11 Δεκεμβρίου 2017

Πώς να ξεκινήσετε ένα ταξίδι analytics

Όταν αναφερόμαστε στα analytics, δύο λέξεις που χρησιμεύουν είναι οι εξής: ‘δεδομένα’ και ‘αποφάσεις’. Οι λέξεις ‘δεδομένα’, ‘analytics’ και ‘αλγόριθμοι’ ακούγονται από πολλούς οργανισμούς. Τα διοικητικά συμβούλια παροτρύνουν τις εταιρείες να κάνουν ψηφιακή χρήση και να χρησιμοποιούν αναλυτικά στοιχεία για την λήψη αποφάσεων. Ακόμη και οι κυβερνήσεις σχεδιάζουν να χρησιμοποιήσουν τα αναλυτικά στοιχεία για την λειτουργία τους.

Για παράδειγμα, ο επικεφαλής υπουργός της Andhra Pradesh (πολιτεία της Ινδίας) παρακολουθεί την πρόοδο των βασικών πρωτοβουλιών στην πολιτεία του μέσω περιγραφικών αναλύσεων από μια πλατφόρμα.

Πώς ακριβώς ξεκινά ένα ταξίδι αναλύσεων μέσα σε έναν οργανισμό;

Οι οργανισμοί που χρησιμοποιούν τα δεδομένα αποτελεσματικά, εστιάζουν στα επιχειρηματικά προβλήματα που θέλουν να επιλύσουν χρησιμοποιώντας αναλυτικά στοιχεία αλλά και οι αποφάσεις που θα ληφθούν βασίζονται και αυτές στα δεδομένα που συλλέγουν. Έτσι, οι δύο λέξεις κλειδιά είναι ‘δεδομένα’ και ‘αποφάσεις’.

Το Gartner Framework on Analytics είναι μια καλή αναφορά για να ξεκινήσετε το ταξίδι των analytics. Δείχνει, πως τα δεδομένα βρίσκονται στην ρίζα όλων των αποφάσεων και βασισμένο στο ποσοστό του ανθρώπινου παράγοντα που συμμετέχει στις αποφάσεις, μπορεί να κατηγοριοποιήσει τα διαφορετικά στάδια της ανάλυσης ως περιγραφικά, διαγνωστικά, προγνωστικά και ρυθμιστικά. Μόλις ληφθεί η απόφαση, παράγονται περισσότερα δεδομένα, τα οποία διοχετεύονται πίσω στην βάση δεδομένων και χρησιμοποιούνται στο μοντέλο.

Για κάθε οργανισμό, υπάρχουν τέσσερα βήματα για την ρύθμιση αυτού:

Ρυθμίστε τα κατάλληλα δεδομένα για την κατάλληλη επιχειρησιακή ανάγκη.

Το πρώτο βήμα είναι να δημιουργηθεί η σωστή ροή δεδομένων μέσα στα τμήματα, τα οποία επηρεάζουν περισσότερο την ανάπτυξη και κοστίζουν περισσότερο. Για ορισμένες εταιρείες, αυτό το τμήμα μπορεί να είναι το τμήμα πωλήσεων όπου η αλληλεπίδραση με τους πελάτες είναι πολύ υψηλή. Σε ορισμένες βιομηχανικές εταιρείες, μπορεί να είναι το τμήμα με τον υψηλότερο όγκο επιχειρησιακών δεδομένων ή σε άλλες εταιρείες, το τμήμα που αλληλεπιδρά ο πωλητής με τα χρήματα της εταιρείες.

Η εξέταση της αξιοπιστίας και της διαθεσιμότητας αυτών των δεδομένων την κατάλληλη στιγμή δημιουργεί την αφετηρία για ένα ταξίδι analytics.

Ενεργοποιήστε τους δείκτες KPI και τα περιγραφικά στοιχεία ανάλυσης.

To επόμενο βήμα είναι η μετατροπή αυτών των δεδομένων σε χρήσιμη πληροφορία, η οποία με την σειρά της θα βοηθήσει στην λήψη αποφάσεων. Σε αυτήν την περίπτωση εστιάζουμε στους βασικούς δείκτες απόδοσης ή KPI οι οποίοι βοηθούν να περιγράψουμε τι συμβαίνει στον οργανισμό και γιατί.

