Data science

ต้องการ: ข้อมูลเชิงลึกทางธุรกิจที่มีความหมาย

บริษัทต่างๆ กำลังดำเนินการอย่างดีในการเติม data lake, ปรับใช้แพลตฟอร์มการวิเคราะห์ และทดลองกับ AI และการเรียนรู้ของเครื่อง ซึ่งเป็นส่วนหนึ่งของการผลักดันสู่ธุรกิจที่ขับเคลื่อนด้วยข้อมูลในระดับสากล แต่ด้วยข้อมูลและเครื่องมือมากมายที่มีอยู่ ทำไมองค์กรส่วนใหญ่ยังคงดิ้นรนเพื่อให้ได้มาซึ่งข้อมูลเชิงลึกทางธุรกิจที่มีความหมายตามขนาด ผู้บริหารระดับ C และผู้เชี่ยวชาญด้านธุรกิจต่างกระหายที่จะใช้ประโยชน์จากข้อมูลเพื่อสร้างความได้เปรียบทางธุรกิจ ไม่ว่าจะหมายถึงการรวบรวมข้อมูลเชิงลึกเกี่ยวกับความชอบของลูกค้าเพื่อปรับปรุงประสบการณ์การซื้อและเพิ่มยอดขาย หรือเพิ่มประสิทธิภาพการปฏิบัติตามคำสั่งซื้อและการจัดหาโลจิสติกส์เพื่อลดสินค้าคงคลังในมือ ในขณะที่ศักยภาพของข้อมูลในฐานะสินทรัพย์เชิงกลยุทธ์มีการจัดการระดับสูง ผู้นำด้านไอทีและธุรกิจต่างพยายามดิ้นรนเพื่อให้เป็นไปตามสัญญา Gartner ประมาณการว่าระหว่าง 60% ถึง 60% ของโครงการข้อมูลขนาดใหญ่จะล้มเหลวและยืนยันว่า เท่านั้น 20% ของข้อมูลเชิงลึกของการวิเคราะห์จะส่งมอบผลลัพธ์ทางธุรกิจที่ต้องการผ่าน 92 การตัดการเชื่อมต่อส่วนใหญ่ขึ้นอยู่กับสถานะปัจจุบันของข้อมูลองค์กรที่ครบกำหนด ในขณะที่ NewVantage Partners (NVP) 2021 การสำรวจ Big Data และ AI Executive พบว่าบริษัทที่ตอบสนองเกือบทั้งหมดเร่งความเร็วของ Big Data และการลงทุน AI (2022 % ซึ่งเป็นการพุ่งขึ้น 40% จากการสำรวจของปีที่แล้ว) น้อยกว่าหนึ่งในสี่ (24%) ของบริษัทต่างๆ ประสบความสำเร็จในการสร้างองค์กรที่ขับเคลื่อนด้วยข้อมูล โดยมีน้อยกว่าครึ่งหนึ่งเล็กน้อย (48.5%) สามารถขับเคลื่อนนวัตกรรมโดยใช้ข้อมูลและ 41 2% แข่งขันกันในการวิเคราะห์ มีเพียง 20 2% กำลังประสบกับผลลัพธ์ทางธุรกิจที่เปลี่ยนแปลงไปจากการใช้ข้อมูลอย่างมีประสิทธิภาพ NVP พบ ปัญหาไม่ได้อยู่ที่องค์กรเก็บข้อมูลไม่เพียงพอหรือแม้แต่ข้อมูลที่ถูกต้องเพื่อสร้างข้อมูลเชิงลึกทางธุรกิจ ประเด็นคือ องค์กรไม่มีกรอบบริบทที่เหมาะสมในการสรุปผลเชิงคาดการณ์หรือวิเคราะห์ข้อมูลโดยไม่ต้องใช้ความพยายามและพึ่งพากลุ่มบุคคลที่เลือกเพื่อทำการเชื่อมต่อ ในยุคที่บริษัทต่างๆ ประสบปัญหาในการจัดหาการวิเคราะห์ข้อมูลเฉพาะทางและความสามารถทางธุรกิจ การพึ่งพากลุ่มบุคคลหลักในการขับเคลื่อนข้อมูลเชิงลึกเป็นสูตรสำหรับปัญหาคอขวดที่สำคัญ นอกจากนี้ยังไม่ได้ช่วยให้ผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลมักจะไม่หมกมุ่นอยู่กับการดำเนินงานในแต่ละวัน ซึ่งทำให้พวกเขาไม่ต้องพิจารณาว่าสิ่งใดเป็นข้อมูลเชิงลึกอันมีค่าเมื่อเทียบกับผู้ใช้ธุรกิจกระแสหลัก (metamorworks/Shutterstock) ลองมาดูบริษัทที่ต้องการทำความเข้าใจว่าสามารถตอบสนองความต้องการของลูกค้าบางประเภทได้หรือไม่ด้วยการจัดส่งสินค้าตรงเวลา ในการสรุปผลที่ถูกต้อง อาจต้องใช้ข้อมูลลูกค้าจาก CRM รวมถึงข้อมูลสินค้าคงคลังและลอจิสติกส์จากระบบธุรกิจหลักที่แตกต่างกัน แบบฝึกหัดนี้ต้องใช้ความเชี่ยวชาญในการดึงข้อมูลจากแหล่งข้อมูลที่ถูกต้องเพื่อพยายามตอบคำถาม แต่ถึงอย่างนั้นก็ยังไม่เพียงพอ สิ่งที่จำเป็นจริงๆ คือ ความรู้เกี่ยวกับการดำเนินธุรกิจที่แปลในลักษณะที่เชื่อมโยงจุดต่างๆ และดึงข้อสรุปจากข้อมูลที่แตกต่างกันไปในขณะที่ทำเช่นนั้นโดยไม่จำเป็นต้องให้ผู้เชี่ยวชาญเข้ามาแทรกแซง สูญหายไปโดยไม่มีการแปล เพื่อหลีกเลี่ยงความเสี่ยงที่ความคิดริเริ่มของข้อมูลขนาดใหญ่จะกลายเป็น “จุดทิ้งขยะ” สำหรับข้อมูลโดยไม่ให้มูลค่าทางธุรกิจที่แท้จริง องค์กรต้องศูนย์ในสองสิ่ง: ความสามารถในการแปลองค์ประกอบจากแหล่งข้อมูลต่างๆ เป็นภาษาผู้ใช้ทางธุรกิจทั่วไป สามารถเข้าใจ; และความสามารถในการบริการตนเอง ดังนั้นผู้ใช้ที่อยู่ในร่องลึกเดียวกันจึงสามารถติดตามข้อมูลเชิงลึกได้ด้วยตนเอง โดยไม่ต้องอาศัยความช่วยเหลือจากนักวิทยาศาสตร์ด้านข้อมูล เริ่มต้นด้วยแนวคิดเรื่องเลเยอร์การแปล ข้อมูลที่เข้ามาใน Data Lake นั้นใหญ่ ซับซ้อน และหลากหลาย ซึ่งหมายความว่าจำเป็นต้องได้รับการประสานกันระหว่างระบบต่างๆ เพื่อให้สามารถจับคู่ได้อย่างสม่ำเสมอ ซึ่งเป็นข้อกำหนดเดียวกันของคลังข้อมูลแบบเดิม อย่างไรก็ตาม นอกเหนือจากการบูรณาการและการประสานกันแล้ว ยังจำเป็นต้องมีอีกชั้นหนึ่งเพื่อทำให้ข้อมูลเชิงลึกเกิดขึ้นได้ สิ่งที่ต้องมีคือรูปแบบข้อมูลบริบทบางรูปแบบที่อธิบายองค์ประกอบข้อมูลที่ไหลเข้าสู่ Data Lake เพื่อให้สามารถมีความหมายต่อผู้ชมในวงกว้างขึ้น ลองนึกถึงสองประเทศต่างชาติที่พยายามเจรจาข้อตกลงในภาษาธรรมชาติของตนเองโดยใช้นักแปล ถ้าการถอดเสียงของการประชุมไม่มีทั้งการบันทึกการสนทนาและเรกคอร์ดการแปล กล่องโต้ตอบจะสูญหายไปจากใครก็ตามที่ไม่ได้พูดทั้งสองภาษา