حذف شکاف ها از نتایج در آنالیز پیشرفته: به کمک درس هایی از گذشته – سپیدتک

  • ۰
آنالیز

حذف شکاف ها از نتایج در آنالیز پیشرفته: به کمک درس هایی از گذشته – سپیدتک

برچسب ها :

دسته بندی : کسب و کار

حذف شکاف ها از نتایج در آنالیز پیشرفته: به کمک درس هایی از گذشته

هر تیم رهبری با یک سوال بزرگ مواجه است: چگونه داده ها و آنالیز منجر به ایجاد مقدار واقعی و حذف شکاف می شود ؟

در یک نظرسنجی که اخیرا از ۳۳۴ مدیر اجرایی Bain انجام شد، بیش از دو سوم از آن ها اظهار داشتند که شرکت هایشان در داده های بزرگ سرمایه گذاری می کنند. جای تعجب نیست که ۴۰٪ از آن ها انتظار مشاهده تاثیر مثبت قابل توجه بر بازده را داشتند و ۸% دیگر نتایج انتقالی را پیش بینی کردند (شکل را ببینید).

آنالیز

آنالیز

۳۰٪ از مدیران اظهار داشتند که آن ها استراتژی مناسبی برای تعبیه اطلاعات و آنالیز ندارند. بر اساس تجربه، بسیاری از شرکت ها بر سرمایه گذاری در تکنولوژی و توانایی های مرتبط با آنالیز پیشرفته تمرکز دارند.

بسیاری از سرمایه گذاران در آخرین نرم افزارهای آنالیز، فروشندگان زیرساخت و استخدام دانشمندان علم داده یا همان دیتا ساینتیست سرمایه گذاری می کنند. اما برندگان نهایی، این سرمایه گذاری ها را با نیازهای استراتژیک و سازمانی خود به گونه ای هدایت می کنند که منجر به عمل و نتایج می شود. برای موفقیت شرکت ها موارد زیر پیشنهاد می شود:

علم کسب و کار را قبل از علم داده قرار دهید

اهداف آنالیز پیشرفته یک شرکت باید منعکس کننده اهداف بزرگ تر آن در جهت تقویت محصولات، خدمات و فرآیندهای سودآور باشد. برای مثال، ارائه دهندگان محصولات بهداشتی، آنالیزهای پیش بینی را به منظور هدایت مراقبت های پیشگیرانه، ارائه نتایج بهتر و کاهش هزینه ها انجام داده اند.

آنالیز ها را تا آخرین حد قابل قبول طراحی کنید

بهترین راه حل های آنالیز زمانی به وجود می آید که دانشمندان داده و ذی نفعان کسب و کار با یکدیگر همکاری داشته باشند، الزامات موفقیت را سریع تعیین کنند و کاربران نهایی را برای تصمیم گیری ها حفظ کنند. همزمان با اینکه که تیم موردنظرتصمیم گیری های بحرانی در طراحی را انجام می دهد، بایستی چگونگی تاثیر کاربران نهایی بر نتایج را در نظر بگیرند.

امروزه داده های ساختار یافته و یادگیری ماشین پیشگام هستند، اما همیشه جزء مشهود ترین گزینه ها  برای کارکنان frontline نیستند. گاهی تحلیل گران به سادگی روش داینامیک سازمانی را می یابند. برای مثال، در بسیاری از سازمان های خرده فروشی، تجار معمولا الگوریتم های پیچیده محلی را نادیده می گیرند.
ممکن است در بعضی موارد درست باشد، اما اگر سازمان در نوآوری های تحلیلی سرمایه گذاری کند، باید از طریق پیش بینی و برنامه ریزی موانع بالقوه بتواند خروجی این سرمایه گذاری را دریافت کند.

فراتر از آنالیز سنتی گام بردارید

شرکت ها در طولانی مدت به داده های سازمانی ساختار یافته سیستم های اصلی و منابع مالی در تصمیم گیری های خود اتکا داشته اند. در حال حاضر، بیشتر شرکت ها به آزمایش داده های ساختار نیافته از رسانه های اجتماعی، وب اسکراپینگ، تصاویر و سایر محتوای قابل دسترس عمومی می پردازند. برای مثال تکنیک های پیشرفته یادگیری ماشین حتی به شرکت ها در اتوماسیون فرایندهای پیچیده که در گذشته فقط افراد آموزش دیده و توانمند قادر به استفاده از آن بوده اند، کمک می کند.

یافتن کوتاهترین مسیر از بینش به عمل

داده های بیشتر لزوما بهتر نیستند بلکه در حقیقت اغلب اوقات برعکس است. اکثر شرکت ها به جای جمع آوری داده های بیشتر، به حداکثر بهره برداری از داده های موجود می پردازند و با سرعت و انگیزه کافی در راستای ایده های خود عمل می کنند. برای نشان دادن این موضوع، به مقایسه یک شرکت هواپیمایی بزرگ که یک نظرسنجی کلی عمومی را پس از هر پرواز به مهم ترین مشتریان خود ارسال می کند، با یک شرکت دیگر توجه کنید. این شرکت با استفاده از داده های عملیاتی خود به شناسایی مشتریان در پروازهای  با تاخیر می پردازد و یک کوپن به همراه عذرخواهی برای آن ها ارسال می کند. اولین شرکت هواپیمایی داده های مشابه را جمع آوری می کند که غیر قابل استفاده است، اما شرکت دوم با استفاده از داده های بدست آمده، وفاداری خود به مشتری را نشان می دهد.

تست، یادگیری و تکرار

شرکت های هوشیار تا رسیدن به بهترین راه حل  تجزیه و تحلیل منتظر نمی مانند. آن ها وارد عمل می شوند و رویکردهای جدید خود را با مشتریان و فرآیندهای واقعی تنظیم می کنند، حتی اگر ابزارهایشان به ندرت قابل قبول باشند و سپس آن را به طور پیوسته اصلاح می کنند. الگوریتم ها هرگز کامل نیستند. آن ها به منظور تطبیق با اطلاعات جدید بوجود آمده اند. به عنوان مثال موتور توصیه گر در تجارت الکترونیک را در نظر بگیرید. با شناسایی فرصت های از دست رفته و به روز شدن الگوریتم های به کار رفته، ا کنون می تواند محصولات مورد علاقه مشتریان را پیشنهاد دهد و احتمالا فروش را افزایش دهد.

منبع:

 Bain Insight.(2017). Closing The Results Gap In Advanced Analytics: Lessons From The Front Lines:www.forbes.com at September 27, 2017 @ 10:08 AM

آیا میل دارید رتبه ایران را در گزارش رقابت‌پذیری جهانى ٢٠١٧ بدانید؟