Data og analyser er hurtigt blevet dagens buzzwords i erhvervslivet. Man ville være hårdt presset til at knække en journal uden en henvisning til fremadstormende virksomheder, der "intelligent bruger data" til at få indsigt i kundeadfærd, foretage risikoanalyser eller mere effektivt administrere deres infrastruktur. Store, datarige virksomheder, især dem af den regulerede sort, har været engageret i datastyret beslutningstagning i årevis, bedst eksemplificeret ved Capital Ones banebrydende inden for dataanalyse for bedre at forstå sine kunder – indsigter, der efterfølgende blev brugt til at lancere hypermålrettede og enormt effektive marketingkampagner, der førte til dens løbske succes.
Men trods nichebegyndelser er udnyttelsen af data hurtigt blevet mainstream. Der er få troværdige grunde i dag til, at en given virksomhed, uanset størrelse og mandskab, ikke har analyser som en kerneforretningsproces/-evne. Traditionelle indvendinger såsom omkostninger, ressourcer og ekspertise skærer ikke længere i sennep. Tværtimod er internt genererede data hurtigt ved at blive et allestedsnærværende strategisk aktiv, der udnyttes på samme måde, som enhver anden ville gøre, af konkurrencedygtige virksomheder, der søger at forblive konkurrencedygtige.
Denne artikel søger overfladisk at introducere sine læsere til en verden af data og analyser og lede dig gennem markedsdynamikken, værktøjerne, spillerne og løsningerne, der er unikke for begge, før den sidste halvdel dedikeres til en praktisk implementeringsvejledning og rammer for små virksomheder.
Med fremkomsten af internettet og med det e-handel, sociale medier og enheders sammenkobling kom en eksplosion i mængden af globalt tilgængelige og analyserbare data for dem, der besidder værktøjerne til at udnytte dem. Hvert tweet, post, like, venstre swipe, højre swipe, dobbelttryk, anmeldelse, tekst og transaktion – hver er data, der kan bruges til at kortlægge vores digitale fodspor, der fortæller alt om, hvem vi er, hvordan vi træffer beslutninger, hvor og hvorfor. Disse data, passende betegnet "big data" på grund af omfanget, dybden og kompleksiteten af dets form, har åbnet et hav af muligheder inden for præskriptive og forudsigelige analyser, hvilket muliggør hyper personalisering af så mange af de produkter, vi forbruger dagligt.
Formelt beskriver big data store datasæt, der kan analyseres beregningsmæssigt for at afsløre mønstre, tendenser og associationer, oftest relateret til menneskelig adfærd og interaktioner. For at data kan betegnes som "store", skal sættet/banken være så stort, at det kræver avancerede datametoder og komplekse systemer for at udvinde værdi fra dem.
I en forskningsrapport fra 2001 indrammede META-gruppen (nu Gartner) big data i tre dimensioner, kaldet tre mod data. Disse er som følger:Lydstyrke (mængde), Hastighed (genererings-/transmissionshastighed) og Variety (udvalg af type og kilde). Disse tre V'er blev efterfølgende udvidet til Four V'er af IBM, til at omfatte Veracity (kvalitet/integritet) af data som den endelige dimension, der kræves for at fange værdi.
…men du havde sandsynligvis allerede hørt om big data. Små data er på den anden side en underklasse af data, der anses for beskedne nok til at gøre dem tilgængelige, informative og handlingsrettede af mennesker uden behov for alt for komplekse analytiske værktøjer. Bedst reduceret af den tidligere McKinsey-konsulent Allen Bonde, "Big data handler om maskiner, mens små data handler om mennesker" - specifikt meningsfuld indsigt organiseret og pakket til udledning af årsagssammenhænge, mønstre og årsagerne "hvorfor" om mennesker.
I takt med stigningen i både tilgængeligheden og anvendeligheden af data kom fremkomsten af en selvstændig analyseindustri. Engang det eksklusive tilholdssted for statistikere, dataforskere og analytikere på master- og ph.d.-niveau, har analytics udviklet sig til en industri med funktionelt robuste, men billige, selvbetjeningssoftware-as-a-service (SaaS) platforme, der muliggør selv de mest nybegyndere til at udtrække værdi fra deres data. Mindre virksomheder, der tidligere manglede den ekspertise eller de budgetter, der kræves til at udføre denne form for analyser, konkurrerer nu på tættere lige fod med deres modparter med bedre ressourcer og etablerer forsvarlige motes på deres markeder.
Ud over omkostningsfordelene ved SaaS-modellen viser forskning fra Aberdeen Group, en teknologi- og serviceforskningsvirksomhed, at organisationer, der anvender SaaS-værktøjer, har dobbelt så mange medarbejdere, som instinktivt bruger data til at træffe beslutninger og nå deres ROI-mål 40 % hurtigere end dem, der ikke gør. For de fleste virksomheder er e-mail-marketingrapporter, Google Analytics og andre tredjeparts webbaserede analyseværktøjer allerede i aktiv brug, foruden internt genererede rapporter fra regnskabs-, marketing-, ERP- og CRM-systemer og bruges som den primære mekanisme til tjene penge på deres små data.
Mere til dette, og selvom det er et stort og voksende marked, hvis præcise måling kan være vanskelig, vurderer IDC det verdensomspændende marked for business intelligence og analyseværktøjer til næsten 14 milliarder dollars fra 2017, og vokser med en hastighed på 11,7 % år-å-å, med Forrester Research , en global markedsundersøgelsesvirksomhed, der forudser en CAGR på 15 % frem til 2021.
Ikke overraskende er markedet for analyseværktøjer og -løsninger domineret af den gamle garde af softwarevirksomheder – virksomheder som SAP, IBM, Oracle og Microsoft. Fra 2015 førte SAP markedet med en markedsandel på 10 % og 1,2 milliarder dollars i indtægter fra analytics og business intelligence (BI); SAS Institute var nummer to med en andel på 9 %; IBM, tredje med 8%, og Oracle og Microsoft på henholdsvis fjerde og femte plads med 7% og 5%. Interessant nok har markedsandelen for de fem største leverandører været faldende på grund af væksten over markedet for venturekapital-støttede startups såsom Sentiment Strategies, Tableau og Teradata, hvilket tyder på, at meget af branchens fremtidige vækst vil blive genereret af mindre, hurtigere og mere agile virksomheder.
På det højest mulige niveau giver en datacentreret kultur ledelsen større tillid til, at den er i stand til at træffe de bedst mulige beslutninger, ofte og konsekvent, mens de arbejder ud fra den samme version af sandheden – en gennemsigtig, kvantificerbar. De fleste af os har trods alt siddet igennem sessioner, hvor stridende ledere har fremført/forsvaret forskellige argumenter ved at læne sig op ad forskellige anekdotiske kilder, faktamønstre og fortolkninger, hvilket hurtigt har sat spørgsmålstegn ved integriteten af inputs og derfor output. Den første beslutning, der skal tages af en given lille virksomhed, der søger at gå dataanalysevejen, er, om virksomheden virkelig søger at blive en datadrevet organisation.
Når denne top-down beslutning er truffet, skal der etableres en ramme for at optimere potentialet og nytten af den nye strategiske prioritet. Til at begynde med skal der stilles flere spørgsmål. Den første, hvad er de kort- og langsigtede mål for den givne virksomhed, projekt, initiativ eller afdeling? For det andet, hvem skal være ansvarlig for indsatsen og dens resultater? For det tredje, hvilke specifikke problemer søger virksomheden, projektet, initiativet eller afdelingen at løse med data? Og for det fjerde, hvilke værktøjer skal bruges til at drive initiativet?
Når disse spørgsmål er blevet besvaret, er næste skridt at formulere en håndgribelig eksekveringsplan, som med lidt planlægning, organisationsstruktur, top-down retning og bottom-up entusiasme vil positionere organisationen ved hånden til at generere reel og målbar. resultater mere konsekvent, end det har gjort tidligere. Diagrammet nedenfor er designet til at give en ramme til at overveje de forskellige elementer i en simpel dataanalysetilgang.
Dette er det første vigtige spørgsmål at få rigtigt. På et højt niveau er det overordnede mål for enhver virksomhed, der søger at udnytte sine data, at udvikle en systematisk proces til at træffe sunde forretningsbeslutninger – en proces, der er konsistent og gentagelig, og som giver målbart bedre resultater. På dette tidspunkt er det vigtigt at bemærke, at det at blive en sund dataorienteret organisation er en rejse og ikke en destination, og som sådan er "buy-in" fra toppen og konsensus fra bunden vigtige grundlæggende skridt, der vil vise sig at være kritiske til masseadoption og fuldt udnyttede analytiske aktiver. Efter at have opnået buy-in, er et afprøvet og testet næste trin at strategisk arrangere et par "hurtige gevinster" for at skabe den tærskelspænding og engagement, der skal til for at se denne proces igennem. Konsensusopbygning, buy-in og opnåede hurtige gevinster, både forskning og mine erfaringer dikterer en implementeringstilgang, der forudsætter følgende struktur, rækkefølge og overvejelser:
Begynd med beskrivende analyser – et simpelt visuelt dashboard, der fremhæver virksomhedens ydeevne ved hjælp af eksisterende transaktionsdata til at drage konklusioner, der tidligere havde vist sig at være uoverensstemmende uden kvantificerbare data. Dernæst skal du udvikle drill-down-kapaciteter i dit dashboard, dele indsigt, takeaway(s) og selvhjælpsinstruktioner strategisk og med de rigtige kolleger/organisatoriske influencers. Dette vil kickstarte både formidlingsprocessen til deres underordnede og den dataafhængighedskultur, du søger at dyrke.
Trin to:Opgrader til mere sofistikerede forudsigelige analysefunktioner, enten ved hjælp af interne tekniske ressourcer eller med hjælp fra tredjepartsudbydere. Disse forudsigelsesfunktioner blander både interne og eksterne datakilder for bedre at kunne besvare specifikke forretningsspørgsmål såsom, "Hvad er sandsynligheden for, at en kunde fejler?" eller "Kunder, der køber x, køber typisk også y" og leverer reelle tidsindsigt i afdelingens eller et givent initiativs præstationer. "Udvendige datakilder" omfatter i dette tilfælde sociale mediedata, salgsstyrkedata eller brugeroplevelsesdata, som alle giver rige og statistisk signifikante kilder til indsigt, hvor interne data stadig er for begrænset til at kunne udnyttes alene.
Det tredje trin er at gå videre til avanceret, præskriptiv analyse, der hjælper med at bestemme den passende handling til at vejlede/forebygge forbruger-, virksomheds-, konkurrent-, medarbejder- eller leverandøradfærd på baggrund af historiske data. Det skal dog bemærkes, at denne fase normalt begynder at markere overgangen fra små data til store; og alligevel er det et nødvendigt skridt, der bør inkorporeres i din virksomhedsdækkende beslutningsproces for at sikre de højeste niveauer af input-output integritet og konsistens i beslutningstagningen.
Det er en sandhed, at det, der måles, styres, og ved at udvikle en enkelt data-deterministisk sandhed er ledere i en organisation bedre i stand til at træffe mere sunde, mere ensartede beslutninger. Dashboards er udgangspunktet for sådanne analyserejser og den visuelle illustration af en virksomheds data-deterministiske sandhed. Selvfølgelig kan det, der er relevant for en gruppe være meningsløst for en anden, så der bør tages behørigt hensyn til formålet eller temaet for et givet dashboard, hvilke oplysninger der skal inkluderes, hvem den relevante modtagerpublikum er for dets indhold, og hvad spørgsmål/problem er, at nævnte gruppe søger at besvare/løse.
Veldesignede dashboards driver beslutningstagning frem for blot at præsentere historisk information, og de bedste fokuserer effektivt opmærksomheden på tendenser og tilbagevendende mønstre (både positive og negative), mens de nøjagtigt illustrerer en virksomheds vitale funktioner. Mere sofistikerede dashboards giver detaljerede muligheder, der gør det muligt for ledere at finde de grundlæggende årsager til et diagnosticeret problem med annoterings- og delingsfunktioner, der giver mulighed for mere dynamisk visning i realtid.
Når dashboard-processen er afsluttet, kan den håbefulde datadrevne organisation begynde at blive mere ambitiøs. Til dette er et typisk næste skridt at "bruge omfangsrige og varierede data til at udføre mere avanceret analyse og give yderligere dimension til beslutningsdomænet." Ved at blande virksomhedsspecifikke data yderligere beriget med tredjeparters data, lige fra vertikale specifikke leverandører som Experian, Acxiom og D&B til sociale medier eller salgsdataudbydere som Facebook, Twitter og Salesforce, kan det givne firma udforske større, bredere, mere varierede og statistisk signifikante sæt for ny og bedre indsigt i virksomhedens ydeevne og kundeadfærd.
Virksomheder på virksomhedsniveau med forskellige behov med hensyn til data, kunder, reguleringer og specifikke forretningsproblemer/problemer og med forskellige budgetter og interne færdigheder vil sandsynligvis have teknologileverandører, der imødekommer deres mere unikke behov. De opererer i en skala, hvor evnen til at operationalisere analyserne i deres forretningsprocesser og arbejdsgange bliver vigtigere og mere økonomisk. Ofte vil disse virksomheder være i regulerede brancher, hvor de skal kunne demonstrere, at de har fair og gentagelige behandlinger på plads.
Långivere udviser ingen skævhed i deres udlånspolitikker, uanset om det er for køn, indkomst eller race.
En ting er at bestemme en specifik handling og en anden at gennemføre den. Der skal være en sammenhæng mellem diagnose, ordination og beslutning og en person/gruppe ansvarlig for det ønskede resultat. Det er her, rollen som den udøvende sponsor bliver vigtig.
Hos både små og store virksomheder er den nævnte executive sponsor – den nominerede forkæmper for databerigelse og de facto chief data officer – en person, sædvanligvis CEO, CFO eller CMO ved starten, allerede gennemsyret af data og analyser, tilpasset til slags problemer, der bedst løses af data, eller i det mindste en troende på det transformative potentiale ved dataanalyse.
Ud over denne hovedperson kræver processen også typisk en sekundær, mere praktisk mester, især når virksomheden begynder at gå fra beskrivende til prædiktiv analyse. Traditionelt var denne person en teknisk uddannet, intern dataforsker, men har på det seneste taget form af en teknologikyndig entusiast, der ofte omtales som borgerdataforskeren. Denne person vælger typisk selv – en selverklæret regnearksjockey med den rette balance mellem intellektuel nysgerrighed og behændighed, men en, der er villig til at leve i implementeringens ukrudt. I mange tilfælde er denne person foran ledelsen med hensyn til at erkende den effektpotentiale, en formel dataanalyseproces kan skabe i deres virksomhed, men manglede simpelthen den status eller troværdighed, der kræves for at sælge deres vision.
Enhver succesfuld og fejlende virksomhed har sit unikke sæt af udfordringer, som kun kan løses af den passende kombination af ressourcer, processer og egenskaber, der er specifikke for den. Når det er sagt, kan den slags forretningsmæssige udfordringer, der er bedst egnede til at blive adresseret af data, oftest reduceres, kategoriseres og løses ved hjælp af rammerne angivet i figur 7.
Derudover er der gennem årene blevet udarbejdet nogle få anekdotiske retningslinjer/parametre, som yderligere optimerer chancerne for ikke bare at identificere de rigtige slags problemer at tackle med data, men også deres chancer for at blive løst med succes. Disse retningslinjer/parametre er som følger:Først skal du vælge enkle, klare spørgsmål, hvis implikationer har stor betydning; for det andet, når du søger svar fra data, sigt efter det praktiske i løsningen snarere end perfektionen af et akademisk svar; for det tredje, husk karakteren og vidensgrundlaget for dit modtagerpublikum, når du leverer diagnosen og løsningen; og endelig kun udvælg problemer, der er målbare og kvantificerbare med allerede eksisterende data og løsninger, der i lige så høj grad kan spores.
Det sidste af vores oprindelige fire rammespørgsmål, hvad angår opbygning af en bæredygtig dataorienteret organisation, er et vedrørende udvælgelsen af værktøjer, metoder eller platforme. Til dette vil jeg først sige, at dataanalyseværktøjer har udviklet sig betydeligt i de senere år, med forskellige fordele og ulemper for erhvervsbrugeren. Fordelene inkluderer et betydeligt fald i omkostningerne forbundet med leasing af sådanne værktøjer og en stigning i funktionslisten og kompleksiteten af tilgængelige muligheder, da de er gået fra funktionsspecifikke værktøjer til platforme med overlappende funktionalitet. Yderligere tilbyder SaaS-leverandører gratis prøveversioner, dog med begrænsninger på mængden og datatypen; nye kunder får mulighed for at træffe en informeret købsbeslutning efter at have testet flere platforme.
Den største ulempe ved disse platforme er, at leverandørerne i et forsøg på at forblive konkurrencedygtige med hinanden har indoveret så aggressivt i retning af kompleksitet, at deres tilbud nu nærmer sig funktionsmætning med tilbud, der ligger uden for de gennemsnitlige forretningsbrugeres anvendelighed. Det uheldige resultat er overvældende over for nybegyndere, hvilket gør det sværere at opnå de "hurtige gevinster", der blev diskuteret tidligere, og dermed reducerer sandsynligheden for, at datakulturen vil tage fat i en given virksomhed.
Heldigvis er der mange ressourcer til rådighed til at hjælpe potentielle brugere, evaluere og sammenligne konkurrerende business intelligence-løsninger, selvom en vis viden om fælles kerneegenskaber er nyttig til at evaluere dem i forhold til en virksomheds specifikke behov og prioriteter. Nogle få sådanne funktioner omfatter:antal og omfang af dataforbindelser, tilgængelighed af præ-samlede dashboards, drill-down, publicerings- og delingsfunktioner, integration med datablandings- og udforskningssoftwarekapacitet, skaleringspotentiale (på både volumen- og variationsparametre), antal og nøjagtigheden af modelleringstilgange og kundereferencebaserne pr. specifik branche. Skønt det ganske vist er simpelt i sin oversigt, viser figur 7 ovenfor nogle nøgleleverandører, der spiller på tværs af forskellige kategorier (beskrivende, forudsigende, præskriptive).
På trods af sin nichebegyndelse er det klart, at dataanalyse og markedet for SaaS-baserede analyseværktøjer har udviklet sig betydeligt i de seneste år, til stor gavn for borgerdataforskeren og deres virksomhed. Big data, small data, selvbetjeningsværktøjer – hver er tilstrækkelig mainstream nu til at berettige deres overvejelse som en kernekompetence hos selv den mindst tekniske virksomhed. Sagt anderledes, med så mange nyttige, handlingsrettede data, der genereres og omkostningerne ved selvbetjeningsværktøjer, der flytter sig omvendt til de funktioner og muligheder, der tilbydes, vil få grunde fortsat eksistere for selv små virksomheder til ikke at begynde at udnytte data i en vis kapacitet.
Denne artikel burde have illustreret, at med lidt planlægning, målsætning og udvælgelse af kunde, kan selv din startup begynde at udjævne konkurrencevilkårene med de industrititaner, du har sat dig for at forstyrre, og i processen låse op for en enorm økonomisk værdi for dig og dine interessenter. Du skal bare komme i gang; så gå videre – kom i gang!
aktiemarked i dag:muntre forbrugerdata giver aktier et lille bump
Små virksomheder, der giver tilbage, har stor indflydelse på lokalsamfund
Sikkerhedskopiér det
Er din lille virksomhed kompatibel...med betalingskortindustrien?
Påvirker den generelle databeskyttelsesforordning (GDPR) din lille virksomhed?