การเปลี่ยนข้อมูลดิบให้เป็นข้อมูลเชิงลึกไม่ใช่เรื่องง่าย (Peshkova/Shutterstock) ตอนนี้ให้พิจารณาเลเยอร์การแปลที่เกี่ยวข้องกับเมตริกในโลกแห่งความเป็นจริง เช่น “การส่งมอบตรงเวลา” แม้ว่าบริษัทส่วนใหญ่จะติดตามอย่างใกล้ชิด แต่เมตริกอาจมีความหมายที่แตกต่างกันสำหรับผู้ใช้ทางธุรกิจที่แตกต่างกัน แม้จะอยู่ในบริษัทเดียวกันก็ตาม มีความซับซ้อนเพิ่มขึ้นเมื่อคุณคำนึงถึงความเป็นจริงของธุรกิจ ตัวอย่างเช่น การพิจารณาว่าองค์กรส่งคำสั่งซื้อตรงเวลาอาจค่อนข้างตรงไปตรงมา แต่ตัวชี้วัดดังกล่าวอาจเปิดเผยตัวเองแตกต่างออกไปมากหากบริษัทโลจิสติกส์บุคคลที่สามมีส่วนร่วมในการทำธุรกรรม ด้วยเหตุนี้ องค์กรจึงจำเป็นต้องมีบริบทจากแหล่งข้อมูลหลายแหล่งที่ระดับลูกค้า คำสั่งซื้อ และรายการโฆษณา เพื่อกำหนดข้อมูลเชิงลึกที่มีชั้นมากขึ้นซึ่งแสดงภาพ “การส่งมอบตรงเวลา” วิธีที่มีประสิทธิภาพมากขึ้นในการบรรลุความแตกต่างนั้นคือการใช้แบบจำลองข้อมูลที่มีบริบทมากมาย ซึ่งกำหนดองค์ประกอบข้อมูลอย่างชัดเจนและให้ความหมายแก่ข้อมูลเชิงลึกโดยไม่ต้องใช้วิทยาศาสตร์ข้อมูลจำนวนมากและการสร้างแบบจำลองที่มีน้ำหนักมาก ความสำคัญเท่าเทียมกันคือความสามารถในการบริการตนเอง ซึ่งทำให้ผู้ใช้ทางธุรกิจสามารถกำหนดกรอบคำถามในภาษาธุรกิจในชีวิตประจำวันและค้นหาข้อมูลโดยใช้คำที่คุ้นเคย การอำนวยความสะดวกให้ผู้ใช้มีส่วนร่วมในลักษณะนี้จะปกปิดความซับซ้อนของการวิเคราะห์ข้ามกระบวนการและแสดงข้อมูลเชิงลึกโดยการเชื่อมต่อระหว่างข้อมูลที่จัดเก็บไว้ในระบบที่ต่างกันและแยกส่วน นอกจากนี้ยังให้อำนาจแก่ผู้ใช้ทางธุรกิจในการถามคำถามเกี่ยวกับข้อมูลของตนเองอย่างต่อเนื่องเมื่อมีความจำเป็น โดยเปิดเผยข้อมูลเชิงลึกที่มีประสิทธิภาพมากขึ้น ซึ่งจะอำนวยความสะดวกในการตัดสินใจที่ดีขึ้นและเร่งการดำเนินการที่เด็ดขาด การเปลี่ยนข้อมูลเชิงลึกเป็นผลลัพธ์ บริษัทต่างๆ ที่สามารถหันเหความสนใจไปที่คุณภาพของข้อมูลเชิงลึก ไม่ใช่แค่ปริมาณข้อมูลที่รวบรวมเท่านั้น กำลังเริ่มเก็บเกี่ยวผลตอบแทนจากธุรกิจที่ขับเคลื่อนด้วยข้อมูล บริษัทน้ำมันและก๊าซที่มีชื่อเสียงซึ่งใช้เวลามากกว่าห้าปีในการพยายามต่อสู้กับโซลูชันการวิเคราะห์แบบดั้งเดิมเพื่อรับข้อมูลเชิงลึกเกี่ยวกับตัวชี้วัดทั่วไป เช่น การส่งมอบตรงเวลาและเต็มจำนวน หรือจำนวนวันที่ค้างชำระ (DPO) สามารถก้าวข้ามข้อมูลเชิงลึกทางนิติวิทยาศาสตร์ไปสู่การวิเคราะห์เชิงคาดการณ์ได้ โดยเฉพาะอย่างยิ่ง สามารถลดค่าใช้จ่ายคงคลังคงเหลือได้มากกว่า 40% โดยเชื่อมโยงข้อมูลการใช้สินค้าคงคลังกับพารามิเตอร์การวางแผนจริงโดยใช้ เครื่องมือของโมเดลข้อมูลที่มีบริบทมากมาย ผู้ผลิตรายใหญ่สามารถปรับปรุงตัวชี้วัดการส่งมอบตรงเวลาจากเปอร์เซ็นไทล์ที่ต่ำ 41 เป็นระดับกลาง 80เปอร์เซ็นไทล์ที่โดยเชื่อมโยงจุดต่างๆ ระหว่างความสามารถในการผลิตกับผลการจัดส่ง และทำการปรับเปลี่ยนที่จำเป็นตามข้อมูลเชิงลึก ในพื้นที่ค้าปลีก บริษัทต่างๆ สามารถจัดหมวดหมู่หน้าต่างที่มีประสิทธิภาพสำหรับสินค้าตามฤดูกาลหรือสินค้าเน่าเสียง่าย ซึ่งแต่ละแห่งมีอายุการเก็บรักษาที่จำกัด เพื่อลดสินค้าคงคลังที่ล้าสมัยลงอย่างมาก ตัวอย่างเหล่านี้เป็นเพียงส่วนเล็กๆ ของสิ่งที่เป็นไปได้เมื่อผู้ใช้ทางธุรกิจจริงในฝ่ายขาย ฝ่ายจัดซื้อ หรือฝ่ายผลิตมีเครื่องมือในการถามคำถามและสำรวจข้อมูลขนาดใหญ่ภายในบริบทของบทบาทและใช้ภาษาที่พวกเขาเข้าใจ องค์กรเหล่านั้นที่สามารถก้าวข้ามแนวคิดที่ว่าข้อมูลที่มากขึ้นจะดีกว่า และเปลี่ยนโฟกัสไปที่การเพิ่มความหมายให้กับข้อมูลแทน จะอยู่ในตำแหน่งที่ดีที่สุดในการขับเคลื่อนข้อมูลเชิงลึกที่ให้คุณค่าที่พิสูจน์ได้และวัดผลได้ ด้วยการเปิดรับแนวทางใหม่ องค์กรสามารถได้เปรียบในการแข่งขันและนำทางไปสู่ธุรกิจที่ขับเคลื่อนด้วยข้อมูลอย่างแท้จริง เกี่ยวกับผู้แต่ง: Bas Kamphuis เป็นประธานเจ้าหน้าที่ฝ่ายการเติบโตของ Magnitude Software ด้วยภูมิหลัง + ปีในกลยุทธ์องค์กรและพันธมิตรทั่วทั้งฮาร์ดแวร์ ซอฟต์แวร์ บริการ และองค์กรที่ปรึกษา Bas มุ่งเน้นไปที่ การพัฒนาความร่วมมือหลายระดับโดยอาศัยการรวมเทคโนโลยีหลัก การออกแบบโซลูชันเต็มรูปแบบ และการส่งมอบ ก่อนหน้านี้ Bas ดำรงตำแหน่งผู้จัดการทั่วไป ISV เชิงกลยุทธ์ที่ Amazon Web Services ซึ่งเขารับผิดชอบด้านความสัมพันธ์ทางการค้าระดับโลกระหว่าง AWS กับพันธมิตร ISV เชิงกลยุทธ์ส่วนใหญ่ เช่น Microsoft และ SAP และระบบนิเวศของคู่ค้าที่เกี่ยวข้อง Bas เป็นชาวเนเธอร์แลนด์และปัจจุบันตั้งอยู่ในเมือง Los Altos รัฐแคลิฟอร์เนีย รายการที่เกี่ยวข้อง: ในการค้นหากองข้อมูลสมัยใหม่ที่ขับเคลื่อนการแพร่ระบาดของ Analytics ใช้ทั่วโลก แบบสำรวจกล่าวว่าเคล็ดลับง่ายๆ ประการหนึ่งที่หลอกลวงสำหรับความสำเร็จของ Data Lake

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button