Küçük Veri, Büyük Fırsatlar

Yönetici Özeti

Tanıtım

Veri ve analitik, iş dünyasında hızla günün moda kelimeleri haline geldi. Müşteri davranışına ilişkin içgörüler toplamak, risk analizleri yapmak veya altyapılarını daha verimli bir şekilde yönetmek için "verileri akıllıca kullanan" ileri görüşlü şirketlere atıfta bulunmadan bir dergiyi kırmak zor olacaktır. Büyük, veri açısından zengin şirketler, özellikle de düzenlemeye tabi türler, yıllardır veriye dayalı karar verme sürecine dahil olmuştur; en iyi örnek, Capital One'ın müşterilerini daha iyi anlamak için veri analitiğine öncülük etmesidir - daha sonra hiper-hedefli ve büyük ölçüde başlatmak için kullanılan içgörüler. kaçan başarısına yol açan etkili pazarlama kampanyaları.

Ancak niş başlangıçlara rağmen, verilerin kullanımı hızla ana akım haline geldi. Günümüzde, büyüklüğü ve insan gücü ne olursa olsun, belirli bir şirketin ana iş süreci/yeteneği olarak analitiği olmaması için birkaç güvenilir neden vardır. Maliyet, kaynaklar ve uzmanlık gibi geleneksel itirazlar artık hardalı kesmiyor. Aksine, dahili olarak oluşturulan veriler, rekabetçi kalmak isteyen rekabetçi işletmeler tarafından diğer herhangi bir şekilde kaldıraçlı olarak kullanılan her yerde bulunan stratejik bir varlık haline geliyor.

Bu makale, okuyucularını veri ve analitik dünyasına üstünkörü bir şekilde tanıtmayı, ikinci yarısını küçük işletmeler için uygulamalı bir uygulama kılavuzuna ve çerçevesine ayırmadan önce size pazar dinamikleri, araçlar, oyuncular ve her ikisine özgü çözümler hakkında rehberlik etmeyi amaçlamaktadır.

Hem Büyük hem de Küçük Veriler İçin Bir Layman Kılavuzu

İnternetin ve onunla birlikte e-ticaretin, sosyal medyanın ve cihazların birbirine bağlılığının ortaya çıkmasıyla, onu kullanmak için araçlara sahip olanlar için küresel olarak mevcut ve analiz edilebilir veri hacminde bir patlama yaşandı. Her tweet, gönderi, beğenme, sola kaydırma, sağa kaydırma, çift dokunma, inceleme, metin ve işlem - her biri, kim olduğumuzu, nasıl karar verdiğimizi, nerede ve neden aldığımızı anlatan dijital ayak izlerimizi haritalamak için kullanılabilir verilerdir. Formunun genişliği, derinliği ve karmaşıklığı nedeniyle yerinde bir şekilde "büyük veri" olarak adlandırılan bu veriler, kuralcı ve tahmine dayalı analitikte bir olasılıklar denizinin kilidini açarak günlük tükettiğimiz pek çok ürünün hiper kişiselleştirmesini mümkün kıldı.

Resmi olarak, büyük veri, çoğunlukla insan davranışı ve etkileşimleriyle ilgili olarak kalıpları, eğilimleri ve ilişkileri ortaya çıkarmak için sayısal olarak analiz edilebilecek büyük veri kümelerini tanımlar. Verilerin "büyük" olarak adlandırılabilmesi için küme/bank, ondan değer çıkarmak için gelişmiş veri yöntemleri ve karmaşık sistemler gerektirecek kadar büyük olmalıdır.

2001 araştırma raporunda, META Group (şimdi Gartner), büyük verileri Üç V veri olarak adlandırılan üç boyutta çerçeveledi. Bunlar aşağıdaki gibidir: Hacim (miktar), Hız (üretim/iletim hızı) ve Çeşitlilik (tür ve kaynak aralığı). Bu üç V daha sonra, değeri yakalamak için gereken son boyut olarak verilerin Veracity'sini (kalite/bütünlük) içerecek şekilde IBM tarafından Dört V'ye genişletildi.

