Όλα όσα πρέπει να γνωρίζετε πριν ρυθμίσετε το Business Analytics!

Όλα όσα πρέπει να γνωρίζετε πριν ρυθμίσετε το Business Analytics!

September 30, 2022 0 Von admin

Εισαγωγή

Το σημερινό επιχειρηματικό περιβάλλον δεν μπορεί να υποτιμήσει τη σημασία των επιχειρηματικών αναλυτικών στοιχείων. Οι περισσότερες από τις επιχειρήσεις που ηγούνται του κλάδου τους είναι ηγέτες και στην ανάλυση. Ενώ πολλές επιχειρήσεις του Fortune 500 χαρακτηρίζουν τα αναλυτικά στοιχεία ως κρίσιμο συστατικό στο επιχειρηματικό πλεονέκτημα, δεν είναι πολύ αργά για έναν οργανισμό να αρχίσει να σχεδιάζει τα αναλυτικά του στοιχεία.

Είναι ήδη κλισέ ότι ο CoVID-19 έχει επιταχύνει το ταξίδι προς την ψηφιακή τεχνολογία. Μπορεί να είναι ήδη αργά αν περιμένετε να περάσει αυτή η κρίση και μετά εστιάσετε στην ψηφιοποίηση. Καθώς η κρίση επηρεάζει τις καθημερινές λειτουργίες στις περισσότερες επιχειρήσεις, η δημιουργία μιας ομάδας ανάλυσης όταν όλοι μειώνουν το προσωπικό τους και στρέφονται σε πιο λιτά επιχειρηματικά μοντέλα θα μπορούσε να χαρακτηριστεί τολμηρή, αν όχι παράξενη ανόητη.

Οι περισσότερες από τις ομάδες πρώτης γραμμής και επιχειρησιακών ομάδων είναι άθικτες ενώ αξονίζουν τις ομάδες πρόσθετης αξίας και τις ομάδες έρευνας. Σε τέτοιους καιρούς, έχει νόημα η επένδυση στα analytics;

Τα περισσότερα από τα αναλυτικά στοιχεία στις παραδοσιακές επιχειρήσεις επικεντρώνονται στην ανάπτυξη της κορυφαίας γραμμής. Ξεκινώντας από τις αναφορές απόδοσης πωλήσεων, το προφίλ πελατών, μέχρι τα μοντέλα μάρκετινγκ και προτάσεων. Σκεφτείτε τις επιχειρήσεις που ασχολούνται με την κατασκευή προϊόντων και την πώληση στους τελικούς καταναλωτές μέσω συνεργατών λιανικής – FMCG, ένδυση, ηλεκτρονικά είδη, αυτοκίνητα.

Ενώ τα αναλυτικά στοιχεία μπορούν σίγουρα να προσφέρουν αύξηση εσόδων, η ίδια ευφυΐα όταν χρησιμοποιείται για την αυτοματοποίηση και τη βελτίωση διαδικασιών, π.χ. προγνωστική συντήρηση, πρόληψη απάτης, βελτιστοποίηση αποθέματος μπορεί επίσης να οδηγήσει σε μείωση του κόστους. Επιπλέον, υπήρξε αύξηση στην ψηφιακή υιοθέτηση. Αυτό υποδηλώνει ότι θα υπάρξει έντονη ανάγκη για αναλυτικά στοιχεία για την παροχή καλύτερων εμπειριών πελατών – μέσω chatbot, εξατομίκευσης προϊόντων και στοχευμένων ψηφιακών καμπανιών.

