Nedavne novice o Združenih arabskih emiratih, ki so vojaško službo obvezne za vse moške iz Emiratov med starostnimi skupinami od 18 do 30 let, so me spodbudile k razmišljanju, zakaj države ne glede na njihov ekonomski status zagotavljajo, da so državljani pripravljeni braniti državo.
Lahko bi trdili, da omejeno število državljanov v državi pogosto prisili vlado, da postavi obvezno služenje vojaškega roka. Kaj pa Kitajska? Po številu prebivalcev je največja država, hkrati pa državljanom, ki gredo na nadaljnje izobraževanje, zagotavlja obvezen vojaški čas. Skratka, države se v bistvu pripravljajo na obrambo v primeru konflikta in na to morajo biti vsi pripravljeni. Naj gre za električarja, poslovneže, tesarja, vsi se združujejo za skupno stvar.
Ne glede na to, kako se sliši nenavadno, lahko med takšnimi državami in današnjimi organizacijami, ki želijo ostati konkurenčne, potegnemo nenavadno vzporednico. Trenutna grožnja ali bolje rečeno izziv v obliki velikih podatkov je organizacije, ki so velike in majhne, spodbudila, da združijo delovno silo v različnih oddelkih, da jo pogosto obravnavajo. Če gremo še dlje, imajo običajno države, ki izvajajo obvezno vojaško službo, vedno merila za upravičenost, na enak način pa se organizacijam zdi logično, da usposabljajo velike podatke le tistim zaposlenim, ki imajo neko obliko interakcije z velikimi deli podatkov in so dolžni zaposlite Hadoop na vsaki dotični točki.
Tako kot vojaški general v povezavi z vlado odloči, kakšno orožje in usposabljanje bo dodeljeno njenemu, sicer novomašniku, ki se je sicer spremenil v novo rekrutacijo, se na enak način pričakuje, da bo tehnični direktor na čelu informacijske infrastrukture in zapuščine sistemov, ki poganjajo nove tehnološke inovacije, da zaposlenim omogočajo boljše delovanje. Z skupnim ciljem za reševanje velikih podatkov poskusimo podrobno razumeti, kje se uporabljajo veliki podatki in zakaj je pomembno, da v njih usposobite svoje tovariše.
1. Informacijska tehnologija: izboljšanje produktivnosti z usposabljanjem za velike podatke
Morda je v ospredju izvajanja velikih podatkov ekipa IT, ki je epicenter za nadaljnjo spremembo. Tisti, ki odloča o izobraževanju za IT, ki želi zaposlenim predstaviti izobraževanje o velikih podatkih, mora začeti pri oddelku za IT. Zakaj? Kajti, ko gre za sodelovanje s tehnologijo na vsaki stopnji dejavnosti, so geki v kleti (priljubljeni sleng za IT) najbližji. Torej, kako pomemben je?
Oglejmo si poročilo, ki ga je predložilo priljubljeno spletno mesto CIO in v katerem piše:
»Po nedavni raziskavi CompTIA med 500 ameriškimi poslovnimi in informacijskimi direktorji 50 odstotkov podjetij, ki so pred krivuljo podatkov o vzvodih, in 71 odstotkov podjetij, ki povprečno ali zaostajajo v podatkih o vzvodih, meni, da je njihovo osebje zmerno oz. bistveno primanjkuje veščin upravljanja podatkov in analize '
Glede na dejstvo, da sta upravljanje in shranjevanje podatkov del osnovne funkcije informacijske tehnologije, je treba imeti vzporeden pristop k uvajanju platforme za velike podatke in krepitvi IT veščin v okviru velikih podatkov. V prid temu govori tudi poročilo McKinsey, v katerem je navedeno, da bo do leta 2018 primanjkovalo več kot 140.000-190.0000 strokovnjakov z globokim tehničnim in analitičnim znanjem! Ker vse več tehničnih strokovnjakov zahteva usposabljanje za velike podatke, organizacije skušajo tehnične strokovnjake bolj usposobiti za hitre ROI in strokovnjake za platforme, na čelu pa so skrbniki in inženirji, ki delajo v IT oddelku.
Poroka s Trojico osnovne informacijske funkcije z velikimi podatki
Izraz Trojica me pogosto spominja na dva verska koncepta: eden je hindujska mitologija ustvarjalca, hranilca in uničevalca, drugi pa krščanski koncept očeta, sina in svetega duha. Oba si prizadevata za izboljšanje človeštva. Na enak način te tri funkcije informacijske ekipe stremijo k izboljšanju celotne organizacije z oddelki z različnimi potrebami, ko gre za informacijsko tehnologijo. Poleg varnostnih in podpornih funkcij se lahko IT oddelek s temi funkcijami poveže tudi pri izvajanju velikih podatkov.
Načrtovanje - Dejavnost načrtovanja znotraj informacijske ekipe se osredotoča na zagotavljanje skladnosti IT-strategije organizacije s poslovnimi cilji. To vključuje delo na prilagajanju programske opreme in uvajanje novih platform, ki ustrezajo potrebam različnih poslovnih oddelkov. Z drugimi besedami, vsaka nova izvedba se bo vedno začela od informacijske tehnologije.
Omrežje - Vključuje razvoj omrežij, ki olajšajo vse oblike komunikacije med glasovnim, podatkovnim, video in internetnim prometom. Obstajajo različne kontrolne točke za snemanje podatkov, pa naj gre za interakcijo s stranko, analizo sentimenta in posodobitev prometa, saj vsi zbirajo podatke v realnem času! Oddelek za informacijsko tehnologijo pogosto zagotavlja nemoteno integracijo omrežij za delo skupaj s ciljem obdelave velikih podatkov.
Podatki - enostavneje povedano, IT-ekipa ponuja orodja za zbiranje, shranjevanje, upravljanje, varovanje in distribucijo podatkov zaposlenim za različne strateške odločitve v organizaciji. Vse oblike podatkov, kot so evidence o prodaji, finančni zapisi, podrobnosti o zalogah, so shranjene v enem podatkovnem centru. To ustvarja odgovornost znotraj informacijske ekipe za izvajanje platform za velike podatke, ki določenim uporabnikom omogočajo shranjevanje in pridobivanje informacij na katerem koli podatkovnem mestu.
V vsaki IT-ekipi je potrebna raznolika mešanica članov z različnimi nalogami za izvajanje velikih podatkov. Za začetek je potreben strokovnjak, ki zagotavlja nemoten prehod s tradicionalnih sistemov na velike podatkovne platforme. Za to je potrebno, da se tehnik osredotoči na vzdrževanje platforme v celotnem življenjskem ciklu v vseh oddelkih. Potem se pojavi potreba po članu, ki mora nenehno spremljati, ali je vsaka tehnološka izvedba usklajena z organizacijskim ciljem.
2. Razvoj izdelkov: premislek o inovacijah v vseh fazah raziskav in razvoja
Morda eden najpomembnejših oddelkov, ko gre za dvig organizacije na naslednjo stopnjo inovativnosti! Ena največjih prednosti velikih podatkov je integracija podatkov med različnimi stičnimi točkami pri razvoju izdelka, vse od zasnove izdelka, proizvodnje, kakovosti, garancije, diagnostike, uporabe vozil in programske opreme. Podatki, pridobljeni iz teh stičnih točk, opredeljujejo, kakšen je izdelek in kako uspešen je lahko. To v bistvu razvijalce izdelkov, strokovnjake za raziskave in razvoj ter oblikovalce usmerja k pristopu, ki temelji na podatkih in analizi podatkov.
Inženiranje velikih podatkov v resničnost
kako uporabiti system.exit v javi
Kar zadeva razvoj izdelkov, bi bil eden izmed najbolj priljubljenih primerov avtomobil z manj vozniki, ki ga Audi razvija in ga namerava predstaviti do leta 2016. Da. Obstaja ekipa za razvoj izdelkov, ki ima veliko nalogo zagotoviti, da je izvršna vizija inovacij uresničena. . Toda na poti obstajajo različni izzivi in vprašanja, vse od razvoja do testiranja, na katera lahko odgovorijo le veliki podatki. Poglejmo, zakaj.
Razmislite o poskusni vožnji, ki jo spremljate od točke A do točke B. Tu so vrste podatkov, ki jih je mogoče ustvariti:
a. Podatki o senzorjih - senzorji v avtomobilu lahko shranjujejo podrobnosti o razdalji, ki jo je izmeril med avtomobili za njim in pred njim ter pogostosti vozil, ki jih je naletel na poti.
b. Podatki o vozniku - Izvesti je bilo mogoče več testov z različnimi starostnimi skupinami, podrobnosti o stopnji udobja, zmogljivosti in koliko krat pa je voznik potreboval za preglasitev samodejne vožnje, pa bodo stisnjeni v velike nabore vrstic in stolpcev za analizo.
c. Demografski podatki - Test bi lahko izvedli v Indiji in ZDA. A.I znotraj samodejne vožnje bi lahko analiziral ovire, ki jih ima med vožnjo v dveh različnih državah. Katera država je bolj primerna za samodejno vožnjo in katera okrožja ne?
d. Podatki o tržni učinkovitosti - Ko je izdelek predstavljen in je že na poti, bi lahko inženirji spremljali tudi njegov uspeh tako, da analizirajo podatke v živo s podajami, ki jih program avtomobila zagotavlja 24 × 7, in daje vpogled v to, ali uvedba samodejne vožnje pomaga pri ohranjanju je cesta varnejša?
Obstaja N število možnih podatkov, ki jih je mogoče izločiti iz proizvodnega inženiringa. Šele začenjamo raziskovati OEM iz avtomobilske industrije. Pomislite na možnosti velikih podatkov v različnih sektorjih, na primer na področju medicine, zdravstva, elektronike itd. Kdo ve?
ZANIMIVOST: Ali ste vedeli, da ga je Ford s sprejetjem Big Data in Analytics rešil pred smrtno izkušnjo v 2000-ih, ko je bila močna konkurenca evropskih in azijskih proizvajalcev avtomobilov!
3. Financiranje: Usposabljanje zaposlenih na platformah za velike podatke za finančno modeliranje
Morda smo pogosto slišali izraz, da je denar kri poslovanja. Za skrb za ta denar je odgovoren finančni oddelek. V poslovnem svetu so naloge finančnega oddelka običajno vključene v 'načrtovanje, organiziranje, revidiranje, računovodstvo in nadzor financ svojega podjetja, skupaj z izdelavo financ podjetja.
Kot rečeno, je finančni oddelek na splošno pogosto zamisel pri ravnanju z denarjem, njegova vloga pa se širi na različne dejavnosti, kot so ustvarjanje izkazov denarnega toka, modeliranje stroškov, realizacija nagrad in skladnost. Pred nekaj desetletji je bilo izvajanje vseh teh dejavnosti z omejenimi sistemi in platformami povsem izvedljivo, toda v času velikih podatkov izzivi, s katerimi se sooča vsak finančni oddelek, opravljajo redne finančne funkcije v spreminjajočem se scenariju in zbirajo vpoglede za prihodnost. Poglejmo na to iz globlje perspektive.
Ker se informacije širijo po različnih strežnikih, se organizacije pogosto srečujejo z izzivom konsolidacije teh podatkov in izvajanja dejanj v skladu s poslovnimi zahtevami. Pomembna funkcija znotraj je notranja revizija, ki vodi evidenco o upravljanju organizacije, obvladovanju tveganj in nadzoru upravljanja ter izvajanju proaktivnih revizij goljufij za ugotavljanje goljufij. Z naraščanjem analitike je treba vključiti tudi notranje revidiranje. To je sprožilo nove metode, kot je revizija analitičnih podatkov, ki pomagajo oceniti tveganje, ustvariti finančne modele in dati splošno sliko financ znotraj organizacije.
Modeliranje stroškov in realizacija cen
Modeliranje stroškov je pomemben sestavni del učinkovite rabe virov. Podjetja morajo opredeliti dejavnosti, ki povzročajo stroške, skupne neposredne materiale in delovno silo, potrebne za dokončanje nalog itd. Modeliranje stroškov podjetjem pomaga natančno opredeliti celotne proizvodne stroške izdelkov v vseh dejavnostih znotraj podjetja. V dobi velikih podatkov postaja pomembno spremljati vsako finančno dejavnost, ki se odvija na različnih oddelkih znotraj organizacije, ki te podatke združuje, da se ustvari idealen stroškovni model. Od nakupa do prodaje se vsi podatki shranijo v finančni zgodovini, temeljne osnove razvoja stroškovnega modela pa je pridobiti velike dele podatkov in ustvariti model, ki se lahko uporablja v prihodnosti.
Čeprav se lahko razpravlja o tem, da so prizadevanja za uresničitev cen bolj usmerjena v prodajo, da bi izboljšali donosnost, ima finančna služba večjo vlogo, ko gre za izkoriščanje cen. Če ga želite razstaviti na enostavnejše pogoje, razmislite o prodajalni, ki namerava ponuditi popuste za spodbujanje prodaje. Temeljni cilj je zmanjšati uhajanje cen in izboljšati žepne cene.
Do uhajanja cen pride, ko se cena izdelka zniža toliko manj (pri prodaji), da ogrozi donosnost, žepna cena pa je prodajna cena po popustu. Da bi dosegli donosno prizadevanje za uresničitev cen, prodajna skupina sodeluje s finančnim oddelkom, da bi razumela strukturo stroškov za posamezne izdelke in kje lahko dajo popuste. To pa od finančnega oddelka zahteva, da razvije okvir za modele uresničevanja cen za prihodnost in opredeli omejitve v okviru takšnih tržnih dejavnosti. Naloga vključuje obdelavo podatkov o nabavi, stroške skladišča, rok uporabnosti in nato oceno stroškov prodanega blaga (CGS).
F-12 in napovedna analiza
Ena pomembnih dejavnosti v finančnem oddelku je spremljanje finančnega zdravja organizacije. Tako kot zdravnik z različnimi meritvami, kot so hitrost pulza, telesna toplota ali dražljajna reakcija, presodi, ali je bolnik živ ali mrtev, na enak način finančni svet spremlja 12 meritev, da bi ugotovil, kam se podjetje denarno usmerja in kaj je še dlje . Od rasti realnih prihodkov, trajnostne rasti prihodkov, cenovne politike in cenovnega indeksa, nadzora operativnih odhodkov, primerjave EBITDA in denarnega toka, denarnega toka brez dolga, presežka denarja, donosnosti sredstev, obratnega kapitala, uporabe dolžniškega financiranja, neto trgovinskega cikla in stroškov kapitala tvorijo pomembne sestavine v računovodskem poročanju organizacije, tako da se lahko višje vodstvo odloči.
Razumevanje teh razmerij kot del izziva v svetu velikih podatkov zahteva obdelavo velikih kosov informacij, razpršenih po organizaciji, da jih naredimo v standardni obliki za analizo. Napovedovalna analitika pride v poštev, ko se ti podatki obdelujejo iz pretekle zgodovine, v primerjavi z enakimi elementi v sedanjosti, tako da se naredi natančne ocene za prihodnost. Najboljši del je napovedna analitična platforma, metode pa so zasnovane za obdelavo velikih podatkov in s tem poenostavitev naloge finančnega oddelka.
ZANIMIVOST: Ali ste vedeli, da je korporacija za čezmorsko bančništvo (OCBC) s sedežem v Singapurju lahko uporabila velike podatke za vpogled v stranke, kar je bilo neposredno odgovorno za 40-odstotno povečanje pridobivanja novih strank!
4. Človeški viri: nova opredelitev zmogljivosti zaposlenih v kadrih
Zamisli velikih podatkov v človeških virih lahko bralce pogosto pozove, naj zavrnejo kot skromnost, saj organizacija običajno nima veliko prednosti pri uvajanju tehnologije velikih podatkov v kadrovski službi, saj bi se raje osredotočila na trženje, poslovanje ali finance. Toda v resnici ima oddelek za človeške vire ključno vlogo pri zagotavljanju, da med drugimi dejavnostmi v organizacijo vstopi pravi talent.
Dodajanje več zob HR
Morda najbolj prezrt med vsemi oddelki, ko gre za izvajanje velikih podatkov, toda v današnjem hitro spreminjajočem se svetu način delovanja oddelka za kadre določa uspeh organizacije.
Po podatkih Forbesa ima povprečno veliko podjetje več kot 10 različnih kadrovskih aplikacij in njihov osnovni kadrovski sistem je star več kot 6 let. Ta trend poudarja dejstvo, da organizacija potrebuje ustrezne vire za združitev teh podatkov. Izobraževanje v velikih podatkih in analitiki prinaša veščine, kot so analiza podatkov, vizualizacija in reševanje problemov, vse od operativnega poročanja do strateške analitike.
Privzeto naj bi kadrovski oddelek opravljal osnovne kadrovske operacije, toda usposabljanje za Big Data ga dvigne na povsem novo raven. Ko kadrovski oddelek postane bolj analitičen z orodji, spremeni svoj pristop in se vključi v bolj strateško dejavnost. Ugotovljeno je kritično vprašanje, kot je, kako imeti več dejavnikov zadrževanja zaposlenih, ki vplivajo na kakovost prodaje kandidatnega cevovoda in ocenjevanje vrzeli v nadarjenosti, ter sprejeti strateške korake z analizo ustreznih podatkov.
kako uporabljati goto c ++
Premik se bo premaknil od preprostega števila zaposlenih k bolj napovedni analizi.
Oracle znotraj človeških virov
Bila je smešna zgodba, ki se je spomnim prijatelja, ki je delal kot kadrovnica. Preden je kandidata poslala vodji ustreznega oddelka, ki je rekel le čarobne besede: 'Ok, naj ga zaposlimo.'
Nekaj časa so se stvari odvijale dobro, saj je v podjetje vnesla dober talent. Sčasoma je postajala samozavestna v svojih sposobnostih zaposlovanja, tako da je spodbujala višje vodstvo, da je v svojo ekipo dodala več ljudi, izvajala kadrovske sisteme in vključevala več svetovalnih služb tretjih oseb. Težko je bilo, da je svojemu zgornjemu vodstvu s svojim zaupanjem dajala visoke obljube.
Zgodovina je pokazala, da je tisti, ki se pripravlja na prihodnji dogodek, uspešnejši od tistega, ki jaha na preteklosti. Bilo je čas, ko naj bi zaposlila veliko število strokovnjakov na področju, v katerem se je podjetje širilo. Prosta delovna mesta je začela zapolnjevati s kompromisom pri zaposlovanju kakovostnih strokovnjakov. Sprejela je bolj ciljno usmerjen pristop. Rezultat? Večina strokovnjakov, ki jih je najela, je iz različnih razlogov odlagala papirje in vodstvo jo je zasliševalo. Pogosto bi slišal njeno mumljanje:
»Lovim glavo 1000 Cvs, uvrstim v ožji izbor 100 Cvs, pokličem 50 kandidatov na razgovor, iz svojih psihometričnih ocen odfiltriram 10, med 10 vzamem 5, ki so vredni, pošljem 5 vodstvu, na 1 in nič da en fant odide po 2 mesecih. '
Nisem se smejal nad njeno bedo, razen da sem izrazil svoje sočutje, vendar me je spraševalo, ali lahko človeški viri bolje presojajo s svojimi izkušnjami ali je treba k temu postopku zaposlovanja pristopiti bolj na podlagi podatkov? No, sicer uporabljamo napovedno analizo, da bi ugotovili, katera ekipa bo zmagala na svetovnem prvenstvu, a zakaj ne bi uporabili enakih tehnik pri najemanju, še posebej, če imamo opravka s kompleksnimi elementi, kot so ljudje?
Zdaj delo najemanja ni nujno lahko delo, vključuje veliko procesov in pravila zaposlovanja se pogosto spreminjajo glede na panogo. HR je v vlogi, ki jo najema za pravila organizacije itd.
Če opazimo uspešne organizacije, ki uporabljajo napovedno analitiko in imajo nižjo stopnjo izčrpanosti, obstaja vzorec, da se najprej odločimo za želene značilnosti kandidata, ki zagotavljajo uspeh, ga združimo v 'idealen' profil in primerjamo z vsakim kandidatom, ki je najbližji nanje in jih nato vključi s prilagojenimi ocenami, ki ocenjujejo značilnosti teh kandidatov.
Treba je omeniti, da se je celotna industrija psihometričnega ocenjevanja z vodilnimi igralci, kot so Pearsons, Thomas Assessment & SHL, pojavila zaradi povpraševanja kadrovskih strokovnjakov po analizi profila kandidatov, ki potrebujejo popoln postopek zaposlovanja!
Če se vrnemo k napovedni analitiki, mora kadrovsko osebje kot del njene implementacije najprej opredeliti, kdo je 'uspešen kandidat' v skladu z organizacijo, nato pa mora opredeliti dejavnike, ki lahko spodbujajo učinkovitost zaposlovanja, ter razviti in opazovati kot zakaj nekateri najemniki delajo bolje kot drugi s hipotezo, če je to potrebno. Na podlagi tega jo lahko primerja s podatki o uspešnih zaposlenih, ki so dolgo ostali v organizaciji, in tretjič s statističnimi tehnikami meri, zakaj nekateri ljudje ostanejo dlje.
Pristop je dober za začetek, vendar izvajanje napovedne analitike znotraj kadrovske službe vključuje veliko tehnik, ki jih kadrovik lahko razišče. Najboljši del tega postopka je zmanjšanje stroškov zamenjave zaposlenega z novim in morda pridobitev večje donosnosti naložbe kot starega.
Na koncu kombinacija intuicije, izkušenj in zanesljivega podatkovnega pristopa pogosto izboljša ne le presojo človekovega človeka, temveč tudi našo.
ZANIMIVOST: Ali ste vedeli, da je ameriški velikan Xerox z uporabo analitike za potencialne kandidate zmanjšal promet s klicnim centrom za 20% z ugotovitvijo, da bodo ustvarjalni ljudje šest mesecev, potrebni za povrnitev stroškov usposabljanja v višini 6000 USD, bolj kot radovedni ljudje?
5. Oskrbovalna veriga in logistika: Usposabljanje dobaviteljev z velikimi podatkovnimi platformami
Dobavna veriga in logistika v bistvu tvorijo pomembno komponento v organizacijskih strategijah in ciljih. Cilj dobavne verige in logistike je prihranek stroškov in izboljšanje zmogljivosti, hitrosti in okretnosti. Kar zadeva logistiko, zajemajo in sledijo različnim oblikam podatkov, da bistveno izboljšajo operativno učinkovitost, izboljšajo izkušnjo strank in nove poslovne modele. Ti dejavniki lahko organizacijam pogosto pomagajo pri prihranku virov, oblikovanju boljše blagovne znamke in oblikovanju sistematičnega procesa za dobavno verigo in logistiko.
Sledenje velikim podatkom po vsem svetu
Vzemimo primer velikana e-trgovine, ki uporablja velike podatke za dostavo svojim strankam. Izdelek se odpošlje z lokacije na naslov kupca. Naprave v transportnem vozilu, kot so GPS sledilnik, mikrofon, senzor, imajo strukturirane in nestrukturirane podatke, ki se pošiljajo nazaj v center za spremljanje v realnem času. Poleg tega pomaga tudi pri analizi učinkovitosti časa dostave, najkrajše poti in virov, uporabljenih za izvedbo ene operacije dostave na seznamu milijonov takšnih transakcij. Ta rudnik podatkov o zlatih na različnih trgih združijo organizacije in nato analizirajo za nadaljnje izboljšanje procesa ali za celotno raven novih inovacij!
ZANIMIVOST : Ali ste vedeli, da so mu veliki podatki v obliki sledenja strankam strank Amazon pomagali, da je svoje izdelke postavil v najbližje skladišče, da bi izboljšal hitrost in učinkovitost dostave?
6. Operacije, podpora in storitve za stranke: Izobraževanje zaposlenih o velikih podatkih ob vsaki interakciji s stranko
Uspeh katerega koli izdelka ali storitve temelji na poprodajni podpori, ki jo kupec prejme, in pogosto prodajalec priseže, da bo ves čas zraven. To izhaja iz dejstva, da ko kupec vzame izdelek ali storitev, naredi 'preskok' v upanju, da ga prodajalec v življenjski dobi izdelka / storitve ne pusti na cedilu. Uspeh s te perspektive je ključnega pomena za organizacijski uspeh.
Oglejmo si podporo na natančni ravni. Pred kratkim sem imel priložnost gledati 'Interstellar' Christopherja Nolana, ki je raziskoval vesoljska potovanja do konca vesolja. To me je spodbudilo k razmišljanju o prihodnjih letalskih družbah, ki bodo ponujale letalske storitve skozi luknje od črvov, oddaljene milijone svetlobnih let! Kakšni bi bili potem izzivi? Kakšne velike podatke bomo ustvarili na tem skoraj nikoli končanem potovanju? Kako bo ekipa na krovu zagotovila, da bo potnik ves čas užival v vožnji? Za začetek se mora ponudnik storitev osredotočiti na primarne cilje, kot so zagotavljanje zračne varnosti, sledenje poti leta, izpolnjevanje zahtev kupcev itd.
Veliki podatki na poti 24 × 7
Zamisel o medzvezdnih potovanjih bi lahko bila naslednjih 100 let oddaljene sanje (če smo optimistični!), Vendar nam ne preprečuje, da bi si ogledali podatke, ki jih ustvarja podobna služba, ki trenutno deluje, kar bo osvetlilo, kako stranke storitve in podpora se izvajajo po scenariju „po prodaji“ in kako lahko organizacije v realnem času izboljšajo svoja prizadevanja.
Za začetek je Southwest Airlines ena najslavnejših letalskih družb, ki je izkoristila Big data, da bi izboljšala svojo uporabniško izkušnjo. V prizadevanjih za izboljšanje zračne varnosti je Southwest Airlines z NASA sodeloval pri eksperimentu z velikimi podatki za izboljšanje splošne letalske izkušnje. To vključuje pošiljanje satelitov NASA z informacijami o poti leta, poročili pilotov in drugimi informacijami o zračnem prometu. Na vrhuncu takšne inovativne tehnike je osnovni koncept velikih podatkov, imenovan „rudarjenje besedilnih podatkov“, ki pretvori nestrukturirane besedilne informacije v smiselno besedilo za vpogled. Torej ste mislili, da se rudarjenje besedil tam konča?
kako uporabiti trim metodo v javi -
Seveda ne, tudi preprost koncept v velikih podatkih, kot je rudarjenje besedilnih podatkov, presega to. Vsi vemo, da so povratne informacije strank pomemben sestavni del razumevanja, kje se organizacija zmoti na vsaki točki interakcije s stranko. Podatkovno rudarjenje besedil pomaga tudi strankam, tako da analizira neodprte odgovore na ankete. Namesto da bi kupce omejili na običajne možnosti, kot so možnost A, možnost B, možnost C, odprta vprašanja ponujajo več vpogledov, vendar je njihovo razvrščanje in beleženje odgovorov morda ključno vprašanje. Tu pride do izraza podatkovno besedilo, kjer združi določen nabor besed in jih združi za vpogled!
Če pogledamo dlje od tega, moramo vsi priznati, da nobena organizacija ni popolna in da ima vsaka od njih majhen nabor strank, ki morda niso zadovoljni s storitvijo. Rezultat? Zbirka podatkov je preplavljena z e-pošto, sporočili, tvitom strank, ki registrirajo pritožbe, ali nasveti za področja izboljšanja. Pridobivanje besedilnih podatkov gre korak naprej od običajnih poštnih filtrov in lahko razvrsti pošto po prioriteti in jo preusmeri v zadevni oddelek.
ZANIMIVOST : Ali ste vedeli, da je Southwest Airlines v okviru svojih prizadevanj za izboljšanje storitev za stranke uvedel analizo podatkov s funkcijo, imenovano 'analiza govora', ki beleži interakcijo med stranko in osebjem za vpoglede!
7. Trženje: izobraževanje zaposlenih o sistematičnem trženjskem pristopu z velikimi podatki
Trženje kot dejavnost je danes vseeno številke. Z naraščanjem digitalnega trženja lahko zdaj natančno izmerimo odziv oglasov, razmerje med prikazi in kliki, prikaze, donosnost naložbe itd. Za netržne strokovnjake so takšne meritve morda grške, za tiste, ki tržijo, pa so ti podatki zlati rudnik. Nato skupaj z meritvami nastanejo veliki deli podatkov na vseh točkah interakcije s strankami, družabnih medijev in prodaje. Strokovnjak za trženje mora slediti takim podatkom in jih uporabljati za učinkovitejše potiskanje svojih izdelkov. Trening v velikih podatkih ima tukaj bistveno vlogo, saj platforme, kot je Hadoop & R, pomagajo temu.
Drugič, strokovnjaki s področja trženja se pogosto prepustijo retrospekciji svoje blagovne znamke. Vprašanja, kot so:
Kako je moja blagovna znamka boljša od drugih?
Kaj ponujajo druge blagovne znamke?
Katere lastnosti ima moj konkurent na istem izdelku?
Študija gre veliko globlje od tega. Količina ustvarjenih podatkov je ogromna in zapletena, od analize konkurenčnega izdelka na podlagi 4P-jev (izdelek, cena, kraj, pozicioniranje) do razumevanja vsebine izdelka, ki je predstavljen na konkurenčni spletni strani. Kot smo že povedali, lahko izkoriščanje besedilnega rudarjenja pomaga tržniku pri analizi konkurenta s preprostim iskanjem po spletnem mestu konkurenta. Ta preprosta funkcija na področju velikih podatkov lahko daje konsolidirano predstavo o tem, kaj počne konkurent in katere izdelke ima na trgu, s čimer daje tržniku, ki je sprejel velike podatke, prednost!
Oboroževanje kreativca
Na primer, strateg družbenih omrežij želi vedeti o zaznavanju blagovne znamke svoje organizacije na platformah socialnih medijev, nato pa bo verjetno vključitev analize razpoloženja v R & Hadoop pomagala doseči ta cilj. Na enak način uporaba orodij za velike podatke pomaga trženju pri različnih dejavnostih, kot so oblikovanje cen, pozicioniranje izdelkov itd.
Drug primer bi lahko bil vodja trženja v prodajalni, ki želi povečati prodajo. Vsi bi poznali primer Walmarta, ki je lahko pivo in mleko postavil ob bok v prehodu na podlagi pretekle zgodovine nakupov strank, tako da je v določenem časovnem obdobju pridobil velike dele podatkov o milijonih kupcev!
ZANIMIVOST: Ali ste vedeli, da je General Motors z letnim tržnim proračunom v višini 2 milijard USD letno uporabil Big Data Analytics za ustvarjanje podrobnih profilov strank in združevanje analitike prostorskih podatkov s podrobnimi demografskimi podatki / podatki o strankah za bolj prilagojeno trženje!
Zakaj se podjetja preusmerjajo na platforme Big Data
Običajno imajo organizacije, ki uporabljajo stare stare sisteme, podatke razpršene po številnih sistemih. Zaradi širjenja podatkov na različnih lokacijah se hitrost obdelave zmanjšuje skupaj z natančnostjo analiziranja podatkov. To zahteva konsolidacijo podatkov znotraj podatkovnega vozlišča podjetja, kar ustvarja hitrejši dostop do podatkov, kar ima za posledico globlje analitiko. Eden od pomembnih ciljev oddelka za IT v kateri koli organizaciji je na zahtevo hitro zagotoviti natančne podatke za vse oddelke v organizaciji.
Pri zbiranju podatkov je pomembno, da nestrukturirane, strukturirane in polstrukturirane vire podatkov združimo na eno platformo za poglobljeno analizo in v bistvu pomoč pri poslovnem odločanju. Ta funkcija Hadoopa pripelje več ljudi k mizi znotraj organizacije, saj obstajajo zaposleni, ki pri vsakodnevnih operacijah sodelujejo s podatki na različnih stičnih točkah. Tradicionalni ETL in paketni procesi lahko trajajo dolgo, medtem ko ga Hadoop s svojo veliko količinsko serijsko obdelavo pospeši do 10-krat.
Pomen Hadoopa ne pomeni nujno, da mora biti vsak zaposleni v organizaciji usposobljen za platformo Big Data, kar v večini primerov morda ni izvedljivo. Vendar bi bila strateška prednost, če bi tehnični direktor identificiral in usposobil tiste strokovnjake, ki so v stalni interakciji s podatki.
Po zajetju shranjevanja, obdelave in pridobivanja podatkov prek priljubljene platforme Hadoop je še en pomemben pojav, ki je del naravnega napredka, analitika Big Data. Poenostavljeno je, da organizacije potrebujejo več pogledov različnih strokovnjakov znotraj organizacije.
Številko '6' si lahko ogledate kot številko '9' z druge strani tabele. Z drugimi besedami, sklep pri opazovanju podatkov se razlikuje od posameznika do posameznika.
Organizacije to vedo in se pogosto ukvarjajo z usposabljanjem zaposlenih na podobni platformi, tako da ljudje iz različnih oddelkov, ki jih povezuje ista dejavnost, razpravljajo, sodelujejo in delijo vpoglede za dobro odločanje. Verjamem, da bi bilo varno, če bi usposabljanje za velike podatke opredelili kot priložnost, da bi bil vsak zaposleni na isti strani in popeljal organizacije na naslednjo stopnjo!
Imate vprašanje za nas? Omenite jih v oddelku za komentarje in javili se vam bomo.
Sorodne objave: