Companiile obțin și analizează cantități mari de date, dar acestea uneori nu le utilizează la puterea maximă a acestora, pentru a beneficia din plin de avantajele utilizării noilor tehnologii. Noua evoluție tehnologică de analiză a datelor are potențialul de a transforma modul în care companiile organizează, operează, gestionează talente și creează valoare inovației și serviciilor acestora. Totuși, există o serie de greșeli care duc la o ineficiență a utilizări datelor, care duc la reducerea beneficiilor aduse prin aceste cantități mari de date. Pentru acestea a fost realizată o listă cu o serie de elemente de bază care contribuie la eficientizarea rezultatelor bazate pe analiza datelor.
“Performanța mai bună” va însemna aspecte diferite pentru diferite companii. Și aceasta va însemna că diferite tipuri de date ar trebui izolate, agregate și analizate în funcție de cazul specific de utilizare. Uneori, punctele de date sunt greu de găsit și nu toate punctele de date sunt egale. Dar aceste puncte de date ajută la atingerea scopului specific companiei.
Există recomandarea de a elabora o serie întreagă de întrebări legate de utilizarea datelor, pentru o claritate a implementării. Aceste întrebări vor ajuta companiile să utilizeze cele mai bune practici. Dacă multe organizații care au început greșit analiza datelor ar fi elaborat întrebările corecte înainte, ar fi obținut un impact mai devreme, chiar dacă numai anumite categorii din date ar fi gata să fie exploatate. De exemplu, o companie de automobile a dorit să se axeze imediat pe chestiunea fundamentală a modului de a-și îmbunătăți profiturile. Apoi, a ajuns să recunoască faptul că cea mai mare oportunitate ar fi să scadă timpul de dezvoltare în corelare cu funcțiile sale de proiectare și inginerie. Odată ce compania a identificat punctul central de focalizare, a început să descopere cunoștințe aprofundate din zece ani de istorie a cercetării și dezvoltării, ceea ce a dus la îmbunătățiri considerabile ale timpului de dezvoltare și evident la profituri mai mari.
Și cele mai mici diferențe pot schimba cursul evoluției piețelor și a companiilor, existând unele detalii ignorate, care în final duc la schimbări majore de abordare a tehnologiilor. Vestea bună este că jucătorii inteligenți își pot îmbunătăți performanțele și se pot întoarce în top. Reparațiile ușoare sunt puțin probabile, dar companiile pot identifica mici puncte de diferență pentru a le amplifica și exploata. Impactul analizei “Big Data” este adesea manifestat de mii sau mai multe îmbunătățiri mici implementate treptat. Dacă o organizație poate atomiza un singur proces în cele mai mici părți și poate implementa progrese acolo unde este posibil, beneficiile pot fi profunde. Iar dacă o organizație poate combina sistematic îmbunătățiri mici în mai multe procese mai mari, beneficiile pot fi exponențiale. Atunci când o serie de procese pot fi decuplate, analizate și reinspectate împreună într-un sistem mai universal decât atomul, rezultatele pot fi și mai puternice. Un mare producător de oțel a folosit diverse tehnici de analiză pentru a studia etapele critice ale modelului său de afaceri, inclusiv planificarea cererii și prognozarea, achizițiile și gestionarea inventarului. În fiecare proces, a izolat driverele de valoare critică și a redus sau a eliminat ineficiențele nedescoperite anterior, pentru economii de până la 10%. Aceste câștiguri, care s-au bazat pe sute de mici îmbunătățiri făcute de analizele de date, au proliferat atunci când producătorul a reușit să lege procesele împreună și să transmită informații în fiecare etapă în timp aproape în timp real. Prin raționalizarea unui sistem ”end-to-end” care leagă planificarea cererii prin gestionarea inventarului, producătorul a realizat economii care se apropie de 50% din cifra de afaceri.
