Hiljutised uudised Araabia Ühendemiraatide sõjaväeteenistuse kohustuslikuks muutmisest kõigile emiraatide meestele vanuses 18–30 aastat on ajendanud mind mõtlema, miks riigid hoolimata nende majanduslikust seisundist tagavad kodanike valmisoleku riiki kaitsma.
Võib väita, et piiratud arv kodanikke riigis sunnib valitsust sageli ajateenistuse kohustuslikuks muutma. Aga kuidas on lood Hiinaga? See on elanike arvult suurim riik, kuid tagab ka täiendõppesse suunduvate kodanike kohustusliku sõjaväeaja. Lühidalt, riigid valmistuvad konfliktide korral põhimõtteliselt kaitseks ja kõik peavad selleks valmis olema. Olgu selleks elektrik, ärimehed, puusepp, nad kõik ühinevad ühise eesmärgi nimel.
Nii veider kui see ka ei tundu, võib selliste riikide ja konkurentsis püsida soovivate organisatsioonide vahel tekitada kohutava paralleeli. Praegune oht või pigem väljakutse Big Data näol on ajendanud suuri ja väikeseid organisatsioone koondama oma tööjõudu erinevates osakondades, et sellega ühiselt tegeleda. Sellest edasi minnes on tavaliselt kohustuslikku sõjaväeteenistust rakendavatel riikidel alati abikõlblikkuse kriteeriumid. Samamoodi peavad organisatsioonid loogiliseks suurandmete koolitust ainult neile töötajatele, kellel on mingis vormis suhtlus suurte andmepakkidega ja kes on kohustatud kasutage Hadoopi igas puutepunktis.
Nii nagu armee kindral koostöös valitsusega otsustab relvade ja väljaõppe tüübi, mis määratakse tema muidu algajale kodanikule, kellest saab uus, värvatakse, samamoodi eeldatakse, et CTO on IT-infrastruktuuri ja pärandi tüüril. süsteemid, mis juhivad uut tehnoloogiainnovatsiooni, et tema töötajad saaksid paremini hakkama. Ühise eesmärgiga tegeleda suurandmetega püüdkem proovida üksikasjalikult mõista, kus kasutatakse suurandmeid ja miks on oluline seltsimehi selles koolitada.
1. Infotehnoloogia: tootlikkuse parandamine Big Data koolituse abil
Võib-olla suurandmete juurutamise esirinnas on IT-meeskond muutuste edasiviimise epitsenter. IT-koolituse otsustaja, kes soovib töötajatele tuua suurandmete koolituse, peab alustama IT-osakonnast. Miks? Sest kui rääkida tehnoloogiaga igas tegevuse etapis, on keldris asuvad geeksid (populaarne släng IT jaoks) kõige lähemal. Niisiis, kui asjakohane see on?
Vaatame populaarse saidi CIO esitatud aruannet, milles öeldakse:
'Vastavalt hiljutisele CompTIA uuringule, milles osales 500 USA äri- ja IT-juhti, tunneb 50 protsenti ettevõtetest, kes on andmete võimendamise kõverast eespool, ja 71 protsenti ettevõtetest, kes on keskmise või võimendatud andmete võimendusega, et nende töötajad on mõõdukalt või andmete haldamise ja analüüsimise oskused on märkimisväärselt puudulikud ”
Arvestades asjaolu, et andmehaldus ja salvestamine on osa IT põhifunktsioonist, on vaja kasutada paralleelset lähenemist suurandmete platvormi rakendamisele ja suurandmete IT-oskuste tugevdamisele. Asjaolu toetab McKinsey aruanne, milles märgitakse, et 2018. aastaks on puudus üle 140 000–190 0000 spetsialistist, kellel on sügav tehniline ja analüütiline asjatundlikkus! Kuna üha rohkem tehnilisi spetsialiste vajab suurandmete koolitust, soovivad organisatsioonid kiirete investeeringutasuvuse huvides rohkem tehnilisi spetsialiste välja koolitada ning selle eesotsas on IT-osakonnas töötavad administraatorid ja insenerid.
