Nesenās ziņas par Apvienotajiem Arābu Emirātiem, padarot militāro dienestu par obligātu visiem emirātu vīriešiem vecumā no 18 līdz 30 gadiem, ir pamudinājuši mani domāt, kāpēc valstis neatkarīgi no viņu ekonomiskā stāvokļa nodrošina pilsoņu gatavību aizstāvēt valsti.
Varētu apgalvot, ka ierobežots pilsoņu skaits valstī bieži liek valdībai padarīt militāro dienestu obligātu. Bet kā ar Ķīnu? Tā ir vislielākā valsts pēc iedzīvotāju skaita, taču tā arī nodrošina, ka pilsoņiem, kuri turpina izglītību, būtu obligāts militārais laiks. Īsāk sakot, valstis būtībā gatavojas sevi aizstāvēt konfliktu gadījumā, un visiem tam jābūt gataviem. Vai tas būtu elektriķis, uzņēmēji, galdnieks, viņi visi apvienojas kopīga mērķa sasniegšanai.
Lai cik dīvaini tas neizklausītos, var novest pie drausmīgas paralēles starp šādām valstīm un mūsdienu organizācijām, kuras vēlas saglabāt konkurētspēju. Pašreizējie draudi vai drīzāk izaicinājums lielo datu veidā ir pamudinājis lielas un mazas organizācijas apvienot savu darbaspēku dažādos departamentos, lai kopīgi tos novērstu. Lai turpinātu šo jautājumu, parasti valstīm, kuras izpilda obligāto militāro dienestu, vienmēr ir atbilstības kritēriji, tāpat organizācijām ir loģiski apmācīt lielo datu apmācību tikai tiem darbiniekiem, kuriem ir kāda veida mijiedarbība ar lieliem datu gabaliem un kuriem ir nodarbiniet Hadoopu katrā saskares punktā.
Tieši tāpat kā armijas ģenerālis sadarbībā ar valdību izlemj par ieroču un apmācības veidu, kas jāpiešķir tā citādi iesācējiem, par kuriem kļuvis jauns darbinieks, tāpat sagaidāms, ka KTO būs pie IT infrastruktūras un mantojuma stūres. sistēmas, kas veicina jaunu tehnoloģiju jauninājumus, lai ļautu saviem darbiniekiem darboties labāk. Ar kopīgu mērķi cīnīties pret lielajiem datiem mēģināsim detalizēti saprast, kur tiek izmantoti lielie dati un kāpēc ir svarīgi apmācīt tajā savus biedrus.
1. Informācijas tehnoloģija: produktivitātes uzlabošana, izmantojot lielo datu apmācību
Varbūt lielo datu ieviešanas priekšgalā IT komanda ir pārmaiņu virzības epicentrs. IT apmācības lēmumu pieņēmējam, kurš vēlas darbiniekiem nodrošināt lielu datu apmācību, jāsāk ar IT nodaļu. Kāpēc? Jo, kad runa ir par iesaistīšanos tehnoloģijās katrā darbības posmā, tuvākie ir pagrabā esošie geeki (populārs slengs IT jomā). Tātad, cik tas ir aktuāls?
kas ir metodes pārslodze un metodes ignorēšana
Apskatīsim populārās vietnes CIO iesniegto ziņojumu, kurā teikts:
“Saskaņā ar neseno CompTIA aptauju, kurā piedalījās 500 ASV biznesa un IT vadītāji, 50 procenti uzņēmumu, kas apsteidz datu sviras līkni, un 71 procents uzņēmumu, kas vidēji vai atpaliek no sviras izmantošanas datiem, uzskata, ka viņu darbinieki ir mēreni vai datu pārvaldības un analīzes prasmju trūkums ”
Ņemot vērā faktu, ka datu pārvaldība un glabāšana ir daļa no IT pamatfunkcijas, ir nepieciešama paralēla pieeja lielo datu platformu ieviešanai un IT prasmju nostiprināšanai lielo datu jomā. Atbalstot šo faktu, ir McKinsey ziņojums, kurā teikts, ka līdz 2018. gadam trūks vairāk nekā 140 000–190 0000 profesionāļu ar dziļu tehnisko un analītisko kompetenci! Tā kā arvien vairāk tehnisko speciālistu prasa apmācību par lieliem datiem, organizācijas vēlas vairāk apmācīt tehniskos profesionāļus ātrai IA, un pie tās stūres ir platformas speciālisti, IT nodaļā strādājošie administratori un inženieri.
