Datu zinātnieka loma ir karsta pieprasījumā, un prognozētais trūkums šajā jaunajā, nozīmīgajā lomai, kas gaidāms gadiem ilgi.
Organizācijas katru gadu tērē summu, instalējot programmatūru, lai uzņemtu, uzglabātu un analizētu datus. Mārketinga nodaļas arvien vairāk piepilda ar tehniskiem, datu zinošiem profesionāļiem uz radošo lomu rēķina.
Uzņēmējdarbības pasaule ir uz datiem orientēta pasaule, tomēr ir svarīgi atzīt, ka dati nav pašmērķis. Tāpat kā viss pārējais, ko mēs izmantojam mūsu darbā, dati ir rīks, kas ir piepildīts ar solījumu. Pareizajās rokās ar piemērotu pieeju ir ievērojams datu potenciāls lēmumu pieņemšanas atbalstam.
Tomēr neuztraucieties par nepatiesu pārliecību, ka datu iegūšana un analizēšana nav saistīta ar risku. Mēs iztīrīsim mazliet izpratni par datu ideju par uzņēmumu kā glābēju un palīdzēsim identificēt dažas no iespējamām problēmām, ko šis jaunais resurss mums visiem piedāvā.
Ievadīts ir priekšpiegāde.
6 lielie izaicinājumi Vadītāji un organizācijas saskaras ar datiem:
1. Datu kvalitāte bieži ir slikta. Lai gan mēs esam pieraduši domāt par kvalitāti saistībā ar fiziskiem objektiem vai produktiem, izrādās, datu kvalitāte ir būtiska problēma ikvienam uzņēmumam visu laiku.
Strukturētajās datubāzēs vai krātuvēs glabātie dati bieži ir nepilnīgi, neatbilstīgi vai novecojuši. Iespējams, ka jūs vienkārši saņēmāt vienkāršu datu kvalitātes problēmu.
Lielākā daļa no mums var atgādināt saņemt dublētus sūtījumus no tirgotājiem, kas adresēti mazliet atšķirīgām vai radikāli atšķirīgām mūsu faktiskā nosaukuma versijām.
Markizētāja datu bāzē ir dublēti ieraksti ar mūsu adresi un dažādi, bieži vien kļūdaini rakstīti vārdi vai mūsu vārda variācijas. Mēs pārstrādājam pasta dublikātu kā nevēlamu, un tirgotājam rodas pārmērīgi lieli izdevumi drukāšanas un nosūtīšanas formā sakarā ar vienkāršu datu kvalitātes problēmu. Palieliniet šo kļūdu daudzos simtos vai tūkstošos ierakstu, un šī mazā datu kvalitātes kļūda kļūst dārga.
Datu kvalitātes jautājums kļūst arvien nozīmīgāks, jo mēs cenšamies pieņemt lēmumus par stratēģijām, tirgiem un tirdzniecību gandrīz reālā laikā. Lai gan ir pieejami programmatūra un risinājumi, lai palīdzētu uzraudzīt un uzlabot strukturēto (formatēto) datu kvalitāti, patiesais risinājums ir ievērojama organizatoriska mēroga apņemšanās apstrādāt datus kā vērtīgu līdzekli. Praksē to ir grūti sasniegt, un tas prasa ārkārtēju disciplīnu un vadītāja atbalstu.
2. Mēs praktiski noslīkstam datus. Dati ir visur kādā organizācijā. Apsveriet klienta datus. Lielākā daļa organizāciju ir apguvušas informāciju par klientiem un potenciālajiem klientiem.
- Mārketings apkopo datus no cilvēkiem, kuri apmeklē tiešraidē vai tīmekļa notikumus vai ielādē saturu.
- Vadītāji izmanto datus, lai atbalstītu vai noteiktu jaunas stratēģijas .
- Pārdošana apkopo datus par klientiem, kas iesaistīti pārdošanas procesā.
- Klientu atbalsts ietver informāciju par zvaniem un tērzēšanas mijiedarbību.
- Pārvaldības komandas izmanto rādītāju kartes datus un galvenos rādītājus.
- Klienta dati tiek izmantoti norēķinu nolūkos, kā arī kvalitātes un klientu izpratnes grupās, lai uzraudzītu klientu apmierinātību .
Mēs iegūstam klientu informāciju dažādās programmatūras sistēmās, un mēs uzglabājam datus dažādās datu krātuvēs. Viens Global Fortune 100 uzņēmums atzina līdz pat 10 procentiem no saviem klientu datiem, ko darbinieki savā datorā turēja izklājlapās. Vēl viena organizācija regulāri aptaujās savus tirdzniecības pārstāvjus vizītkaršu datiem pirms mārketinga kampaņu uzsākšanas.
Līdzīgi kā okeāna jūrnieks, kas pēc tam, kad viņa kuģis ir nogrimis, ir iegremdējis glābšanas laivu, visur ir ūdens, bet ne piliens, lai dzert.
Mūsu biznesā ir tāda pati parādība. Dati ir visur, un arvien biežāk dati tiek iegūti no sociālajām un meklēšanas plūsmām reālajā laikā. Ja dati nav viegli pieejami vai, ja mums ir dublēti vai nepilnīgi dati, mēs nevaram to izmantot paredzētajam mērķim.
Organizācijas arvien vairāk integrē atšķirīgās lietojumprogrammas un vienkāršo datu vākšanas un apkopošanas procesu visā uzņēmumā. Tomēr, vienlaikus ar datu kvalitāti, šie centieni ir dārgi, laikietilpīgi, un tas nekad nebeidzas.
3. Datu apjomi pieaug. Mēs iegūstam arvien vairāk datu tādā tempā, kuru ir grūti saprast. Eksperti iesaka, ka ik pēc diviem gadiem (un samazināsim) mēs radām vairāk datu, nekā pastāvēja uz planētas zemes visai civilizācijai.
Lielākā daļa no šiem jaunajiem datiem nav strukturēti, salīdzinot ar tāda veida datiem, kas ir iekļauti mūsu programmatūras un datu bāzu lietojumprogrammās. Piemēram, visi tweets par jūsu produktu vai zīmolu ir potenciāls dārgumu ieskatu, tomēr šie dati ir nestrukturēti, palielinot to sagūstīšanas un analīzes sarežģītību. Lai gan ar šo problēmu palīdzību ir daudz programmatūras piedāvājumu, nestrukturētie dati ir jauns pārstrādes izejmateriālu straumējums, kurā visi šajā rakstā apskatītie sarežģītības un kvalitātes jautājumi.
4. Atkritumu savākšana, atkritumu izmešana. Datu analītiskā programmatūra ir tikpat laba kā dati, kas to pārveido. Šim jautājumam par sviras datu izmantošanu priekšrocībām ir kopīga vītne - tā ir kvalitāte. Lai gan daudzi uzņēmumi iegulda ievērojamus dolārus jaudīgajos jaunajos datu krāpšanas lietojumos, neķītro datu kratīšana rada kļūdainus lēmumus. Sargieties no akli uzticēties datu analīzes centieniem. Jums jābūt pārliecinātai, ka varat uzticēties analīzē izmantotajiem datiem.
5. Mēs piekrītam datu analīzes rezultātam kā pārliecinošai, bet tā nav. Patiesībā datu analīze visbiežāk demonstrē korelāciju, nevis cēloņsakarību! Ir viegli nonākt slazdā, kas paļaujas uz datu analīzes izlaidi un neskaidru korelāciju ar cēloņsakarību.
Korelācija atspoguļo attiecības, taču tas nekādā ziņā nenozīmē, ka A izraisa cēloņus. Cēloņsakarību noteikšana ir nirvana, lai veiktu precīzus, izprotamus lēmumus. Tas ir arī neticami grūti pierādīt. Ja jūs pārmērīgi uzticas izlaidei un uzņemties cēloņsakarības, ja tādas nav, jūsu lēmumi būs nāvi kļūdaini.
6. Mūsu kognitīvās neobjektivitātes tiek paplašinātas, kad runa ir par datu novērtēšanu. Kā vienu gudru datu zinātni kādreiz intonēts: "Pēc vissarežģītākās un izsmeļošākās datu analīzes beigām cilvēkam vēl ir jāsecina secinājums un jāpieņem lēmums." Un, kad mēs sasniedzam šo punktu, kur mums ir jānovērtē datu analīzes nozīme, mūsu aizspriedumi stājas spēkā. Daudzi no mums mēdz uzticēties vai paļauties uz datiem, kas atbalsta mūsu pozīcijas un cerības, un novēršot datus, kas neatbilstot. Mēs arī paļaujamies uz datiem no tiem avotiem, kuri mums patīk, vai arī mēs paļaujamies uz datiem, kas ir visjaunākie. Visas šīs novirzes palīdz novērst mūsu datu analīzes kļūdas un iespējamās kļūdas.