Παρόλο που τέτοια πληροφορία ήταν διαθέσιμη στα παραδοσιακά συστήματα επιχειρηματικής ευφυΐας (BI), τώρα, έχουμε την δυνατότητα να αποκτήσουμε την ίδια πληροφορία σε πραγματικό χρόνο με οπτικούς πίνακες και μεταδίδονται σε όλα τα τμήματα της επιχείρησης. Αυτές οι αναλύσεις ονομάζονται περιγραφικές και διαγνωστικές αναλύσεις.

Ένα γραφικό μέσο για την αναζήτηση πληροφοριών φέρνει στην επιφάνεια τα αίτια ενός προβλήματος και επισημαίνει τον κίνδυνο.

Για παράδειγμα, σε μια επιχείρηση ταχείας μετακίνησης καταναλωτικών αγαθών (FMCG), η μετακίνηση γίνεται ταχύτερα και πιο έξυπνα χάρη στους κωδικούς που χρησιμοποιούν για να τα ξεχωρίζουν μεταξύ τους, τα λεγόμενα SKU. Αυτοί οι κωδικοί, μπορούν να δομηθούν έτσι ώστε να ξεχωρίζουν για παράδειγμα τα προϊόντα με τις καλύτερες πωλήσεις. Η χρήση των κωδικών αλλά και ο έλεγχος μπορεί να γίνεται μέσω κάποιας ηλεκτρονικής πλατφόρμας, όπου θα μπορεί να ‘τρέξει’ και σε κινητές συσκευές και να εξυπηρετούν τους επόπτες σε πραγματικό χρόνο.

Ξεκινήστε projects για προβλεπτικά μοντέλα.

Τα χαμηλότερα κόστη μεταφοράς των δεδομένων και η βοήθεια που προσφέρουν οι Cloud εφαρμογές αποθήκευσης δεδομένων καθιστούν δυνατή την πρόσβαση των αναλυτών σε παλαιότερα δεδομένα που θα βοηθήσουν σε μια προβλεπτική ανάλυση. Στην πραγματικότητα, οι αναλυτικές μέθοδοι πρόβλεψης μπορούν να λειτουργήσουν ως βάση για περαιτέρω αύξηση της επιχειρηματικής δραστηριότητας μέσω της αλγοριθμικής και τεχνητής νοημοσύνης. Ως εκ τούτου είναι απαραίτητο να ξεκινήσετε κάποιες διεργασίες σε αυτό τον τομέα για να δημιουργήσετε την ικανότητα της ανάλυσης.

Τυπικά, τα ευκολότερα και πιο μεγάλης κλίμακας έργα τείνουν να είναι στον τομέα της πρόβλεψης. Αυτά μπορεί να είναι η πρόβλεψη των τιμών πρώτων υλών για βιομηχανίες τροφίμων, πρόβλεψη της ανάπτυξης της αγοράς, την εμπιστοσύνη των πελατών και άλλα.

Τα μοντέλα πρόβλεψης χρησιμοποιούνται επίσης και σε επιχειρησιακό επίπεδο, προβλέποντας βλάβες ή διακοπές λειτουργίας στο εργοστάσιο, αλλά και για τυχόν απώλειες του ανθρώπινου δυναμικού.

Η θέσπιση προτύπων δράσης, η διάθεση των κατάλληλων πόρων για το έργο και η συλλογή των σχετικών δεδομένων και η συνεργασία με τον κατάλληλο εταίρο συμβάλουν στην επιτυχία των παραπάνω project.

Ανάπτυξη μιας κουλτούρας διαδικασιών.

Προκειμένου να δημιουργηθεί η ικανότητα ανάλυσης, είναι απαραίτητο να δημιουργηθούν οι κατάλληλες διαδικασίες διακυβέρνησης καθώς και να αναπτυχθεί η σωστή κουλτούρα και ταλέντα.

Η εκχώρηση αλγοριθμικών μοντέλων σε καθαρισμένα δεδομένα δεν θα οδηγήσει σε αναλύσεις. Είναι απαραίτητο να έχει το ταλέντο με τις κατάλληλες δεξιότητες, όπως διαχείριση δεδομένων, στατιστικές και επεξεργαστικές δεξιότητες αλλά και επιχειρηματικό πνεύμα.

Τέλος, τέτοιες πρωτοβουλίες πρέπει να χρηματοδοτηθούν από την ‘κορυφή’ με σωστές και έγκαιρες κυβερνητικές δραστηριότητες.

Είναι επιτακτική η ανάγκη οι τελικοί στόχοι να είναι πάντα σαφείς για όλα τα μέλη της ομάδας, έτσι ώστε να μην αποπροσανατολίζονται κατά την διάρκεια του project-έργου.

Πηγή: livemint.com