Precējies par IT galveno funkciju trīsvienību ar lielajiem datiem
Termins Trīsvienība man bieži atgādina divus reliģiskus jēdzienus: viens ir radītāja, saglabātāja un iznīcinātāja hindu mitoloģija, bet otrs ir tēva, dēla un svētā spoka kristīgais jēdziens. Abi tiecas pēc cilvēces uzlabošanās. Tādā pašā veidā šīs trīs IT komandas funkcijas tiecas uzlabot visu organizāciju ar departamentiem ar dažādām vajadzībām attiecībā uz informācijas tehnoloģijām. Papildus drošības un atbalsta funkcijām IT nodaļa var saistīties ar šīm funkcijām, kad runa ir par lielo datu ieviešanu.
Plānošana - IT komandas plānošanas darbība ir vērsta uz to, lai nodrošinātu organizācijas IT stratēģijas atbilstību biznesa mērķiem. Tas ietver darbu pie programmatūras pielāgošanas, jaunu platformu ieviešanu, kas atbilst dažādu biznesa departamentu vajadzībām. Citiem vārdiem sakot, jebkura jauna ieviešana vienmēr sāksies no IT.
Tīkls - tas ietver tādu tīklu izstrādi, kas atvieglo visu veidu saziņu starp balss, datu, video un interneta trafiku, un datu reģistrēšanai ir dažādi kontrolpunkti, neatkarīgi no tā, vai tā ir mijiedarbība ar klientiem, noskaņojuma analīze un trafika atjaunināšana, tie visi apkopo datus reāllaikā! IT nodaļa bieži nodrošina vienmērīgu tīklu integrāciju, lai strādātu kopā ar lielo datu apstrādes mērķi.
Dati - vienkāršāk sakot, IT komanda ievieš rīkus datu vākšanai, glabāšanai, pārvaldīšanai, drošībai un izplatīšanai darbiniekiem dažādu stratēģisku lēmumu pieņemšanai organizācijā. Visu veidu dati, piemēram, pārdošanas ieraksti, finanšu dokumenti, informācija par krājumiem, tiek glabāti vienā datu centrā. Tas rada IT komandas atbildību par tādu lielu datu platformu ieviešanu, kas izraudzītajiem lietotājiem ļauj uzglabāt un izgūt informāciju jebkurā datu atrašanās vietā.
Jebkurā IT komandā ir nepieciešams daudzpusīgs dalībnieku sastāvs ar dažādiem uzdevumiem lielo datu ieviešanai. Vispirms ir nepieciešams speciālists, kurš nodrošina vienmērīgu pāreju no tradicionālajām sistēmām uz lielo datu platformām. Lai to panāktu, tehnikam ir jākoncentrējas uz platformas uzturēšanu visā dzīves ciklā visos departamentos. Tad rodas vajadzība pēc dalībnieka, kuram pastāvīgi jāuzrauga, vai katra tehnoloģiskā ieviešana ir saskaņota ar organizācijas mērķi.
2.Produktu izstrāde: jauninājumu pārdomāšana visos pētniecības un attīstības posmos
Varbūt viens no vissvarīgākajiem departamentiem, kad runa ir par organizācijas pārņemšanu nākamajā inovāciju līmenī! Viena no lielo datu lielākajām priekšrocībām ir datu integrēšana dažādos saskares punktos produktu izstrādē, sākot no produkta dizaina, izgatavošanas, kvalitātes, garantijas, diagnostikas, transportlīdzekļu un programmatūras lietojumprogrammām. No šiem skārienpunktiem iegūtie dati nosaka produkta veidu un veiksmi. Tas galvenokārt noved pie produktu izstrādātāju, pētniecības un attīstības profesionāļu un dizaineru pieejas, kas balstīta uz datiem un datu analīzi.
Lielo datu inženierija realitātē
Kas attiecas uz produktu izstrādi, viens populārs piemērs būtu mazāk automašīnas, kuras Audi izstrādā un plāno laist klajā līdz 2016. gadam. Jā, ir produktu izstrādes komanda, kurai ir milzīgs uzdevums pārliecināties, ka izpilddirektora redzējums par inovācijām ir izpildīts. . Bet pa ceļam ir dažādas problēmas un jautājumi no izstrādes līdz testēšanai, uz kuriem var atbildēt tikai lielie dati. Ļaujiet mums redzēt, kāpēc.
Apsveriet testa brauciena uzraudzību no punkta A līdz punktam B. Šeit ir datu veidi, kurus var ģenerēt:
a. Sensoru dati - automašīnas sensori varēja saglabāt informāciju par attālumu, ko tas bija mērījis starp automašīnām aiz tā un priekšā, kā arī braucamo sastapto transportlīdzekļu biežumu.
b. Dati par vadītāju - varētu veikt vairākus testus ar dažādām vecuma grupām, un informācija par komforta līmeni, veiktspēju un to, cik reižu vadītājam bija nepieciešams ignorēt automātisko braukšanu, tiks saspiesta lielos rindu un kolonnu komplektos analīzei.
c. Demogrāfiskie dati - testu var veikt Indijā un ASV. Automātiskās braukšanas A.I varētu analizēt šķēršļus, ar kuriem tā sastopas, braucot divās dažādās valstīs. Kura valsts ir dzīvotspējīgāka automātiskai braukšanai un kura ne?
d. Tirgus veiktspējas dati - pēc produkta laišanas tirgū un tā nonākšanas ceļā inženieri varētu arī uzraudzīt tā panākumus, analizējot reālus datus ar plūsmām, kuras automašīnas programma nodrošina 24 × 7, sniedzot ieskatu, ja automātiskās braukšanas ieviešana palīdz saglabāt ceļš ir drošāks?
Ir N skaits iespējamo datu, kurus var izjaukt, izstrādājot produktus. Mēs tikai sākam izpētīt autorūpniecības ražotājus. Padomājiet par lielo datu iespējām dažādās nozarēs, piemēram, medicīnā, veselības aprūpē, elektronikā un tā tālāk. Kas zina?
FUN FAKTS: Vai zinājāt, ka Ford, ieviešot Big Data un Analytics, saglabāja to no gandrīz nāves pieredzes 2000. gados, kad konkurence bija spēcīga no Eiropas un Āzijas autoražotājiem!
3. Finanses: darbinieku apmācība lielo datu platformās, lai rīkotos ar finanšu modelēšanu
Mēs, iespējams, bieži dzirdējām terminu, ka nauda ir biznesa asinis. Rūpes par šo naudu ir finanšu departamenta atbildība. Biznesa pasaule nosaka, ka finanšu nodaļas funkcijas parasti ir iesaistītas uzņēmuma plānošanā, organizēšanā, revīzijā, grāmatvedībā un kontrolē, kā arī uzņēmuma finanšu ražošanā.
Ņemot vērā, ka finanšu nodaļa kopumā ir ideja, kā rīkoties ar naudu, un loma tiek paplašināta līdz dažādām darbībām, piemēram, naudas plūsmas pārskatu ģenerēšanai, izmaksu modelēšanai, balvu realizēšanai un atbilstībai, lai nosauktu tikai dažus. Pirms dažām desmitgadēm visu šo darbību veikšana ar ierobežotām sistēmām un platformām bija diezgan iespējama, taču lielo datu laikmetā abi izaicinājumi, ar kuriem saskaras katrs finanšu departaments, mainīgo scenāriju laikā veic regulāras finanšu funkcijas un apkopo ieskatu nākotnē. Apskatīsim to no dziļākas perspektīvas.
Ar informāciju, kas izplatīta dažādos serveros, organizācijas bieži sastopas ar šo datu konsolidācijas problēmu un veic darbības atbilstoši biznesa prasībām. Svarīga funkcija iekšējā auditā ir cilne par organizācijas pārvaldību, risku pārvaldību un vadības kontroli un proaktīvu krāpšanas revīziju veikšanu, lai identificētu krāpnieciskas darbības. Pieaugot analītikai, ir jāintegrē arī iekšējais audits. Tas ir radījis jaunas metodes, piemēram, revīzijas datu analīzi, kas palīdz novērtēt risku, izveidot finanšu modeļus un sniegt vispārēju priekšstatu par finansēm organizācijā.
Izmaksu modelēšana un cenu realizācija
Izmaksu modelēšana ir svarīga sastāvdaļa efektīvai resursu izmantošanai. Uzņēmumiem jāidentificē darbības, kas veicina izmaksas, kopējie tiešie materiāli un darbaspēks, kas vajadzīgs uzdevumu izpildei, un tā tālāk. Izmaksu modelēšana palīdz uzņēmumiem precīzi noteikt produktu ražošanas kopējās izmaksas visās uzņēmuma darbības jomās. Lielo datu laikmetā kļūst svarīgi sekot līdzi katrai finanšu aktivitātei, kas notiek dažādās organizācijas nodaļās, kas apkopo šo informāciju, lai izveidotu ideālu izmaksu modeli. Sākot ar pirkšanu un pārdošanu, visi dati tiek saglabāti finanšu vēsturē, un izmaksu modeļa izstrādes pamatelementi ir iegūt lielus datu gabalus un izveidot modeli, kuru var izmantot nākotnē.
Lai gan var debatēt, ka cenu realizācijas centieni ir vairāk vērsti uz pārdošanu, lai uzlabotu rentabilitāti, finanšu departamentam ir lielāka loma, kad gūt labumu no cenu realizācijas. Lai to sadalītu pēc vienkāršākiem noteikumiem, apsveriet mazumtirdzniecības vietu, kas plāno sniegt atlaides, lai veicinātu pārdošanu. Galvenais mērķis ir samazināt cenu noplūdi un uzlabot kabatas cenu.