IT-põhifunktsiooni kolmainsuse abiellumine suurte andmetega
Mõiste Kolmainsus tuletab mulle sageli meelde kahte religioosset mõistet: üks on looja, säilitaja ja hävitaja hindu mütoloogia ning teine on isa, poja ja püha vaimu kristlik kontseptsioon. Mõlemad püüdlevad inimkonna paremuse poole. Samamoodi püüavad need kolm IT-meeskonna funktsiooni parandada kogu organisatsiooni koos erinevate vajadustega osakondadega infotehnoloogia osas. Lisaks turva- ja tugifunktsioonidele saab IT-osakond nende funktsioonidega suhelda, kui tegemist on suurandmete rakendamisega.
Planeerimine - IT-meeskonna planeerimistegevus keskendub organisatsiooni IT-strateegia vastavusse viimisele ärieesmärkidega. See hõlmab tööd tarkvara kohandamisel, uute platvormide toomist, mis vastavad erinevate äriosakondade vajadustele. Teisisõnu, kõik uued rakendused algavad alati IT-st.
kuidas Java-s tüüpvormistada
Võrk - see hõlmab võrkude väljaarendamist, mis hõlbustavad kõne-, andmeside-, video- ja Interneti-liikluse igasugust suhtlemist. Andmete salvestamiseks on mitmesuguseid kontrollpunkte, olgu see siis klientide suhtlemine, meeleolude analüüs ja liikluse värskendamine - need kõik koguvad andmeid reaalajas! IT-osakond tagab sageli võrkude sujuva integreerimise, et töötada koos suurandmete töötlemise eesmärgiga.
Andmed - lihtsamalt öeldes, IT-meeskond toob tööriistu andmete kogumiseks, salvestamiseks, haldamiseks, turvamiseks ja töötajatele levitamiseks organisatsiooni erinevate strateegiliste otsuste jaoks. Igasugused andmed, nagu müügikirjed, finantsandmed, varude üksikasjad, salvestatakse ühes andmekeskuses. See loob IT-meeskonnas vastutuse suurandmete platvormide juurutamise eest, mis võimaldavad määratud kasutajatel teavet salvestada ja hankida mis tahes andmekohas.
Igas IT-meeskonnas on vaja mitmekülgset kooslust liikmetest, kellel on suurte andmete juurutamiseks erinevad ülesanded. Alustuseks on vaja spetsialisti, kes tagab sujuva ülemineku traditsioonilistelt süsteemidelt suurandmete platvormidele. Selleks on vaja, et tehnik keskenduks platvormi hooldamisele kogu selle elutsüklis kõigis osakondades. Seejärel tekib vajadus liikme järele, kes peab pidevalt jälgima, kas iga tehnoloogiline teostus on kooskõlas organisatsiooni eesmärgiga.
2.Toodete arendamine: innovatsiooni ümbermõtestamine teadus- ja arendustegevuse kõigis etappides
Võib-olla on see üks olulisemaid osakondi organisatsiooni uuele uuele tasemele viimisel! Suurandmete üks suurimaid eeliseid on andmete integreerimine tootearenduse erinevate puutepunktide vahel alates toote disainist, tootmisest, kvaliteedist, garantiist, diagnostikast, sõidukite ja tarkvararakendustest. Nendest puutepunktidest genereeritud andmed määravad toote viisi ja edukuse. Põhimõtteliselt viib see tootearendajad, teadus- ja arendustegevuse spetsialistid ning disainerid andmepõhise ja andmete analüüsimise lähenemisviisi juurde.
Suurandmete kujundamine reaalsuseks
Tootearenduse osas võiks öelda, et üks populaarne näide oleks vähem autojuhte, mida Audi arendab ja kavatseb 2016. aastaks turule tuua. Jah, tootearendustiimil on tohutu ülesanne tagada, et tegevjuhi visioon innovatsioonist oleks täidetud. . Kuid sellel teel on alates arendamisest kuni testimiseni mitmesuguseid väljakutseid ja küsimusi, millele suudavad vastata ainult suured andmed. Vaatame, miks.