Μαθήματα από το παρελθόν

Το χειρότερο προηγούμενο στην ιστορία

Παρά την ευρεία υιοθέτηση των αναλυτικών στοιχείων λόγω της αύξησης της δημοτικότητας και της ζήτησης το δεύτερο μισό της περασμένης δεκαετίας, υπάρχουν μόνο λίγοι οργανισμοί που μπορούν να καυχηθούν για μια σημαντική απόδοση επένδυσης από τις επενδύσεις τους σε αναλυτικά στοιχεία. Η πρόοδος στην υιοθέτηση smartphone, το κύμα 4G και η ανοιχτή πηγή Ε&Α στα αναλυτικά στοιχεία οδήγησαν στον εκδημοκρατισμό των δεδομένων και της τεχνολογίας- διασφαλίζοντας ίσους όρους ανταγωνισμού για όλους. Ωστόσο, ορισμένες βιομηχανίες (σκεφτείτε το BFSI, το ηλεκτρονικό εμπόριο, τα μέσα κοινωνικής δικτύωσης) προηγούνται της καμπύλης, ενώ οι παραδοσιακές επιχειρήσεις και οι αναπτυσσόμενες χώρες παίζουν να καλύπτουν τη διαφορά. Καθώς δεν υπάρχουν πλέον εμπόδια εισόδου, εξακολουθούν να ελλοχεύουν σημαντικές προκλήσεις με τη μορφή της εφαρμογής και της κλιμάκωσης των πρωτοβουλιών ανάλυσης.

Προτού ρυθμίσετε τα αναλυτικά στοιχεία, χρειάζεται να κάνετε ένα βήμα πίσω και να κατανοήσετε πώς τα αναλυτικά στοιχεία θα συμπληρώσουν τις δυνατότητες ενός οργανισμού, ποια εμπόδια πρέπει να παρακάμψετε και ποιες ασκήσεις μετασχηματισμού πρέπει να κάνετε για να αντλήσετε τη μεγαλύτερη αξία από την εφαρμογή αναλυτικών στοιχείων, και αυτό επίσης , με αποτελεσματικό, οικονομικά αποδοτικό και συνεχή τρόπο.

Οδικός χάρτης για το Business Analytics

The Man In The High Castle

Η απόφαση να προχωρήσουμε προς έναν οργανισμό με δυνατότητα ανάλυσης θα πρέπει να υποστηρίζεται από την ανώτατη διοίκηση. Και θα πρέπει να συνοδεύεται από αλλαγή στρατηγικής σε επίπεδο οργανισμού. Ενώ παρουσιάζεται ο οδικός χάρτης των αναλυτικών στοιχείων, απαιτείται μια προσέγγιση από πάνω προς τα κάτω με σαφή ιδιοκτησία και καλά καθορισμένους ηγετικούς ρόλους. Η δέσμευση και οι επενδύσεις πρέπει να ρέουν αρχικά, οι οποίες μπορούν να αντιστοιχιστούν σε ρεαλιστικά χρονοδιαγράμματα και στόχους για την εφαρμογή, την υιοθέτηση και την παράδοση της απόδοσης επένδυσης. Πρέπει να δημιουργηθεί ένα κέντρο αριστείας – με επικεφαλής τον CIO ή το CDO, το οποίο θα φροντίζει για αναλυτικές ανάγκες σε γεωγραφικές και λειτουργικές μονάδες – το οποίο θα μπορεί να λειτουργεί ως δεξαμενή σκέψης για όλες τις επιχειρηματικές αποφάσεις.

Πρέπει να αποδοθούν προτεραιότητες σε διαφορετικές περιπτώσεις επιχειρηματικής χρήσης με σαφές όραμα κόστους-οφέλους. Κάθε πιθανή ευκαιρία μπορεί να βαθμολογηθεί έναντι της αναμενόμενης επιχειρηματικής αξίας, του χρηματικού κόστους, της σκοπιμότητας υλοποίησης, του χρόνου ανάπτυξης και ούτω καθεξής. Η αξιολόγηση της υπάρχουσας ωριμότητας των αναλυτικών στοιχείων σε έναν οργανισμό και η σύγκρισή τους με τις βέλτιστες πρακτικές του κλάδου μπορεί να είναι ένα καλό σημείο εκκίνησης. Ενώ όλοι θέλουν να κυνηγήσουν φανταχτερές και τεχνολογικά έξυπνες λύσεις που βασίζονται σε τεχνητή νοημοσύνη, μπορεί να αντληθεί σημαντική αξία ακόμη και από απλές λύσεις, όπως η αυτοματοποίηση των αναφορών, για να διασφαλιστεί ότι οι CXO λαμβάνουν τη δόση των πληροφοριών τους σε πραγματικό χρόνο και δημιουργούν πίνακες εργαλείων με αναλυτικές οδηγίες. ότι οι διευθυντές επιχειρήσεων μπορούν εύκολα να εντοπίσουν τα σημεία πόνου.

Προκλήσεις πρόσληψης

The One with All The Juggling

Με μια ανισορροπία ζήτησης-προσφοράς που γέρνει υπέρ των επαγγελματιών της ανάλυσης, η πρόσληψη ενός κατάλληλου συνδυασμού ταλέντων μεταξύ των διευθυντών επιχειρήσεων, των ειδικών μοντέλων δεδομένων και των μηχανικών δεδομένων μπορεί να είναι μια τεράστια δυσκολία όσον αφορά το χρόνο και το χρηματικό κόστος. Για τους μικρούς οργανισμούς, συχνά γίνεται επιλογή μεταξύ μικρών ομάδων – μελών πολλαπλών εργασιών με ρηχές δεξιότητες σε όλο το φάσμα έναντι εξειδικευμένων και έμπειρων μελών ομάδας που οδηγεί σε υψηλό κόστος και χαμηλή παραγωγικότητα. Αυτές οι αποφάσεις πρόσληψης πρέπει επίσης να λαμβάνονται παράλληλα με την επιλογή αναλυτικής εργαλειοθήκης (Python vs R vs SAS), υποδομής δεδομένων (SQL vs no-SQL, cloud vs on-premises), εργαλείων δεδομένων δηλαδή (ανοιχτού κώδικα έναντι Tableau vs PowerBI)- δεν θέλετε να προσλάβετε έναν προγραμματιστή SAS εάν δεν είστε διατεθειμένοι να αγοράσετε λογισμικό SAS για 10 χιλιάδες USD ετησίως ανά χρήστη.

Αξίζει επίσης να σημειωθεί ότι σημαντικές εργασίες ανάλυσης, όπως η ρύθμιση περιβάλλοντος δεδομένων, ο σχεδιασμός διάταξης αναφορών και η υλοποίηση, η δημιουργία μοντέλων ML- μπορεί να είναι εφάπαξ εργασίες ρύθμισης και μετά από αυτό, ο αυτοματισμός ή η ελάχιστη συντήρηση μπορούν να συνεχίσουν να λειτουργούν. Ως εκ τούτου, δεν έχει νόημα να έχουμε μεγάλες εσωτερικές ομάδες για την αιωνιότητα. Επιπλέον, με την εμφάνιση νέων αλγορίθμων και νέες πλατφόρμες που εμφανίζονται καθημερινά, κινδυνεύετε να γίνετε ξεπερασμένοι πολύ σύντομα. Ως εκ τούτου, χρειαζόμαστε συχνές επενδύσεις σε ομάδες εκπαίδευσης σε εργαλεία και τεχνικές αιχμής. Η παρουσία ενός εξωτερικού συνεργάτη αναλυτικών στοιχείων θα μπορούσε να βοηθήσει στον μετριασμό ορισμένων από αυτές τις προκλήσεις.

Προκλήσεις δεδομένων

Lorem Ipsum

Ενώ υπήρξε έκρηξη δεδομένων τα τελευταία χρόνια, οι πρακτικές συλλογής και αποθήκευσης δεδομένων δεν συμβαδίζουν με την ταχύτητα και τον όγκο δεδομένων. Με τα δεδομένα να υπάρχουν σε αφθονία, κάθε επιχειρηματική μονάδα εξακολουθεί να συλλέγει και να διατηρεί τα δεδομένα της. Το αποτέλεσμα είναι ότι κλειδώνουμε τα περισσότερα δεδομένα σε σιλό, χωρίς ή σχετικά χαμηλή χρησιμότητα. Επίσης, οι περισσότεροι οργανισμοί εξακολουθούν να βασίζονται μόνο σε πηγές δεδομένων παλαιού τύπου. Για παράδειγμα, δεδομένα πωλήσεων και δεδομένα αποθέματος, τα οποία δεν έχουν σχεδόν καμία πληροφορία σχετικά με τους πελάτες, τα δημογραφικά στοιχεία, τους ανταγωνιστές, τις παραγωγικές δραστηριότητες. Αυτές οι πηγές δεδομένων μαζί με εξωτερικά δεδομένα μπορεί να είναι πολύτιμες για την παροχή πληροφοριών σχετικά με τη συμπεριφορά των πελατών, την αποτελεσματικότητα της διαδικασίας, το μερίδιο αγοράς και τη στρατηγική τιμολόγησης.

Όχι μόνο η επιλογή των δεδομένων και των πηγών δεδομένων, αλλά και η δημιουργία μιας αποκλειστικής διαδικασίας και υποδομής για την ενοποίηση δεδομένων και τη διαχείριση δεδομένων είναι εξίσου κρίσιμη – η επιλογή υλικού και εργαλείων αποθήκευσης δεδομένων με βάση τον τύπο δεδομένων, τη χρήση και τον όγκο δεδομένων. Επιπλέον, στην πρώτη γραμμή της κουλτούρας δεδομένων είναι οι ανησυχίες για το απόρρητο και την ασφάλεια των δεδομένων. Υπάρχουν αυστηρότεροι κανονισμοί δεδομένων (για παράδειγμα, GDPR, στην ΕΕ) σχετικά με το απόρρητο δεδομένων. Ως εκ τούτου, υπάρχει περισσότερο από ποτέ ανάγκη για ηθικές πρακτικές συλλογής και αποθήκευσης δεδομένων, ανωνυμοποίηση ευαίσθητων δεδομένων και συναίνεση του χρήστη για χρήση και δημοσίευση δεδομένων.

Ο παρακάτω πίνακας παρουσιάζει ορισμένες κοινές ανησυχίες σχετικά με τα δεδομένα και προτείνει τις αντίστοιχες λύσεις-

Αποψη Ανησυχίες Λύσεις

Συλλογή δεδομένων

  • Ποια δεδομένα πρέπει να συλλεχθούν;
  • Ποια είναι η χρονική υστέρηση, η συχνότητα και η ευαισθησία των δεδομένων;
  • Επιλογή δομής δεδομένων και υποδομής
  • Πρακτικές συλλογής δεδομένων βάσει αξίας
  • Κεντρική αποθήκη δεδομένων

Ψηφιοποίηση Δεδομένων

  • Δεδομένα από φυσικά τιμολόγια, αποδείξεις ή έντυπα
  • Δεδομένα κειμένου ή εικόνας
  • Χρήση αυτοματισμού και τεχνολογίας OCR
  • Προηγμένη επεξεργασία δεδομένων και βαθιά μάθηση

Ποιότητα Δεδομένων

  • Χειροκίνητη καταγραφή δεδομένων
  • Διαφορετικές ροές δεδομένων
  • Δεν υπάρχουν έλεγχοι δεδομένων
  • Συλλογή ψηφιακών δεδομένων
  • Αποθήκευση δεδομένων

Ασφάλεια Δεδομένων και Απόρρητο

  • Θέματα συμμόρφωσης
  • Ευπάθειες στον κυβερνοχώρο
  • Κίνδυνος απώλειας δεδομένων
  • Οδηγίες ιδιοκτησίας δεδομένων
  • Εσωτερικές πολιτικές κοινής χρήσης και πρόσβασης δεδομένων
  • Επένδυση στην ασφάλεια στον κυβερνοχώρο και στις υποδομές πληροφορικής

Προκλήσεις Πολιτικής Μετατόπισης- Αλλαγή του Status Quo

Οι περισσότεροι οργανισμοί προσεγγίζουν την ανάλυση ως ένα άλλο έργο πληροφορικής, το οποίο μπορεί να αναλάβει ένα ξεχωριστό τμήμα – αυτό δεν είναι σχεδόν αλήθεια. Η συνειδητοποίηση της πραγματικής αξίας από την ανάλυση συμβαίνει όταν οι βασικοί λήπτες αποφάσεων σε όλες τις λειτουργίες και όλα τα επίπεδα εξασκούν την ανάλυση. Υπάρχει ανάγκη να ενσταλάξουμε τη λήψη αποφάσεων που βασίζονται σε δεδομένα, αντικαθιστώντας τη συμβατική σοφία και την αξιοπιστία του εντέρου. Εκτός από μια γενική ανθρώπινη τάση αντίστασης στην αλλαγή, αυτή η τριβή οδηγείται περαιτέρω από την έλλειψη κατάλληλων τεχνικών δεξιοτήτων και δεξιοτήτων ανάλυσης δεδομένων μεταξύ των διευθυντών επιχειρήσεων. Ως εκ τούτου, κάπου χάνουμε τα περισσότερα από τα έργα ανάλυσης στη μετάφραση.