Kā sākt pārvarēt datus, lai izmantotu kā pārvaldnieku:
Uzņēmējdarbības mēroga datu stratēģijas izstrāde ir būtiska katram uzņēmumam, tomēr šī panta darbības joma nav plašāka. Tā vietā šeit ir septiņas idejas, kuras varat izmantot kā pārvaldnieku, lai uzlabotu datu izmantošanu ikdienas lēmumu pieņemšanā.
1. Atklājiet un maziniet neobjektivitātes potenciālu . Meklējiet datus, kas paplašina attēlu vai pretrunā ar datiem, kas atrodas jūsu priekšā. Veiciniet ārēju novērotāju, lai novērtētu savus pieņēmumus attiecībā uz datiem.
2. Nostipriniet izpratni par datu pārvaldību. Tīmeklī ir daudz informācijas avotu, un daudzas organizācijas piedāvā seminārus vai darbseminārus par datu analīzi un biznesa izlūkošanu. Daudzas universitātes ir pievienojušas kursus šim plaukstošajam laukam. Turpiniet stiprināt savas prasmes.
3. Pajautājiet sev vai savai komandai: "Kādi dati mums ir vajadzīgi, lai pieņemtu lēmumu?" Pārāk bieži mēs paļaujamies uz pieejamiem datiem un ignorējam nepieciešamību meklēt vairāk datu, lai pabeigtu attēlu.
4. Kritiski jāapzinās atšķirība starp korelāciju un cēloņsakarību . Kā jau tika aprakstīts iepriekš, šo divu sajaukšana ir potenciāli bīstama kļūda lēmumu pieņemšanā.
5. Kvalitāte - pārbaudiet savus datus. Ja jūsu uzņēmumam nav datu kvalitātes vai saistību ar galveno datu pārvaldību, ieguldiet laiku, lai novērtētu savus datus par acīmredzamām kļūdām, tostarp dublējošu, nepilnīgu vai kļūdainu ierakstu. Daudzas komerciāli pieejamas programmatūras ir pieejamas vai atbalstītas, un daudzi uzņēmumi izmanto datu ekspertu zināšanas, lai pieprasītu un novērtētu datu kvalitāti. Apsveriet arī ārējos pakalpojumu sniedzējus, kas var palīdzēt jums tīrīt datus. Svarīgi pievērsties nepārtrauktai datu kvalitātes uzlabošanai.
6. Aizstāvēt stingrākus datu kvalitātes un vadības centienus savā uzņēmumā. Šis darbs bieži ir IT vai tehnisko profesiju pārstāvju joma, taču dati var būt stratēģiski aktīvi. Katram vadītājam jārūpējas par uzņēmuma spēju labāk izmantot datus lēmumu pieņemšanai un stratēģijas izpildei.
7. Pievienojiet savai komandai tehniskus un ar datiem saistītus talantus. Pārdošanas un mārketinga nodaļas saprot spēju iesaistīt jaunākās tehnoloģijas apgūstošās personas un kompetentas virzīties uz daudzām šajā pantā raksturotām datu problēmām. Tehnoloģija un dati vairs nav viena uzņēmuma funkcija vai atbildība .
Apakšējā līnija:
Uzņēmumi un vadītāji, kuri iemācās izmantot datus, lai uzlabotu lēmumu pieņemšanu, iegūs tirgū. Šīs organizācijas spēs pārraudzīt un reaģēt uz mainīgajiem apstākļiem un jaunajām klientu vajadzībām ātrāk, nekā viņu dati, kurus apstrīd konkurenti. Tie būs pirmie, kas apkopo ieskatus sociālā mediju dialogā, un viņi uzvarēs cīņā, lai uzzinātu un iesaistītu klientus dziļākā līmenī, balstoties uz datiem. Tas nav dusmīgs, bet drīzāk jauns realitātes vadīšana un konkurence mūsdienu pasaulē. Vienkārši vērojiet šī ceļojuma krāpņus.