g‎ > ‎e‎ > ‎

u

БЛОГ 11/11/2014 9:47 утра ET | Обновлено 11 января 2015

Бизнес-успех зависит от Смарта (не только большой) данных

По Вала Афшар

Компании активно инвестирует в приобретение и развитие талантов, технологий и бизнес-процессов, направленных на сбор и анализ больших объемов данных, с тем чтобы они могли разрабатывать действенные бизнес-идеи, направленные на укрепление потребительской ценности. Ключевой фактор для цифрового преобразования бизнеса улучшается способность преобразовывать данные в знания и понимание, что приводит к значимым и своевременным действиям. Тем не менее, существует разрыв между тем, что нужно компании и что большая технология данных позволяет компаниям делать, что до сих пор в основном на уровне инфраструктуры, где она хранится для поиска и извлечения. Для того, чтобы выйти за рамки просто сбор данных, в довольно визуальную историю, которая просто обобщает данные, по-настоящему анализировать данные, поэтому он может быть использован, чтобы получить представление, что бизнес действительно хотите, часто требуется опыт ученого данных. Для организации маркетинга, ученые данных может быть самым важным прокатом.

Но что ученый данные на самом деле? Кто лучше спросить тогда главный Data Scientist для литиевых технологий, д-р Майкл Ву. Доктор В проводит свои дни вычислений, модели тестирования и здания, чтобы попытаться понять социальное поведение клиентов в различных социальных сетях, чтобы предсказать поведение клиента и его влияние на бизнесе. Ву помогает нам понять, каким образом компании могут получить исходные данные в информационные выводы, которые они на самом деле хотят, чтобы принимать более обоснованные решения. Сегодня, маркетинговые и торговые организации прилагают все усилия, чтобы завоевать потоп данных.

2014-11-11-wu.jpg
Д-р Майкл Ву (Twitter: @ mich8elwu), литиевые технологии

5 шагов, чтобы получить из необработанных данных в осуществимые Insights:

1. Начните с определения бизнес-проблемы, которую вы пытаетесь решить - в качестве отправной точки при решении всех этих данных, Ву рекомендует предприятиям начать с бизнес-проблемы. Сбор всех данных важно, потому что вы не знаете, какую проблему вы можете иметь в будущем, но для того, чтобы использовать данные для принятия бизнес-действий, вы должны начать с проблемой. «Если вы хотите иметь большую инициативу данных или большую стратегию данных, сначала определить некоторые проблемы с тем, что данные, которые вы собрали будет иметь более непосредственное значение,» говорит доктор Ву. При этом, данные будут иметь большую ценность и более длительный срок хранения, увеличивая вероятность того, что она окажется ценной в 10 или 20 лет вниз по линии.



После того, как вы собрали данные, чтобы решить конкретную проблему, то вы должны увидеть, какие атрибуты или какую информацию и какие идеи вы можете получить из этих данных. Каждый хочет знать, как улучшить их осведомленность в социальных медиа и Ву говорит, что есть много данных там о потреблении людей социальных средств массовой информации или участия в социальных медиа. Маркетологи могут реально взглянуть на эти данные и сделать некоторые простые виды анализа, чтобы они могли максимально активизировать свои усилия в социальных сетях.

2. Начните с описательной аналитике - Для того, чтобы переместить исходные данные анализа информации, д-р Ву говорит, что есть три класса аналитики, которые люди могут использовать. Первый класс, называется описательной аналитика, которая представляет собой краткое изложение исторических данных, которые были собраны, что, как правило, показанными в качестве визуальной приборной панели. Д-р Ву говорит, что 80% большинства аналитиков, что большинство компаний попадают в эту категорию. «Вы всегда начинаетесь с описательной аналитикой, а затем, если вы получаете достаточно данных, вы можете стать более сложными, и тогда вы могли бы на самом деле построить прогнозный анализ. И если вы более продвинутые, то вы, по сути сделать предписывающую аналитику,» говорит доктор В.

Есть три основные класса аналитики для сокращения объема данных и поддержки принятия решений:

1. Описательные аналитики: Compute описательная статистика для обобщения данных. Большинство социальных аналитиков попадет в этой категории.
2. Predictive Analytics: Построить статистическую модель, которая использует существующие данные для прогнозирования данных, которые мы не имеем. Примеры прогнозного анализа включают в себя линию тренда, влияние скоринг, анализ настроений и т.д.
3. Предписывающие Analytics: Построить предписывающую модель, которая использует не только существующие данные, но и действие, и данные обратную связь для руководства ЛПРА к желаемому результату. Поскольку предписывающие модели должны быть действенными и есть поток данных обратной связи, социальные аналитики редко предписывающие.

3. Подсчитать настроения с прогнозным анализом - Простейший типом прогностического анализа, что все знакомы с является линией тренда. Вы посмотрите на данные, а затем следуют некоторые тенденции, и вы можете видеть, что если вы будете продолжать следовать этой тенденции завтра, или в будущем, это будет определенное, предсказуемое значение. Д-р Ву говорит, что интересный момент прогнозного анализа является то, что вы не должны просто предсказать будущее; вы можете предсказать вещи в прошлом, а также. В этом случае, вы пытаетесь использовать данные, которые вы должны предсказать данные, которые вы не имеете. «Predictive Analytics очень просто, и это в основном то, что вы положили в модели и выход модели говорит вам то, что вы уже не знаете,» говорит доктор Ву.

В социальной медиа, есть несколько типов прогностического анализа, что люди знакомы. Например, анализ настроений на самом деле прогнозный анализ. «С настроения аналитиков, на самом деле никто не выходит и сообщает, что их мнение является положительным для компании Apple или Android или любой другой. В своем естественном языке, они просто говорят:„Я люблю мой iPhone“или« Я люблю мой новый андроид. Использование естественного языка как известные данные, мы строим модель, которая использует лингвистическую обработку, поэтому, когда люди используют этот тип языка,. это обычно означает, что у них есть позитивные настроения или негативные настроения таким образом, настроения на самом деле вычисляются и на самом деле не были измерены,»говорит Д-р Ву.

4. Встреча КПЭ с предписывающей аналитикой - Простейшие примером типа предписывающей аналитики является картой Google; он прописал маршрут для вас, чтобы попасть туда, куда вы хотите отправиться. Как и прогностического анализа, как только у вас есть модель вы можете предсказать вещи в прошлом. С предписывающих аналитики, может предписать, что вам нужно сделать, и то, что вы должны сосредоточиться на том, чтобы добраться до конкретного бизнеса ключевых показателей эффективности (KPI), таких как достижение наивысшего удовлетворения клиента или наибольший подъем доходов.

5. Получить к результатам, - Ву считает, что, является ли это описательные, предсказанием или предписывающий, конечная цель состоит в том, чтобы помочь бизнес-лица, принимающие решения, чтобы принять меры по аналитике своих данных. «Действие-способность действительно важна Много людей говорят, что они обеспечивают действенную аналитику, но что они на самом деле означают Осуществимый тип аналитики, а также предписывающие аналитики;.? Он говорит вам курс действий, где вы можете взять действия и влияют на результат», говорит д-р Ву. Если вы не можете принять меры, то это не предписывающие аналитики.

Д-р В объясняет, что с предписывающей аналитикой есть это понятие о том, что мы называем предсказание окна, которое означает, что в этом окне ошибки, что вы делаете в предсказании все еще приемлемо. Когда мы говорим о действии-способности, вы должны иметь другую меру называемого временем реакции, которая является время, которое требуется для вас, чтобы принять меры на то, что вы узнали из этих предсказаний. «Одним из наиболее важных критериев для остросюжетного способности является то, что время реакции должно быть короче, чем предиктивного окна», говорит д-р Ву.

Д-р Ву делает вывод, что «У нас нет недостатка в данных. В больших данных технологий являются коммерционализированных доступность к данным будет только возрастать. Что нам нужно смарт анализа данных перегонять петабайт больших объемов данных в битах осуществимых.»

Вы можете посмотреть полное интервью с доктором Майкл Уу здесь. Пожалуйста, присоединяйтесь ко мне и Майкл Кригсман каждую пятницу в 3 часа EST, как мы размещаем CXOTalk - соединяясь с лидерами мнений и инновационных менеджеров, которые раздвигают границы в своих компаниях и их областях.

Следуйте Вала Афшар на Twitter: www.twitter.com/ValaAfshar Вала Афшар Главный цифровой евангелист, Salesforce

БОЛЬШЕ:

Технология Маркетинг Продажи Бизнес Малый бизнес Закрыть Подписка на & FOLLOW утром EMAIL

Начните свой рабочий день правильный путь с новостями, что имеет значение больше всего. Выучить больше

Новостная рассылка
  • 600 K
  • 479 K
  • Подкаст
  • Добавьте нас на Snapchat

#auto

Subpages (1): t
Comments