Data Kecil, Peluang Besar

Ringkasan bisnis plan

pengantar

Data dan analitik dengan cepat menjadi kata kunci dalam dunia bisnis. Seseorang akan sulit sekali memecahkan jurnal tanpa referensi ke perusahaan yang berpikiran maju “menggunakan data secara cerdas” untuk mengumpulkan wawasan tentang perilaku pelanggan, melakukan analisis risiko, atau mengelola infrastruktur mereka secara lebih efisien. Perusahaan-perusahaan besar yang kaya data, terutama perusahaan-perusahaan dari varietas yang diatur, telah terlibat dalam pengambilan keputusan yang dipimpin oleh data selama bertahun-tahun, yang paling baik dicontohkan oleh perintisan analitik data Capital One untuk lebih memahami pelanggannya—wawasan yang kemudian digunakan untuk meluncurkan hyper-targeted dan sangat kampanye pemasaran yang berdampak yang mengarah pada kesuksesan yang tak terkendali.

Namun terlepas dari ceruk awal, pemanfaatan data dengan cepat menjadi arus utama. Ada beberapa alasan yang kredibel saat ini untuk perusahaan tertentu, terlepas dari ukuran dan tenaga kerja, untuk tidak memiliki analitik sebagai proses/kemampuan bisnis inti. Keberatan tradisional seperti biaya, sumber daya, dan keahlian tidak lagi menjadi prioritas. Sebaliknya, data yang dihasilkan secara internal dengan cepat menjadi aset strategis di mana-mana yang dimanfaatkan seperti yang lain, oleh bisnis kompetitif yang berusaha untuk tetap kompetitif.

Artikel ini secara sepintas berusaha memperkenalkan pembacanya ke dunia data dan analitik, memandu Anda melalui dinamika pasar, alat, pemain, dan solusi yang unik untuk keduanya, sebelum mendedikasikan paruh kedua untuk panduan implementasi langsung dan kerangka kerja untuk usaha kecil.

Panduan Awam untuk Data Besar dan Kecil

Dengan munculnya internet dan dengan itu eCommerce, media sosial, dan keterkaitan perangkat datang ledakan volume data yang tersedia secara global dan dapat dianalisis bagi mereka yang memiliki alat untuk memanfaatkannya. Setiap tweet, posting, suka, geser ke kiri, geser ke kanan, ketuk dua kali, ulasan, teks, dan transaksi — masing-masing adalah data yang dapat digunakan untuk memetakan jejak digital kita yang memberi tahu semua tentang siapa kita, bagaimana kita membuat keputusan, di mana, dan mengapa. Data ini, yang secara tepat disebut "data besar" karena luas, kedalaman, dan kompleksitas bentuknya, telah membuka lautan kemungkinan dalam analisis preskriptif dan prediktif, memungkinkan personalisasi hiper dari begitu banyak produk yang kita konsumsi setiap hari.

Secara formal, data besar menggambarkan kumpulan data besar yang dapat dianalisis secara komputasi untuk mengungkapkan pola, tren, dan asosiasi, paling sering terkait dengan perilaku dan interaksi manusia. Agar data disebut "besar", kumpulan/bank harus sangat besar sehingga memerlukan metode data tingkat lanjut dan sistem yang kompleks untuk mengekstrak nilai darinya.

Dalam laporan penelitian tahun 2001, Grup META (sekarang Gartner) membingkai data besar dalam tiga dimensi yang disebut data Tiga V. Ini adalah sebagai berikut: Volume (jumlah), Velocity (kecepatan pembangkitan/transmisi), dan Varietas (rentang jenis dan sumber). Ketiga V ini kemudian diperluas menjadi Empat V oleh IBM, untuk memasukkan Veracity (kualitas/integritas) data sebagai dimensi akhir yang diperlukan untuk menangkap nilai.

…tapi Anda mungkin sudah pernah mendengar tentang big data. Data kecil, di sisi lain, adalah subkelas data yang dianggap cukup sederhana sehingga dapat diakses, informatif, dan dapat ditindaklanjuti oleh orang-orang, tanpa memerlukan alat analisis yang terlalu rumit. Paling baik direduksi oleh mantan konsultan McKinsey Allen Bonde, “Data besar adalah tentang mesin, sedangkan data kecil adalah tentang manusia”—khususnya, wawasan bermakna yang diatur dan dikemas untuk derivasi dari sebab-akibat, pola, dan alasan “mengapa” tentang manusia.

Analisis berbasis SaaS

Seiring dengan meningkatnya ketersediaan dan kegunaan data, muncullah industri analitik yang berdiri sendiri. Setelah menjadi tempat eksklusif para ahli statistik, ilmuwan data, dan analis tingkat Master dan PhD, analitik telah berkembang menjadi industri platform perangkat lunak sebagai layanan (SaaS) swalayan yang kuat secara fungsional tetapi berbiaya rendah yang memungkinkan bahkan yang paling pemula pengguna untuk mengekstrak nilai dari data mereka. Perusahaan-perusahaan kecil yang sebelumnya tidak memiliki keahlian atau anggaran yang diperlukan untuk melaksanakan analisis semacam ini sekarang bersaing lebih dekat ke pijakan yang sama dengan rekan-rekan mereka yang memiliki sumber daya yang lebih baik dan membangun motes yang dapat dipertahankan di pasar mereka.

Selain manfaat biaya dari model SaaS, penelitian oleh Aberdeen Group, sebuah perusahaan riset teknologi dan layanan, menggambarkan bahwa organisasi yang mengadopsi alat SaaS memiliki karyawan dua kali lebih banyak yang secara naluriah menggunakan data untuk membuat keputusan dan mencapai target ROI mereka 40% lebih cepat daripada yang tidak. Bagi sebagian besar perusahaan, laporan pemasaran email, Google Analytics, dan alat analisis berbasis web pihak ketiga lainnya sudah digunakan secara aktif, selain laporan yang dibuat secara internal dari sistem akuntansi, pemasaran, ERP, dan CRM dan digunakan sebagai mekanisme utama untuk memonetisasi data kecil mereka.

Lebih dari itu, dan meskipun ini adalah pasar yang besar dan berkembang yang pengukuran presisinya bisa jadi sulit, IDC memperkirakan pasar alat intelijen dan analitik bisnis di seluruh dunia mencapai hampir $14 miliar pada tahun 2017, tumbuh pada tingkat 11,7% yoy, dengan Forrester Research , sebuah perusahaan riset pasar global, memperkirakan CAGR sebesar 15% hingga tahun 2021.

Data Pangsa Pasar

Tidak mengherankan, pasar untuk alat dan solusi analitik didominasi oleh penjaga lama perusahaan perangkat lunak—perusahaan seperti SAP, IBM, Oracle, dan Microsoft. Pada 2015, SAP memimpin pasar dengan 10% pangsa pasar dan $1,2 miliar dalam pendapatan produk analitik dan intelijen bisnis (BI); SAS Institute adalah nomor dua, dengan pangsa 9%; IBM, ketiga dengan 8%, dan Oracle dan Microsoft di tempat keempat dan kelima, masing-masing, dengan 7% dan 5%. Menariknya, pangsa pasar dari lima vendor terbesar telah menurun karena pertumbuhan di atas pasar dari perusahaan rintisan yang didukung modal ventura seperti Sentiment Strategies, Tableau, dan Teradata, menunjukkan bahwa sebagian besar pertumbuhan industri di masa depan akan dihasilkan oleh yang lebih kecil, perusahaan yang lebih cepat dan lebih gesit.

Panduan Penerapan Analisis Data untuk Perusahaan Kecil

Pada tingkat setinggi mungkin, budaya data-centric memberi manajemen kepercayaan diri yang lebih besar bahwa ia mampu membuat keputusan terbaik, sering dan konsisten, sambil bekerja dari versi kebenaran yang sama—transparan, yang dapat diukur. Lagi pula, sebagian besar dari kita telah duduk melalui sesi di mana eksekutif yang bertikai telah mengajukan/membela argumen yang berbeda dengan bersandar pada sumber anekdot, pola fakta, dan interpretasi yang berbeda, dengan cepat mempertanyakan integritas input dan output. Dengan demikian, keputusan pertama yang harus dibuat oleh bisnis kecil tertentu yang ingin menempuh jalan analitik data adalah apakah bisnis tersebut benar-benar berusaha menjadi organisasi yang digerakkan oleh data.

Setelah keputusan top-down ini dibuat, kerangka kerja harus dibuat untuk mengoptimalkan potensi dan kegunaan dari prioritas strategis baru. Untuk memulai, beberapa pertanyaan harus diajukan. Yang pertama, apa tujuan jangka pendek dan jangka panjang dari perusahaan, proyek, inisiatif, atau departemen tertentu? Kedua, siapa yang harus bertanggung jawab atas upaya dan hasilnya? Ketiga, masalah spesifik apa yang ingin dipecahkan oleh perusahaan, proyek, inisiatif, atau departemen dengan data? Dan keempat, alat apa yang harus digunakan untuk mendorong inisiatif?

Setelah pertanyaan-pertanyaan ini terjawab, langkah selanjutnya adalah merumuskan rencana pelaksanaan yang nyata, yang dengan sedikit perencanaan, struktur organisasi, arah top-down, dan antusiasme dari bawah ke atas, akan memposisikan organisasi di tangan untuk menghasilkan hasil yang nyata dan terukur. hasil yang lebih konsisten daripada yang telah dilakukan di masa lalu. Diagram di bawah ini dirancang untuk memberikan kerangka kerja untuk mempertimbangkan berbagai elemen pendekatan analisis data sederhana.

Untuk Pertanyaan Tujuan

Ini adalah pertanyaan penting pertama yang harus dijawab dengan benar. Pada tingkat tinggi, tujuan utama setiap perusahaan yang ingin memanfaatkan datanya adalah untuk mengembangkan proses sistematis untuk membuat keputusan bisnis yang baik—proses yang konsisten dan dapat diulang, dan yang menghasilkan hasil yang jauh lebih baik. Pada saat ini, penting untuk dicatat bahwa menjadi organisasi berorientasi data yang baik adalah sebuah perjalanan dan bukan tujuan, dan dengan demikian, “kesepakatan” dari atas dan konsensus dari bawah adalah langkah dasar penting yang akan terbukti sangat penting. untuk adopsi massal dan aset analitik yang digunakan sepenuhnya. Setelah mencapai persetujuan, langkah berikutnya yang telah dicoba dan diuji adalah menyusun secara strategis beberapa "kemenangan cepat" untuk menghidupkan ambang batas kegembiraan dan keterlibatan yang diperlukan untuk melihat proses ini membuahkan hasil. Pembangunan konsensus, persetujuan, dan kemenangan cepat tercapai, baik penelitian maupun pengalaman saya mendikte pendekatan implementasi yang mengasumsikan struktur, urutan, dan pertimbangan berikut:

Mulailah dengan analitik deskriptif—dasbor visual sederhana yang menyoroti kinerja perusahaan menggunakan data transaksional yang ada untuk menarik kesimpulan yang sebelumnya terbukti tidak meyakinkan tanpa data terukur. Selanjutnya, kembangkan kemampuan menelusuri di dalam dasbor Anda, berbagi wawasan, takeaway kinerja, dan instruksi swadaya secara strategis dan dengan rekan kerja/pemberi pengaruh organisasi yang tepat. Ini akan memulai proses penyebaran kepada bawahan mereka dan budaya ketergantungan data yang ingin Anda kembangkan.

