۷ مرحله برای بهبود تجزیه و تحلیل برای سازمان های داده محور

تصمیم گیری موثر بر اساس داده ها به ابزارهای خوب، داده های با کیفیت بالا، فرآیندهای کارآمد و افراد آماده نیاز دارد. در اینجا نحوه دستیابی به آن آمده است.

• درک کاربران نهایی و جریان تصمیم آنها
• تعریف الزامات کیفیت داده و اقدامات اصلاحی
• تسریع در زمان داده‌ها و تصمیم‌گیری‌ها
• محافظت از داده ها را زودتر اجرا کنید
• مقیاس‌سازی برنامه‌های مدیریت داده
• استانداردهای پیاده سازی را ایجاد و بهبود بخشید
• فرهنگ مبتنی بر داده را ترویج دهید

وقتی رهبران می‌گویند که می‌خواهند یک سازمان داده‌محور باشند، یک هدف کلیدی توانمندسازی افراد تجاری برای استفاده از داده‌ها، مدل‌های پیش‌بینی، قابلیت‌های هوش مصنوعی مولد و تجسم داده‌ها برای بهبود تصمیم‌گیری است.

رهبران به دنبال تصمیم‌های هوشمندانه‌تر هستند که مزایای کسب‌وکار مثبت را به همراه دارد، تصمیم‌گیری سریع‌تر برای پاسخ به فرصت‌ها، تصمیم‌های ایمن‌تر که خطرات را به حداقل می‌رساند، و تغییر رشته های مدیریت برای افزایش تعداد کارکنان با استفاده از ابزارهای تجزیه و تحلیل در سراسر سازمان. آنها همچنین به دنبال راه‌حل‌های مقیاس‌پذیر با استفاده از جدیدترین مدل‌های یادگیری ماشینی، قابلیت‌های هوش مصنوعی، و دارایی‌های داده جدید هستند و اطمینان حاصل می‌کنند که داده‌ها سازگار، محافظت شده و ایمن هستند.

وین جکسون، مدیر عامل سوناتایپ. رهبران برای اتخاذ تصمیمات آگاهانه به تصویری کامل نیاز دارند و دستیابی به این سطح از دید مستلزم داده های جامع است. اما داده ها به تنهایی روند را بهبود نمی بخشد یا تسریع نمی کند، و شما باید بتوانید آن داده ها را درک کنید.”

در حالی که بسیاری از سازمان‌ها روی معماری داده‌ها سرمایه‌گذاری کرده‌اند، ابزارهای تحلیلی را مستقر کرده‌اند، مدل‌های یادگیری ماشینی ساخته‌اند، و قابلیت‌های تجسم داده‌ها را عرضه کرده‌اند، پذیرش کاربر نهایی ممکن است تاخیر داشته باشد و تأثیرات تجاری ممکن است ناامیدکننده باشد. برای مثال، وضعیت علم داده و یادگیری ماشین گزارش می دهد که ۴۵٪ از سازمان ها کمتر از ۲۵٪ از مدل های یادگیری ماشین خود را برای تولید به کار می گیرند.

این مقاله به هفت مرحله برای کمک به رفع شکاف‌های بین استقرار تجزیه و تحلیل در مقابل پذیرش کاربر نهایی از تجزیه و تحلیل برای تصمیم‌گیری می‌پردازد. چهار مرحله اول بر این تمرکز دارد که چگونه تیم‌ها، بخش‌ها و کسب‌وکارها می‌توانند فرآیند توسعه تجزیه و تحلیل خود را بهبود بخشند، در حالی که سه مرحله آخر در مورد مقیاس‌بندی آن‌ها در بین مشاغل و شرکت‌های بزرگ‌تر است.

درک کاربران نهایی و جریان تصمیم آنها

انجام برخی کارهای اکتشافی اولیه پیرامون یک مجموعه داده جدید یا یک دامنه تحلیلی مهم است. اما به راحتی می توان این تلاش ها را بیش از حد انجام داد و اثبات مفاهیم را در تولید به کار برد، و از مراحل کلیدی در تعریف شخصیت های کاربر نهایی، بررسی گردش کار آنها و بحث در مورد تصمیمات و اقداماتی که نیاز به تجزیه و تحلیل است، صرف نظر کرد. 

“از لحاظ تاریخی، روشی که تجزیه و تحلیل توسعه داده شده است این بود که با داده های سازماندهی شده شروع شود، مجموعه ای از الگوریتم های خوب فکر شده را به آن ها بچسباند، آنچه را که داده ها اعتراف می کنند، مرور کند و توصیه هایی را در قالب تصاویر نمایش دهد.” سومندرا موهانتی، افسر ارشد استراتژی در Tredence می‌گوید. «این رویکرد دریافت ورودی از کاربر نهایی را که در فعالیت روزانه خود تصمیم می‌گیرد، خواه مدیر موجودی، مدیر کمپین، یا پیشکار انبار کارخانه، از دست می‌دهد، و به دنبال توصیه‌ها و دستورالعمل‌های بلادرنگ به‌صورت ساعتی است. آنها را وارد عمل کنید.”

در اینجا چندین سؤال وجود دارد که باید از کاربران نهایی بپرسید.

• امروزه کاربران و مدیران نهایی چگونه، چه زمانی و چند بار تصمیمات کلیدی می گیرند؟
• تأثیر یک تصمیم اشتباه یا کند در مقابل ارزش تصمیم گیری سریعتر و دقیق تر چیست؟
• آنها از چه داده ها و اطلاعاتی برای تصمیم گیری استفاده می کنند و چه مراحلی را برای دسترسی به آن انجام می دهند؟
• آنها از چه ابزاری برای انجام تصمیمات خود استفاده می کنند؟

کلید این است که درک کنید تجزیه و تحلیل چگونه در جریان کار قرار می گیرد، چه ادغام هایی باید در نظر گرفته شود، و کجا اتوماسیون ممکن است.

تعریف الزامات کیفیت داده و اقدامات اصلاحی

البته، بسیاری از کاربران نهایی نمی‌توانند تجزیه و تحلیل آماری، یادگیری ماشین و راه‌حل‌های genAI را تشخیص دهند، اما به راحتی می‌توانند ببینند که داده‌ها اشتباه است یا راه‌حل‌ها توصیه‌های اشتباهی ارائه می‌دهند. بهبود کیفیت داده ها یک فرآیند تکراری است، اما اگر در مراحل توسعه به اندازه کافی به آن توجه نشود، کاربران نهایی اعتماد خود را از دست خواهند داد و به نحوه کار قبلی خود باز خواهند گشت.

عرفان خان، رئیس و مدیر محصول در SAP پایگاه داده و تجزیه و تحلیل HANA. «تنها با یک پایه داده قوی و یک دیدگاه یکپارچه از داده ها در سراسر چشم اندازهای پیچیده خود، کسب و کارها این اختیار را دارند که فرآیندهای تجاری کاملاً دیجیتالی و تبادل یکپارچه داده در سراسر شرکت خود را تسهیل کنند. بدون داده‌های تجاری تمیز، نمی‌توان به بیشتر اطلاعات مشتق‌شده از هوش مصنوعی اعتماد کرد یا به‌طور مؤثر از آن استفاده کرد.»

سازمان‌های برتر برای تیم‌های علم داده چابک در مورد یکپارچه سازی داده ها و الزامات کیفیت برای ارائه قابلیت های تجزیه و تحلیل. آنها معیارهای کیفیت داده را به‌عنوان الزامات غیرعملکردی تعریف می‌کنند، تلاش‌های بهبود را منتشر می‌کنند و با بهبود معیارها، سهامداران را به‌روزرسانی می‌کنند.

تسریع در زمان داده‌ها و تصمیم‌گیری‌ها

فرای کیفیت داده، تیم‌ها باید روی دو معیار تحلیلی دیگر مرتبط با سرعت تمرکز کنند. زمان تا داده‌ها تأخیر در دریافت و پردازش داده‌ها را نشان می‌دهد، در حالی که زمان تا تصمیم‌گیری عوامل انسانی، قابلیت استفاده، یکپارچگی و سطح اتوماسیون را از زمانی که داده‌ها در دسترس هستند تا زمانی که کاربران نهایی تصمیم‌گیری می‌کنند، حساب می‌کند. 

نیکولاوس واسیلوگلو، معاون پژوهشی ML در RelationAI. “اکنون هر کسی می‌تواند به ابزارهای ذخیره‌سازی، محاسباتی و نرم‌افزاری ارزان، بی‌نهایت دسترسی داشته باشد تا داده‌ها را در زمان واقعی مصرف کند.”

در حالی که سازمان های بیشتری می توانند زیرساخت های مقیاس پذیر را به دست آورند، بهینه سازی مدیریت داده ها و توسعه خطوط لوله داده قوی نیاز به برنامه ریزی و طراحی معماری دارد. یکی از راه‌های جلوگیری از مشکلات این است که با اهداف تحلیلی با دامنه کوچک‌تر شروع کنید و عملکرد معماری را همزمان با مقیاس‌گذاری استفاده، داده و قابلیت‌ها تأیید کنید.

حفاظت از داده ها را زودتر اجرا کنید

این عجله برای نمونه‌سازی راه‌حل‌های تجزیه و تحلیل اولیه و اطمینان از اینکه خطوط لوله داده با تأخیر پایین می‌تواند در صورت به خطر افتادن داده‌های تنظیم‌شده با خطر و هزینه قابل‌توجهی مواجه شود. اغلب پرداختن به حفاظت از داده های مورد نیاز در خطوط لوله داده و پلت فرم های مدیریت داده مقرون به صرفه تر از پیاده سازی آنها در راه حل های تحلیلی است.

Ameesh Divatia، مدیر عامل و یکی از بنیانگذاران Baffle. هنگامی که این کار انجام شود، استفاده از داده های پایین دستی برای همه موارد استفاده، از جمله genAI، می تواند بسیار سریعتر انجام شود، زیرا قبل از استفاده از آن داده ها، نیازی به کشف یا بررسی اطلاعات اضافی نیست.

پیاده‌سازی حفاظت از داده‌ها در مراحل اولیه، همچنین فرصتی برای تعامل با کاربران نهایی و ذینفعان در مورد بهترین شیوه‌های امنیت داده ایجاد می‌کند.

مقیاس‌سازی برنامه‌های حاکمیت داده

مراحلی که تا کنون پوشش داده‌ام می‌تواند به بهبود پیاده‌سازی تجزیه و تحلیل و تصمیم‌گیری برای موارد استفاده فردی کمک کند. مقیاس‌بندی تصمیم‌گیری مبتنی بر تجزیه‌وتحلیل به چندین کسب‌وکار، بخش یا دامنه نیازمند تکامل یک مدل عملیاتی تحلیلی و ایجاد سیاست‌ها و شیوه‌های حاکمیت داده است.

فلیکس ون دی مایل، مدیر عامل Collibra، با من به اشتراک گذاشت که حتی شرکت های بسیار بزرگ چگونه می توانند شیوه های حاکمیت داده را به سرعت ایجاد کنید. او می‌گوید: «حاکمیت داده‌ها پایه و اساس بازگشایی پتانسیل واقعی هوش مصنوعی است. مک دونالد، یکی از شناخته شده ترین برندهای جهان، تنها در ۶۰ روز یک بنیاد داده قابل اعتماد با بیش از ۵۷۰ کاربر در ۲۱ کشور ایجاد کرد. این پیشرفت‌ها نحوه استفاده مک‌دونالد از داده‌ها را تغییر داده است و منجر به شفافیت، اعتماد و سرعت بیشتر برای کاربران تجاری جهانی آن‌ها شده است.»

یک ابزار کلیدی حاکمیت داده برای مقیاس‌بندی سازمان‌های مبتنی بر داده، کاتالوگ داده است که به پیاده‌سازی خط‌مشی‌های دسترسی، پیکربندی مجوزها، فعال کردن کشف و حفظ فرهنگ لغت‌های داده کمک می‌کند. برترین کاتالوگ داده و فروشندگان با کیفیت عبارتند از Alation، Collibra، Informatica، Google، Hitachi Vantara، IBM، Microsoft، Oracle، Precisely، SAP، SAS، و Talend.  

امیلی واشنگتن، معاون مدیریت محصول در دقیقا. با توجه به افزایش خطرات داده‌های غیردقیق یا غیردقیق در عصر هوش مصنوعی، اولویت‌بندی کاتالوگ‌های داده‌ای که کاربران را قادر می‌سازد تا درک جامعی از داده‌هایشان و سلامت زیربنایی آن داشته باشند، آنها را قادر می‌سازد تا از داده‌ها به طور مؤثر استفاده کنند، درآمد و سود بیشتری را از طریق اتکای مطمئن به تجارت ایجاد کنند. تصمیمات ناشی از هوش مصنوعی و تجزیه و تحلیل پیشرفته.”

گارتنر اخیرا گزارش داده که ۷۸% از مدیران ارشد داده و تجزیه و تحلیل (CDAO) در حال توسعه مدل های عملیاتی خود برای پشتیبانی هستند. نوآوری بهتر است، و ۶۱٪ گفتند که اختلالات بازار، از جمله ChatGPT، یک محرک است. یکی از جنبه‌های حیاتی تکامل مدل عملیاتی، تسریع حاکمیت داده‌های فعال است. a> اقداماتی مانند ایجاد کاتالوگ داده، متمرکز کردن منابع داده، و بهبود کیفیت داده.

ایجاد و بهبود استانداردهای پیاده سازی

ایجاد استانداردهای پیاده‌سازی گاهی تحت حاکمیت داده‌ها قرار می‌گیرد، اما ابزارها، چرخه عمر توسعه، آزمایش، الزامات استقرار، مستندات و استانداردهای قابلیت استفاده مجموعه گسترده‌تری از رشته‌ها را پوشش می‌دهند.

سازمان‌های مبتنی بر داده استانداردهایی را ایجاد و تکامل می‌دهند تا تیم‌های علم داده بر کاربر نهایی و ارائه مزایای. راهنمای استانداردها به تسریع تحویل، مقیاس‌بندی بهترین شیوه‌ها و ایجاد الزامات استقرار کمک می‌کند.   

مارتی آندولینو، معاون مهندسی در Capital One، این توصیه‌ها را در مورد ایجاد استانداردهای داده و آنها به اشتراک می‌گذارد. فواید. استانداردهای داده مانند ابرداده، کیفیت، قالب‌ها، SLA و قابلیت مشاهده، یکپارچگی، سهولت استفاده و امنیت را در طول چرخه عمر داده تضمین می‌کنند. جاسازی این استانداردها در تجارب یکپارچه و سلف سرویس، به کاربران این امکان را می‌دهد که به داده‌هایی که در سراسر شرکت به اشتراک گذاشته می‌شوند اعتماد کرده و از آن استفاده کنند.»

یکی دیگر از بهترین روش برای تجسم هوشمندتر داده، تعریف یک راهنمای سبک است که طرح‌بندی‌ها، انواع نمودارها، طرح‌های رنگی، قراردادهای نام‌گذاری و سایر ملاحظات قابلیت استفاده را پوشش می‌دهد. ممکن است از داشبوردها کمتر استفاده شود آنها خیلی کند هستند، برای حل مشکلات خاص معطوف نیستند، یا در جایی که داشبوردهای متعدد فاقد استانداردهای قابلیت استفاده هستند.

موضوع دیگر این است که ابزارهای تجزیه و تحلیل، داشبوردها و مدل‌های ML چگونه آزمایش می‌شوند. جیووانی لنزانی، مدیر عامل Xebia Data، توصیه می کند که تیم های داده “آزمایش داده ها را از منبع از طریق تمام تغییراتی که در نهایت انجام می دهند شروع کنند. بینش‌هایی را ایجاد کنید که کسب‌وکار به آن‌ها تکیه می‌کند، به‌جای ارائه اطلاعات بینش نادرست به کاربران تجاری، مشکلات را در صورت بروز پیدا می‌کند.»

شرکت‌های بزرگ‌تر با مجموعه داده‌های عملیاتی، تحلیلی و بدون ساختار در مقیاس بزرگ باید استانداردهای مدیریت داده و معماری را نیز تعریف کنند. Aislinn Wright، معاون مدیریت محصول در EDB، می‌گوید: «سازمان‌ها باید پلتفرم داده‌ای را اتخاذ کنند که معاملاتی و تحلیلی را متحد کند. و داده‌های هوش مصنوعی و آنهایی که استانداردهای باز و قابل حمل را برای استقرار سریع پروژه‌های جدید تجزیه و تحلیل و علم داده پیاده‌سازی می‌کنند.”

یک هدف کلیدی دیگر باید ساده‌سازی نحوه دسترسی و کشف داده‌های سازمانی توسط کاربران نهایی مجاز باشد. کریشنا سوداکار، مدیر مشاوره شریک در < می‌گوید: «اگر داده‌ها در ده‌ها سیستم زندگی می‌کنند و هیچ استاندارد و الگوی برای تسهیل دسترسی و استفاده سریع از داده‌ها وجود نداشته باشد، هر تلاشی برای اقدام با آن داده‌ها طاقت‌فرسا خواهد بود.» a href="https://www.pricefx.com/" rel="nofollow">Pricefx.

دانیل فالمن، مدیر عامل  Mindbreeze، رویکردی برای ساده‌سازی دسترسی و کشف داده‌ها به اشتراک می‌گذارد. «تجار می‌توانند فرآیند یافتن منابع داده مرتبط را با پیاده‌سازی شاخص‌های معنایی (گراف) و مدیریت هوشمند و خودکار ابرداده‌ها ساده کنند، که امکان کشف و درک آسان مجموعه داده‌های داخلی و خارجی را فراهم می‌کند.

فرهنگ مبتنی بر داده را ترویج دهید

قابلیت‌های فناوری، حاکمیت داده، و استانداردهای عملی تجزیه و تحلیل، بلوک‌های سازنده هستند، اما پیشگامان دیجیتال باید فرهنگ را تکامل دهند تا واقعاً به سازمان های داده محور تبدیل شوند. تحول همچنین باید ادامه داشته باشد زیرا genAI، تجزیه و تحلیل بلادرنگ و سایر فناوری‌های نوظهور قابلیت‌های بیشتری را برای تقویت هوش انسانی با قابلیت‌های تصمیم‌گیری هوشمندتر، سریع‌تر و ایمن‌تر فراهم می‌کنند.  

نقطه شروع فرهنگ بهبود ارتباطات و همکاری در سراسر سازمان است. جان کستمن، مدیر عامل Bridgenext. “در اغلب موارد، این ساختارهای داخلی مانع دستیابی به کارایی عملیاتی، رشد درآمد و نوآوری می شوند.”

پیروزی آسان این است که برنامه‌ریزی‌های مکرر و در سطح شرکت از قابلیت‌های تحلیلی جدید و ارتقا یافته، انواع تصمیم‌هایی که با آن‌ها گرفته می‌شود، تأثیرات کسب‌وکار، و نحوه جشن گرفتن کاربران نهایی موفقیت‌شان را برنامه‌ریزی کنید. در حالی که ممکن است برخی ترس های اولیه در مورد استفاده از ابزارها و تجزیه و تحلیل های جدید برای تصمیم گیری وجود داشته باشد، کاربران نهایی موفق و خوشحال به ارتقای مزایای پذیرش کمک می کنند. 

به‌کارگیری قابلیت‌های تحلیلی می‌تواند به مزایای کسب‌وکار رقابتی و تغییر فرهنگ منجر شود. با در نظر گرفتن کاربر نهایی شروع کنید، به داده ها و قابلیت ها اعتماد ایجاد کنید، حاکمیت داده را توسعه دهید و استانداردهای پیاده سازی را برای ایجاد تحول بهبود بخشید.