Mõelge proovisõidule, mida jälgitakse punktist A punkti B. Siin on erinevaid andmeid, mida saab genereerida:
a. Anduriandmed - auto sees olevad andurid võiksid salvestada üksikasjad selle taga ja ees olevate autode vahel mõõdetud kauguse ja teekonnal kohatud sõidukite sageduse kohta.
b. Juhi andmed - erinevate vanuserühmadega saab läbi viia mitu katset ning mugavuse taseme, jõudluse üksikasjad ja mitu korda on juhil vaja automaatse sõidu alistamiseks analüüsimiseks suurteks ridadeks ja veergudeks kokku panna.
c. Demograafilised andmed - test võidakse läbi viia Indias ja USA-s. Automaatse juhtimise A.I võiks analüüsida takistusi, millega ta juhtimisel kokku puutub, kahes erinevas riigis. Milline riik on elujõuline automaatse sõidu jaoks ja milline maakond mitte?
d. Turu toimivuse andmed - pärast toote turule toomist ja teel olekut võiksid insenerid jälgida ka toote edukust, analüüsides reaalajas andmeid koos voogudega, mida auto programm annab 24 × 7, andes ülevaate, kui automaatse sõidu kasutuselevõtt aitab hoida tee on turvalisem?
Tooteehitusest on võimalik välja arvutada N arvulist võimalikku teavet. Oleme alles hakanud autotööstuse originaalseadmeid uurima. Mõelge suurandmete võimalustele erinevates sektorites, näiteks meditsiin, tervishoid, elektroonika ja nii edasi. Kes teab?
NALJAKAS FAKT: Kas teadsite, et Fordi Big Data ja Analyticsi kasutuselevõtt päästis selle surmalähedasest kogemusest 2000. aastatel, kui Euroopa ja Aasia autotootjate konkurents oli tihe!
3.Finants: töötajate koolitamine suurandmete platvormidel finantsmudelite haldamiseks
Võib-olla oleme sageli kuulnud mõistet, et raha on äri veri. Selle raha eest hoolitsemine on rahandusosakonna ülesanne. Ärimaailmas määratletakse rahandusosakonna funktsioonid tavaliselt kaasatuna ettevõtte finantside kavandamisse, korraldamisse, auditeerimisse, raamatupidamisse ja kontrollimisse ning ettevõtte finantside tootmisse.
Olles öelnud, et rahandusosakond on rahaga ümberkäimisel sageli ajurünnak ja roll laieneb erinevatele tegevustele, nagu rahavoogude aruannete koostamine, kulude modelleerimine, auhindade realiseerimine ja vastavus. Paar aastakümmet tagasi oli kõigi nende toimingute tegemine piiratud süsteemide ja platvormidega üsna teostatav, kuid suurandmete ajastul täidavad kaks väljakutset, millega iga rahandusosakond silmitsi seisab, regulaarsete finantsfunktsioonide täitmist muutuva stsenaariumi korral ja tuleviku kohta teadmiste kogumist. Vaatame seda sügavamast perspektiivist.
Erinevates serverites leviva teabe korral seisavad organisatsioonid sageli välja andmete konsolideerimise väljakutse ja teostavad tegevusi vastavalt ärinõuetele. Oluline funktsioon on siseaudit, mis hoiab vahekaarti organisatsiooni juhtimisest, riskijuhtimisest ja juhtimiskontrollist ning ennetavate pettusauditite läbiviimisest pettuste tuvastamiseks. Analüütika tõusuga on vaja integreerida ka siseaudit. See on tekitanud uusi meetodeid, nagu auditiandmete analüüs, mis aitavad hinnata riski, luua finantsmudeleid ja anda üldise pildi organisatsiooni rahandusest.
Kulude modelleerimine ja hindade realiseerimine
Kulude modelleerimine on ressursside tõhusa kasutamise oluline komponent. Ettevõtted peavad tuvastama tegevused, mis toovad kaasa kulusid, kogu ülesannete täitmiseks vajaliku otsese materjali ja tööjõu ja nii edasi. Kulude modelleerimine aitab ettevõtetel täpselt kindlaks teha toodete üldised tootmiskulud kõigi ettevõtte tegevusalade lõikes. Suurandmete ajastul on oluline jälgida kogu organisatsiooni erinevates osakondades toimuvat finantstegevust, mis koondab selle teabe ideaalse kulumudeli loomiseks. Alates ostust kuni müügini salvestatakse kõik andmed finantsajalukku ning kulumudeli väljatöötamise põhialused on hankida suured andmepalad ja luua mudel, mida saab tulevikus rakendada.
Ehkki võib vaielda, kas hinnarealiseerimise jõupingutused on suunatud kasumlikkuse parandamiseks pigem müügile, on hinna realiseerimisest kasu saamisel finantsosakonnal suurem roll. Lihtsamateks terminiteks jaotamiseks kaaluge jaemüügikohta, mis plaanib müügi edendamiseks pakkuda allahindlusi. Põhieesmärk on vähendada hinnaleket ja parandada tasuhinda.
