استراتژی تحلیل داده‌های خود را ساده‌تر تدوین کنید
با وجود اینکه مزایای تجزیه و تحلیل اطلاعات بیش از گذشته در حال افزایش است، برخی کسب‌وکارها در این فرآیند با ابهام و سردرگمی مواجه می‌شوند. شرکت‌هایی که می‌کوشند همه مسائل را تحلیل کنند و در فرآیند تحلیل به هر کار ممکنی دست بزنند، هنگامی که باید گام بعدی را بردارند و تشخیص دهند که چه چیزی حائز اهمیت است و چه کاری باید در این خصوص انجام دهند (برای مشتریان، سهام‌داران یا کارکنان خود) دچار مشکل می‌شوند در این حالت کشف و شناسایی فرصت‌های کسبوکار واقعی و دستیابی به نتایج مطلوب، ممکن است قدری دور از دسترس یا حتی گیج‌کننده به‌نظر برسد.
برای حل این مشکل، شرکت‌ها باید برای رسیدن به بینش عمیق با استفاده از داده‌های خود و نیز اتخاذ تصمیمات ارزش آفرین مبتنی برآن، مسیر ساده‌تری در پیش بگیرند. در ادامه، گام‌هایی برای ساده‌سازی استراتژی تحلیلی و تولید بینشی که به نتایج واقعی می‌انجامد و براساس نتایج بررسی‌ها در شرکت‌های مختلف به خوبی جواب داده است؛ ارائه میشود:
۱. سرعت بخشیدن به داده‌ها: داده‌های سریع = بینش سریع = نتایج سریع
شما می‌توانید از طریق ایجاد یک زنجیره تامین داده و استفاده از آن در یک محیط تکنولوژی ترکیبی (یک پلتفرم سرویس داده که با فناوری‌های کلان داده – big data- ترکیب شده است) اطلاعات را آزاد کنید و به آنها سرعت ببخشید. چنین محیطی کسب‌وکارها را قادر می‌سازد که داده‌های فزاینده و رو به رشد را – برای استفاده سریع‌تر نسبت به قبل – در سراسر سازمان منتقل، مدیریت و جاری کنند. تحلیل‌های درلحظه، سرعت عملیات را بالا برده و بهبود کیفیت خدمات سازمان را در پی دارد. به عنوان مثال، یک بانک آمریکایی از چنین محیط فناوری برای مدیریت موثرتر حجم داده‌های رو به افزایش خود – در پروژه‌های تحلیل مشتریانش – استفاده کرد. نتیجه آن شد که علاوه بر کاهش و بهبود زمانِ پردازش عملیات بانکی به مدت چندین ساعت، بینش‌های سریع‌تری ایجاد شد و زمان پاسخگویی نیز کوتاه‌تر شد.
۲. کار را به فناوری‌های تحلیلگرتان تفویض کنید.
کشف بینش‌های تحلیلی، الزاماً کار دشواری نیست. در ادامه راهکارهایی برای سپردن کار به فناوری‌های تحلیلگر ارائه میشود:
نسل بعدی هوشمندی تجاری (BI) و بصری‌سازی اطلاعات (Data Visualization)
نسل بعدی هوشمندی تجاری طبق ماهیت خود، داده‌ها و تحلیل‌ها را وارد متن زندگی می‌کند تا شرکت‌ها را در بهبود و بهینه‌سازی فرآیند تصمیم‌گیری و عملکرد سازمانی خود یاری کند. هوشمندی تجاری این کار را از طریق تبدیل داده‌های سازمانی به دارایی ارزشمند انجام می‌دهد که در آن داده‌های مناسب، در زمان و مکان مناسب و در ساختار تصویری مناسب در اختیار تصمیم‌گیران قرار می‌گیرد و فرصتی فراهم می‌آورد تا این افراد به نتیجه موردنظر خود دست یابند. وقتی داده‌ها در قالب این راهکار جذاب تصویری و به این شیوه مفید به تصمیم‌گیران ارائه شود، آنها می‌توانند فرصت‌های مبتنی بر اطلاعات را به گونه‌ای بهتر و با اطمینان بیشتر، دنبال، شناسایی و استخراج کنند. به عنوان مثال، یک شرکت ارائه‌دهنده خدمات مالی با استفاده از هوشمندی تجاری و بصری‌سازی اطلاعات توانست سطوح مختلف ریسک در سراسر سبد وام سازمان را مشاهده و رصد کند. این شرکت پس از تجزیه‌و‌تحلیل داده‌های کلیدی خود و نمایش نتایج به صورت بصری‌سازی شده، برخی نواحی در آمریکا را که نرخ تخلف در آنجا بالا بود شناسایی کرد و بر این اساس، رده‌های هر یک از وام دهندگان، اهداف وام و کانال‌های وام و سبد وام بانکی را مورد مشاهده و بررسی قرار داد. همچنین کاربران این امکان را یافتند که با نتایج، تعامل پیدا کرده و بر اساس نیازهای خود، در داده‌ها دست به جستجو بزنند (انتخاب یک محدوده زمانی متفاوت، مقایسه وام دهندگان، نوع وام‌ها، و غیره).
