Nedavne vijesti o Ujedinjenim Arapskim Emiratima kojima je služenje vojnog roka obvezno za sve muškarce iz Emirata između dobnih skupina od 18 do 30 godina potaknule su me na razmišljanje zašto zemlje bez obzira na ekonomski status osiguravaju spremnost građana da brane zemlju.
Moglo bi se tvrditi da ograničeni broj građana u zemlji često prisiljava vladu da vojnu službu učini obveznom. Ali što je s Kinom? Najveća je zemlja po broju stanovnika, ali također osigurava da građani koji idu na daljnje obrazovanje odsluže obvezno vojno vrijeme. Ukratko, nacije se u osnovi pripremaju za obranu u slučaju sukoba i svi moraju biti spremni na to. Bilo da je riječ o električaru, poslovnom čovjeku, stolaru, svi se oni udružuju u zajedničku svrhu.
Koliko god to zvučalo neobično, može se povući neobična paralela između takvih nacija i današnjih organizacija koje žele ostati konkurentne. Trenutna prijetnja ili, bolje rečeno, izazov u obliku velikih podataka potaknuo je velike i male organizacije da okupljaju radnu snagu u raznim odjelima kako bi joj se često obratile. Da se ide dalje, obično države koje provode obveznu vojnu službu uvijek imaju kriterije za ispunjavanje uvjeta, na isti način na koji organizacije smatraju logičnim pružanje obuke za velike podatke samo onim zaposlenicima koji imaju neki oblik interakcije s velikim dijelovima podataka i koji su dužni zaposlite Hadoop na svakoj dodirnoj točki.
Baš kao što vojni general u vezi s vladom odlučuje vrstu naoružanja i obuke koja će se dodijeliti njenom inače novaku, građaninu koji se pretvorio u novoprimljenog, na isti način na koji se očekuje da će CTO biti na čelu IT infrastrukture i naslijeđa sustavi koji pokreću nove tehnološke inovacije kako bi omogućili svojim zaposlenicima bolji učinak. Sa zajedničkim ciljem rješavanja velikih podataka, pokušajmo detaljno shvatiti gdje se koriste veliki podaci i zašto je važno u tome osposobiti svoje drugove.
1.Informacijska tehnologija: poboljšanje produktivnosti s treningom velikih podataka
Možda u prvom planu primjene velikih podataka, IT tim je epicentar za promjenu naprijed. Donositelj odluka o IT obuci koji želi zaposlenima pružiti obuku za velike podatke mora započeti s IT odjelom. Zašto? Jer kad je riječ o bavljenju tehnologijom u svakoj fazi aktivnosti, geekovi u podrumu (popularni sleng za IT) najbliži su. Pa koliko je to relevantno?
Pogledajmo izvješće koje je podnijelo popularno mjesto, CIO, koje kaže:
“Prema nedavnom istraživanju CompTIA-e među 500 američkih poslovnih i IT rukovoditelja, 50 posto tvrtki koje su ispred krivulje podataka o utjecaju i 71 posto tvrtki koje su prosječne ili zaostaju u podacima o utjecaju, smatra da je njihovo osoblje umjereno ili značajno nedostaje u vještinama upravljanja podacima i analize ”
S obzirom na činjenicu da je upravljanje i pohrana podataka dio osnovne funkcije IT-a, postoji potreba za paralelnim pristupom implementaciji platforme za velike podatke i jačanju IT vještina u okviru velikih podataka. U prilog tome ide i izvještaj McKinseya u kojem se navodi da će do 2018. nedostajati preko 140 000-190 0000 stručnjaka s dubokom tehničkom i analitičkom stručnošću! Kako sve više i više tehničkih stručnjaka zahtijeva obuku za velike podatke, organizacije žele više obučiti tehničke stručnjake za brze ROI i stručnjake za platforme, na čelu su administratori i inženjeri koji rade u IT odjelu.