Hinnalekked ilmnevad siis, kui toote hind on allahinnatud (müügi pakkumisel) nii vähe, et see kompromissiks tasuvuse osas ja tasuhind on allahindluste järgne müügihind. Kasumliku hinna realiseerimise saavutamiseks teeb müügimeeskond koostööd finantsosakonnaga, et mõista iga toote kulude struktuuri ja allahindlusi. See omakorda nõuab, et finantsosakond töötaks välja tulevaste hindade realiseerimise mudelite raamistiku ja määraks sellise turundustegevuse piirid. Ülesanne hõlmab hanke andmete, laokulude, säilivusaja andmete töötlemist ja seejärel müüdud kaupade maksumuse (CGS) hindamist.
F-12 ja ennustav analüüs
Üks olulisi tegevusi finantsosakonnas on organisatsiooni finantsseisundi jälgimine. Nii nagu arst kasutab erinevaid mõõdikuid, nagu pulss, kehasoojus või stiimulite reaktsioon, et otsustada, kas patsient on elus või surnud, jälgib finantsmaailm samamoodi 12 mõõdikut, et teada saada, kuhu ettevõte rahaliselt suundub ja mis jääb kaugemale . Reaalsest tulude kasvust, jätkusuutlikust tulude kasvust, hinnapoliitikast ja hinnakujundusest, tegevuskulude kontrollist, EBITDA ja rahavoogude võrdlusest, võlgadeta rahavoogust, sularaha ülejäägist, varade tootlusest, käibekapitalist, võlgade finantseerimise kasutamisest, netokaubanduse tsüklist ja kuludest kapitali moodustavad organisatsiooni finantsaruandluses olulised komponendid, nii et kõrgem juhtkond saaks teha kindla otsuse.
Osana suurandmete maailma väljakutsest nõuab nende suhtarvude mõistmine kogu organisatsioonis levinud suurte teabetükkide töötlemist, et see oleks analüüsimiseks standardses vormingus. Ennustav analüütika tuleb mängu siis, kui neid andmeid töödeldakse varasemast ajaloost, võrreldes praeguste samade elementidega nii, et tulevikuks tehakse täpseid hinnanguid. Parim osa on ennustava analüüsi platvorm ja meetodid on loodud suurandmete töötlemiseks, lihtsustades seeläbi finantsosakonna ülesandeid.
NALJAKAS FAKT: Kas teadsite, et Singapuris asuv Oversea-Banking Corporation (OCBC) suutis klientide teadmiseks kasutada suurandmeid, mis oli otseselt vastutav uue kliendi omandamise 40% kasvu eest!
4. Inimressursid: personalitöötajate võimete ümber määratlemine
Suurandmete kujutamine inimressurssides võib sageli kutsuda lugejaid inimühiskonnast loobuma, kuna organisatsioon ei sea personaalosakonnas Big Data tehnoloogia juurutamisel tavaliselt suurt tähtsust, kuna see keskenduks pigem turundusele, operatsioonile või rahandusele. Kuid tegelikkuses mängib personaliosakond üliolulist rolli selle tagamisel, et muude tegevuste hulgas jõuaks organisatsiooni ka õige talent.
HR-le veel hammaste lisamine
kuidas lõpetada programm javas
Suurandmete juurutamise osas on kõigi osakondade seas ehk kõige rohkem ignoreeritud, kuid tänases kiiresti muutuvas maailmas määrab organisatsiooni edukuse personaliosakonna tööviis.
Forbesi andmetel on keskmisel suurettevõttel üle 10 erineva personalirakenduse ja nende põhiline personalisüsteem on üle 6 aasta vana. See suundumus tõstab esile asjaolu, et organisatsioon vajab andmete ühendamiseks õigeid ressursse. Big Data & Analyticsi koolitus toob kaasa oskused nagu andmete analüüs, visualiseerimine ja probleemide lahendamine alates operatiivsest aruandlusest kuni strateegilise analüüsi juurde.
Eeldatakse, et personaliosakond täidab põhilisi personalioperatsioone, kuid Big Data koolitus viib selle täiesti uuele tasemele. Kui personaliosakond muutub tööriistadega analüütilisemaks, muudab see nende lähenemisviisi strateegilisemaks tegevuseks. Tuvastatakse kriitiline küsimus, kuidas saada rohkem töötajate kinnipidamistegureid, mis mõjutavad kandidaatide müügi kvaliteeti ja hinnata talendilünki, ning selle kaudu asjakohaseid andmeid analüüsides astutakse strateegilisi samme.
Nihe liigub lihtsa töötajate arvu juurest prognoositavama analüüsi juurde.
Oracle inimressurssides
Seal oli üks naljakas lugu, mille meenutan sõbraks, kes töötas HR-na. Enne kandidaadi saatmist vastava osakonnajuhataja juurde, kes ütles vaid võlusõnad: 'Ok, laseb ta tööle, oli tal kurnav peajahi töö.
Mõneks ajaks sujusid asjad hästi, kui ta tõi ettevõttesse häid talente. Aja möödudes kasvas ta enesekindlalt tööle võtmise oskuste osas, laiendades kõrgemat juhtkonda, et lisada oma meeskonda rohkem inimesi, juurutades personalisüsteeme ja kaasates rohkem kolmandate osapoolte konsultatsioone. Keeruline oli see, et ta andis oma enesekindlusega kõrgematele juhtkondadele lubadusi.
Ajalugu on näidanud, et see, kes valmistub tulevaseks sündmuseks, on edukam kui see, kes sõidab mineviku hiilgusel. Oli aeg, kus ta eeldatavasti palkas paljusid spetsialiste ettevõttes, kus ettevõte laienes. Ta hakkas täitma vabu töökohti kompromissiga kvaliteetsete spetsialistide palkamisel. Ta kasutas sihipärasemat lähenemist. Tulemus? Enamik tema palgatud spetsialiste pani paberid alla, tuues välja erinevad põhjused ja juhtkond küsitles teda. Sageli kuulsin, kuidas ta pomises:
'Jahin 1000 CV-d, valin 100 CV-d, kutsun 50 kandidaati vestlusele, filtreerin oma psühhomeetriliste hinnangute põhjal 10, võtan kümne seast välja 5, kes on seda väärt, saadan 5 juhtkonnale, nad nullivad 1 ja et üks kutt lahkub 2 kuu pärast. '
Naeratasin tema kaastundest peale kaastunde pakkumise, kuid see pani mind mõtlema, kas inimressursid suudavad oma kogemustega paremini otsustada või kas kogu selle töölevõtmise protsessi jaoks on vaja rohkem andmetest lähtuvat lähenemist? Noh, me kasutame ennustavat analüüsi selle leidmiseks, milline meeskond võidab maailmakarika, kuid miks mitte kasutada samu võtteid palkamisprotsessis, eriti kui tegemist on keeruliste elementidega, näiteks inimestega?
Nüüd ei ole tööle võtmine tingimata kerge töö, see hõlmab palju protsesse ja töölevõtmise reeglid muutuvad sageli vastavalt valdkonnale, kus personalitöötaja on organisatsiooni reeglite jaoks jne.
Kui vaadelda edukaid organisatsioone, kes kasutavad ennustavat analüüsi ja millel on madalam hõrenemissagedus, siis on olemas muster, kus kõigepealt otsustatakse kandidaadi soovitud omaduste üle, mis tagavad edu, kinnistatakse see „ideaalseks” profiiliks ja võrreldakse seda iga lähima kandidaadiga ja seejärel kaasata neid kohandatud hindamistega, mis hindavad nende kandidaatide omadusi.
Märkimist väärib see, et kogu psühhomeetrilise hindamise tööstus koos juhtivate mängijatega, nagu Pearsons, Thomas Assessment & SHL, tekkis personaliprofessionaalide nõudmise tõttu analüüsida kandidaatide profiili nende vajadusel töölevõtmise täiustamiseks!
Prognoosiva analüüsi juurde naasmiseks tuleb selle rakendamise osana personalitöötajad kõigepealt määratleda, kes on organisatsiooni järgi „edukas kandidaat“, seejärel peab ta määratlema tegurid, mis võivad suurendada töölevõtmise efektiivsust ning arendada ja jälgida miks mõnedel palgatutel läheb vajadusel hüpoteesiga paremini kui teistel. Selle põhjal saab ta seda võrrelda edukate töötajate andmetega, kes on organisatsioonis kaua viibinud, ja kolmandaks kasutab statistilisi võtteid, et mõõta, miks mõned inimesed kauemaks jäävad.
Lähenemisviis on alustuseks hea, kuid ennustava analüüsi juurutamine HR-s sisaldab paljusid tehnikaid, mida HR-l on vabadus uurida. Selle protsessi parim osa on kulude vähenemine, mis tuleneb töötaja asendamisest uutega ja võib-olla suurema investeeringutasuvuse saavutamisega kui vana.
Päeva lõpuks ei viimistle intuitsiooni, kogemuste ja usaldusväärse andmepõhise lähenemise kombinatsioon sageli mitte ainult kõrge esindaja hinnangut, vaid ka meie oma.
NALJAKAS FAKT: Kas teadsite, et Ameerika hiiglane Xerox vähendas oma kõnekeskuse käivet 20%, rakendades potentsiaalsetele kandidaatidele analüüsi, leides, et loomeinimesed püsivad ettevõttes tõenäolisemalt 6 kuud, mis on vajalik nende koolituse 6000 dollari tasumiseks, kui uudishimulik inimesed?
5. Tarneahel ja logistika: suurandmete platvormidega koolitustoimkond
Tarneahel ja logistika moodustavad organisatsiooni strateegiates ja eesmärkides põhimõtteliselt olulise osa. Tarneahela ja logistika eesmärk on kulude kokkuhoid ning jõudluse, kiiruse ja väleduse parandamine. Mis puutub logistikasse, siis nad hõivavad ja jälgivad mitmesuguseid andmeid, et oluliselt parandada tegevuse tõhusust, parandada klientide kogemusi ja uusi ärimudeleid. Need tegurid võivad sageli aidata organisatsioonidel ressursse kokku hoida, parema kaubamärgi üles ehitada ja tarneahela ja logistika jaoks süsteemse protsessi luua.
Big Data jälgimine kogu maailmas
Võtame näite e-kaubanduse hiiglasest, kes kasutab Big Data klientidele edastamiseks. Toode saadetakse asukohast kliendi aadressile. Transpordivahendis olevad seadmed, näiteks GPS-jälgija, mikrofon, andur, on struktureeritud ja struktureerimata andmed, mis saadetakse jälgimiskeskusesse tagasi reaalajas värskendamiseks. Koos sellega aitab see ka miljonite selliste tehingute loendis analüüsida tarneaja efektiivsust, lühimat teed ja ressursse, mida kasutatakse ühe kohaletoimetamise toimingu sooritamiseks. Organisatsioonid koondavad selle kullakaevanduse erinevatel turgudel ja seejärel analüüsitakse, et tuua protsessis täiendavaid parendusi või tuua terve tase uut innovatsiooni!
NALJAKAS FAKT : Kas teadsite, et Amazoni kliendilehtede jälgimise vormis olevad suured andmed on aidanud tal positsioneerida oma tooteid kliendile lähimasse lattu, et parandada kohaletoimetamise kiirust ja tõhusust?
kuidas skannerit Java-s kasutada
6. Operatsioonid, tugi ja klienditeenindus: töötajate koolitus suurandmete kohta igal kliendiga suhtlemisel
Mis tahes toote või teenuse edu põhineb müügijärgsel toel, mida klient saab ja sageli annab müüja vande olla kogu aeg tema jaoks olemas. See tuleneb asjaolust, et kui klient võtab toote või teenuse, teeb ta usu hüppe lootuses, et müüja ei lase tal toote / teenuse eluea jooksul alt vedada. Sellest vaatenurgast toimetamine on organisatsiooni edukuse jaoks kriitilise tähtsusega.
Vaatame tuge granuleeritult. Mul oli hiljuti võimalus vaadata Christopher Nolani filmi “Interstellar”, mis uuris kosmosereise kosmose lõpuni. See pani mind mõtlema tulevastele lennuettevõtjatele, kes hakkavad pakkuma lennuteenuseid läbi ussiaukude, mis ulatuvad miljonite valgusaastate kaugusele! Millised oleksid siis väljakutsed? Milliseid suuri andmeid selle peaaegu lõputu reisi jooksul genereeritakse? Kuidas tagab pardal olev meeskond, et reisija naudib kogu sõitu? Alustuseks peab teenuse pakkuja keskenduma peamistele eesmärkidele, nagu lennuohutuse tagamine, oma lennutrajektoori jälgimine, klientide vajaduste täitmine ja nii edasi.
