Data science

เหตุใดการสร้างแบบจำลองภาษาจึงเป็นกุญแจสำคัญในการตัดสินใจตามข้อมูล

หากการระบาดใหญ่ได้สอนอะไรเราไว้ บริษัทต่างๆ ในทุกอุตสาหกรรมจำเป็นต้องใช้ประโยชน์จากข้อมูลให้ดีขึ้นเพื่อให้สามารถแข่งขันได้ จากการศึกษาพบว่าในช่วงหลายเดือนที่ผ่านมา 12 การเปลี่ยนรูปแบบดิจิทัลของปฏิสัมพันธ์ระหว่างลูกค้าและซัพพลายเชนได้เร่งตัวขึ้นโดยเฉลี่ยสามถึงสี่ปี และในขณะที่ทุกคนกำลังตัดสินใจ 'ฝึกอบรม' ที่ขับเคลื่อนด้วยข้อมูล คำเตือนเล็กน้อย: ในอดีต อัตราความสำเร็จของการเปลี่ยนแปลงทางดิจิทัลนั้นต่ำมาก มีเหตุผลหลายประการสำหรับสิ่งนี้: ขาดการสนับสนุนของผู้บริหาร การขาดจากลำดับความสำคัญทางธุรกิจ ความกลัวต่อสิ่งที่ไม่รู้ และเป้าหมายที่ทะเยอทะยานมากเกินไป แต่ที่มากขึ้นเรื่อยๆ มีเหตุผลที่สำคัญมากขึ้นที่ขัดขวางการเปลี่ยนแปลง นั่นคือการขาดข้อมูลที่เชื่อถือได้ ความคิดริเริ่มด้านข้อมูลที่ไม่ได้เชื่อมต่อและวิเคราะห์แหล่งข้อมูลที่แตกต่างกันอย่างถูกต้อง ดังนั้นจึงได้รับความเชื่อถือทั่วทั้งองค์กรจะล้มเหลว พิจารณาสิ่งนี้. ข้อมูลของคุณมีศักยภาพในการให้ข้อมูลเชิงลึกเกี่ยวกับกลยุทธ์การเข้าสู่ตลาด ช่วยระบุผู้นำธุรกิจ สามารถกำหนดได้ว่าใครพร้อมสำหรับการโปรโมต และสามารถช่วยเพิ่มคุณสมบัติที่ลูกค้าของคุณจะชื่นชอบ (และคู่แข่งของคุณจะอิจฉา) สามารถเปิดเผยความต้องการที่ซ่อนอยู่หรือแนวโน้มที่บริษัทของคุณสามารถใช้ประโยชน์ได้ แต่ถ้าทีมขายของคุณเชื่อถือเฉพาะข้อมูลของ Salesforce.com นักการตลาดของคุณจะไม่มองข้าม Marketo และทีม HR ของคุณปฏิเสธที่จะออกไปนอก Gusto แสดงว่าคุณมีปัญหา เพื่อสร้างกรอบความคิดด้านข้อมูลที่เชื่อถือได้สำหรับทั้งองค์กร คุณจะต้องสร้างรากฐานการวิเคราะห์ข้อมูลที่แข็งแกร่งซึ่งคุณสามารถใช้ประโยชน์ได้ การตั้งค่านี้ต้องใช้การพิจารณาที่สำคัญสามส่วน: การรวบรวมข้อมูล: การสร้างกระบวนการที่ข้อมูลถูกย้ายจากแหล่งที่มาไปยังฐานข้อมูล การสร้างแบบจำลองข้อมูล: การจัดระเบียบข้อมูลดิบนั้นเพื่อสร้างตรรกะทางธุรกิจที่กำหนดวิธีการสร้าง จัดเก็บ และเปลี่ยนแปลงข้อมูลสร้างตนเอง -ระบบบริการ: ทำอย่างไรให้ผู้ใช้ตอบคำถามด้วยตัวเอง? เป้าหมายสูงสุดในการสร้างรากฐานของข้อมูลคือการสร้างแหล่งข้อมูลความจริงเพียงแหล่งเดียวทั่วทั้งองค์กร โมเดลข้อมูลที่มีโครงสร้างและรูปแบบข้อมูลที่เกี่ยวข้องนี้ช่วยให้มั่นใจได้ว่าทุกองค์ประกอบข้อมูลจะได้รับการจัดการในที่เดียว ทำให้ตรรกะทางธุรกิจโดยปริยายในการสืบค้น SQL อยู่ที่ไหนสักแห่ง ทุกคนใช้คำศัพท์เดียวกันเพื่อแสดง KPI และข้อมูลที่สำคัญ ซึ่งช่วยปรับปรุงคุณภาพข้อมูล การทำงานร่วมกัน ประสิทธิภาพการทำงาน ในขณะที่ลดความไม่สอดคล้องกันซึ่งนำไปสู่ความไว้วางใจ ด้วยการสร้างแบบจำลองข้อมูล ผู้ใช้ทางธุรกิจสามารถตอบคำถามด้วยวิธีการบริการตนเอง การทำให้เลเยอร์การสร้างแบบจำลองถูกต้องเป็นกุญแจสำคัญในการให้ผู้ใช้ปลายทางสำรวจข้อมูลอย่างอิสระ ดังนั้นนักวิเคราะห์จึงมีอิสระที่จะมุ่งเน้นในการสร้างความมั่นใจในความสมบูรณ์ของแบบจำลองและการพัฒนาตามความต้องการทางธุรกิจ The Legacy Way: New Query, New Model แพลตฟอร์ม Business Intelligence กลายเป็นที่แพร่หลายทั่วทั้งบริษัท ทั้งที่ฝังอยู่ในแอปพลิเคชันอื่นหรือผ่านแอปพลิเคชันแบบบริการตนเองของแพลตฟอร์มแบบสแตนด์อโลน เมื่อมีผู้คนจำนวนมากขึ้นที่ต้องการเข้าถึงแหล่งข้อมูลและรับข้อมูลเชิงลึก แรงกดดันสำหรับกระบวนการส่วนกลางที่มีการกำหนดและจัดระเบียบที่ดีขึ้นจึงเพิ่มขึ้น นักวิเคราะห์ข้อมูลมีบทบาทสำคัญในที่นี่ ด้วยระบบเดิม ทุกครั้งที่ผู้ใช้ต้องการรายงาน นักวิเคราะห์จะสร้างแบบจำลองข้อมูล โมเดลนี้สร้างขึ้นจากสิ่งที่พวกเขารู้เกี่ยวกับความต้องการของผู้ใช้ปลายทาง กฎเกณฑ์ทางธุรกิจตามวิธีการดำเนินงานขององค์กรที่เฉพาะเจาะจง และความรู้เกี่ยวกับชนเผ่าผ่านการทำงานร่วมกับองค์กร ปัญหาที่นี่คือตรรกะทางธุรกิจโดยนัยในการสืบค้น SQL ของนักวิเคราะห์อยู่ในหัวของพวกเขาหรือกระจัดกระจายไปตามไฟล์ในฮาร์ดไดรฟ์ของพวกเขา แต่ไม่มีที่อยู่ภายนอก ทุกครั้งที่ผู้ใช้ต้องการตอบคำถาม นักวิเคราะห์จะต้องนำความรู้เฉพาะด้านนั้นมาสร้างแบบจำลองที่ผู้ใช้สามารถเข้าถึงเพื่อสร้างรายงานได้ โมเดลดั้งเดิมนี้ยังหมายความว่าผู้ใช้มักจะตัดสินใจทางธุรกิจโดยพิจารณาจากข้อมูลที่แตกต่างกัน ไม่ว่านักวิเคราะห์จะเรียกอะไรเมื่อสร้างแบบจำลองข้อมูล วิธีการแบบเดิมนี้หมายความว่าผู้ใช้ไม่สามารถตอบคำถามได้อย่างอิสระ และนักวิเคราะห์ไม่มีอิสระในการทำงานกับกิจกรรมที่มีมูลค่าสูงกว่า ผู้ใช้ควรดำเนินการจากแหล่งความจริงเพียงแหล่งเดียว ดังนั้นพวกเขาจึงตัดสินใจทางธุรกิจโดยใช้ข้อมูลที่สอดคล้องกัน Data Modeling Languages ​​จัดระเบียบความรู้ของนักวิเคราะห์ แพลตฟอร์ม BI ที่มองการณ์ไกลได้ออกสู่ตลาดโดยเสนอแนวทางใหม่ในการแก้ปัญหานี้: ภาษาการสร้างแบบจำลองข้อมูล โดยทั่วไป ภาษาเหล่านี้มีโครงสร้างที่ไม่ซับซ้อนซึ่งช่วยให้นักวิเคราะห์สามารถเขียนแบบจำลอง จากนั้นจึงสร้างการสืบค้น