Tahap dua: Lulus ke kemampuan analitik prediktif yang lebih canggih, baik menggunakan sumber daya teknis internal atau dengan bantuan penyedia pihak ketiga. Kemampuan prediktif ini memadukan sumber data internal dan eksternal untuk menjawab pertanyaan bisnis spesifik dengan lebih baik seperti, "Seberapa besar kemungkinan pelanggan akan membelot?," atau, "Pelanggan yang membeli x, biasanya juga membeli y," dan memberikan informasi nyata. wawasan waktu tentang kinerja departemen atau inisiatif tertentu. “Sumber data luar” dalam hal ini mencakup data media sosial, data tenaga penjualan, atau data pengalaman pengguna, yang semuanya menyediakan sumber wawasan yang kaya dan signifikan secara statistik, di mana data internal masih terlalu terbatas untuk dapat dimanfaatkan sendiri.

Tahap ketiga adalah beralih ke analitik preskriptif lanjutan yang membantu menentukan tindakan yang tepat untuk memandu/mendahului perilaku konsumen, perusahaan, pesaing, karyawan, atau pemasok dengan latar belakang data historis. Namun perlu dicatat bahwa tahap ini biasanya mulai menandai transisi dari data kecil ke besar; namun, ini adalah langkah penting yang harus dimasukkan ke dalam proses keputusan di seluruh perusahaan Anda untuk memastikan tingkat integritas input-output tertinggi dan konsistensi dalam pengambilan keputusan.

Tampilan Mendalam dari Berbagai Tahapan Analytics

Analisis Deskriptif – Dasbor

Ini adalah kebenaran bahwa apa yang diukur dikelola, dan dengan mengembangkan satu kebenaran data-deterministik, para pemimpin dalam suatu organisasi lebih mampu membuat keputusan yang lebih sehat dan lebih terpadu. Dasbor adalah titik awal perjalanan analitik semacam itu, dan ilustrasi visual dari kebenaran deterministik data perusahaan. Tentu saja, apa yang relevan untuk satu kelompok mungkin tidak berarti bagi kelompok lain, jadi pertimbangan harus diberikan pada tujuan atau tema dari dasbor yang diberikan, informasi apa yang harus dimasukkan, siapa audiens penerima yang relevan untuk isinya, dan apa pertanyaan/masalah adalah bahwa kelompok tersebut berusaha untuk menjawab/menyelesaikan.

Dasbor yang dirancang dengan baik mendorong pengambilan keputusan daripada sekadar menyajikan informasi historis, dan yang terbaik secara efektif memusatkan perhatian pada tren dan pola yang berulang (baik positif maupun negatif) sambil secara akurat menggambarkan hal-hal penting dari suatu bisnis. Dasbor yang lebih canggih menyediakan kemampuan penelusuran yang memungkinkan para pemimpin untuk mengetahui akar penyebab masalah yang didiagnosis dengan anotasi dan kemampuan berbagi yang memungkinkan tampilan waktu nyata yang lebih dinamis.

Analisis Prediktif – Pencampuran Data, Eksplorasi, dan Pembuatan Kueri

Setelah proses dasbor selesai, organisasi berbasis data yang bercita-cita tinggi mungkin mulai menjadi lebih ambisius. Untuk ini, langkah tipikal berikutnya adalah "menggunakan data yang banyak dan bervariasi untuk melakukan analisis yang lebih maju dan memberikan dimensi lebih lanjut ke domain keputusan." Dengan memadukan data spesifik perusahaan yang lebih diperkaya dengan data pihak ketiga, mulai dari vendor spesifik vertikal seperti Experian, Acxiom, dan D&B hingga media sosial atau penyedia data penjualan seperti Facebook, Twitter, dan Salesforce, perusahaan tertentu dapat mengeksplorasi lebih besar, perangkat yang lebih luas, lebih bervariasi, dan signifikan secara statistik untuk wawasan baru dan lebih baik tentang kinerja perusahaan dan perilaku pelanggan.

Analitik Preskriptif – Penerapan Analisis ke dalam Proses Bisnis

Perusahaan tingkat perusahaan dengan kebutuhan yang berbeda dalam hal data, pelanggan, peraturan, dan masalah/masalah bisnis tertentu dan dengan anggaran dan keahlian internal yang berbeda kemungkinan akan memiliki vendor teknologi yang memenuhi kebutuhan mereka yang lebih unik. Mereka beroperasi pada skala di mana kemampuan untuk mengoperasionalkan analitik ke dalam proses bisnis dan alur kerja mereka menjadi lebih penting dan ekonomis. Seringkali, perusahaan-perusahaan ini akan berada di industri yang diatur di mana mereka harus dapat menunjukkan bahwa mereka memiliki perlakuan yang adil dan berulang.

Pemberi pinjaman tidak menunjukkan bias dalam kebijakan pinjaman mereka, baik untuk jenis kelamin, pendapatan, atau ras.

Untuk Pertanyaan Tanggung Jawab

Ini adalah satu hal untuk menentukan tindakan tertentu dan yang lain untuk mengimplementasikannya. Perlu ada hubungan antara diagnosis, resep, dan keputusan dan individu/kelompok yang bertanggung jawab atas hasil yang diinginkan. Di sinilah peran sponsor eksekutif menjadi penting.

Baik di perusahaan kecil maupun besar, sponsor eksekutif tersebut—juara nominasi pengayaan data dan chief data officer de facto—adalah seorang individu, biasanya CEO, CFO, atau CMO saat permulaan, sudah mendalami data dan analitik, terbiasa dengan semacam masalah yang paling baik diselesaikan dengan data, atau setidaknya percaya pada potensi transformatif analitik data.

Selain protagonis ini, prosesnya juga biasanya membutuhkan juara kedua yang lebih aktif, terutama setelah perusahaan mulai beralih dari analitik deskriptif ke prediktif. Secara tradisional, orang ini adalah seorang ilmuwan data internal yang terlatih secara teknis, tetapi baru-baru ini telah mengambil bentuk sebagai penggila teknologi yang sering disebut sebagai ilmuwan data warga. Individu ini biasanya memilih sendiri — seorang joki spreadsheet yang mengaku dirinya sendiri dengan keseimbangan yang tepat dari keingintahuan intelektual dan ketangkasan, tetapi orang yang mau hidup dalam gulma implementasi. Dalam banyak kasus, individu ini berada di depan manajemen dalam mengenali potensi dampak yang dapat diciptakan oleh proses analisis data formal di perusahaan mereka, tetapi tidak memiliki status atau kredibilitas yang diperlukan untuk menjual visi mereka.

Untuk Pertanyaan Masalah Bisnis

Setiap perusahaan yang sukses dan gagal memiliki serangkaian tantangan unik yang hanya dapat diatasi dengan kombinasi yang tepat dari sumber daya, proses, dan kemampuan khusus untuk itu. Meskipun demikian, jenis tantangan bisnis yang paling cocok untuk ditangani oleh data dapat, lebih sering daripada tidak, dikurangi, dikategorikan, dan ditangani menggunakan kerangka kerja yang ditetapkan dalam Bagan 7.

Selain itu, beberapa pedoman/parameter anekdot telah dirancang selama bertahun-tahun, yang lebih mengoptimalkan peluang tidak hanya mengidentifikasi jenis masalah yang tepat untuk ditangani dengan data, tetapi juga peluang mereka untuk berhasil diselesaikan. Pedoman/parameter tersebut adalah sebagai berikut: Pertama, pilihlah pertanyaan yang sederhana dan jelas yang implikasinya sangat penting; kedua, dalam mencari jawaban dari data, bertujuan untuk kepraktisan solusi daripada kesempurnaan jawaban akademis; ketiga, mengingat sifat dan basis pengetahuan audiens penerima Anda dalam memberikan diagnosis dan solusi; dan akhirnya, hanya pilih masalah yang dapat diukur dan dapat diukur dengan data dan solusi yang sudah ada yang dapat, dalam ukuran yang sama, dilacak.

Untuk Pertanyaan tentang Alat dan Metode yang Tepat

Pertanyaan terakhir dari empat pertanyaan kerangka kerja asli kami, yang berkaitan dengan pembangunan organisasi berorientasi data yang berkelanjutan, adalah pertanyaan mengenai pemilihan alat, metode, atau platform. Untuk ini, pertama-tama saya akan menyatakan bahwa alat analisis data telah berkembang pesat dalam beberapa tahun terakhir, dengan berbagai pro dan kontra bagi pengguna bisnis. Pro termasuk penurunan substansial dalam biaya yang terkait dengan penyewaan alat tersebut dan peningkatan daftar fitur dan kompleksitas opsi yang tersedia karena mereka telah beralih dari alat khusus fungsi ke platform fungsionalitas yang tumpang tindih. Lebih lanjut, vendor SaaS menawarkan uji coba gratis, meskipun dengan pembatasan volume dan tipe data; pelanggan baru diberikan kesempatan untuk membuat keputusan pembelian yang terinformasi setelah menguji berbagai platform.

Kelemahan utama dari platform ini adalah, dalam upaya untuk tetap kompetitif satu sama lain, vendor telah berinovasi secara agresif terhadap kompleksitas sehingga penawaran mereka sekarang mendekati saturasi fitur dengan penawaran yang melampaui kegunaan rata-rata pengguna bisnis. Hasil yang tidak menguntungkan adalah banyaknya pengguna pemula, membuatnya lebih sulit untuk mencapai "kemenangan cepat" yang dibahas sebelumnya dan dengan demikian mengurangi kemungkinan bahwa budaya data akan bertahan di perusahaan tertentu.

Untungnya, ada banyak sumber daya yang tersedia untuk membantu calon pengguna, mengevaluasi, dan membandingkan solusi intelijen bisnis yang bersaing, meskipun beberapa pengetahuan tentang kapabilitas umum inti berguna dalam mengevaluasinya terhadap kebutuhan dan prioritas khusus perusahaan. Beberapa kemampuan tersebut meliputi: jumlah dan cakupan koneksi data, ketersediaan dasbor yang telah dirakit sebelumnya, kemampuan penelusuran, penerbitan dan berbagi, integrasi dengan kemampuan perangkat lunak pencampuran dan eksplorasi data, potensi penskalaan (pada parameter volume dan variasi), jumlah dan akurasi pendekatan pemodelan, dan basis referensi pelanggan per industri tertentu. Meskipun diakui sederhana dalam ringkasannya, Bagan 7 di atas menetapkan beberapa vendor utama yang bermain di berbagai kategori (deskriptif, prediktif, preskriptif).

Data Kecil, Peluang Besar

Terlepas dari awal ceruknya, jelas bahwa analitik data dan pasar untuk alat analitik berbasis SaaS telah berkembang pesat dalam beberapa tahun terakhir, banyak keuntungan bagi ilmuwan data warga dan perusahaan mereka. Data besar, data kecil, alat swalayan—masing-masing sudah cukup umum sekarang untuk menjamin pertimbangan mereka sebagai kompetensi inti dari bisnis yang paling tidak teknis sekalipun. Dengan kata lain, dengan begitu banyak data yang berguna dan dapat ditindaklanjuti yang dihasilkan dan biaya alat swalayan bergerak terbalik dengan fitur dan kemampuan yang ditawarkan, beberapa alasan akan terus ada bahkan untuk bisnis kecil untuk tidak mulai memanfaatkan data dalam beberapa kapasitas.

Artikel ini seharusnya mengilustrasikan bahwa, dengan sedikit perencanaan, penetapan tujuan, dan pemilihan patron, bahkan startup Anda dapat mulai menyamakan kedudukan dalam persaingan dengan para raksasa industri yang telah Anda ganggu, dalam proses membuka nilai ekonomi yang luar biasa bagi Anda. dan pemangku kepentingan Anda. Anda hanya perlu memulai; jadi lanjutkan—mulai!