Pentru a optimiza informațiile disponibile într-un mod inteligent, nuanțat, companiile ar trebui să depună eforturi pentru a construi un model puternic de proveniență a datelor, care să identifice sursa fiecărei intrări și să-i marcheze fiabilitatea, care poate crește sau se poate reduce în timp. Înregistrarea calității datelor și a metodologiilor utilizate pentru determinarea acestora nu este doar o chestiune de transparență, ci și o formă de gestionare a riscurilor. Toate companiile concurează sub incertitudine și, uneori, datele care stau la baza unei decizii-cheie pot fi mai puțin sigure decât ar dori. Un model de proveniență bine construit poate stresa testul de încredere pentru o decizie ”go/no-go” și ajuta managementul să decidă când să investească în îmbunătățirea unui set de date critic. Așa cum se analizează datele proaspete, acestea pot dezvălui noi perspective, combinarea surselor de informații poate face acele informații mai clare. De prea multe ori, organizațiile analizează separat un set de date în mod izolat, dar nu iau în considerare ce seturi de date diferite comunică împreună. De exemplu, resursele umane pot avea date detaliate privind performanța angajaților. Examinarea acestor date este utilă, dar poate avea valori suplimentare pierdute prin separarea seturilor de date.
Analiza datelor necesită un scop și un plan, fiind împrumutat planul militar ”OODA loop”, care tratează totul ca un ciclu decizional de a observa, orienta, decide și acționa. Cele mai bune organizații adoptă această abordare a avantajului lor competitiv. Google de exemplu, face decizii concentrate pe date, construiește feedback-ul consumatorilor în soluții și repetă rapid produsele pe care oamenii nu doar că le folosesc, dar le și apreciază. O abordare bazată pe cicluri funcționează la fel de bine și înafara Silicon Valley. De exemplu o companie farmaceutică globală care urmărește și monitorizează datele sale pentru a identifica modelele cheie, se mișcă rapid pentru a interveni atunci când punctele de date sugerează că un proces se poate mișca mai greu și își îmbunătățește bucla de feedback pentru a accelera noile medicamente prin intermediul studiilor. Și un OEM de electronice pentru consumatori a trecut rapid de la colectarea datelor la “a face matematica” cu un ciclu de modelare iterativ, bazat pe ipoteze. Aceasta a creat mai întâi o arhitectură de date interimară, construind trei “fabrici de intuiții”, care ar putea genera recomandări de acțiune pentru cazurile de utilizare cu prioritate maximă și apoi încorporarea feedback-ului în același timp. Toate acestea au permis coordonatorilor să ofere rezultate rapide, în mare măsură autofinanțate. Punctele de date digitale accelerează acum ciclurile de feedback. Folosind algoritmi avansați și învățarea mașinilor care se îmbunătățește cu analiza fiecărei noi intrări, organizațiile putând rula buclele care sunt mai rapide și mai bune.
Analiza datelor ar trebui să fie consumabilă, iar cele mai bune organizații includ acum proiectanți în echipele lor de baze de analiză. De asemenea, lucrătorii din cadrul unei organizații vor răspunde mai bine la interfețele care fac clarificările clare și care atrag utilizatorii. Desenarea utilizatorilor companiei și atingerea capacităților diferitelor persoane din întreaga organizație pentru a face o echipă cu capabilități multiple este esențială. Analytics este un sport de echipă, iar membrii echipei cheie includ oameni de știință care contribuie la elaborarea și aplicarea metodelor analitice complexe, ingineri cu abilități în domenii precum microservicii, integrarea datelor și calculul distribuit, arhitecți pentru cloud și date pentru a oferi informații tehnice și sistemice dar și dezvoltatori de interfață cu utilizatorii și designeri creativi pentru a se asigura că produsele sunt utile și intuitive vizual. De asemenea, este nevoie de “traducători”, adică oameni care conectează disciplinele IT și analiza datelor cu deciziile și managementul afacerilor.