Liikvel olevad suured andmed 24 × 7
Tähtedevaheliste reiside idee võib olla järgmise 100 aasta kauge unistus (olles optimistlik!), Kuid see ei takista meid vaatamast praegu toimiva sarnase teenuse genereeritud andmeid, mis heidavad rohkem valgust sellele, kuidas klient teenuseid ja tuge teostatakse müügijärgse stsenaariumi järgi ja kuidas organisatsioonid saavad reaalajas oma jõupingutusi parandada.
Alustuseks on Southwest Airlines üks kuulsamaid lennufirmasid, kes kasutas suurandmete eeliseid oma kliendikogemuse parandamiseks. Oma pakkumises lennuohutuse parandamiseks tegi Southwest Airlines NASA-ga koostööd, et osaleda suurandmete katses üldise lennukogemuse parandamiseks. See hõlmab NASA satelliitide pingutamist lennutrajektoori, pilootide aruannete ja muu lennuliikluse teabega. Sellise uuendusliku tehnika tipus peitub põhiline suurandmete kontseptsioon, mida nimetatakse tekstiandmete kaevandamiseks, mis muudab struktureerimata tekstiteabe sisukaks tekstiks. Nii et arvasite, et tekstiandmete kaevandamine lõpeb sellega?
Muidugi mitte, isegi suurandmete, näiteks tekstiandmete kaevandamise lihtne kontseptsioon ulatub sellest kaugemale. Me kõik teame, et klientide tagasiside on oluline komponent mõistmisel, kus organisatsioon valesti läheb igas kliendisuhtluse punktis. Tekstiandmete kaevandamine aitab ka klienditeenindust, analüüsides avatud uuringu vastuseid. Selle asemel, et kliente piirata tavapäraste võimalustega, nagu valik A, valik B, valik C, pakuvad avatud küsimused rohkem teadmisi, kuid nende klassifitseerimine ja vastuste registreerimine võib olla võtmeküsimus. Seal tuleb mängu tekstiandmete kaevandamine, kus see rühmitab teatud sõnad ja koondab need teadmiseks!
Sellest kaugemale vaadates peame kõik tunnistama, et ükski organisatsioon pole täiuslik ja et kõigil neist on väike hulk kliente, kes ei pruugi teenusega rahul olla. Tulemus? Andmebaas, mis oli üle ujutatud e-kirjade, sõnumite, kaebusi registreerivate klientide säutsu või parendusvaldkondade näpunäidetega, et seda üsna pehmelt öelda. Tekstiandmete kaevandamine läheb traditsiooniliste meilifiltritega sammu võrra kaugemale ja suudab kirjad prioriteetsuse järgi klassifitseerida ning suunata need kõnealusesse osakonda.
NALJAKAS FAKT : Kas teadsite, et Southwest Airlines on oma klienditeeninduse parandamise nimel kasutanud andmete analüüsi funktsiooniga, mida nimetatakse kõneanalüüsiks ja mis registreerib kliendi ja personali suhtlemist teadmiste saamiseks!
7. Turundus: töötajate koolitamine suurandmetega süsteemse turunduskäsitluse osas
Turundus kui tegevus on tänapäeval seotud numbritega. Digitaalse turunduse tõusuga saame nüüd täpselt mõõta reklaamide reageerimist, klikkimise määra, näitamiste arvu, investeeringutasuvust ja nii edasi. Mitteturunduspetsialistide jaoks on sellised mõõdikud ehk kreekakeelsed, kuid turundajate jaoks on need andmed kullakaevandused. Seejärel luuakse koos mõõdikutega suured andmekogumid klientidega suhtlemise, sotsiaalse meedia ja müügi igas punktis. Selliste andmete jälgimine ja nende kasutamine toodete tõhusamaks edendamiseks on turunduse professionaali ülesanne. Big Data koolitus mängib siin olulist rolli, kuna sellised platvormid nagu Hadoop & R aitavad eesmärki täita.
Teiseks lubavad aeg-ajalt turunduse spetsialistid oma kaubamärgi tagasivaatamist. Sellised küsimused nagu:
Kuidas on minu kaubamärk teistest parem?
Mida pakuvad teised kaubamärgid?
Millised omadused on mu konkurendil samal tootel?
Uuring ulatub sellest palju sügavamale. Alates 4P-de (toode, hind, koht, positsioneerimine) põhjal konkurendi toote analüüsimisest kuni konkurendi veebisaidil esitatud toote sisu mõistmiseni on genereeritud andmete hulk tohutu ja keeruline. Nagu varem öeldud, võib tekstikaevamise kasutamine turundajal aidata konkurendi analüüsi läbi viia, lihtsalt indekseerides konkurendi veebisaiti. See lihtne funktsioon suurandmete valdkonnas võib anda konsolideeritud ülevaate selle kohta, mida konkurent teeb ja milliseid tooteid nad turule paigutavad, andes seeläbi eelised suurandmeid omaks võtnud turundajale!
Reklaami relvastus
Näiteks soovib sotsiaalmeedia strateeg saada teavet oma organisatsiooni kaubamärgitunnetuse kohta kõigis sotsiaalmeedia platvormides, siis aitab ilmselt R & Hadoopis meeleoluanalüüsiga tegelemine selle eesmärgi saavutamisel. Samamoodi aitab Big Data tööriistade kasutamine turundada mitmesugustel tegevustel, näiteks hinnakujundus, toote positsioneerimine ja nii edasi.
Teine näide võiks olla jaemüügikoha turundusjuht, kes soovib müüki maksimeerida. Kõik teaksid Walmarti näidet, mis suutis õlle ja piima koridoris kõrvuti asetada, lähtudes varasemast klientide ostuajaloost, hankides aja jooksul suured miljonid kliendid hõlmavad andmetükid!
NALJAKAS FAKT: Kas teadsite, et General Motors oma turunduseelarvega 2 miljardit dollarit aastas kasutas Big Data Analyticsi abil üksikasjalikke kliendiprofiile ja ühendas ruumiandmete analüüsi üksikasjaliku demograafia / klienditeabega isikupärasema turunduse jaoks!
Miks ettevõtted lähevad üle Big Data platvormidele
Tavaliselt on vanu pärandsüsteeme kasutavate organisatsioonide andmed levinud paljudesse süsteemidesse. Andmete leviku tõttu erinevates kohtades väheneb töötlemiskiirus koos andmete analüüsimise täpsusega. See nõuab andmete koondamist ettevõtte andmekeskuses, mis loob andmetele kiirema juurdepääsu, mille tulemuseks on sügavam analüüs. Üks mis tahes organisatsiooni IT-osakonna oluline eesmärk on esitada taotluse korral kiiresti täpsed andmed organisatsiooni kõigi osakondade kohta.
Andmete kogumise korral on oluline struktureerimata, struktureeritud ja poolstruktureeritud andmeallikad ühendada ühele platvormile, et teha põhjalikku analüüsi ja hõlbustada põhimõtteliselt äriotsuste tegemist. See Hadoopi funktsioon toob organisatsiooni lauale rohkem inimesi, kuna on töötajaid, kes suhtlevad andmetega igapäevastes toimingutes erinevates puutepunktides. Samuti võivad traditsioonilised ETL- ja partiiprotsessid võtta kaua aega, samas kui Hadoop oma suure mahulise partiitöötlusega kiirendab seda kuni 10 korda.
Hadoopi olulisus ei tähenda tingimata, et iga organisatsiooni töötajat tuleb Big Data platvormil koolitada, mis ei pruugi enamikul juhtudel võimalik olla. Kuid CTO-l oleks strateegiline eelis tuvastada ja koolitada neid spetsialiste, kes pidevalt andmetega suhtlevad.
Andmete salvestamise, töötlemise ja hankimise populaarse Hadoopi platvormi kaudu on teine oluline nähtus, mis on loomuliku progressi osa, suurandmete analüüs. Lihtsamalt öeldes vajavad organisatsioonid organisatsiooni erinevate spetsialistide mitmekülgset vaatenurka.
Numbrit 6 saab tabeli teisest küljest vaadata numbrina 9. Teisisõnu, järeldused andmete vaatlemisest erinevad inimestel.
Organisatsioonid teavad seda ja tegelevad sageli töötajate koolitamisega sarnasel platvormil, et sama osakonnaga seotud erinevate osakondade inimesed arutaksid, osaleksid ja jagaksid teadmisi mõistliku otsuste tegemiseks. Niisiis, ma usun, et oleks turvaline määratleda Big Data koolitus kui võimalus, et iga töötaja oleks samal lehel ja viiks organisatsioonid järgmisele tasandile!
Kas teil on meile küsimus? Mainige neid kommentaaride jaotises ja me võtame teiega ühendust.
Seonduvad postitused: