Почему Amazon и Netflix преуспеют, пока другие ошибаются?
Когда дело доходит до продвинутых аналитических проектов, часто кажется, что история успеха – это скорее исключение, чем правило. Многие организации хотели бы подражать культуре, основанной на данных, отображаемой Amazon, Google и Netflix, однако у них возникли проблемы с операционированием аналитики. И с аналитикой и проектами «больших данных» есть много вещей, которые очень высокие – более половины времени.
Если бы мне пришлось выбрать фундаментальную причину, я бы сказал, что это потому, что она неприемлемо сложна и многогранна. Есть много возможностей споткнуться на этом пути. Проекты часто терпят неудачу с самого начала. И цели проекта могут быстро меняться: не всегда можно вообще утверждать гипотезы или давать доходные идеи или поддерживать прогностические модели. Могут быть проблемы масштабируемости, интеграции с операционными системами, точности модели и т. Д.
И, в конце концов, это упрямая проблема развертывания сложных рабочих процессов и моделей, часто требующих ручного анализа кода ученого данных в режиме реального времени.В результате аналитические проекты могут быстро перегружаться техническими деталями. Я считаю, что гибкий, основанный на бизнесе подход может помочь обеспечить успех.
Инициативы аналитики часто просматриваются исключительно с помощью технической линзы, что приводит к ситуациям, когда база данных уменьшается в большей или меньшей степени. Amazon и Netflix не только технологически продвинуты, но и потому, что они создали «культуру аналитики», которая пронизывает каждый аспект их бизнеса.Вот четыре ключевых аспекта для выполнения аналитической стратегии, которая сначала ставит потребности бизнеса:
- Имейте цель.
Хотя это может показаться очевидным, реальность такова, что они имеют много общего с аналитикой, поскольку они сосредоточены на технической и объективной цели. По сути, они могут получить техническую корзину впереди бизнес-лошади.
Давайте отступим от аналитики на данный момент и представьте себе другой тип проекта – строительство здания. Покупаете ли вы материалы и нанимаете генеральных подрядчиков, водопроводчиков и электриков, прежде чем у вас будет четкое понимание цели здания? Конечно, нет.
Но слишком часто это именно то, как организации приступают к развертыванию аналитики. Они начинают строить инфраструктуру и нанимать ученых по данным и оценивать технологии (ту или иную базу данных? Hive или Spark? SQL) задолго до того, как они специально опредеят бизнес-проблемы и возможности, которые могут быть решены с помощью аналитики.
Внедрение технологии, независимо от того, насколько мощным или продвинутым является ваш переход к магическому преобразованию вашей организации в управляемый данными электростанцию, например Amazon, особенно если ее цель является неопределенной и плохо определенной.
Чтобы избежать дорогостоящих ошибок, бизнес-пользователи должны быть частью стратегии аналитики с первого дня. Это заинтересованные стороны, которые взвесили на использование наиболее важных фактов в области аналитики.И начните только с одного аналитического проекта с высоким потенциалом бизнеса и доступными данными. Затем выясните, какие технологии вам нужны.
- Свяжите «понимание» с действиями. Что это означает для решения бизнес-задачи?
В аналитическом мире это становится обычным делом или «проницательностью». Но это эквивалент встречи для решения конкретной проблемы и «решения» ее путем планирования другого собрания.
Проницательность, имеющая какую-либо ценность, должна быть прогностической по своей природе и – это важная часть – быстродействие, легко и автоматически. Это последний шаг, который вызывает множество организаций. Представьте себе компанию, которая хочет оптимизировать продажи Q2. Организация может начать с прогнозирования более высокого объема продаж.
Почему команда продаж должна быть в бизнесе? Предсказания должны начать ощутимые действия, которые могут взять на себя и изменить ситуацию.Amazon, Google и Netflix – мастера, которые преобразуют понимание действий, связанных с данными.
Например, Amazon использует данные для автоматической настройки просмотра для своих клиентов и оптимизации продаж. Netflix стремится напрямую влиять на поведение клиентов с рекомендациями, основанными на данных, и они, скорее всего, будут успешными