7 būdai, kaip „Big Data“ mokymai gali pakeisti jūsų organizaciją

„Big Data“ mokymai prasiskverbė į 7 domenus. Sužinokite, kaip tai veikia, per tinklaraščio įrašą!

Neseniai paskelbta žinia apie Jungtinių Arabų Emyratų karinę tarnybą privalomą visiems emyratų vyrams nuo 18 iki 30 metų amžiaus, paskatino mane galvoti, kodėl šalys, nepaisant jų ekonominės padėties, užtikrina piliečių pasirengimą ginti šalį.



Galima teigti, kad ribotas piliečių skaičius šalyje dažnai verčia vyriausybę padaryti karo tarnybą privalomą. Bet kaip su Kinija? Tai didžiausia šalis pagal gyventojų skaičių, tačiau ji taip pat užtikrina, kad piliečiai, besimokantys tolesnio mokslo, praleistų privalomą karinį laiką. Trumpai tariant, tautos iš esmės rengiasi gintis konflikto atveju ir visi turi būti tam pasirengę. Ar tai būtų elektrikas, ar verslininkai, ir stalius, jie visi susivienija bendram reikalui.

Kad ir kaip keistai tai skambėtų, galima nubrėžti nepakartojamą paralelę tarp tokių tautų ir šių dienų organizacijų, kurios nori išlikti konkurencingos. Dabartinė grėsmė, tiksliau, iššūkis „Big Data“ pavidalu, paskatino dideles ir mažas organizacijas sutelkti savo darbo jėgą iš įvairių departamentų, kad jos paprastai išspręstų. Toliau kalbant, paprastai privalomąją karo tarnybą vykdančios valstybės visada turi tinkamumo kriterijus. Organizacijos mano, kad logiška mokyti didelių duomenų tik tiems darbuotojams, kurie sąveikauja su dideliais duomenų kiekiais ir kurie privalo įdarbinkite Hadoopą kiekviename prisilietimo taške.

Kaip kariuomenės generolas, bendradarbiaudamas su vyriausybe, nusprendžia, kokie ginklai ir mokymai turi būti paskirti jos pradedančiam piliečiui, kuris tapo naujuoju įdarbintoju, taip pat tikimasi, kad CTO bus prie IT infrastruktūros ir palikimo vairo. sistemos, skatinančios naujų technologijų naujoves, kad jo darbuotojai galėtų geriau dirbti. Turėdami bendrą tikslą kovoti su dideliais duomenimis, pabandykime išsamiai suprasti, kur naudojami didieji duomenys ir kodėl svarbu mokyti savo bendražygius.

1. Informacinės technologijos: našumo gerinimas mokant „Big Data“

Galbūt didžiųjų duomenų diegimo priešakyje IT komanda yra pokyčių pirmumo centras. IT mokymo sprendimus priimantis asmuo, norintis darbuotojams mokyti didelių duomenų, turi pradėti nuo IT skyriaus. Kodėl? Nes kalbant apie įsitraukimą į technologijas kiekviename veiklos etape, rūsyje esantys geekai (populiarus IT žargonas) yra artimiausi. Taigi, kiek tai aktualu?

kaip sudaryti Java kodą

Pažvelkime į populiarios svetainės CIO pateiktą ataskaitą, kurioje teigiama:

„Remiantis neseniai atlikta„ CompTIA “apklausa, kurioje dalyvavo 500 JAV verslo ir IT vadovų, 50 procentų įmonių, kurios lenkia duomenų sverto kreivę, ir 71 procentas įmonių, kurios vidutiniškai ar atsilieka iš sverto duomenų, mano, kad jų darbuotojai yra vidutiniškai ar labai trūksta duomenų valdymo ir analizės įgūdžių “

Atsižvelgiant į tai, kad duomenų valdymas ir saugojimas yra pagrindinės IT funkcijos dalis, reikia laikytis lygiagretaus požiūrio diegiant didelių duomenų platformą ir stiprinant didžiųjų duomenų IT įgūdžius. Tai patvirtina „McKinsey“ ataskaita, kurioje teigiama, kad iki 2018 m. Trūksta daugiau nei 140 000–190 0000 profesionalų, turinčių gilių techninių ir analitinių žinių! Kadangi vis daugiau technikos specialistų reikalauja mokymų didelių duomenų srityje, organizacijos nori labiau parengti technikos specialistus greitam IG ir platformos specialistams, IT skyriuje dirbantiems administratoriams ir inžinieriams.

Ištekėjus už pagrindinių IT funkcijų trejybę su dideliais duomenimis

Trejybės terminas man dažnai primena dvi religines sąvokas: viena yra kūrėjo, išsaugotojo ir naikintojo indų mitologija, kita - krikščioniška tėvo, sūnaus ir šventojo vaiduoklio samprata. Abu siekia pagerinti žmoniją. Lygiai taip pat šios trys IT komandos funkcijos siekia tobulinti visą organizaciją su padaliniais, turinčiais skirtingų poreikių informacinių technologijų srityje. Be saugumo ir palaikymo funkcijų, IT skyrius gali susieti su šiomis funkcijomis, kai reikia diegti didelius duomenis.

Planavimas - IT komandos planavimo veikla orientuota į tai, kad organizacijos IT strategija atitiktų verslo tikslus. Tai apima darbą pritaikant programinę įrangą, įtraukiant naujas platformas, atitinkančias skirtingų verslo departamentų poreikius. Kitaip tariant, bet koks naujas diegimas visada prasidės nuo IT.

Tinklas - tai tinklų, palengvinančių visų formų balso, duomenų, vaizdo ir interneto srautus, formavimas. Yra įvairių duomenų įrašymo kontrolinių punktų, nesvarbu, ar tai būtų sąveika su klientais, nuotaikos analizė ir srauto atnaujinimas, visi jie renka duomenis realiuoju laiku! IT skyrius dažnai užtikrina sklandų tinklų integravimą, kad dirbtų kartu su tikslu apdoroti didelius duomenis.

Duomenys - paprasčiau tariant, IT komanda pateikia įrankius, skirtus rinkti, saugoti, valdyti, apsaugoti ir platinti darbuotojams įvairius strateginius sprendimus organizacijoje. Visų rūšių duomenys, tokie kaip pardavimo įrašai, finansiniai įrašai, atsargų informacija, saugomi viename duomenų centre. Tai sukuria atsakomybę IT komandoje įdiegti didelių duomenų platformas, leidžiančias paskirtiems vartotojams saugoti ir gauti informaciją bet kurioje duomenų vietoje.

Bet kurioje IT komandoje reikia įvairiapusio narių, turinčių skirtingas užduotis didelių duomenų diegimui, derinio. Pirmiausia reikia specialisto, kuris užtikrintų sklandų perėjimą nuo tradicinių sistemų prie didžiųjų duomenų platformų. Tam reikia, kad specialistas sutelktų dėmesį į platformos išlaikymą per visą jos gyvavimo ciklą visuose departamentuose. Tada reikia nario, kuris turėtų nuolat stebėti, ar kiekvienas technologinis įgyvendinimas yra suderintas su organizacijos tikslu, poreikis.

2. Produktų kūrimas: permąstyti naujoves visuose MTTP etapuose

Didžiųjų duomenų mokymai, produktų kūrimas, inžinerija

Galbūt vienas iš svarbiausių padalinių, kai reikia pakelti organizaciją į kitą inovacijų lygį! Vienas didžiausių didžiųjų duomenų privalumų yra duomenų integravimas į įvairius produkto kūrimo taškus, pradedant produkto projektavimu, gamyba, kokybe, garantija, diagnostika, transporto priemonių ir programinės įrangos taikymu. Iš šių prisilietimo taškų sugeneruoti duomenys apibrėžia produkto būdą ir jo sėkmę. Tai iš esmės nukreipia produktų kūrėjus, mokslinių tyrimų ir plėtros specialistus bei dizainerius į duomenų ir analizės metodą.

„Big Data“ inžinerija

Kalbant apie produktų kūrimą, vienas populiarus pavyzdys būtų mažiau vairuotojo pagamintas automobilis, kurį „Audi“ kuria ir planuoja pristatyti iki 2016 m. Taip, yra produktų kūrimo komanda, kuriai tenka didžiulė užduotis įsitikinti, kad generalinio direktoriaus inovacijų vizija yra įgyvendinta. . Bet kelyje yra įvairių iššūkių ir klausimų nuo pat kūrimo iki testavimo, į kuriuos gali atsakyti tik dideli duomenys. Pažiūrėkime, kodėl.

Apsvarstykite bandomąjį važiavimą, stebimą nuo taško A iki taško B. Štai kokie duomenys gali būti generuojami:

a. Jutiklių duomenys - automobilio jutikliai galėtų išsaugoti išsamią informaciją apie atstumą, kurį jis išmatavo tarp už jo esančių ir priešais važiuojančių automobilių, ir transporto priemonių, su kuriomis susidūrė kelionėje, dažnumo.

b. Vairuotojo duomenys - gali būti atliekami keli bandymai su skirtingomis amžiaus grupėmis, o išsami informacija apie komforto lygį, našumą ir tai, kiek kartų vairuotojui reikia pakeisti automatinį vairavimą, bus suspausta į didelius eilučių ir stulpelių rinkinius analizei atlikti.

c. Demografiniai duomenys - bandymas gali būti atliekamas Indijoje ir JAV. Automatinio vairavimo A.I galėtų išanalizuoti kliūtis, su kuriomis susiduria vairuodamas dvi skirtingas šalis. Kuri šalis yra perspektyvesnė automatiniam vairavimui, o kuri apskritis - ne?

d. Rinkos efektyvumo duomenys - po to, kai produktas yra išleistas į rinką ir jis yra kelyje, inžinieriai taip pat galėtų stebėti jo sėkmę, analizuodami tiesioginius duomenis su kanalais, kuriuos automobilio programa teikia 24 × 7, suteikdama įžvalgų, jei automatinio vairavimo įvedimas padeda išlaikyti kelias saugesnis?

Yra N galimų duomenų, kuriuos galima išsiaiškinti iš gaminių inžinerijos, skaičius. Mes tik pradedame tirti automobilių pramonės OEM. Pagalvokite apie didžiųjų duomenų galimybes įvairiuose sektoriuose, pavyzdžiui, apie mediciną, sveikatos apsaugą, elektroniką ir pan. Kas žino?

LINKSMAS FAKTAS: Ar žinojote, kad „Ford“ pritaikius „Big Data“ ir „Analytics“, 2000-aisiais jie išgelbėjo nuo beveik mirties patirties, kai konkurencija buvo stipri Europos ir Azijos automobilių gamintojų!

3. Finansai: darbuotojų mokymas didžiųjų duomenų platformose tvarkyti finansinį modeliavimą

Galbūt dažnai girdėjome terminą, kad pinigai yra verslo kraujas. Rūpinimasis tais pinigais yra finansų departamento pareiga. Verslo pasaulis apibrėžia finansų departamento funkcijas kaip paprastai dalyvaujančius „planuojant, organizuojant, atliekant auditą, apskaitą ir kontroliuojant savo įmonės finansus bei rengiant įmonės finansus.

Sakydamas, kad finansų skyrius apskritai yra idėja, kai reikia tvarkyti pinigus, o vaidmuo plečiasi į įvairias veiklas, pvz., Pinigų srautų ataskaitų rengimą, išlaidų modeliavimą, prizų realizavimą ir atitiktį. Prieš kelis dešimtmečius visą šią veiklą atlikti su ribotomis sistemomis ir platformomis buvo gana įmanoma, tačiau didžiųjų duomenų amžiuje du iššūkiai, su kuriais susiduria kiekvienas finansų departamentas, vykdo reguliarias finansų funkcijas kintančiame scenarijuje ir renka įžvalgas apie ateitį. Pažvelkime į tai iš gilesnės perspektyvos.

Skleisdamos informaciją skirtinguose serveriuose, organizacijos dažnai susiduria su iššūkiu konsoliduoti tuos duomenis ir atlikti veiksmus pagal verslo reikalavimus. Svarbi vidaus audito funkcija yra skirtukas apie organizacijos valdymą, rizikos valdymą ir valdymo kontrolę bei aktyvų sukčiavimo auditą, siekiant nustatyti nesąžiningus veiksmus. Didėjant analizei, reikia integruoti ir vidaus auditą. Tai paskatino naujus metodus, tokius kaip audito duomenų analizė, kurie padeda įvertinti riziką, sukurti finansinius modelius ir suteikti bendrą organizacijos finansų vaizdą.

Sąnaudų modeliavimas ir realizavimas

Sąnaudų modeliavimas yra svarbus efektyvaus išteklių naudojimo komponentas. Įmonės turi nustatyti veiklą, kuri lemia išlaidas, bendrą tiesioginę medžiagą ir darbą, reikalingą užduotims atlikti ir pan. Sąnaudų modeliavimas padeda įmonėms tiksliai nustatyti bendrus produktų gamybos kaštus visoje įmonės veikloje. Didžiųjų duomenų amžiuje tampa svarbu sekti kiekvieną finansinę veiklą, vykstančią skirtinguose organizacijos departamentuose, kurie konsoliduoja tą informaciją ir sukuria idealų išlaidų modelį. Nuo pirkimo iki pardavimo visi duomenys kaupiami finansų istorijoje, o pagrindiniai sąnaudų modelio kūrimo pagrindai yra surinkti didelius duomenų gabalus ir sukurti modelį, kurį galima pritaikyti ateityje.

Nors galima diskutuoti, kad kainų realizavimo pastangos yra labiau nukreiptos į pardavimus, siekiant pagerinti pelningumą, finansų departamentas vaidina didesnį vaidmenį, kai reikia pasinaudoti kainų realizavimu. Jei norite suskaidyti jį į paprastesnes sąlygas, apsvarstykite mažmeninės prekybos punktą, kuris planuoja suteikti nuolaidas, kad paskatintų pardavimą. Pagrindinis tikslas yra sumažinti kainų nutekėjimą ir pagerinti kišenines kainas.

Kainos nutekėjimas įvyksta, kai produkto kaina yra diskontuojama tiek mažiau (siūlant parduoti), kad jie pakenktų pelningumui, o kišeninė kaina yra pardavimo kaina po nuolaidų. Siekdama pelningų kainų realizavimo pastangų, pardavimų komanda bendradarbiauja su finansų skyriumi, kad suprastų kiekvieno produkto sąnaudų struktūrą ir kur galima suteikti nuolaidas. Tai savo ruožtu reikalauja finansų departamento sukurti kainų realizavimo modelių sistemą ateityje ir apibrėžti tokios rinkodaros veiklos ribas. Užduotis apima duomenų, gautų iš pirkimų, sandėlio savikainą, galiojimo laiką, apdorojimą ir tada įvertina parduotų prekių kainą (CGS).

F-12 ir nuspėjama analizė

Viena iš svarbių finansų departamento veiklų yra finansinės organizacijos būklės stebėjimas. Kaip gydytojas naudojasi skirtingomis metrikomis, tokiomis kaip pulsas, kūno šiluma ar dirgiklių reakcija, kad nuspręstų, ar pacientas yra gyvas, ar miręs, finansinis pasaulis taip pat stebi 12 metrikų, kad žinotų, kur kompanija eina pinigais ir kas yra už jos ribų. . Iš realių pajamų augimo, tvaraus pajamų augimo, kainų politikos ir kainų indekso, veiklos išlaidų kontrolės, EBITDA palyginimo su grynųjų pinigų srautu, skolų neturinčių pinigų srautų, grynųjų pinigų pertekliaus, turto grąžos, apyvartinio kapitalo, skolos finansavimo panaudojimo, grynojo prekybos ciklo ir išlaidų. kapitalo sudaro svarbius organizacijos finansinės atskaitomybės komponentus, kad aukštesnioji vadovybė galėtų priimti pagrįstą sprendimą.

Kaip dalį didžiųjų duomenų pasaulio iššūkio, norint suprasti šiuos santykius, reikia apdoroti didelius informacijos gabalus, pasklidusius per visą organizaciją, kad ji būtų analizuojama standartine forma. Nuspėjamoji analizė pradeda veikti, kai šie duomenys apdorojami iš praeities istorijos, palyginti su tais pačiais dabarties elementais, kad būtų galima tiksliai įvertinti ateitį. Geriausia yra numatomoji analizės platforma, o didžiųjų duomenų apdorojimo metodai yra supaprastinti finansų skyriaus užduotį.

LINKSMAS FAKTAS: Ar žinojote, kad Singapūre įsikūrusi Oversea-Banking Corporation (OCBC) galėjo naudoti didelius duomenis klientų įžvalgoms, o tai tiesiogiai nulėmė 40% padidėjimą įsigyjant naują klientą!

funkcijos perkrova c ++

4. Žmogiškieji ištekliai: iš naujo apibrėžti personalo darbuotojų galimybes

Įsivaizduodami didelius duomenis apie žmogiškuosius išteklius, skaitytojai dažnai gali būti raginami atsisakyti žmogiškosios padėties, nes organizacija paprastai neteikia daug prioriteto diegdama „Big Data“ technologiją personalo skyriuje, nes ji labiau sutelktų dėmesį į rinkodarą, operacijas ar finansus. Tačiau iš tikrųjų Žmogiškųjų išteklių skyrius vaidina lemiamą vaidmenį užtikrinant, kad tinkamas talentas patektų į organizaciją, be kitų veiklų.

Pridedant daugiau dantų prie HR

Bene labiausiai ignoruojamas tarp visų departamentų, kai kalbama apie didžiųjų duomenų diegimą, tačiau šiandien sparčiai besikeičiančiame pasaulyje organizacijos sėkmę apibrėžia personalo skyriaus darbas.

„Forbes“ duomenimis, vidutinė didelė įmonė turi daugiau nei 10 skirtingų žmogiškųjų išteklių programų ir jų pagrindinė žmogiškųjų išteklių sistema yra vyresnė nei 6 metai. Ši tendencija pabrėžia faktą, kad organizacijai reikia tinkamų išteklių, kad šie duomenys būtų sujungti. „Big Data & Analytics“ mokymai suteikia tokių įgūdžių kaip duomenų analizė, vizualizavimas ir problemų sprendimas nuo operatyvinės ataskaitos iki strateginės analizės.

Tikimasi, kad žmogiškųjų išteklių skyrius atliks pagrindines žmogiškųjų išteklių operacijas, tačiau „Big Data“ mokymai pakels jį į visiškai naują lygį. Kai personalo skyrius tampa analitiškesnis su įrankiais, jis keičia savo požiūrį į strateginę veiklą. Nustatomas kritinis klausimas, kaip gauti daugiau darbuotojų išlaikymo veiksnių, turinčių įtakos kandidatų rinkų pardavimų kokybei ir vertinant talentų spragas, ir imamasi strateginių žingsnių analizuojant atitinkamus duomenis.

Perėjimas nuo paprasto etatų skaičiaus pereis prie labiau nuspėjamos analizės.

Žmogiškųjų išteklių „Oracle“

Buvo juokinga istorija, kurią prisimenu apie draugą, dirbusį vyr. Prieš siųsdama kandidatą pas atitinkamą skyriaus vedėją, kuri pasakė tik stebuklingus žodžius: „Gerai, leidžia jį samdyti“, ji turėjo varginančią medžioklės darbą.

Kurį laiką viskas klostėsi gerai, nes ji įnešė į kompaniją gerų talentų. Laikui bėgant, ji vis labiau pasitikėjo savo įdarbinimo įgūdžiais, siekdama aukštesnio lygio vadovų pritraukti daugiau žmonių į savo komandą, diegti personalo sistemas ir įtraukti daugiau trečiųjų šalių konsultacijų. Keblioji dalis buvo tai, kad ji pasitikėdama žadėjo aukštai vadovybei.

Istorija parodė, kad tas, kuris ruošiasi būsimam renginiui, yra sėkmingesnis nei tas, kuris važiuoja praeities šlove. Buvo laikas, kai tikėtasi, kad ji samdys daug specialistų toje srityje, kurioje įmonė plečiasi. Ji pradėjo užpildyti laisvas darbo vietas kompromisu dėl kokybiškų specialistų samdymo. Ji pasirinko tikslinį požiūrį. Rezultatas? Dauguma jos samdytų specialistų rašė dokumentus, nurodydami įvairias priežastis, ir vadovybė ją apklausė. Dažnai girdėjau jos murmėjimą:

„Aš medžiojau 1000 Cv, atrenku 100 Cv, kviečiu 50 kandidatų į pokalbį, filtruoju 10 iš savo psichometrinių vertinimų, tarp 10 aš imu 5, kurie yra to verti, siunčiu 5 vadovybei, jie nulį 1 ir kad vienas vaikinas palieka po 2 mėnesių “.

Aš nejuokiau jos kančios, išskyrus savo simpatijų siūlymą, tačiau tai privertė mane susimąstyti, ar žmogiškieji ištekliai gali geriau apsispręsti pagal jų patirtį, ar visam šiam įdarbinimo procesui reikia labiau pagrįsti duomenimis? Na, mes naudojame nuspėjamąją analizę, ieškodami, kuri komanda laimės pasaulio taurę, bet kodėl gi nenaudojant tų pačių metodų įdarbinimo procese, ypač kai turime reikalų su tokiais sudėtingais elementais kaip žmonės?

Dabar įdarbinimo darbas nebūtinai yra lengvas darbas, jis apima daugybę procesų, o įdarbinimo taisyklės dažnai keičiasi atsižvelgiant į tai, kokioje pramonės šakoje HR yra jos samdoma organizacinių taisyklių ir pan.

Jei stebime sėkmingas organizacijas, naudojančias nuspėjamąją analizę ir turinčias mažesnį mokymosi lygį, pirmiausia reikia nuspręsti dėl pageidaujamų kandidato savybių, užtikrinančių sėkmę, įtvirtinti ją „idealiame“ profilyje ir palyginti su kiekvienu kandidatu, kuris yra arčiausiai vertinimą, kuris įvertina šių kandidatų savybes.

Atkreiptinas dėmesys į tai, kad visa psichometrinio vertinimo pramonė su tokiais lyderiais kaip Pearsons, Thomas Assessment ir SHL atsirado dėl personalo specialistų poreikio išanalizuoti kandidatų profilį jų poreikiui tobulinti įdarbinimo procesą!

Grįžtant prie nuspėjamos analizės, ją įgyvendinant, personalo personalas pirmiausia turi apibrėžti, kas yra „sėkmingas kandidatas“ pagal organizaciją, tada jis / ji turi apibrėžti veiksnius, kurie gali paskatinti įdarbinimo efektyvumą, plėtoti ir stebėti, kaip kodėl kai kuriems samdomiems darbuotojams sekasi hipotezė, jei to reikia. Remdamasis tuo, jis gali palyginti tai su sėkmingų darbuotojų, kurie ilgai buvo organizacijoje, duomenimis, ir, trečia, naudoti statistinius metodus, kad būtų galima įvertinti, kodėl kai kurie žmonės išbūna ilgiau.

Šis metodas yra naudingas pradžioje, tačiau įgyvendinant nuspėjamąją analizę HR srityje, reikia daugybės metodų, kuriuos HR gali laisvai tirti. Geriausia šio proceso dalis yra sumažėjusios išlaidos pakeičiant darbuotoją nauju ir galbūt gaunant didesnę IG nei senoji.

Dienos pabaigoje intuicijos, patirties ir patikimo duomenimis pagrįsto požiūrio derinys dažnai patobulina ne tik vyriausiojo įgaliotinio, bet ir mūsų sprendimą.

LINKSMAS FAKTAS: Ar žinojote, kad Amerikos milžinė „Xerox“ sumažino skambučių centro apyvartą 20%, taikydama analizę būsimiems kandidatams, nustatydama, kad kūrybingi žmonės labiau linkę pasilikti įmonėje 6 mėnesius, reikalingus norint susigrąžinti 6 000 USD mokymosi išlaidas, nei smalsūs. žmonių?

5. Tiekimo grandinė ir logistika: mokymų pristatymo komanda su didelių duomenų platformomis

Tiekimo grandinė ir logistika iš esmės sudaro svarbų organizacinių strategijų ir tikslų komponentą. Tiekimo grandinės ir logistikos tikslas yra taupyti išlaidas ir pagerinti našumą, greitį ir judrumą. Kalbant apie logistiką, jie fiksuoja ir seka įvairių formų duomenis, kad iš esmės pagerintų veiklos efektyvumą, pagerintų klientų patirtį ir naujus verslo modelius. Šie veiksniai dažnai gali padėti organizacijoms taupyti išteklius, sukurti geresnį prekės ženklą ir sukurti sistemingą tiekimo grandinės ir logistikos procesą.

Didžiųjų duomenų stebėjimas visame pasaulyje

Paimkime pavyzdį iš elektroninės prekybos milžinės, kuri naudoja „Big Data“ pristatydama savo klientams. Produktas išsiunčiamas iš vietos kliento adresu. Transporto priemonės įrenginiuose, pvz., GPS sekimo įrenginyje, mikrofone, jutiklyje, yra struktūrizuoti ir nestruktūrizuoti duomenys, kurie siunčiami atgal į stebėjimo centrą atnaujinti realiuoju laiku. Be to, tai taip pat padeda analizuoti pristatymo laiko efektyvumą, trumpiausią kelią ir išteklius, naudojamus vienai pristatymo operacijai atlikti, milijonų tokių operacijų sąraše. Organizacijos sujungia šią aukso kasyklą skirtingose ​​rinkose ir analizuoja, kad dar labiau pagerintų procesą arba suteiktų visišką naujovių lygį!

LINKSMAS FAKTAS : Ar žinojote, kad dideli „Amazon“ kliento puslapių stebėjimo duomenys padėjo jai nukreipti savo produktus į arčiausiai kliento esantį sandėlį, kad pagerėtų pristatymo greitis ir efektyvumas?

6. Operacijos, palaikymas ir klientų aptarnavimas: darbuotojų mokymai apie didelius duomenis kaskart bendraujant su klientu

Bet kokio produkto ar paslaugos sėkmė priklauso nuo palaikymo po pardavimo, kurį gauna klientas, ir dažnai pardavėjas prisiekia visada būti šalia jo. Taip yra dėl to, kad klientas, paėmęs produktą ar paslaugą, daro „tikėjimo šuolį“ tikėdamasis, kad pardavėjas jo nenuvils per produkto / paslaugos galiojimo laiką. Pristatymas iš šios perspektyvos yra labai svarbus organizacijos sėkmei.

Pažvelkime į atramą granuliuotu lygiu. Neseniai turėjau galimybę pažiūrėti Christopherio Nolano „Tarpžvaigždę“, kurioje tyrinėtos kosminės kelionės iki kosmoso pabaigos. Tai privertė mane susimąstyti apie būsimas oro linijas, kurios siūlys skrydžių paslaugas per kirminų skylutes, apimančias milijonus šviesmečių! Kokie tada būtų iššūkiai? Kokie dideli duomenys bus generuojami šioje beveik nesibaigiančioje kelionėje? Kaip laivo komanda užtikrins, kad keleivis mėgautųsi visą laiką? Pirmiausia paslaugų teikėjas turi sutelkti dėmesį į pagrindinius tikslus, pavyzdžiui, užtikrinti oro saugą, sekti savo skrydžio trajektoriją, patenkinti klientų reikalavimus ir pan.

„Big Data“ kelyje 24 × 7

Tarpžvaigždinių kelionių idėja gali būti tolima svajonė ateinančius 100 metų (būti optimistiškai nusiteikusiai!), Tačiau tai netrukdo mums pažvelgti į duomenis, kuriuos generuoja panaši tarnyba, kuri šiuo metu veikia, o tai daugiau paaiškins, kaip klientas aptarnavimas ir palaikymas atliekamas pagal „pardavimą“ scenarijų ir tai, kaip organizacijos gali prisidėti gerindamos savo pastangas realiuoju laiku.

Pradedant „Southwest Airlines“ yra viena iš labiausiai žinomų oro linijų bendrovių, kurios pasinaudojo „Big data“ paslaugomis, kad pagerintų savo klientų patirtį. Siekdama pagerinti oro saugą, „Southwest Airlines“ bendradarbiavo su NASA, kad atliktų didelių duomenų eksperimentą, kad pagerintų bendrą skrydžių patirtį. Tai apima NASA palydovų pingavimą informacija apie skrydžio trajektoriją, pilotų ataskaitas ir kitą oro eismo informaciją. Tokios novatoriškos technikos viršūnėje slypi pagrindinė didžiųjų duomenų sąvoka, vadinama „teksto duomenų gavyba“, kuri nestruktūrizuotą tekstinę informaciją paverčia prasmingu tekstu įžvalgoms. Taigi jūs manėte, kad teksto duomenų gavyba baigiasi?

Žinoma, to nėra, net ir paprastas didžiųjų duomenų, tokių kaip teksto duomenų gavyba, samprata prasilenkia su tuo. Mes visi žinome, kad klientų atsiliepimai yra svarbus komponentas suprantant, kur organizacija klysta kiekviename kliento sąveikos taške. Tekstinių duomenų gavyba taip pat padeda klientams aptarnauti analizuojant atvirus apklausos atsakymus. Užuot riboję klientus tokiomis įprastomis galimybėmis kaip A, B, C variantas, atviri klausimai suteikia daugiau įžvalgų, tačiau jų klasifikavimas ir atsakymų įrašymas gali būti pagrindinė problema. Štai kur atsiranda teksto duomenų gavyba, kai jis sugrupuoja tam tikrus žodžių rinkinius ir sujungia juos įžvalgoms!

Žvelgdami į tai, visi turime pripažinti, kad nė viena organizacija nėra tobula ir kad kiekviena iš jų turi nedidelį klientų ratą, kuris gali būti nepatenkintas paslauga. Rezultatas? Duomenų bazėje gausu el. Laiškų, pranešimų, klientų, registruojančių skundus, „tweet’ų“ arba „tobulintinų sričių“ patarimų. Teksto duomenų gavyba žengia žingsnį į priekį nuo tradicinių pašto filtrų ir gali klasifikuoti laiškus pagal prioritetą ir nukreipti juos į atitinkamą skyrių.

LINKSMAS FAKTAS : Ar žinojote, kad „Southwest Airlines“, siekdama pagerinti klientų aptarnavimą, vykdė duomenų analizę naudodama funkciją, vadinamą „kalbos analize“, kuri fiksuoja kliento ir personalo sąveiką įžvalgoms gauti!

7. Rinkodara: darbuotojų mokymas sistemingai rinkodaros požiūriu, naudojant didelius duomenis

Rinkodara kaip veikla šiandien yra susijusi su skaičiais. Stiprėjant skaitmeninei rinkodarai, dabar galime tiksliai išmatuoti skelbimų atsakymą, paspaudimų rodiklį, parodymus, IG ir pan. Ne rinkodaros specialistams tokia metrika galbūt yra graikiška, tačiau reklamuojantiems žmonėms šie duomenys yra aukso kasykla. Vėliau, kartu su metrika, kiekvienoje sąveikos su klientais, socialinės žiniasklaidos ir pardavimo vietoje susidaro daug duomenų. Rinkodaros specialistas turi sekti tokius duomenis ir naudoti juos efektyviau savo produktams perduoti. „Big Data“ mokymas čia vaidina svarbų vaidmenį, nes tokios platformos kaip „Hadoop & R“ padeda pasiekti tikslą.

Antra, kartkartėmis rinkodaros specialistai dažnai pasiduoda savo prekės ženklo retrospektyvai. Tokie klausimai:

Kuo mano prekės ženklas geresnis už kitus?

Ką siūlo kiti prekės ženklai?

Kokias mano konkurento ypatybes turi tas pats produktas?

Tyrimas eina daug giliau. Nuo analizuojamo konkurento produkto, pagrįsto 4P (produktas, kaina, vieta, pozicija), iki supratimo, kurio produkto turinys pateikiamas konkurento tinklalapyje, sukuriamų duomenų kiekis yra didžiulis ir sudėtingas. Kaip sakyta anksčiau, pasinaudojimas teksto ieškojimu gali padėti rinkodaros specialistui atlikti konkurentų analizę paprasčiausiai peržengiant konkurento svetainę. Ši paprasta didžiųjų duomenų srities funkcija gali pateikti bendrą idėją apie tai, ką daro konkurentas ir kokius produktus jie turi rinkai, taip suteikdami pranašumą rinkodaros specialistui, kuris apėmė didelius duomenis!

Apsaugos kūrinys

Pavyzdžiui, socialinės žiniasklaidos strategas nori sužinoti apie savo organizacijos prekės ženklo suvokimą visose socialinės žiniasklaidos platformose, tada tikriausiai dalyvaujant nuotaikų analizėje „R & Hadoop“ padės pasiekti šį tikslą. Lygiai taip pat „Big Data“ įrankių naudojimas padeda rinkodarai vykdyti įvairias veiklas, tokias kaip kainodara, produktų pozicionavimas ir pan.

Kitas pavyzdys gali būti rinkodaros vadybininkas mažmeninės prekybos vietoje, siekiantis padidinti pardavimą. Visi žinotų „Walmart“ pavyzdį, kuris, remdamasis ankstesne klientų pirkimo istorija, galėjo alų ir pieną pastatyti šalia praėjimo, surasdamas didelius duomenų gabalus, apimančius milijonus klientų per tam tikrą laiką!

LINKSMAS FAKTAS: Ar žinojote, kad „General Motors“, kurios metinis rinkodaros biudžetas siekia 2 milijardus USD per metus, naudojo „Big Data Analytics“ kurdamas išsamius klientų profilius ir sujungdamas erdvinių duomenų analizę su išsamia demografine informacija / kliento informacija, kad rinkodara būtų labiau suasmeninta!

Kodėl įmonės pereina prie „Big Data“ platformų

Paprastai senas senas sistemas naudojančių organizacijų duomenys yra paskirstyti daugelyje sistemų. Dėl duomenų plitimo skirtingose ​​vietose apdorojimo greitis mažėja kartu su duomenų analizės tikslumu. Tam reikia konsoliduoti duomenis įmonės duomenų centre, kuris sukuria greitesnę prieigą prie duomenų, o tai lemia gilesnę analizę. Vienas iš svarbiausių bet kurios organizacijos IT skyriaus uždavinių yra paprašius greitai pateikti tikslius duomenis apie visus organizacijos padalinius.

Renkant duomenis svarbu struktūrizuotus, struktūrizuotus ir pusiau struktūruotus duomenų šaltinius sujungti į vieną platformą, kad būtų galima atlikti išsamią analizę ir iš esmės padėti priimti verslo sprendimus. Ši „Hadoop“ funkcija į organizaciją įtraukia daugiau žmonių, nes yra darbuotojų, kurie kasdien naudojasi įvairiais sąlyčio taškais. Be to, tradiciniai ETL ir paketiniai procesai gali užtrukti ilgai, o „Hadoop“ su didelės apimties paketiniu apdorojimu jį pagreitina iki 10 kartų.

„Hadoop“ reikšmė nebūtinai reiškia, kad kiekvienas organizacijos darbuotojas turi būti apmokytas „Big Data“ platformoje, o tai daugeliu atvejų gali būti neįmanoma. Tačiau strateginiam pranašumui CTO būtų nustatyti ir apmokyti specialistus, kurie nuolat sąveikauja su duomenimis.

Duomenų saugojimą, apdorojimą ir paiešką per populiarią „Hadoop“ platformą apėmė dar vienas svarbus reiškinys, kuris yra natūralaus progreso dalis, yra „Big Data“ analizė. Paprasčiau tariant, organizacijoms reikia įvairių perspektyvų iš įvairių organizacijos specialistų.

sukurti momentinį vaizdą „ec2“ egzempliorių

Skaičius „6“ gali būti vertinamas kaip skaičius „9“ iš kitos lentelės pusės. Kitaip tariant, išvados iš duomenų stebėjimo kiekvienam žmogui skiriasi.

Organizacijos tai žino ir dažnai rengia darbuotojus panašioje platformoje, kad žmonės iš skirtingų departamentų, susietų su ta pačia veikla, diskutuotų, dalyvautų ir dalytųsi įžvalgomis, kad priimtų patikimą sprendimą. Taigi, manau, būtų saugu apibrėžti „Big Data“ mokymus kaip galimybę kiekvienam darbuotojui būti tame pačiame puslapyje ir pakelti organizacijas į kitą lygį!

Turite mums klausimą? Paminėkite juos komentarų skiltyje ir mes susisieksime su jumis.

Susijusios žinutės: