ico1Загрузите,получайте результат

Еще никогда не было так проста начать индивидуальную работу с инструментами анализа данных

Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.       asu-analitika      +7-(499)-7030694 пн-пт с 9 до 18

Новости BI

Новости технологий и решений в области аналитики данных

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. 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.

Вы можете делать Data Science в графическом интерф...
Почему AI-Driven Analytics будет цениться в цифров...

Читайте также:

Комментарии

 
Еще нет комментариев
Уже зарегистрированны? Войти на сайт
Гость
10.12.2018

Изображение капчи