Οι ομάδες του Analytics θα πρέπει επίσης να μοιραστούν ένα μέρος της ευθύνης. Οι επαγγελματίες τεχνητής νοημοσύνης που οδηγούνται από την πείνα για ακρίβεια μοντέλων και την περιορισμένη επιτυχία των παραδοσιακών μοντέλων ML με μεγάλα δεδομένα έχουν αγκαλιάσει όλο και περισσότερο τα νευρωνικά δίκτυα που είναι ένα μαύρο κουτί. Ως εκ τούτου, δεν παρέχουν καμία (ή στην καλύτερη περίπτωση, μια ψευδο) επεξήγηση για τις προβλέψεις τους. Και σε εταιρικές αίθουσες συνεδριάσεων, όπου κάθε απόφαση θα μπορούσε να αξίζει εκατομμύρια δολάρια, οι ηγέτες των επιχειρήσεων τείνουν να βασίζονται στην εξυπνάδα και την εμπειρία τους παρά να βασίζονται σε κάποιες ρομποτικές προβλέψεις τις οποίες δεν μπορούν να αποκωδικοποιήσουν. Αντί να ζητάτε από τους ιδιοκτήτες επιχειρήσεων να αποδεχτούν τα μοντέλα ML με δεμένα τα μάτια, αναλάβετε μια προσέγγιση «ανάλυσης ριζικής αιτίας» που εστιάζει στους υποκείμενους παράγοντες πίσω από τις προβλέψεις για να δημιουργήσετε την τόσο αναγκαία εμπιστοσύνη στα μοντέλα ανάλυσης.

Προκλήσεις Εφαρμογής

Περιμένω φύλακα

Χρειαζόμαστε σωστή ευθυγράμμιση και συντονισμό μεταξύ πολλών τμημάτων για την ομαλή ανάπτυξη των έργων ανάλυσης. Το Analytics μπορεί να εντοπίσει τον κίνδυνο στην πίστωση ή την απάτη στην ασφάλιση. Ωστόσο, εναπόκειται στους σχετικούς ενδιαφερομένους να επινοήσουν δραστικές στρατηγικές από αυτές τις ιδέες. Για παράδειγμα, ορισμένες βραχυπρόθεσμες ερωτήσεις που χρειάζονται απαντήσεις είναι: Χρειάζεται να απορρίψουμε τέτοιες αιτήσεις πελατών; Ή να τους χρεώνω υψηλότερους τόκους/ασφάλιστρα; Αν ναι, πόσο; Μακροπρόθεσμα, τροποποιήστε τις στρατηγικές απόκτησης πελατών για να αποκτήσετε έναν μικρότερο συνδυασμό τέτοιων πελατών.

Ως εκ τούτου, καθίσταται σημαντικό να διασφαλιστεί η συνεργασία και η ευθυγράμμιση μεταξύ των ομάδων ανάλυσης και των λειτουργικών ομάδων. Από τον εντοπισμό ενός επιχειρηματικού προβλήματος έως τη μετάφρασή του σε πρόβλημα ανάλυσης και την αξιολόγηση της σκοπιμότητας υλοποίησης.

Μέτρηση επιπτώσεων

Και τίποτα άλλο δεν έχει σημασία

Όχι μόνο τα αναλυτικά, πρέπει να μετρήσει κανείς οποιαδήποτε πρωτοβουλία σε σχέση με τον πραγματικό αντίκτυπο. Μόνο τότε, οι επενδύσεις μπορούν να δικαιολογηθούν και οι παγίδες, εάν υπάρχουν, μπορούν να μετριαστούν. Προωθήστε τα έργα με αξιόλογη επιχειρηματική αξία στην παραγωγή και κλιμακώστε τα σε διάφορες περιοχές. Θα πρέπει να υπάρχουν κατάλληλες προσαρμογές, ενώ εκείνες που δεν είναι επιτυχείς λόγω τεχνολογικών περιορισμών, διαθεσιμότητας δεδομένων ή περιορισμών εκτέλεσης δεν πρόκειται να συνεχιστούν περαιτέρω. Για την ανάλυση, όλη αυτή η άσκηση έχει μεγαλύτερη σημασία. Επειδή οποιαδήποτε αλλαγή στο επιχειρηματικό σενάριο θα οδηγήσει σε μετατόπιση των KPI και των μεταβλητών της επιχείρησης, με αποτέλεσμα τυχόν ιστορικές συγκρίσεις ή παλιά μοντέλα ML να είναι παρωχημένα. Ως εκ τούτου, πρέπει να βελτιστοποιήσουμε την προσέγγιση και τα μοντέλα ανάλυσης για να βεβαιωθούμε ότι αντικατοπτρίζουμε καλά τα πιο πρόσφατα μοτίβα δεδομένων και τις επιχειρηματικές τάσεις.

Επίσης, διαφορετικοί ενδιαφερόμενοι θα έχουν διαφορετικούς στόχους και διαφορετικές προσδοκίες από την ανάλυση. Ως εκ τούτου, χρειαζόμαστε ένα ολιστικό πλαίσιο για τη μέτρηση των επιπτώσεων. Το παρακάτω είναι ένα τέτοιο πλαίσιο που εκτείνεται σε πολλές διαστάσεις.

Ο δρόμος μπροστά

Οι περισσότεροι οργανισμοί βρίσκονται ακόμη σε ένα αρχικό στάδιο της ωριμότητας των αναλυτικών στοιχείων και της δύναμης της ψηφιοποίησης σε πλήρη εξέλιξη. Ως εκ τούτου, τα καλύτερα στοιχεία ανάλυσης δεν έχουν έρθει ακόμη. Η ικανότητα ενός οργανισμού να μεταμορφώνεται επιτυχώς σε μια επιχείρηση που βασίζεται στα δεδομένα θα αποτελέσει βασικό παράγοντα διαφοροποίησης μεταξύ ηγετών και καθυστερημένων. Ενώ τα δεδομένα και η τεχνητή νοημοσύνη μπορεί να μην αντικαθιστούν τα επιχειρηματικά μυαλά και την ανθρώπινη νοημοσύνη, μπορεί να αποτελέσουν πολύτιμο στρατηγικό πλεονέκτημα και βασικό ανταγωνιστικό πλεονέκτημα για τις επιχειρήσεις. Μετάβαση στην επιχείρηση που βασίζεται στα δεδομένα, μια επιλογή τώρα θα μπορούσε να είναι πολύ σύντομα μια ανάγκη για επιβίωση. Για να πραγματοποιηθούν όλα αυτά, υπάρχει ανάγκη να επανεξεταστεί η αναλυτική προσέγγιση κάποιου για να επιτραπεί η ανακάλυψη αξίας, ο προσδιορισμός και η ιεράρχηση ευκαιριών και η ευρεία υιοθέτηση σε επίπεδο βάσης. Περιττό να πούμε ότι αυτή η πρόθεση πρέπει να υποστηρίζεται από την τόσο αναγκαία στρατηγική, την υποστήριξη ηγεσίας και τις επενδύσεις.

Σχετικά με τον Συγγραφέα

Συγγραφέας

Amit Kumar

Επαγγελματίας Επιστήμης Δεδομένων και Τεχνητής Νοημοσύνης με 15+ χρόνια εμπειρίας σε όλους τους κλάδους. Υπήρξα τόσο στην εταιρεία (Vodafone, Aviva Insurance, GE) όσο και στην πλευρά της Συμβουλευτικής. Ένας παθιασμένος υποστηρικτής της επιστήμης δεδομένων και έχει μια συνεχή προσπάθεια να δημιουργήσει βέλτιστες εφικτές λύσεις για να αντλήσει μετρήσιμη επιχειρηματική αξία από τα δεδομένα. Επί του παρόντος, Director – Intelligent Automation and Accelerated Analytics (IA3) στη Nexdigm Business Consulting.

Συνδεθείτε με τον Amit – LinkedIn