Cenu noplūde rodas, ja produkta cena tiek diskontēta tik maz (cenšoties veikt pārdošanu), ka tā kompromitē rentabilitāti, un kabatas cena ir pārdošanas cena pēc atlaidēm. Lai veiktu rentablus cenu realizācijas centienus, pārdošanas komanda sadarbojas ar finanšu departamentu, lai izprastu katra atsevišķa produkta izmaksu struktūru un vietas, kur var piešķirt atlaides. Tas savukārt prasa finanšu departamentam izstrādāt sistēmu cenu realizācijas modeļu nākotnei un noteikt ierobežojumus šādām mārketinga darbībām. Uzdevums ietver datu apstrādi no iepirkumiem, noliktavas izmaksām, glabāšanas laiku un pēc tam aplēsto pārdoto preču izmaksas (CGS).
F-12 un paredzamā analīze
Viena no svarīgākajām aktivitātēm finanšu departamentā ir organizācijas finanšu stāvokļa uzraudzība. Tāpat kā ārsts izmanto dažādas metrikas, piemēram, pulsa ātrumu, ķermeņa siltumu vai stimulu reakciju, lai spriestu, vai pacients ir dzīvs vai miris, tāpat finanšu pasaule uzrauga 12 rādītājus, lai zinātu, kur uzņēmums monetāri virzās un kas atrodas tālāk . Sākot ar reālo ieņēmumu pieaugumu, ilgtspējīgu ieņēmumu pieaugumu, cenu politiku un cenu indeksu, darbības izdevumu kontroli, EBITDA salīdzināšanu ar naudas plūsmu, bez parādsaistību naudas plūsmu, skaidras naudas pārsniegumu, aktīvu atdevi, apgrozāmo kapitālu, parādu finansēšanas izmantošanu, neto tirdzniecības ciklu un izmaksām kapitāla daļa veido svarīgas organizācijas finanšu pārskatu sastāvdaļas, lai augstākā vadība varētu pieņemt pamatotu lēmumu.
Kā daļu no izaicinājuma lielo datu pasaulē, lai izprastu šos rādītājus, ir jāapstrādā lieli informācijas fragmenti, kas izplatīti visā organizācijā, lai to padarītu standarta formātā analīzei. Prognozējošā analīze tiek izmantota, kad šie dati tiek apstrādāti no iepriekšējās vēstures, salīdzinot ar tiem pašiem tagadnes elementiem, lai nākotnē tiktu veikti precīzi aprēķini. Labākā daļa ir prognozējošā analīzes platforma, un metodes ir izstrādātas lielu datu apstrādei, tādējādi vienkāršojot finanšu departamenta uzdevumu.
FUN FAKTS: Vai zinājāt, ka Oversea-Banking Corporation (OCBC), kas atrodas Singapūrā, varēja izmantot lielus datus klientu ieskatiem, kas bija tieši atbildīgs par 40% pieaugumu jaunu klientu iegūšanā!
4. Cilvēkresursi: Pārstrādāt personāla darbinieku iespējas
Iedomājoties lielos datus par cilvēkresursiem, lasītājus bieži var pamudināt atlaist kā humbug, jo organizācija lielo datu tehnoloģijas ieviešanā personāla departamentā parasti nenosaka daudz prioritātes, jo tā drīzāk koncentrētos uz mārketingu, darbību vai finansēm. Bet patiesībā Cilvēkresursu nodaļai ir izšķiroša loma, lai pārliecinātos, ka organizācijā starp citām darbībām iekļūst pareizais talants.
Pievienojot vairāk zobu HR
Varbūt visvairāk tiek ignorēts starp visiem departamentiem, kad runa ir par lielo datu ieviešanu, taču mūsdienu strauji mainīgajā pasaulē personāla nodaļas darbības veids nosaka organizācijas panākumus.
Pēc Forbes datiem, vidēji lielam uzņēmumam ir vairāk nekā 10 dažādas personāla lietojumprogrammas, un to galvenā HR sistēma ir vecāka par 6 gadiem. Šī tendence uzsver faktu, ka organizācijai nepieciešami pareizi resursi, lai apkopotu šos datus. Apmācība lielo datu un analītikas jomā sniedz tādas iemaņas kā datu analīze, vizualizācija un problēmu risināšana, sākot no operatīvās atskaites līdz stratēģiskai analīzei.
Paredzams, ka personāla departaments pēc noklusējuma nodrošinās personāla pamatdarbības, taču Big Data apmācība to pārvērš pilnīgi jaunā līmenī. Kad personāla nodaļa kļūst analītiskāka ar rīkiem, tā maina viņu pieeju, lai iesaistītos stratēģiskākā darbībā. Tiek identificēts kritisks jautājums, piemēram, kā panākt vairāk darbinieku noturēšanas faktoru, kas ietekmē kandidāta cauruļvada pārdošanas kvalitāti un talantu trūkumu novērtēšanu, un tiek veikti stratēģiski pasākumi, izmantojot tā analizējot attiecīgos datus.
Pāreja no vienkāršas darbinieku skaita uz vairāk prognozējošu analīzi.
Oracle cilvēkresursu ietvaros
Bija smieklīgs stāsts, kuru es atceros par draugu, kurš strādāja par HR. Pirms kandidāta nosūtīšanas pie attiecīgā departamenta vadītāja, kurš teica tikai burvju vārdus: 'Labi, ļauj viņu nolīgt.'
Kādu laiku viss notika labi, jo viņa uzņēmumā ieviesa labus talantus. Laika gaitā viņa kļuva pārliecināta par savām darbā pieņemšanas prasmēm, līdz augstākajai vadībai bija jāpiedalās, lai pievienotu vairāk cilvēku savai komandai, ieviešot personāla vadības sistēmas un iekļaujot vairāk trešo personu konsultāciju. Viltīgā daļa bija tā, ka viņa ar savu pārliecību deva augstus solījumus augstākajai vadībai.
Vēsture rāda, ka tas, kurš gatavojas nākamajam notikumam, ir veiksmīgāks nekā tas, kurš brauc uz pagātnes slavu. Bija laiks, kad viņai bija jāpieņem liels skaits profesionāļu domēnā, kurā uzņēmums paplašinājās. Viņa sāka aizpildīt vakances ar kompromisu par kvalitatīvu profesionāļu pieņemšanu darbā. Viņa pieņēma mērķtiecīgāku pieeju. Rezultāts? Lielākā daļa viņas nolīgto profesionāļu uzrakstīja dokumentus, norādot dažādus iemeslus, un vadība viņu nopratināja. Bieži es dzirdēju viņas muldēšanu:
“Es nomedu 1000 Cv, izvēlos 100 Cv, izsaucu 50 kandidātus uz interviju, filtrēju 10 no saviem psihometriskajiem novērtējumiem, starp 10, es paņemu 5, kas ir tā vērti, nosūtu 5 vadībai, viņi nulle uz 1 un ka viens puisis aiziet pēc 2 mēnešiem. ”
Es pat noķēru viņas ciešanas, neskaitot simpātijas, bet tas man lika aizdomāties, vai cilvēkresursi var labāk spriest par savu pieredzi, vai arī šim visam darbā pieņemšanas procesam ir nepieciešama vairāk balstīta pieeja? Mēs izmantojam prognozējošu analīzi, lai atrastu, kura komanda uzvarēs pasaules kausā, bet kāpēc neizmantot tās pašas metodes darbā pieņemšanas procesā, it īpaši, ja mums ir darīšana ar tādiem sarežģītiem elementiem kā cilvēki?
Tagad darbā pieņemšana nav obligāti viegls darbs, tas ietver daudz procesu, un pieņemšanas noteikumi bieži mainās atkarībā no nozares, kurā HR ir viņas darbā pieņemtā loma organizācijas noteikumiem utt.
Ja novēro veiksmīgas organizācijas, kuras izmanto prognozējošu analīzi un kurām ir mazāks nodiluma līmenis, vispirms ir jāizlemj par vēlamajām kandidāta īpašībām, kas nodrošina panākumus, apvienojot tos “ideālā” profilā un salīdzinot ar katru kandidātu, kurš ir vistuvāk un pēc tam iesaistot viņus ar pielāgotiem novērtējumiem, kas novērtē šo kandidātu īpašības.
kā kļūt par mākslīgā intelekta inženieri
Jāatzīmē, ka visa psihometriskā novērtēšanas nozare ar vadošajiem spēlētājiem, piemēram, Pearsons, Thomas Assessment & SHL, radās, pateicoties personāla speciālistu pieprasījumam analizēt kandidātu profilu viņu vajadzībā pilnveidot darbā pieņemšanas procesu!
Atgriežoties pie prognozējošās analīzes, tās īstenošanas laikā personāla personālam vispirms jānosaka, kurš ir “veiksmīgs kandidāts” atbilstoši organizācijai, pēc tam viņam / viņai jānosaka faktori, kas var veicināt pieņemšanas darbā efektivitāti, kā arī jāattīsta un jāievēro kā kāpēc daži algotie strādā labāk nekā citi, ja nepieciešams, izvirzot hipotēzi. Pamatojoties uz to, viņš / viņa var salīdzināt tos ar veiksmīgu darbinieku datiem, kuri ilgu laiku uzturējušies organizācijā, un, treškārt, izmantot statistikas paņēmienus, lai noteiktu, kāpēc daži cilvēki paliek ilgāk.