با توجه به انعطاف‌پذیری و قابلیت‌های اکتشاف داده در هوشمندی تجاری تعاملی و راه حل بصری‌سازی، می‌توان از یک سو تصمیمات مبتنی بر بینش اتخاذ کرد و از سوی دیگر عملکردها را به گونه‌ای که به نفع کسبوکار باشد، دنبال و اجرا کرد.
اکتشاف داده (Data discovery)
اکتشاف داده را می‌توان به موازات پروژه‌های اطلاعاتی با خروجی‌های خاص به کار گرفت. شرکت‌ها با استفاده از تکنیک‌های اکتشاف داده می‌توانند داده‌های خود را مورد آزمون و استفاده قرار دهند تا از این روش الگوهای داده‌ای را که از وضوح کمتری برخوردار است کشف و شناسایی کنند. به دنبال کشف الگوها و بینش‌های بیشتر، فرصت‌های بیشتری برای خلق ارزش برای سازمان ظهور می‌یابد. به عنوان مثال، یک شرکت تولیدکننده‌ی منابع توانست با بهره‌گیری از تکنیک‌های اکتشاف داده، پیش‌بینی کند که کدام یک از خطوط لوله‌ها بیشتر در معرض خطرات فیزیکی و تهدیدات خاص قرار می‌گیرد. این شرکت با اتکا به بینش به دست آمده، توانست اولویت‌بندی کند که در کدام مناطق باید برای تعمیرات نگهداری و جلوگیری از شکست فرایندها، سرمایهگذاری بیشتری داشته باشد.
اپلیکیشن‌های تحلیلگر
برنامه‌های کاربردی می‌توانند تحلیل‌های پیشرفته را تسهیل کنند زیرا این برنامه‌ها قادرند توانایی تجزیه و تحلیل را به آسانی و با ظرافت، در اختیار کاربران کسب‌وکارها قرار داده تا آنها با اتکا به این توانایی‌ها، تصمیمات تجاری مبتنی بر داده اتخاذ کند. اپلیکیشن‌های تحلیلگر همچنین می‌توانند انعطاف‌پذیر و ویژه‌ی یک صنعت خاص بوده و برای رفع نیازهای کاربران شخصی در سازمان مناسب باشند و در امور مختلفی از بازاریابی گرفته تا امور مالی، و در سطوح گوناگون از مدیران ارشد تا مدیران میانی به خدمت گرفته شوند. به عنوان مثال یک اپلیکیشن پیشرفته تحلیلگر قادر است به مدیر فروشگاه در بهینه‌سازی انبار کمک کند. مدیر ارشد بازاریابی (CMO) نیز با استفاده از یک اپلیکیشن این امکان را می‌یابد که هزینه‌های بازاریابی جهانی شرکت را به شکل بهینه مدیریت کند.
یادگیری ماشینی و پردازش شناختی (Cognitive Computing)
یادگیری ماشینی یک سیر رو به تکامل در تجزیه و تحلیل است که دخالت انسان در پردازش مدل‌سازی داده‌ها تا فرایند پیش‌بینی رفتار کاربر و عملکرد شرکت را حذف می‌کند. طبق آنچه که در گزارش (Accenture Technology Vision ۲۰۱۵) آمده است: با هجوم سیل‌آسای داده‌های کلان و پیشرفت‌هایی که در توانایی پردازش، دانش داده و فناوری شناختی به دست آمده، هوشمندی نرم‌افزاری به ماشین‌ها کمک می‌کند که تصمیم‌های بهتری اتخاذ کنند. به عنوان مثال، یک خرده‌فروش اطلاعات به دست آمده از کانال‌های مختلف فروش (موبایل، فروشگاه، آنلاین و غیره) را به صورت آنی با هم ترکیب کرد و از یادگیری ماشینی برای بهبود توانایی خود در ارائه توصیه‌های شخصی‌تر به مشتریان استفاده کرد. با این رویکرد مبتنی بر داده، شرکت توانست مشتریان را به گونه‌ای موثرتر هدف قرار گرفته و درآمدهای خود را افزایش دهد.
۳. هر مسیر ویژه‌ای که به درکِ داده منتهی میشود را شناسایی کنید
مسیر دستیابی به بینش؛ فقط به یک فرم و قالب محدود نمی‌شود. علاوه بر این که عناصر مختلفی در این میان نقش‌آفرینی می‌کنند، در این عرصه همیشه تغییر و تحول وجود دارد (اهداف تجاری، فناوری‌ها، نوع داده‌ها، منابع داده‌ها و برخی نیز به وضعیت تغییرپذیری آنها بستگی دارد). یکی دیگر از مولفه‌های اصلی یک شرکت در مسیر حرکت به سمت تجزیه و تحلیل اطلاعات، به فرهنگ خود شرکت باز می‌گردد: آیا شرکت، بیشتر محافظه‌کار است یا رویکرد آن مبتنی بر شانس و تصادف است؟ آیا شرکت، داده‌های فراوان و فناوری‌های تحلیلگر متعددی در اختیار دارد یا این که به تازگی نخستین پروژه تحلیلی خود را آغاز کرده است؟ صرف‌نظر از نوع ترکیبی از فرهنگ و فناوری که در کسب و کار موجود است، هر مسیر منتهی به بینش تحلیلی باید به تنهایی و به طور خاص، با یک رویکرد نتیجه گرا سازگار شده باشد.
برای دستیابی به این هدف، شرکت‌ها می توانند بنابر ماهیت مسئله‌ی کسب و کار خود، دو روش را به خدمت گیرند. روش نخست برای یک مشکل شناخته‌شده با یک راه حل مشخص کاربرد دارد (مثلاً تقسیم‌بندی مشتری‌ها و مدل‌سازی مطلوب برای کمپین‌های بازاریابی هدف) که در آن، شرکت می‌تواند یک رویکرد مبتنی بر فرضیه را به دست گرفته و کار را با خروجی (مثل فروش کالاهای مکمل به مشتریان فعلی) آغاز کند و در ادامه راه حل را با یک گروه کنترل، مدیریت و تست کرده و در نهایت آن را بر اساس پایگاه مشتری (customer base) در مقیاس گسترده تعمیم دهد.
روش دوم، برای یک مشکل شناخته شده – به عنوان مثال یک تقلب – است که راه حل نامعلومی دارد. در این حالت شرکت می‌تواند یک رویکرد مبتنی بر اکتشاف اتخاذ کند تا برای یافتن آن دسته از ارتباط‌های جالب توجهی که می‌توان آنها را پیش‌بینی کرد، به دنبال الگوهای داده باشد. به عنوان مثال یک بانک با همین شیوه متوجه شد که سرعتِ پر شدن فرم‌های آنلاین آن، ارتباط تنگاتنگی با رفتارهای جعلی و متقلبانه دارد.
توجه به این نکته ضروری است که پس از مشخص شدن اینکه کدام مشکل باید حل و فصل شود، شرکت‌ها باید ابتدا بر آن چیزی که می‌تواند بالاترین ارزش را به وجود آورد متمرکز شوند، سپس بر اساس آن مقداری از دانش سازمانی که برای حل مشکل مزبور در اختیار دارد، یک رویکرد فرضیه-محور یا اکتشاف-محور را در دستور کار خود قرار دهند. با کشف و شناسایی بینش‌ها، واضح است که گام بعدی مربوط به کسبوکار است که در آن، شرکت باید تصمیم‌های مبتنی بر داده اتخاذ نماید و با اتکا به داده‌ها، دست به عمل بزند. شما می‌توانید آن دسته از فرصت‌های تجاری را که در داده‌های شما قرار دارد شناسایی کنید و ارزش داده‌هایتان را بالا ببرید. این کار به سادگی امکان‌پذیر است.