SQL กับฐานข้อมูลเฉพาะโดยอัตโนมัติ ตัวแบบข้อมูลเองกลายเป็นแหล่งความจริงเพียงแหล่งเดียว — พจนานุกรมสากลที่แปลกประหลาด ผู้ใช้สามารถใช้พจนานุกรมนี้เพื่อสำรวจข้อมูลและสร้างรายงานเฉพาะกิจได้ด้วยตนเอง ภาษาเหล่านี้ให้ตรรกะทางธุรกิจโดยปริยายในการสืบค้น SQL ที่ใดที่หนึ่งเพื่อ 'ใช้งานจริง' ตัวแปรต่างๆ เช่น ตารางใดมีข้อมูลใด ชื่อคอลัมน์หมายถึงอะไร วิธีรวมตาราง A กับตาราง B และอื่นๆ จะถูกบันทึกและสอดคล้องกัน ความรู้ของชนเผ่าในสมองของนักวิเคราะห์ได้รับการปิดผนึกในภาษา ภาษาการสร้างแบบจำลองควรแก้ไขกระบวนการสอบถามซ้ำๆ และปรับปรุงการสืบค้น SQL โดยการสร้างแบบจำลองข้อมูลที่มีประสิทธิภาพที่นำกลับมาใช้ใหม่ได้ด้วยคอลัมน์ที่กำหนดเองและการสืบค้นย่อยแบบไดนามิก พวกเขาควรสร้างความไว้วางใจโดยการปรับปรุงคุณภาพข้อมูลและลดความไม่สอดคล้องกัน สิ่งนี้จะช่วยให้ผู้ใช้ธุรกิจสามารถสำรวจโมเดลข้อมูลที่กำหนดโดยนักวิเคราะห์ที่เชื่อถือได้ ซึ่งช่วยประหยัดเวลาโดยลดการกลับไปกลับมา ขณะนี้ธุรกิจต่างๆ กำลังมองหาข้อมูลในรูปแบบต่างๆ โดย CIO คาดการณ์ว่าจะใช้ข้อมูลและการวิเคราะห์ธุรกิจมากกว่าเทคโนโลยีอื่นๆ สิ่งนี้ทำให้เกิดความจำเป็นเร่งด่วนในการสร้างความไว้วางใจในข้อมูลเพื่อให้เกิดผลตอบแทนจากการลงทุนนี้ ภาษาการสร้างแบบจำลองข้อมูลช่วยให้ทุกคนใช้คำศัพท์เดียวกันเพื่อแสดง KPI ที่สำคัญและข้อมูล พวกเขาปรับปรุงคุณภาพข้อมูล การทำงานร่วมกัน ประสิทธิภาพการทำงาน ในขณะที่ลดความไม่สอดคล้องกัน ซึ่งทั้งหมดนี้นำไปสู่ความไว้วางใจ เกี่ยวกับผู้เขียน Angshuman Guha เป็น CEO และผู้ร่วมก่อตั้ง bipp ซึ่งเป็นแพลตฟอร์ม cloud BI ใหม่ที่เพิ่งเปิดตัวในรุ่นเบต้า ด้วยอาชีพ 20 + ปีในการเรียนรู้ด้วยเครื่องประยุกต์ในบทบาทระดับสูงที่ Microsoft, Google, Yandex Labs และ Sears Angshuman เป็นผู้เชี่ยวชาญด้านการเรียนรู้เชิงลึกและถือ 24+ สิทธิบัตรสำหรับสิ่งประดิษฐ์ที่หลากหลาย เช่น 'ความเสี่ยงพิเศษสำหรับการเสนอราคาโฆษณาออนไลน์ที่อิงตาม Conversion' ถึง 'การกำหนดสตริงข้อความตามลักษณะภาพของชิ้นส่วนย่อย' เขาก่อตั้ง bipp เพื่อตอบสนองความต้องการของตลาดและวิศวกรรมที่ยังไม่พอใจในชุมชน BI เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1 ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี

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

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

    Back to top button