…ama büyük veriyi zaten duymuşsunuzdur. Küçük veriler ise, aşırı karmaşık analitik araçlara ihtiyaç duymadan, erişilebilir, bilgilendirici ve insanlar tarafından eyleme geçirilebilir hale getirmek için yeterince mütevazı kabul edilen bir veri alt sınıfıdır. En iyi şekilde eski McKinsey danışmanı Allen Bonde tarafından indirgenen, "Büyük veri makineler hakkındadır, küçük veri ise insanlarla ilgilidir" - özellikle, nedenlerin, kalıpların ve insanlarla ilgili "neden" nedenlerinin türetilmesi için organize edilmiş ve paketlenmiş anlamlı içgörüler.

SaaS tabanlı Analitik

Verilerin hem kullanılabilirliğindeki hem de kullanışlılığındaki artışa paralel olarak, bağımsız bir analitik endüstrisi ortaya çıktı. Bir zamanlar Yüksek Lisans ve Doktora düzeyinde istatistikçilerin, veri bilimcilerin ve analistlerin özel uğrak yeri olan analitik, işlevsel olarak sağlam ancak düşük maliyetli, self servis hizmet olarak yazılım (SaaS) platformlarından oluşan bir endüstriye dönüşmüştür. Kullanıcıların acemi verilerinden değer elde etmek için. Daha önce bu tür analizleri yürütmek için gereken uzmanlığa veya bütçeye sahip olmayan daha küçük şirketler, şimdi daha iyi kaynaklara sahip emsalleriyle eşit düzeyde rekabet ediyor ve pazarlarında savunulabilir gerekçeler oluşturuyor.

Bir teknoloji ve hizmet araştırma şirketi olan Aberdeen Group tarafından yapılan araştırma, SaaS modelinin maliyet avantajlarına ek olarak, SaaS araçlarını benimseyen kuruluşların, karar vermek ve yatırım getirisi hedeflerine ulaşmak için içgüdüsel olarak verileri kullanan iki kat daha fazla çalışana sahip olduğunu göstermektedir %40 olmayanlardan daha hızlıdır. Çoğu şirket için, muhasebe, pazarlama, ERP ve CRM sistemlerinden dahili olarak oluşturulan raporların yanı sıra e-posta pazarlama raporları, Google Analytics ve diğer üçüncü taraf web tabanlı analiz araçları zaten aktif olarak kullanılıyor ve birincil mekanizma olarak kullanılıyor. küçük verilerinden para kazanma.

Buna ek olarak ve kesin ölçümü zor olabilen büyük ve büyüyen bir pazar olmasına rağmen, IDC, Forrester Research ile dünya çapındaki iş zekası ve analitik araçları pazarının 2017 itibariyle yaklaşık 14 milyar dolar olduğunu ve yıllık %11,7 oranında büyüdüğünü tahmin ediyor. , küresel bir pazar araştırma şirketi, 2021 yılına kadar %15'lik bir CAGR tahmin ediyor.

Pazar Payı Verileri

Şaşırtıcı olmayan bir şekilde, analitik araçları ve çözümleri pazarına SAP, IBM, Oracle ve Microsoft gibi yazılım şirketlerinin eski muhafızları hakimdir. 2015 itibarıyla SAP, %10'luk pazar payı ve 1,2 milyar $'lık analitik ve iş zekası (BI) ürün gelirleri ile pazar lideridir; SAS Enstitüsü %9'luk payla ikinci sıradaydı; IBM, %8 ile üçüncü, Oracle ve Microsoft sırasıyla %7 ve %5 ile dördüncü ve beşinci sırada yer alıyor. İlginç bir şekilde, en büyük beş satıcının pazar payı, Sentiment Strategies, Tableau ve Teradata gibi risk sermayesi destekli girişimlerin pazarın üzerinde büyümesi nedeniyle düşüyor ve bu da endüstrinin gelecekteki büyümesinin çoğunun daha küçük, daha hızlı, daha çevik şirketler.

Küçük Şirketler için Veri Analitiği Uygulama Kılavuzu

Mümkün olan en yüksek düzeyde, veri merkezli bir kültür, yönetime, gerçeğin aynı versiyonundan (şeffaf, ölçülebilir bir versiyon) çalışırken, sıklıkla ve tutarlı bir şekilde mümkün olan en iyi kararları alabileceğine dair daha fazla güven verir. Ne de olsa çoğumuz, birbiriyle çatışan yöneticilerin farklı anekdot kaynaklarına, olgu modellerine ve yorumlara dayanarak farklı argümanlar öne sürdüğü/savunduğu, girdilerin ve dolayısıyla çıktıların bütünlüğünü hızla sorguladığı oturumlarda oturduk. Bu nedenle, veri analitiği yolunda yürümek isteyen belirli bir küçük işletme tarafından verilmesi gereken ilk karar, söz konusu işletmenin gerçekten veri odaklı bir organizasyon olmayı isteyip istemediğidir.

Bu yukarıdan aşağıya karar verildikten sonra, yeni stratejik önceliğin potansiyelini ve faydasını optimize etmek için bir çerçeve oluşturulmalıdır. Başlamak için birkaç soru sorulmalıdır. Birincisi, verilen firma, proje, girişim veya departmanın kısa ve uzun vadeli hedefleri nelerdir? İkincisi, çaba ve sonuçlarından kim sorumlu olmalıdır? Üçüncüsü, firma, proje, girişim veya departman verilerle çözmeye çalışan belirli sorunlar nelerdir? Dördüncüsü, girişimi yürütmek için hangi araçlar kullanılmalıdır?

Bu sorular cevaplandıktan sonra, bir sonraki adım, biraz planlama, organizasyon yapısı, yukarıdan aşağıya yön ve aşağıdan yukarıya coşkuyla, organizasyonu gerçek ve ölçülebilir sonuçlar üretecek şekilde konumlandıracak somut bir uygulama planı formüle etmektir. geçmişte olduğundan daha tutarlı sonuçlar verir. Aşağıdaki şema, basit bir veri analitiği yaklaşımının çeşitli unsurlarını dikkate almak için bir çerçeve sağlamak üzere tasarlanmıştır.

Amaç Sorusuna

Bu, doğru olan ilk önemli sorudur. Yüksek düzeyde, verilerinden yararlanmak isteyen herhangi bir şirketin en üst hedefi, sağlam iş kararları almak için sistematik bir süreç geliştirmektir - tutarlı ve tekrarlanabilir ve ölçülebilir şekilde daha iyi sonuçlar veren bir süreç. Bu noktada, veri odaklı sağlam bir organizasyon olmanın bir varış noktası değil bir yolculuk olduğunu ve bu nedenle yukarıdan “satın alma” ve aşağıdan fikir birliğinin kritik olduğunu kanıtlayacak önemli temel adımlar olduğunu belirtmek önemlidir. kitlesel benimsemeye ve tam olarak kullanılan analitik varlıklara. Katılımı sağladıktan sonra, denenmiş ve test edilmiş bir sonraki adım, bu sürecin meyvesini vermek için gereken heyecanı ve bağlılığı artırmak için stratejik olarak birkaç "hızlı kazanç" ayarlamaktır. Konsensüs oluşturma, katılım ve elde edilen hızlı kazançlar, hem araştırma hem de deneyimlerim, aşağıdaki yapıyı, sırayı ve hususları varsayan bir uygulama yaklaşımını zorunlu kılar:

Tanımlayıcı analitikle başlayın; ölçülebilir veriler olmadan daha önce sonuçsuz olduğu kanıtlanan sonuçlara varmak için mevcut işlem verilerini kullanarak kurumsal performansı vurgulayan basit bir görsel pano. Ardından, stratejik olarak ve doğru meslektaşlar/kuruluştaki etkileyici kişilerle içgörüler, performans çıkarımları ve kendi kendine yardım talimatlarını paylaşarak gösterge tablonuzda ayrıntılı inceleme yetenekleri geliştirin. Bu, hem astlarına yayılma sürecini hem de geliştirmeye çalıştığınız veriye güvenme kültürünü başlatacaktır.

İkinci aşama: Kurum içi teknik kaynakları kullanarak veya üçüncü taraf sağlayıcıların yardımıyla daha karmaşık tahmine dayalı analitik yeteneklerine geçiş yapın. Bu tahmine dayalı yetenekler, "Bir müşterinin kusurlu olma olasılığı nedir?" veya "x'i satın alan müşteriler, genellikle y'yi de satın alır" gibi belirli iş sorularına daha iyi yanıt vermek için hem dahili hem de harici veri kaynaklarını harmanlar ve gerçek bilgi sağlar. departman veya belirli bir girişimin performansına ilişkin zaman bilgisi. Bu durumda "dış veri kaynakları", sosyal medya verilerini, satış gücü verilerini veya kullanıcı deneyimi verilerini içerir; bunların tümü, şirket içi verilerin tek başına kaldıraç olarak kullanılamayacak kadar sınırlı olduğu, zengin ve istatistiksel olarak önemli içgörü kaynakları sağlar.

Üçüncü aşama, geçmiş veriler temelinde tüketici, şirket, rakip, çalışan veya tedarikçi davranışlarını yönlendirmek/önlemek için uygun eylemi belirlemeye yardımcı olan gelişmiş, kuralcı analitiklere geçmektir. Bu aşamanın genellikle küçük veriden büyük veriye geçişi işaret etmeye başladığı belirtilmelidir; ve yine de, karar vermede en yüksek düzeyde girdi-çıktı bütünlüğü ve tutarlılığı sağlamak için şirket genelindeki karar sürecinize dahil edilmesi gereken gerekli bir adımdır.

Analitiğin Farklı Aşamalarının Derinlemesine Görünümü

Tanımlayıcı Analitik – Gösterge Tabloları

Ölçülen şeyin yönetildiği bir gerçektir ve bu nedenle tek bir veri belirleyici gerçeği geliştirerek, bir kuruluştaki liderler daha sağlam, daha birleşik kararlar verebilirler. Gösterge tabloları, bu tür analitik yolculukların başlangıç ​​noktası ve bir şirketin veri belirleyici gerçeğinin görsel örneğidir. Elbette, bir grupla ilgili olan, diğeri için anlamsız olabilir, bu nedenle belirli bir gösterge panosunun amacına veya temasına, hangi bilgilerin dahil edilmesi gerektiğine, içeriği için ilgili alıcı kitlenin kim olduğuna ve hangi bilgilerin dahil edileceğine gereken önem verilmelidir. soru/sorun, söz konusu grubun cevap/çözmeye çalışmasıdır.

İyi tasarlanmış gösterge panoları, yalnızca geçmiş bilgileri sunmak yerine karar vermeyi yönlendirir ve en iyileri, bir işletmenin hayati önemlerini doğru bir şekilde gösterirken, trendlere ve tekrar eden modellere (hem olumlu hem de olumsuz) etkili bir şekilde odaklanır. Daha gelişmiş panolar, liderlerin daha dinamik, gerçek zamanlı görüntülemeye olanak tanıyan açıklama ve paylaşım yetenekleriyle teşhis edilen bir sorunun temel nedenlerine ulaşmasını sağlayan detaya inme yetenekleri sağlar.

Tahmine Dayalı Analitik – Veri Karıştırma, Keşif ve Sorgulama

Pano süreci tamamlandıktan sonra, veriye dayalı hevesli kuruluş daha hırslı olmaya başlayabilir. Bunun için tipik bir sonraki adım, "daha gelişmiş analizler gerçekleştirmek ve karar alanına daha fazla boyut sağlamak için hacimli ve çeşitli verileri kullanmaktır". Experian, Acxiom ve D&B gibi dikey belirli satıcılardan sosyal medyaya veya Facebook, Twitter ve Salesforce gibi satış verisi sağlayıcılarına kadar üçüncü şahısların verileriyle daha da zenginleştirilmiş şirkete özel verileri harmanlayarak, söz konusu firma daha büyük, şirketin performansına ve müşteri davranışına ilişkin yeni ve daha iyi kavrayışlar için daha geniş, daha çeşitli ve istatistiksel olarak anlamlı kümeler.

Standart Analitik - Analitiğin İş Süreçlerine Dağıtılması

Veriler, müşteriler, düzenlemeler ve belirli iş sorunları/konuları açısından farklı ihtiyaçları olan ve farklı bütçelere ve dahili becerilere sahip kurumsal düzeydeki şirketler, muhtemelen daha benzersiz ihtiyaçlarını karşılayan teknoloji satıcılarına sahip olacaktır. Analitiği iş süreçlerine ve iş akışlarına işlevselleştirme yeteneğinin daha önemli ve ekonomik hale geldiği bir ölçekte çalışırlar. Çoğu zaman, bu şirketler, yerinde adil ve tekrarlanabilir tedavilere sahip olduklarını gösterebilmeleri gereken, düzenlenmiş endüstrilerde olacaklardır.

Borç verenler, borç verme politikalarında cinsiyet, gelir veya ırk açısından herhangi bir önyargı göstermezler.

Sorumluluk Sorusuna

Belirli bir eylemi belirlemek bir şeydir ve onu uygulamak başka bir şeydir. Teşhis, reçete ve karar ile istenen sonuçtan sorumlu bir kişi/grup arasında bir bağlantı olması gerekir. Yönetici sponsorun rolü burada önem kazanıyor.

Hem küçük hem de büyük şirketlerde, söz konusu yönetici sponsor - veri zenginleştirme ve fiili veri baş sorumlusunun aday gösterilen şampiyonu - başlangıçta genellikle CEO, CFO veya CMO olan, zaten veri ve analitikle dolu, duruma uyum sağlayan bir bireydir. en iyi verilerle çözülen problemler veya en azından veri analitiğinin dönüştürücü potansiyeline inananlar.

Bu ana karaktere ek olarak, süreç tipik olarak, özellikle firma tanımlayıcı analitikten tahmine dayalı analitiklere geçmeye başladığında, ikincil, daha uygulamalı bir şampiyon gerektirir. Geleneksel olarak, bu kişi teknik olarak eğitilmiş, kurum içi bir veri bilimcisiydi, ancak daha yakın zamanda, genellikle vatandaş veri bilimcisi olarak adlandırılan teknoloji meraklısı bir meraklı şeklini alıyor. Bu birey tipik olarak kendi kendini seçer - doğru entelektüel merak ve el becerisi dengesine sahip, ancak uygulama yabani otlarında yaşamaya istekli olan, kendi kendini kanıtlamış bir elektronik tablo jokeyi. Çoğu durumda, bu kişi resmi bir veri analizi sürecinin firmalarında yaratabileceği etki potansiyelini fark etmede yönetimin önündedir, ancak vizyonunu satmak için gereken statü veya güvenilirlikten yoksundur.

İş Problemi Sorusuna

Her başarılı ve başarısız şirketin, yalnızca kendisine özgü kaynakların, süreçlerin ve yeteneklerin uygun kombinasyonu ile ele alınabilecek benzersiz bir dizi zorluğu vardır. Bununla birlikte, veriler tarafından ele alınmaya en uygun türdeki ticari zorluklar, çoğu zaman, Grafik 7'de belirtilen çerçeve kullanılarak azaltılabilir, kategorize edilebilir ve ele alınabilir.

Ek olarak, yıllar içinde, yalnızca verilerle başa çıkmak için doğru türdeki sorunları belirleme şansını değil, aynı zamanda başarılı bir şekilde çözülme şanslarını da optimize eden birkaç anekdot yönergesi/parametresi geliştirilmiştir. Bu yönergeler/parametreler aşağıdaki gibidir: İlk olarak, sonuçları büyük ölçüde önemli olan basit, net soruları seçin; ikincisi, verilerden cevaplar ararken, akademik bir cevabın mükemmelliğinden ziyade çözümün pratikliğini hedefleyin; üçüncü olarak, teşhis ve çözümü sunarken alıcı kitlenizin doğasını ve bilgi tabanını göz önünde bulundurun; ve son olarak, yalnızca eşit ölçüde izlenebilen, halihazırda var olan veriler ve çözümlerle ölçülebilir ve ölçülebilir sorunları seçin.

Doğru Araç ve Yöntemler Sorununa

Sürdürülebilir veri odaklı bir organizasyon oluşturmanın söz konusu olduğu orijinal dört çerçeve sorumuzun sonuncusu, araçların, yöntemlerin veya platformların seçimine ilişkindir. Bunun için öncelikle veri analiz araçlarının son yıllarda iş kullanıcıları için çeşitli artıları ve eksileri ile önemli ölçüde geliştiğini belirteceğim. Profesyoneller arasında, bu tür araçların kiralanmasıyla ilişkili maliyetlerde önemli bir düşüş ve işleve özel araçlardan örtüşen işlevsellik platformlarına geçiş yapıldıkça özellik listesindeki artış ve mevcut seçeneklerin karmaşıklığı yer alıyor. Ayrıca, SaaS satıcıları, hacim ve veri türü kısıtlamalarına rağmen ücretsiz denemeler sunar; yeni kullanıcılara birden fazla platformu test ettikten sonra bilinçli bir satın alma kararı verme fırsatı verilir.

Bu platformların en büyük dezavantajı, birbirleriyle rekabet edebilmek için, satıcıların karmaşıklığa karşı o kadar agresif bir şekilde yenilik yapmaları ki, tekliflerinin artık ortalama iş kullanıcılarının kullanışlılığının ötesinde tekliflerle özellik doygunluğuna yaklaşması. Talihsiz sonuç, acemi kullanıcının ezici olması, daha önce tartışılan "hızlı kazançlar" elde etmeyi zorlaştırıyor ve böylece veri kültürünün belirli bir firmada tutma olasılığını azaltıyor.

Neyse ki, olası kullanıcılara yardımcı olacak, rakip iş zekası çözümlerini değerlendirecek ve karşılaştıracak birçok kaynak var, ancak temel ortak yeteneklere ilişkin bazı bilgiler, bunları bir şirketin özel ihtiyaçları ve önceliklerine göre değerlendirmede faydalı olabilir. Bu tür yeteneklerden birkaçı şunları içerir: veri bağlantılarının sayısı ve kapsamı, önceden birleştirilmiş gösterge tablolarının kullanılabilirliği, detaya inme, yayınlama ve paylaşma yetenekleri, veri karıştırma ve keşif yazılımı yeteneği ile entegrasyon, ölçekleme potansiyeli (hem hacim hem de çeşitlilik parametrelerinde), sayı ve modelleme yaklaşımlarının doğruluğu ve belirli sektöre göre müşteri referans tabanları. Özeti kuşkusuz basit olsa da, yukarıdaki Tablo 7, çeşitli kategorilerde (açıklayıcı, tahmine dayalı, kuralcı) oynayan bazı önemli tedarikçileri ortaya koymaktadır.

Küçük Veri, Büyük Fırsatlar

Niş başlangıçlarına rağmen, veri analitiğinin ve SaaS tabanlı analitik araçları pazarının, son yıllarda vatandaş veri bilimcisinin ve şirketlerinin yararına olacak şekilde önemli ölçüde geliştiği açıktır. Büyük veri, küçük veri, self servis araçları - her biri, en az teknik işletmelerin bile temel bir yetkinliği olarak değerlendirilmelerini sağlamak için artık yeterince yaygın. Başka bir deyişle, çok sayıda yararlı, eyleme geçirilebilir veri üretilirken ve self servis araçların maliyetleri sunulan özellikler ve yeteneklerle ters orantılı olarak hareket ederken, küçük işletmelerin bile belirli bir kapasitede veriden yararlanmaya başlamaması için birkaç neden var olmaya devam edecektir.

Bu makale, küçük bir planlama, hedef belirleme ve kullanıcı seçimi ile, girişiminizin bile, sizin için muazzam ekonomik değerin kilidini açma sürecinde, bozmak için yola çıktığınız endüstri devleriyle rekabetçi oyun alanını eşitlemeye başlayabileceğini göstermeliydi. ve paydaşlarınız. Sadece başlamanız gerekir; öyleyse devam edin - başlayın!