Культура BI аналитики: почему Amazon и Netflix преуспеют, пока другие ошибаються
Когда дело доходит до продвинутых аналитических проектов, часто кажется, что история успеха – это скорее исключение, чем правило.
- Аналитика бизнеса
- Статьи
- Культура BI аналитики: почему Amazon и Netflix преуспеют, пока другие ошибаються
Оглавление
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:1. 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.2. 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.
Что выбрать Spotfire,Tableau,Microsoft BI или Qlik Sense?
Конечно, Tableau и Spotfire предлагают унифицированное представление данных, но не настолько эффективно, как QlikSense. QlikSense …
Почитать еще
Скользкий склон безудержной семантики
Недавняя статья под названием «Спящее будущее визуализации данных? Фотография »расширяет определение визуализации данных до нового предела.
Data mining средства обнаружения данных могут создавать ценность для бизнеса?
Мы живем во время, когда данные вокруг нас. В эпоху цифровых технологий те, кто может выжать
Визуализация данных и виртуальная реальность
Время от времени кто-то заявляет, что визуализация данных может быть улучшена при просмотре в виртуальной
Информационный шум
Чтобы тщательно, точно и четко информировать, мы должны определить предполагаемый сигнал, а затем усилить его,
Аналитическая зрелость
В течение последних двадцати лет ментальная модель зрелости аналитики соответствовала схеме, представленной ниже, начиная с
Машинное обучение
Глубокое обучение – это продвинутая форма машинного обучения. Глубокое обучение относится к способности компьютерных систем, известных
ETL или подготовки данных
Технологии извлечения, преобразования и загрузки (ETL), которыми управляют исключительно ИТ, до недавнего времени были основным
Как начать карьеру в области науки о данных
Каждая область имеет уровень сложности, который человек должен оценить, прежде чем посвящать ему свое время
Как самостоятельно изучить искусственный интеллект и машинное обучение
В наши дни, в эпоху демократизации знаний, стало очень легко глубоко изучить любую дисциплину. Это