Vjenčanje Trojstva osnovne IT funkcije s velikim podacima
Izraz Trojstvo često me podsjeća na dva religijska koncepta: jedan je hinduistička mitologija stvoritelja, čuvara i razarača, a drugi je kršćanski koncept oca, sina i svetog duha. Oboje teže boljitku čovječanstva. Na isti način, ove tri funkcije informatičkog tima teže poboljšanju cijele organizacije s odjelima s različitim potrebama što se tiče informacijske tehnologije. Osim sigurnosnih i pomoćnih funkcija, IT odjel se može povezati s tim funkcijama kada je riječ o implementaciji velikih podataka.
Planiranje - Aktivnost planiranja unutar IT tima fokusira se na osiguravanje usklađenosti IT strategije organizacije s poslovnim ciljevima. To uključuje rad na prilagodbi softvera, uvođenje novih platformi koje zadovoljavaju potrebe različitih poslovnih odjela. Drugim riječima, svaka nova implementacija uvijek će započeti od IT-a.
što je __init__ u pythonu
Mreža - Uključuje razvoj mreža koje olakšavaju sve oblike komunikacije između glasa, podataka, videa i internetskog prometa, a postoje i razne kontrolne točke za bilježenje podataka, bilo da se radi o interakciji s kupcem, analizi sentimenta i ažuriranju prometa, sve one prikupljaju podatke u stvarnom vremenu! IT odjel često osigurava glatku integraciju mreža za rad zajedno s ciljem obrade velikih podataka.
Podaci - Jednostavno rečeno, IT tim donosi alate za prikupljanje, pohranu, upravljanje, zaštitu i distribuciju podataka zaposlenicima za razne strateške odluke u organizaciji. Svi oblici podataka poput evidencije o prodaji, financijske evidencije i pojedinosti o zalihama pohranjuju se u jednom podatkovnom centru. To stvara odgovornost unutar IT tima za implementaciju platformi za velike podatke koje određenim korisnicima omogućuju pohranjivanje i preuzimanje podataka na bilo kojem mjestu podataka.
U bilo kojem IT timu potrebna je svestrana kombinacija članova s različitim zadacima prema implementaciji velikih podataka. Za početak postoji potreba za stručnjakom koji osigurava nesmetan prijelaz s tradicionalnih sustava na velike podatkovne platforme. Za to je potrebno da se tehničar usredotoči na održavanje platforme u cijelom životnom ciklusu u svim odjelima. Tada dolazi potreba za članom koji mora neprestano pratiti je li svaka tehnološka provedba usklađena s organizacijskim ciljem.
2. Razvoj proizvoda: Preispitivanje inovacija u svim fazama istraživanja i razvoja
Možda jedan od najvažnijih odjela kada je riječ o podizanju organizacije na sljedeću razinu inovacija! Jedna od najvećih prednosti velikih podataka je integracija podataka na različitim dodirnim točkama u razvoju proizvoda, od dizajna proizvoda, proizvodnje, kvalitete, jamstva, dijagnostike, vozila i softverskih aplikacija. Podaci generirani iz tih dodirnih točaka definiraju način na koji je proizvod i koliko uspješan može biti. To u osnovi odvodi programere proizvoda, stručnjake za istraživanje i razvoj i dizajnere na pristup vođen podacima i analizu podataka.
Inženjering velikih podataka u stvarnost
Što se tiče razvoja proizvoda, jedan od popularnih primjera bio bi automobil bez vozača koji Audi razvija i planira lansirati do 2016. Da, postoji tim za razvoj proizvoda koji ima ogroman zadatak osigurati da CEO-ova vizija inovacija bude ostvarena . No, usput postoje razni izazovi i pitanja, od razvoja do testiranja, na koja samo veliki podaci mogu odgovoriti. Da vidimo zašto.
Razmislite o probnoj vožnji koja se nadgleda od točke A do točke B. Evo vrsta podataka koje se mogu generirati:
a. Podaci senzora - Senzori u automobilu mogu pohraniti detalje o udaljenosti koju je izmjerio između automobila iza i ispred njega te učestalosti vozila koja je naišao na putovanju.
b. Podaci o vozaču - Moglo bi se izvesti više testova s različitim dobnim skupinama, a detalji o razini udobnosti, performansama i koliko je puta vozač potreban da bi nadjačao automatsku vožnju komprimirati u velike skupove redaka i stupaca za analizu.
c. Demografski podaci - Test se može provesti u Indiji i SAD-u. A.I u automatskoj vožnji mogao je analizirati prepreke s kojima se susreće u vožnji u dvije različite države. Koja je država održivija za automatsku vožnju, a koja ne?
d. Podaci o tržišnim performansama - Nakon što je proizvod lansiran i na putu, inženjeri bi također mogli pratiti njegov uspjeh analizirajući podatke uživo s feedovima koji se pružaju 24 × 7 u programu automobila koji daju uvid da li uvođenje automatske vožnje pomaže u održavanju cesta sigurnija?
Postoji N broj mogućih podataka koji se mogu izbaciti iz proizvodnog inženjerstva. Tek počinjemo istraživati OEM iz autoindustrije. Razmislite o mogućnostima velikih podataka u raznim sektorima, recimo medicini, zdravstvu, elektronici i tako dalje. Tko zna?
ZABAVNA ČINJENICA: Jeste li znali da ga je Fordov usvajanje Big Data i Analyticsa spasio od iskustva bliske smrti 2000-ih kada je bila jaka konkurencija europskih i azijskih proizvođača automobila!
3.Finance: Osposobljavanje zaposlenika na velikim podatkovnim platformama za bavljenje financijskim modeliranjem
Možda smo često čuli izraz da je novac krv poslovanja. Briga o tom novcu odgovornost je financijskog odjela. Poslovni svijet definira funkcije financijskog odjela kao obično sudjelovanje u 'planiranju, organiziranju, reviziji, računovodstvu i kontroli financija svoje tvrtke, zajedno s proizvodnjom financija tvrtke.
Rekavši da je financijski odjel općenito često zamisao kada je riječ o rukovanju novcem, a uloga se širi na razne aktivnosti poput generiranja izvještaja o novčanom tijeku, modeliranja troškova, realizacije nagrada i poštivanja nekih od njih. Prije nekoliko desetljeća izvođenje svih ovih aktivnosti s ograničenim sustavima i platformama bilo je posve izvedivo, ali u doba velikih podataka dva izazova s kojima se suočava svaki financijski odjel obavljaju redovite financijske funkcije u promjenjivom scenariju i prikupljaju uvide za budućnost. Pogledajmo to iz dublje perspektive.
Kada se informacije šire na različitim poslužiteljima, organizacije se često susreću s izazovom objedinjavanja tih podataka i izvršavanja radnji prema poslovnim zahtjevima. Važna je funkcija unutarnje revizije koja drži karticu upravljanja organizacijom, upravljanja rizicima i kontrola upravljanja te provođenje proaktivnih revizija prijevara radi utvrđivanja djela prijevara. S porastom analitike, postoji potreba za integriranjem i interne revizije. To je pokrenulo nove metode poput analitike revizijskih podataka koje pomažu u procjeni rizika, stvaranju financijskih modela i daju cjelovitu sliku financija unutar organizacije.
Modeliranje troškova i realizacija cijena
Modeliranje troškova važna je komponenta za učinkovito korištenje resursa. Tvrtke moraju identificirati aktivnosti koje pokreću troškove, ukupne izravne materijale i radnu snagu potrebnu za izvršavanje zadatka i tako dalje. Modeliranje troškova pomaže tvrtkama da točno utvrde sveukupne troškove proizvodnje proizvoda u svim djelatnostima unutar tvrtke. U doba velikih podataka postaje važno pratiti svaku financijsku aktivnost koja se odvija na različitim odjelima unutar organizacije koja objedinjuje te podatke kako bi se stvorio idealan model troškova. Od kupnje do prodaje, svi se podaci pohranjuju u financijsku povijest, a temeljne osnove razvoja modela troškova su prikupljanje velikih dijelova podataka i stvaranje modela koji se može primijeniti u budućnosti.
Iako se može raspravljati da su napori na realizaciji cijena usmjereni više na prodaju radi poboljšanja profitabilnosti, financijsku službu igra veća uloga kada je riječ o koristi od ostvarenja cijena. Da biste je raščlanili na jednostavnije uvjete, razmislite o maloprodajnom objektu koji planira osigurati popuste za poticanje prodaje. Temeljni cilj je smanjiti curenje cijena i poboljšati džepnu cijenu.
Do istjecanja cijena dolazi kada se cijena proizvoda snizi toliko manje (u želji za prodajom) da ugrožava profitabilnost, a džepna cijena je prodajna cijena nakon popusta. Da bi ostvario isplativ napor oko ostvarivanja cijena, prodajni tim surađuje s financijskim odjelom kako bi razumio strukturu troškova za svaki pojedini proizvod i gdje se mogu dati popusti. To zauzvrat zahtijeva od financijskog odjela da razvije okvir za modele ostvarenja cijena za budućnost i definira ograničenja unutar takvih marketinških aktivnosti. Zadatak uključuje obradu podataka iz nabave, troškova skladišta, vijeka trajanja, a zatim procjenu troškova prodane robe (CGS).
F-12 i prediktivna analitika
Jedna od važnih aktivnosti unutar financijskog odjela je nadgledanje financijskog zdravlja organizacije. Baš kao što liječnik koristi različite mjerne podatke poput pulsa, tjelesne topline ili reakcije podražaja da bi procijenio je li pacijent živ ili mrtav, na isti način financijski svijet nadgleda 12 mjernih podataka kako bi znao kamo tvrtka monetarno ide i što je dalje . Od realnog rasta prihoda, održivog rasta prihoda, politike cijena i indeksa cijena, kontrole operativnih izdataka, usporedbe EBITDA-e s novčanim tijekom, novčanog tijeka bez duga, viška novca, povrata imovine, obrtnog kapitala, korištenja financiranja duga, neto trgovinskog ciklusa i troškova kapitala čine važne komponente u financijskom izvještavanju za organizaciju tako da viši menadžment može donijeti ispravnu odluku.
Kao dio izazova u svijetu velikih podataka, razumijevanje ovih omjera zahtijeva obradu velikih dijelova informacija raširenih po organizaciji kako bi ih se učinilo u standardnom formatu za analizu. Prediktivna analitika dolazi u obzir kada se ti podaci obrađuju iz prošlosti u usporedbi s istim elementima u sadašnjosti tako da se daju točne procjene za budućnost. Najbolji dio je platforma za prediktivnu analitiku, a metode su izgrađene za obradu velikih podataka i na taj način pojednostavljuju zadatak financijskog odjela.
ZABAVNA ČINJENICA: Jeste li znali da je Oversea-Banking Corporation (OCBC) sa sjedištem u Singapuru bila u mogućnosti koristiti velike podatke za uvid u klijente što je izravno odgovorno za 40% povećanja u stjecanju novog klijenta!
4. Ljudski resursi: Redefiniranje sposobnosti zaposlenih u HR-u
Zamišljanje velikih podataka u ljudskim resursima često može potaknuti čitatelje da odbace kao smetnju, jer organizacija obično nema puno prioriteta u primjeni tehnologije velikih podataka u odjelu za ljudske resurse, jer bi se radije usredotočila na marketing, poslovanje ili financije. Ali u stvarnosti, Odjel za ljudske resurse igra presudnu ulogu u osiguravanju da među ostalim aktivnostima u organizaciju uđe pravi talent.
Dodavanje više zuba u HR
Možda najviše zanemareni među svim odjelima kada je u pitanju primjena velikih podataka, ali u današnjem svijetu koji se brzo mijenja način rada HR odjela definira uspjeh organizacije.
Prema Forbesu, prosječna velika tvrtka ima više od 10 različitih HR aplikacija, a njihov osnovni HR sustav star je više od 6 godina. Ovaj trend naglašava činjenicu da su organizaciji potrebni ispravni resursi da bi se ti podaci povezali. Trening za Big Data & Analytics donosi vještine poput analize podataka, vizualizacije i rješavanja problema, od operativnog izvještavanja do strateške analitike.
Odsjek za ljudske resurse prema zadanim postavkama očekuje se u smislu osnovnih HR operacija, ali trening velikih podataka podiže ga na sasvim novu razinu. Kako odjel za ljudske resurse postaje analitičniji s alatima, mijenja njihov pristup i uključuje se u više strateških aktivnosti. Utvrđuje se kritično pitanje poput toga kako imati više faktora zadržavanja zaposlenika koji utječu na kvalitetu prodaje kandidata i ocjenjivanje nedostataka u talentima te se kroz analizu relevantnih podataka poduzimaju strateški koraci.
Pomak će se prebaciti s jednostavnog broja na više na predviđanje analize.
Oracle u okviru ljudskih potencijala
Bila je smiješna priča sjetim se prijatelja koji je radio kao HR. Imala je iscrpljujući posao lova na glave prije nego što je poslala kandidata nadležnom šefu odjela koji bi rekao samo čarobne riječi: 'Ok, pustimo ga da ga zaposlimo.'
Neko su vrijeme stvari išle dobro jer je u tvrtku unijela dobar talent. Kako je vrijeme prolazilo, postajala je sigurna u svoje vještine zapošljavanja do te mjere da je gurala gornju upravu da doda više ljudi u svoj tim, implementirajući HR sustave i uključujući više savjetodavnih organizacija trećih strana. Lukavo je bilo to što je sa svojim samopouzdanjem davala visoka obećanja višem rukovodstvu.
Povijest je pokazala da je onaj koji se priprema za budući događaj uspješniji od onoga koji jaše na prošloj slavi. Bilo je vrijeme kada se od nje očekivalo da zaposli velik broj stručnjaka u domeni u kojoj se tvrtka širila. Počela je popunjavati slobodna radna mjesta s kompromisom oko zapošljavanja kvalitetnih stručnjaka. Usvojila je pristup usmjereniji na ciljeve. Rezultat? Većina profesionalaca koje je angažirala odlagala je radove navodeći različite razloge, a uprava ju je ispitivala. Često bih je mogao čuti kako mrmlja:
“Lovim na glavu 1000 Cvs, užem izboru 100 Cvs, pozivam 50 kandidata na razgovor, filtriram 10 iz mojih psihometrijskih procjena, među 10, uzmem 5 koji vrijede, šaljem 5 upravi, oni ulaze u nulu 1 i taj jedan čovjek odlazi nakon 2 mjeseca. '
Zakikotala sam se u njezinoj bijedi, osim što sam izrazila svoje simpatije, ali me natjeralo da se zapitam mogu li ljudski resursi bolje prosuđivati svojim iskustvom ili je potreban cjelovitiji pristup cijelom ovom procesu zapošljavanja na temelju podataka? Pa, koristimo prediktivnu analizu da bismo pronašli koja će momčad osvojiti svjetski kup, ali zašto ne bismo koristili iste tehnike u procesu zapošljavanja, posebno kada imamo posla sa složenim elementima kao što su ljudi?
Posao zapošljavanja nije nužno lak posao, uključuje puno procesa, a pravila zapošljavanja često se mijenjaju u skladu s industrijom koja je HR u ulozi koju angažira za pravila organizacije i tako dalje.
Ako netko promatra uspješne organizacije koje koriste prediktivnu analitiku i imaju manje stope istrošenosti, postoji obrazac prvoga odlučivanja o željenim karakteristikama unutar kandidata koji osiguravaju uspjeh, konsolidacije u „idealan“ profil i usporedbe sa svakim kandidatom koji je najbliži na to, a zatim ih angažirati s prilagođenim procjenama koje procjenjuju karakteristike tih kandidata.
Treba napomenuti da je cijela industrija psihometrijske procjene s vodećim igračima poput Pearsonsa, Thomas Assessmenta i SHL-a nastala zbog zahtjeva HR stručnjaka za analizom profila kandidata u njihovoj potrebi za usavršavanjem procesa zapošljavanja!
Vraćajući se na prediktivnu analitiku, kao dio njezine primjene, osoblje za ljudske resurse prvo mora definirati tko je 'uspješan kandidat' prema organizaciji, zatim mora definirati čimbenike koji mogu potaknuti učinkovitost zapošljavanja te razviti i promatrati kao na pitanje zašto neki zaposlenici rade bolje od drugih s hipotezom ako je potrebno. Na temelju toga može ga usporediti s podacima uspješnih zaposlenika koji su dugo ostali u organizaciji i treće statističkim tehnikama mjeriti zašto neki ljudi ostaju duže.
Pristup je dobar za početak, ali primjena prediktivne analitike unutar HR-a uključuje puno tehnika koje HR može slobodno istražiti. Najbolji dio ovog postupka je smanjenje troškova zamjene zaposlenika novim i možda dobivanje više ROI od starog.
fibonaccijeva rekurzija c ++
Na kraju, kombinacija intuicije, iskustva i zdravog pristupa koji se temelji na podacima često poboljšava ne samo prosudbu HR-a već i našu.
ZABAVNA ČINJENICA: Jeste li znali da je američki div Xerox smanjio promet svog call centra za 20% primjenom analitike na potencijalne kandidate s nalazom da će kreativci vjerojatnije ostati u tvrtki šest mjeseci potrebnih za nadoknadu troškova školovanja od 6000 USD nego radoznali narod?
5. Lanac opskrbe i logistika: Trening tim za isporuku s velikim podatkovnim platformama
Lanac opskrbe i logistika u osnovi čine važnu komponentu u organizacijskim strategijama i ciljevima. Cilj lanca opskrbe i logistike je ušteda troškova i poboljšanje performansi, brzine i okretnosti. Što se tiče logistike, oni prikupljaju i prate različite oblike podataka kako bi iz temelja poboljšali operativnu učinkovitost, poboljšavajući korisničko iskustvo i nove poslovne modele. Ovi čimbenici često mogu pomoći organizacijama da sačuvaju resurse, izgrade bolje ime robne marke i stvore sustavni proces za lanac opskrbe i logistiku.
Praćenje velikih podataka širom svijeta
Uzmimo primjer diva e-trgovine koji koristi velike podatke za isporuku svojim kupcima. Proizvod se šalje s lokacije na adresu kupca. Uređaji u transportnom vozilu, poput GPS tragača, mikrofona, senzora, imaju strukturirane i nestrukturirane podatke koji se vraćaju u centar za nadzor radi ažuriranja u stvarnom vremenu. Uz to također pomaže u analizi učinkovitosti vremena isporuke, najkraćeg puta i resursa korištenih za obavljanje jedne operacije isporuke na popisu milijuna takvih transakcija. Ovu rudnik podataka s različitih tržišta objedinjuju organizacije, a zatim analiziraju kako bi donijeli daljnje poboljšanje procesa ili donijeli čitavu razinu novih inovacija!
ZABAVNA ČINJENICA : Jeste li znali da su Amazonovi veliki podaci u obliku praćenja stranica kupaca pomogli da svoje proizvode smjesti u najbliže skladište kupca kako bi poboljšao brzinu i učinkovitost isporuke?
razlika između preopterećenja metode i nadjačavanja
6. Operacije, podrška i korisnička služba: Obuka zaposlenika o velikim podacima u svakoj interakciji s kupcem
Uspjeh bilo kojeg proizvoda ili usluge temelji se na podršci nakon prodaje koju kupac dobiva i često se prodavač zaklinje da će mu biti prisutan u svakom trenutku. To dolazi iz činjenice da kada kupac preuzme proizvod ili uslugu, napravi 'iskorak' u nadi da ga prodavač neće iznevjeriti u životnom vijeku proizvoda / usluge. Izvođenje iz ove perspektive presudno je za organizacijski uspjeh.
Pogledajmo podršku na detaljnoj razini. Nedavno sam imao priliku gledati ‘Interstellar’ Christophera Nolana koji je istraživao putovanje u svemir do kraja svemira. To me navelo na razmišljanje o budućim zrakoplovnim kompanijama koje će nuditi letačke usluge kroz pužne rupe udaljene milijune svjetlosnih godina! Koji bi tada bili izazovi? Kakvi će se veliki podaci generirati na ovom gotovo nikad završenom putovanju? Kako će tim na brodu osigurati da putnik uživa u vožnji cijelo vrijeme? Za početak se davatelj usluga mora usredotočiti na primarne ciljeve poput osiguravanja zračne sigurnosti, praćenja putanje leta, ispunjavanja zahtjeva kupaca i tako dalje.
Veliki podaci u pokretu 24 × 7
Ideja za međuzvjezdana putovanja mogla bi biti dalek san za sljedećih 100 godina (biti optimističan!), Ali nas to ne sprječava da gledamo podatke koje generira slična usluga koja trenutno radi, a koja će baciti više svjetla na to kako klijent usluga i podrška provodi se u scenariju 'nakon prodaje' i kako se organizacije mogu uključiti u poboljšanje svojih napora u stvarnom vremenu.
Za početak, Southwest Airlines jedna je od najslavnijih zrakoplovnih kompanija koja je iskoristila Big data kako bi poboljšala svoje korisničko iskustvo. U nastojanju da poboljša zračnu sigurnost, Southwest Airlines surađivao je s NASA-om kako bi se uključio u eksperiment s velikim podacima za poboljšanje ukupnog letačkog iskustva. To uključuje pozivanje NASA-inih satelita s informacijama o putanji leta, izvještajima pilota i ostalim informacijama o zračnom prometu. Na vrhuncu takve inovativne tehnike leži osnovni koncept velikih podataka nazvan 'rukovanje podacima' koji pretvara nestrukturirane tekstualne informacije u smislen tekst za uvide. Dakle, mislili ste da tamo završava vađenje podataka?
Naravno da nema, čak i jednostavan koncept u velikim podacima, kao što je rukovanje podacima, širi se i dalje od toga. Svi znamo da su povratne informacije od kupaca važna komponenta u razumijevanju gdje organizacija polazi po krivu u svakom trenutku interakcije s kupcem. Rukovanje podacima također pomaže korisničkoj službi analizirajući otvorene odgovore na ankete. Umjesto da korisnike ograniče na uobičajene opcije poput opcije A, opcije B, opcije C, otvorena pitanja daju više uvida, ali njihovo klasificiranje i bilježenje odgovora može biti ključno pitanje. Tu dolazi do izražaja rukovanje podacima gdje grupira određeni skup riječi i objedinjuje ih radi uvida!
Gledajući dalje od toga, svi moramo priznati da nijedna organizacija nije savršena i da svaka od njih ima mali broj kupaca koji možda nisu zadovoljni uslugom. Rezultat? Baza podataka preplavljena e-poštom, porukama, tweetovima kupaca koji registriraju pritužbe ili savjetima o 'područjima poboljšanja', da se izrazimo prilično meko. Rudarstvo tekstualnih podataka korak je ispred tradicionalnih filtara pošte i može klasificirati poštu prema prioritetu i preusmjeriti je na dotični odjel.
ZABAVNA ČINJENICA : Jeste li znali da je Southwest Airlines, kao dio svojih napora na poboljšanju korisničkih usluga, primijenio analizu podataka sa značajkom nazvanom 'analiza govora' koja bilježi interakciju između klijenta i osoblja za uvide!
7. Marketing: Obuka zaposlenika o sustavnom marketinškom pristupu s velikim podacima
Marketing kao aktivnost danas je važan samo za brojeve. Uz val digitalnog marketinga, sada možemo točno izmjeriti odgovor oglasa, stopu klikanja, pojavljivanja, ROI i tako dalje. Za marketinške profesionalce takvi su pokazatelji možda grčki, ali za one koji se bave marketingom ovi su podaci rudnik zlata. Nakon toga, zajedno s mjernim podacima, generiraju se veliki dijelovi podataka u svim točkama interakcije s kupcima, društvenim mrežama i prodajom. Na marketinškom je profesionalcu da prati takve podatke i koristi ih za učinkovitije guranje svojih proizvoda. Trening u velikim podacima ovdje igra presudnu ulogu jer platforme poput Hadoop & R pomažu u tu svrhu.
Drugo, povremeni marketinški profesionalci često se prepuštaju retrospekciji za svoju marku. Pitanja poput:
Po čemu je moja marka bolja od drugih?
Što nude druge marke?
Koje značajke ima moj konkurent na istom proizvodu?
Studija ide mnogo dublje od ovoga. Od analize konkurentskog proizvoda na temelju 4P-a (proizvod, cijena, mjesto, pozicioniranje) do razumijevanja sadržaja proizvoda koji je predstavljen na web stranici konkurenta, količina generiranih podataka je ogromna i složena. Kao što je već rečeno, iskorištavanje rudarenja teksta može pomoći marketingu da izvrši analizu konkurenta jednostavnim indeksiranjem konkurentske web stranice. Ova jednostavna funkcija u domeni velikih podataka može dati konsolidiranu ideju o tome što konkurent radi i koje proizvode ima na tržištu, a time marketingu koji je prihvatio velike podatke daje prednost!
Naoružavanje kreativca
Na primjer, strateg za društvene medije želi znati o percepciji robne marke svoje organizacije na platformama društvenih medija, a onda će sudjelovanje u analizi osjećaja u R & Hadoop-u pomoći u postizanju ovog cilja. Na isti način, upotreba alata Big Data pomaže marketingu u raznim aktivnostima kao što su cijene, pozicioniranje proizvoda i tako dalje.
Još jedan primjer mogao bi biti marketinški menadžer u maloprodajnom objektu koji želi povećati prodaju. Svatko bi znao primjer Walmarta koji je uspio smjestiti pivo i mlijeko jedno pored drugog u prolazu na temelju prošlosti kupčeve povijesti dohvaćajući velike dijelove podataka koji obuhvaćaju milijune kupaca tijekom vremena!
ZABAVNA ČINJENICA: Jeste li znali da je General Motors sa svojim godišnjim marketinškim proračunom od 2 milijarde dolara godišnje koristio Big Data Analytics za izradu detaljnih profila kupaca i kombiniranje analitike prostornih podataka s detaljnim demografskim podacima / podacima o kupcima za personaliziraniji marketing!
Zašto se tvrtke preusmjeravaju na platforme Big Data
Tipično, organizacije koje koriste stare naslijeđene sustave imaju podatke raširene u mnogim sustavima. Zbog širenja podataka na različitim mjestima, brzina obrade opada zajedno s preciznošću analize podataka. To zahtijeva objedinjavanje podataka unutar poslovnog središta podataka što stvara brži pristup podacima što rezultira dubljom analitikom. Jedan od važnih ciljeva IT odjela u bilo kojoj organizaciji je pružanje točnih podataka brzo za sve odjele u organizaciji na zahtjev.
S prikupljanjem podataka, važno je objediniti nestrukturirane, strukturirane i polustrukturirane izvore podataka na jednoj platformi radi dubinske analize i u osnovi pomoći poslovnom odlučivanju. Ova značajka Hadoopa dovodi više ljudi za stol unutar organizacije jer postoje zaposlenici koji u svakodnevnim operacijama komuniciraju s podacima na različitim dodirnim točkama. Također, tradicionalni ETL i batch procesi mogu potrajati dugo, dok ih Hadoop s velikom količinom šaržne obrade ubrzava i do 10 puta.
Značaj Hadoopa ne mora nužno značiti da svaki zaposlenik unutar organizacije mora biti obučen na platformi Big Data, što u većini slučajeva možda nije izvedivo. No, strateška prednost bila bi za CTO-a da identificira i obuči one profesionalce koji su u stalnoj interakciji s podacima.
Pokrivajući pohranu, obradu i pronalaženje podataka putem popularne platforme Hadoop, još jedan važan fenomen koji je dio prirodnog napretka je analitika velikih podataka. Pojednostavljeno, organizacije trebaju višestruku perspektivu različitih profesionalaca unutar organizacije.
Broj '6' s druge strane tablice može se vidjeti kao broj '9'. Drugim riječima, zaključak iz promatranja podataka razlikuje se od osobe do osobe.
Organizacije to znaju i često sudjeluju u obuci zaposlenika na sličnoj platformi, tako da ljudi iz različitih odjela međusobno povezanih istom aktivnošću raspravljaju, uključuju se i dijele uvide za donošenje zdravih odluka. Stoga vjerujem da bi bilo sigurno definirati trening velikih podataka kao priliku da svaki zaposlenik bude na istoj stranici i podigne organizacije na sljedeću razinu!
Imate pitanje za nas? Spomenite ih u odjeljku za komentare i javit ćemo vam se.
Vezane objave: