалуются, что не могут найти то, что им нужно в магазинах Kmart. С другой стороны, такие компании, как Target и Walmart, преуспели в обеспечении лучшего качества обслуживания клиентов.

Недооценка необходимых рабочих навыков

Поскольку технологии, связанные с управлением данными, продолжают развиваться, преобразование информации в идеи стало неотъемлемой частью организации. Таким образом, организациям следует проявлять изобретательность и разумность в управлении своими ресурсами. Это усиливает потребность в высококвалифицированных сотрудниках и более эффективном использовании ресурсов. Поскольку область науки о данных получает широкое признание в организациях, машинное обучение значительно дополняет эволюцию управления данными. Обработка миллионов данных, которая была мечтой десятилетия назад, стала реальностью с появлением облачных сервисов и больших данных. Но часто организации недооценивают навыки, необходимые для решения определенной проблемы, и это может привести к неправильным решениям. Существует множество алгоритмов машинного обучения и их разновидностей. Но выбор правильного — вот где тактика. Понимание данных и определение подходящей методологии, которую следует внедрить, являются одними из ключевых навыков, которые организации ищут в специалистах по данным. LinkedIn оценил специалистов по данным как самую перспективную работу в США на основе вакансий. Ученый по данным приносит огромную пользу организации и, таким образом, играет важную роль в процессе принятия решений.

Национальная служба здравоохранения Великобритании начала проект по объединению всех медицинских карт пациентов в центральную базу данных здравоохранения. Таким образом, тенденции в отношении здоровья населения можно использовать в качестве важнейших критериев для планирования стратегий и улучшения здоровья общества. Но к 2011 году программа была свернута после того, как было потрачено около 10 миллиардов евро. Неудача программы напрямую связана с неспособностью команды набраться опыта в аналитике и непониманием сложности системы.

Ссылки

  1. Ю. Лю, Х. Хан и Дж. Э. ДеБелло, Проблемы бизнес-аналитики: успехи и неудачи, Материалы 51-й Гавайской международной конференции по системным наукам, стр. 840–849, 2018 г. Доступно: https:// doi.org/10.24251/HICSS.2018.105
  2. Милан Кубина, Михал Вармус, Ирена Кубинова, Использование больших данных для конкурентного преимущества компании, Procedia Economics and Finance, том 26, 2015 г., страницы 561565, ISSN 2212-5671, https://doi.org/10.1016/S22125671( 15)009557.
  3. Раджив Шарма, Сунил Митас и Атрейи Канканхалли (2014) Преобразование процессов принятия решений: программа исследований для понимания влияния бизнес-аналитики на организации, Европейский журнал информационных систем, 23:4, 433441, DOI: 10.1057/ejis.2014.17

Надеюсь, вы хорошо прочитали. Похлопайте в знак поддержки и подписывайтесь на меня, чтобы не пропустить новые статьи ☺