Šī pieeja ir laba sākumam, taču prognozējošās analīzes ieviešana HR ietvaros ietver daudzas metodes, kuras HR var brīvi izpētīt. Labākā šī procesa sastāvdaļa ir izmaksu samazināšana, aizstājot darbinieku ar jaunu un, iespējams, iegūstot lielāku IA nekā vecais.
Dienas beigās intuīcijas, pieredzes un drošas uz datiem balstītas pieejas apvienojums bieži vien uzlabo ne tikai AP, bet arī mūsu vērtējumu.
FUN FAKTS: Vai zinājāt, ka amerikāņu gigants Xerox samazināja zvanu centra apgrozījumu par 20%, potenciālajiem kandidātiem piemērojot analīzi, secinot, ka radoši cilvēki, visticamāk, paliks uzņēmumā 6 mēnešus, kas nepieciešami, lai atgūtu apmācības izmaksas 6000 ASV dolāru apmērā, nevis zinātkārus. cilvēki?
5. Piegādes ķēde un loģistika: apmācību piegādes komanda ar lielu datu platformām
Piegādes ķēde un loģistika būtībā veido svarīgu sastāvdaļu organizācijas stratēģijās un mērķos. Piegādes ķēdes un loģistikas mērķis ir ietaupīt izmaksas un uzlabot veiktspēju, ātrumu un veiklību. Runājot par loģistiku, viņi uztver un izseko dažādus datu veidus, lai būtiski uzlabotu darbības efektivitāti, uzlabojot klientu pieredzi un jaunus biznesa modeļus. Šie faktori bieži var palīdzēt organizācijām ietaupīt resursus, izveidot labāku zīmolu un izveidot sistemātisku piegādes ķēdes un loģistikas procesu.
Lielo datu izsekošana visā pasaulē
Ņemsim piemēru no e-komercijas giganta, kurš izmanto Big Data piegādei saviem klientiem. Produkts tiek nosūtīts no vietas uz klienta adresi. Transportlīdzekļa ierīcēs, piemēram, GPS izsekotājā, mikrofonā, sensorā, ir strukturēti un nestrukturēti dati, kas tiek nosūtīti atpakaļ uz uzraudzības centru atjaunināšanai reāllaikā. Līdz ar to tas arī palīdz analizēt piegādes laika efektivitāti, īsāko ceļu un resursus, kas izmantoti vienas piegādes darbības veikšanai miljonu šādu darījumu sarakstā. Organizācijas apvieno šo zelta raktuvi dažādos tirgos un pēc tam to analizē, lai panāktu turpmāku procesa uzlabošanos vai panāktu veselu jaunu inovāciju līmeni!
FUN FAKTS: Vai zinājāt, ka lielie dati Amazon klientu lapu izsekošanas veidā ir palīdzējuši tai novietot savus produktus noliktavā, kas atrodas vistuvāk klientam, lai uzlabotu piegādes ātrumu un efektivitāti?
6. Operācijas, atbalsts un klientu apkalpošana: darbinieku apmācība par lielajiem datiem katrā mijiedarbībā ar klientu
Jebkura produkta vai pakalpojuma panākumu pamatā ir pēcpārdošanas atbalsts, ko saņem klients, un bieži vien pārdevējs dod zvērestu, ka viņš vienmēr ir blakus. Tas izriet no tā, ka tad, kad klients paņem produktu vai pakalpojumu, viņš veic “ticības lēcienu”, cerot, ka pārdevējs viņu / viņu nepievils produkta / pakalpojuma dzīves laikā. Rezultāti no šī viedokļa ir izšķiroši organizatoriskiem panākumiem.
Apskatīsim atbalstu granulu līmenī. Nesen man bija iespēja noskatīties Kristofera Nolana ‘Interstellar’, kas pētīja kosmosa ceļojumus līdz kosmosa beigām. Tas man lika domāt par nākotnes aviokompānijām, kas lidojumu pakalpojumus piedāvās caur tārpu caurumiem, kas atrodas miljoniem gaismas gadu attālumā! Kādas tad būtu problēmas? Kāda veida lielie dati tiks ģenerēti šajā gandrīz nebeidzamajā ceļojumā? Kā borta komanda nodrošinās, ka pasažieris izbauda braucienu visā garumā? Vispirms pakalpojumu sniedzējam jākoncentrējas uz galvenajiem mērķiem, piemēram, gaisa drošības nodrošināšanu, sava lidojuma trajektorijas izsekošanu, klientu prasību izpildi un tā tālāk.
Ceļā esošie lielie dati 24 × 7
Starpzvaigžņu ceļojuma ideja varētu būt tāls sapnis nākamajos 100 gados (būt optimistam!), Taču tas netraucē mums aplūkot datus, ko ģenerē līdzīgs šobrīd darbojošs serviss, kas vairāk atklās, kā klients pakalpojums un atbalsts tiek veikts pēcpārdošanas scenārijā un kā organizācijas var reāllaikā iesaistīties savu centienu uzlabošanā.
Sākumā Southwest Airlines ir viena no slavenākajām aviokompānijām, kas izmantoja lielo datu priekšrocības, lai uzlabotu klientu pieredzi. Cenšoties uzlabot lidojumu drošību, Southwest Airlines sadarbojās ar NASA, lai iesaistītos lielo datu eksperimentā, lai uzlabotu vispārējo lidojumu pieredzi. Tas ietver NASA satelītu pingēšanu ar informāciju par lidojuma trajektoriju, pilotu ziņojumiem un citu gaisa satiksmes informāciju. Šādas novatoriskas tehnikas virsotnē atrodas lielo datu pamatkoncepcija, ko sauc par “teksta datu ieguvi”, kas nestrukturētu teksta informāciju pārvērš jēgpilnā tekstā, lai gūtu ieskatu. Tātad jūs domājāt, ka teksta datu ieguve beidzas ar to?
Protams, tas tā nav, pat vienkāršs lielo datu jēdziens, piemēram, teksta datu ieguve, pārsniedz to. Mēs visi zinām, ka klientu atsauksmes ir svarīga sastāvdaļa, lai saprastu, kur organizācija kļūdās katrā klienta mijiedarbības brīdī. Teksta datu ieguve arī palīdz klientu apkalpošanai, analizējot atklātu aptauju atbildes. Tā vietā, lai ierobežotu klientus ar tādām izplatītām iespējām kā A, B, C variants, atvērtie jautājumi sniedz vairāk ieskatu, taču to klasificēšana un atbilžu reģistrēšana var būt galvenā problēma. Tieši šeit parādās teksta datu ieguve, kur tā sagrupē noteiktus vārdu kopumus un apvieno tos ieskatiem!
Raugoties tālāk, mums visiem jāatzīst, ka neviena organizācija nav perfekta un ka katrai no tām ir mazs klientu loks, kuri, iespējams, nav apmierināti ar pakalpojumu. Rezultāts? Datu bāze, kurā ir daudz e-pastu, ziņojumu, tweet no klientiem, kuri reģistrē sūdzības, vai padomi uzlabošanas jomām, lai to diezgan maigi izteiktu. Teksta datu ieguve iet soli priekšā tradicionālajiem pasta filtriem un var klasificēt vēstules atbilstoši prioritātei un novirzīt to attiecīgajam departamentam.
FUN FAKTS: Vai zinājāt, ka Southwest Airlines, cenšoties uzlabot klientu apkalpošanu, ir izmantojusi datu analīzi ar funkciju, ko sauc par “runas analīzi” un kas ieskatās klienta un personāla mijiedarbībā!
7. Mārketings: darbinieku apmācība par sistemātisku mārketinga pieeju ar lieliem datiem
Mārketings kā darbība šodien ir saistīts ar skaitļiem. Ar digitālā mārketinga pieaugumu mēs tagad varam precīzi izmērīt reklāmu reakciju, vidējo klikšķu skaitu, seansus, IA un tā tālāk. Profesionāļiem, kas nav mārketinga pārstāvji, šāda metrika varbūt ir grieķu, bet tiem, kas nodarbojas ar mārketingu, šie dati ir zelta raktuve. Pēc tam kopā ar metriku katrā klientu mijiedarbības, sociālo mediju un pārdošanas punktā tiek ģenerēti lieli datu gabali. Mārketinga profesionāļa ziņā ir sekot šādiem datiem un izmantot tos, lai efektīvāk virzītu savus produktus. Apmācībai lielajos datos šeit ir būtiska loma, jo tādas platformas kā Hadoop & R palīdz sasniegt mērķi.
Otrkārt, mārketinga profesionāļi ik pa laikam bieži nododas sava zīmola retrospekcijai. Tādi jautājumi kā:
Kā mans zīmols ir labāks par citiem?
Ko piedāvā citi zīmoli?
Kādas iezīmes manam konkurentam ir vienam un tam pašam produktam?
Pētījums iet daudz dziļāk par šo. Sākot no konkurenta produkta analīzes, pamatojoties uz 4P (produkts, cena, vieta, pozicionēšana) līdz konkurenta tīmekļa lapā redzamā produkta satura izpratnei, ģenerētais datu apjoms ir milzīgs un sarežģīts. Kā stāstīts iepriekš, teksta ieguves priekšrocības var palīdzēt tirgotājam veikt konkurentu analīzi, vienkārši pārmeklējot konkurenta vietni. Šī vienkāršā funkcija lielo datu jomā var sniegt konsolidētu priekšstatu par to, ko dara konkurents un kādus produktus viņi ir ieviesuši tirgū, tādējādi dodot priekšrocības tirgotājam, kurš ir iekļāvis lielos datus!
Apbruņojot radošo
Piemēram, sociālo mediju stratēģis vēlas uzzināt par savas organizācijas zīmola uztveri visās sociālo mediju platformās, tad, iespējams, iesaistīšanās sentimenta analīzē R & Hadoop palīdzēs sasniegt šo mērķi. Tādā pašā veidā lielo datu rīku izmantošana palīdz mārketingā veikt dažādas darbības, piemēram, cenu noteikšanu, produktu pozicionēšanu un tā tālāk.
Cits piemērs varētu būt mārketinga menedžeris mazumtirdzniecības vietā, kas vēlas palielināt pārdošanas apjomu. Ikviens zinātu Walmart piemēru, kurš spēja novietot alu un pienu blakus ejai, pamatojoties uz iepriekšējo klientu pirkumu vēsturi, iegūstot lielus datu gabalus, kas laika gaitā aptver miljoniem klientu!
FUN FAKTS: Vai zinājāt, ka General Motors ar gada mārketinga budžetu USD 2 miljardi gadā izmantoja Big Data Analytics, lai izveidotu detalizētus klientu profilus un apvienotu telpisko datu analīzi ar detalizētu demogrāfisko informāciju / klientu informāciju, lai personalizētu mārketingu!
Kāpēc uzņēmumi pāriet uz Big Data platformām
Parasti organizācijām, kas izmanto vecās mantotās sistēmas, dati ir izplatīti daudzās sistēmās. Datu izplatīšanās dēļ dažādās vietās apstrādes ātrums samazinās līdz ar datu analīzes precizitāti. Tas prasa datu konsolidāciju uzņēmuma datu centrā, kas nodrošina ātrāku piekļuvi datiem, kā rezultātā tiek veikta dziļāka analīze. Viens no svarīgākajiem IT nodaļas mērķiem jebkurā organizācijā ir pēc pieprasījuma ātri sniegt precīzus datus par visiem organizācijas departamentiem.
Apkopojot datus, ir svarīgi vienā platformā apvienot nestrukturētus, strukturētus un daļēji strukturētus datu avotus, lai veiktu padziļinātu analīzi un būtībā palīdzētu biznesa lēmumu pieņemšanā. Šī Hadoop funkcija organizācijā piesaista vairāk cilvēku, jo ir darbinieki, kuri ikdienas darbībās mijiedarbojas ar datiem dažādos saskares punktos. Arī tradicionālie ETL un sērijveida procesi var aizņemt ilgu laiku, turpretī Hadoop ar savu lielo sērijveida apstrādi to paātrina līdz pat 10 reizēm.
Hadoop nozīme nenozīmē, ka katrs darbinieks organizācijā ir jāapmāca Big Data platformā, kas vairumā gadījumu var nebūt iespējama. Bet KTO būtu stratēģiski izdevīgi identificēt un apmācīt tos profesionāļus, kuri pastāvīgi mijiedarbojas ar datiem.
Datu glabāšana, apstrāde un izgūšana, izmantojot populāro Hadoop platformu, ir vēl viena svarīga parādība, kas ir dabiskas attīstības sastāvdaļa, ir Big Data analytics. Vienkāršāk sakot, organizācijām ir nepieciešama dažādu organizāciju profesionāļu perspektīva.
pēcdiploma sertifikāts pret meistariem
Skaitli “6” var redzēt kā skaitli “9” no otras tabulas puses. Citiem vārdiem sakot, secinājums no datu novērošanas atšķiras katram cilvēkam.
Organizācijas to zina un bieži nodarbojas ar darbinieku apmācību līdzīgā platformā, lai cilvēki no dažādiem departamentiem, kas saistīti ar vienu un to pašu darbību, apspriestu, iesaistītos un dalītos ieskatos par pareizu lēmumu pieņemšanu. Tātad, es uzskatu, ka būtu droši definēt Big Data apmācību kā iespēju katram darbiniekam atrasties vienā lapā un pārcelt organizācijas uz nākamo līmeni!
Vai mums ir jautājums? Pieminiet tos komentāru sadaļā, un mēs ar jums sazināsimies.
Saistītās ziņas: