Az Egyesült Arab Emírségek nemrégiben megjelent híre, amely a katonai szolgálatot kötelezővé teszi az összes emíriai 18 és 30 éves kor közötti férfi számára, arra késztetett, hogy gondolkodjak azon, hogy az országok gazdasági helyzetüktől függetlenül miért biztosítják az állampolgárok felkészültségét az ország védelmére.
Lehet vitatni, hogy egy országban korlátozott számú állampolgár gyakran kényszeríti a kormányt a katonai szolgálat kötelezővé tételére. De mi van Kínával? Ez a népesség szerint a legnagyobb ország, de biztosítja, hogy a továbbképzésbe kerülő állampolgárok kötelező katonai időt töltsenek. Röviden: a nemzetek alapvetően arra készülnek, hogy konfliktus esetén védekezzenek, és mindenkinek fel kell készülnie erre. Legyen az villanyszerelő, üzletember, ács, valamennyien összefognak egy közös ügy érdekében.
Bármilyen bizarrnak is hangzik, óriási párhuzamot vonhatunk az ilyen nemzetek és a versenyképességet fenntartani kívánó mai szervezetek között. A jelenlegi fenyegetés vagy inkább a Big Data formájában jelentkező kihívás arra késztette a nagyokat és a kis szervezeteket, hogy összefogják a különböző részlegeken belüli munkaerőt, hogy közösen kezeljék azt. Ezen a téren továbbhaladva a kötelező katonai szolgálatot végrehajtó nemzetek általában rendelkeznek alkalmassági kritériumokkal, ugyanúgy a szervezetek logikusnak tartják, hogy csak azoknak az alkalmazottaknak adnak nagy adatkezelési képzést, akik valamilyen formában interakcióba lépnek nagy mennyiségű adattal, és kötelesek minden érintkezési pontnál alkalmazza Hadoopot.
Ahogy a hadsereg tábornoka a kormánnyal együttműködve dönt arról, hogy milyen fegyverzetet és kiképzést kell rendelni az egyébként kezdő állampolgárból újdonsült személyzethez, ugyanúgy várhatóan egy informatikai vezető áll az informatikai infrastruktúra és az örökség élén. az új technológiai innovációt ösztönző rendszerek, hogy alkalmazottaik jobban teljesíthessenek. A nagy adatok kezelésének közös célkitűzésével próbáljuk meg részletesen megérteni, hogy hol használják a big data-t, és miért fontos ebben képezni társaikat.
1. Információs technológia: A termelékenység javítása a Big Data Training segítségével
Talán a nagy adatok megvalósításának élvonalában az informatikai csapat képezi a változás előrehaladásának központját. Az informatikai képzési döntéshozónak, aki nagyadat-képzést kíván eljuttatni az alkalmazottakhoz, az informatikai osztálytól kell kezdeni. Miért? Mert amikor a tevékenység minden szakaszában el kell kezdeni a technológiát, akkor az alagsori geekek (az informatika számára népszerű szleng) állnak a legközelebb. Tehát mennyire releváns?
Nézzük meg a népszerű webhely, a CIO által benyújtott jelentést, amely kimondja:
„Egy friss amerikai CompTIA felmérés szerint, melyben 500 amerikai üzleti és informatikai vezetőt kérdeztek meg, a cégek 50 százaléka, amely megelőzi az adatok tőkeáttételének görbéjét, és azoknak a vállalkozásoknak a 71 százaléka, akik átlagosak vagy lemaradnak a tőkeáttételes adatokról, úgy érzik, hogy munkatársaik mérsékelt vagy jelentősen hiányosak az adatkezelési és elemzési készségek ”
Tekintettel arra a tényre, hogy az adatkezelés és -tárolás az informatika alapvető funkciójának része, párhuzamos megközelítésre van szükség a nagy adatplatformok megvalósításához és a nagy adatokon belüli informatikai készségek megerősítéséhez. A tényt alátámasztja egy McKinsey-jelentés, amely kimondja, hogy 2018-ig több mint 140 000–190 0000 szakember hiányzik, akik mély technikai és analitikai szakértelemmel rendelkeznek! Mivel egyre több műszaki szakember igényli a nagyadat-képzést, a szervezetek inkább a műszaki szakembereket kívánják képezni a gyors megtérülés érdekében, és ennek élén az informatikai részlegen dolgozó adminisztrátorok és mérnökök állnak.
Házasságkötés az alapvető informatikai funkció hármasságához nagy adatokkal
A Szentháromság kifejezés gyakran két vallási fogalomra emlékeztet: Az egyik az alkotó, megőrző és romboló hindu mitológiája, a másik pedig az apa, a fiú és a szent szellem keresztény fogalma. Mindkettő az emberiség javítására törekszik. Ugyanígy az informatikai csapatnak ez a három funkciója az egész szervezet fejlesztésére törekszik, az informatika terén különböző igényekkel rendelkező osztályokkal. A biztonsági és támogatási funkciókon kívül egy informatikai részleg kapcsolódhat ezekhez a funkciókhoz, amikor a big data megvalósításról van szó.
Tervezés - Az informatikai csapaton belüli tervezési tevékenység arra összpontosít, hogy a szervezet informatikai stratégiája összhangban legyen az üzleti célokkal. Ez magában foglalja a szoftver testreszabását, új platformok behozatalát, amelyek megfelelnek a különböző üzleti osztályok igényeinek. Más szavakkal, minden új megvalósítás mindig az informatikából indul ki.
Hálózat - Olyan hálózatok fejlesztését foglalja magában, amelyek megkönnyítik a hang-, adat-, video- és internetes forgalom közötti kommunikáció minden formáját, és különféle ellenőrzési pontok vannak az adatok rögzítésére, legyen szó vevői interakcióról, hangulatelemzésről és forgalomfrissítésről, mind valós időben gyűjtenek adatokat! Az informatikai részleg gyakran biztosítja a hálózatok zökkenőmentes integrációját a nagy adatok feldolgozásának céljával együtt.
Adatok - Leegyszerűsítve: egy informatikai csapat eszközöket hoz be az adatok gyűjtésére, tárolására, kezelésére, biztonságára és terjesztésére az alkalmazottak számára a szervezet különböző stratégiai döntéseihez. Minden adatformátum, például az értékesítési nyilvántartás, a pénzügyi nyilvántartás és a részletek részletei egyetlen adatközpontban vannak tárolva. Ez felelősséget jelent az informatikai csapatban a nagy adatok platformjainak megvalósításáért, amelyek lehetővé teszik a kijelölt felhasználók számára, hogy információkat tárolhassanak és visszakereshessenek bármely adathelyen.
Bármely informatikai csapatban sokoldalú tagokra van szükség, különféle feladatokkal a big data megvalósítás felé. Először is szükség van egy szakemberre, aki biztosítja a zökkenőmentes áttérést a hagyományos rendszerekről a nagy adatplatformokra. Ehhez egy technikusnak szüksége van arra, hogy a platform teljes életciklusának fenntartására összpontosítson az összes részlegen. Ezután szükség van egy olyan tagra, akinek folyamatosan figyelemmel kell kísérnie, hogy minden technológiai megvalósítás összhangban van-e a szervezeti céllal.
2. Termékfejlesztés: Az innováció újragondolása a K + F minden szakaszában
Talán az egyik legfontosabb részleg, amikor a szervezetet az innováció következő szintjére kell vinni! A big data egyik legnagyobb előnye az adatok integrációja a termékfejlesztés különböző érintési pontjain, a terméktervezéstől, gyártástól, minőségtől, garanciától, diagnosztikától, jármű- és szoftveralkalmazásoktól kezdve. Az ezekből az érintési pontokból származó adatok meghatározzák a termék módját és sikerességét. Ez alapvetően a termékfejlesztőket, a K + F szakembereket és a tervezőket az adatközpontú és adatelemző megközelítésre irányítja.
A Big Data megvalósítása a valóságban
Ami a termékfejlesztést illeti, az egyik legnépszerűbb példa lenne a vezető nélküli autó, amelyet az Audi fejleszt és tervez bevezetni 2016-ig. Igen, van egy termékfejlesztő csapat, amelynek óriási feladata, hogy megbizonyosodjon a vezérigazgató innovációval kapcsolatos elképzeléseinek megvalósításáról . Ennek során azonban a fejlesztéstől a tesztelésig különféle kihívások és kérdések merülnek fel, amelyekre csak a nagy adatok képesek válaszolni. Lássuk, miért.
Vegyük fontolóra az A ponttól a B pontig figyelt próbautat. Íme a generálható adatok típusa:
a. Érzékelő adatai - Az autóban lévő érzékelők tárolhatják a mögötte és előtte álló autók közötti távolság és az út során tapasztalt járművek gyakoriságának részleteit.
b. Járművezetői adatok - Több tesztet is elvégezhettek különböző korcsoportokkal, és a kényelem szintjét, a teljesítményt és azt, hogy a vezetőnek hányszor kellett felülírnia az automatikus vezetést, nagy sorokba és oszlopokba tömörítik elemzés céljából.
c. Demográfiai adatok - tesztet lehet végezni Indiában és az Egyesült Államokban. Az automatikus vezetésen belüli A.I elemezhette azokat az akadályokat, amelyekkel két különböző országban vezetés közben találkozik. Melyik ország életképesebb az automatikus vezetéshez és melyik megye nem?
d. Piaci teljesítményadatok - Miután a termék piacra került és útközben van, a mérnökök is figyelemmel kísérhetik annak sikerét az élő adatok elemzésével, az autó programja által 24 × 7-es tápanyagokkal ellátva, ha betekintést nyújtanak az automata vezetés bevezetésébe. az út biztonságosabb?
N számú lehetséges adat állítható össze a terméktechnikában. Még csak most kezdjük felfedezni az autóipar OEM-jeit. Gondoljon a nagy adatok lehetőségeire a különböző ágazatokban, például az orvostudomány, az egészségügy, az elektronika és így tovább. Ki tudja?
VICCES TÉNY: Tudta-e, hogy a Ford a Big Data és az Analytics alkalmazásával megmentette a halálközeli élményektől a 2000-es években, amikor erős volt a verseny az európai és ázsiai autógyártók részéről!
3.Finanszírozás: Az alkalmazottak képzése nagy adatplatformokon a pénzügyi modellezés kezelésére
Talán gyakran hallhattuk azt a kifejezést, hogy a pénz az üzleti vér. A pénz gondozása a pénzügyi osztály feladata. Az üzleti világ úgy határozza meg a pénzügyi osztály funkcióit, hogy tipikusan részt vesznek a vállalat pénzügyeinek tervezésében, szervezésében, ellenőrzésében, könyvelésében és ellenőrzésében, valamint a vállalat pénzügyeinek előállításában.
Azt mondta, hogy általában a pénzügyi osztály az ötletgazda a pénz kezelésében, és a szerep különféle tevékenységekre terjed ki, például cash flow kimutatások készítésére, költségmodellezésre, díjak megvalósítására és a megfelelésre, hogy csak néhányat említsünk. Néhány évtizeddel ezelőtt ezeknek a tevékenységeknek a végrehajtása korlátozott rendszerekkel és platformokkal meglehetősen megvalósítható volt, de a nagy adatok korában a pénzügyi kihívásokkal szembenéző két kihívás a változó forgatókönyvben rendszeres pénzügyi funkciókat lát el, és betekintést gyűjt a jövőbe. Nézzük mélyebb perspektívából.
A különböző szervereken elterjedt információkkal a szervezetek gyakran szembesülnek az adatok konszolidálásának és az üzleti követelményeknek megfelelő műveletek végrehajtásának kihívásával. A belső ellenőrzés fontos funkciója a belső ellenőrzés, amely fület tart a szervezet irányításáról, a kockázatkezelésről és a menedzsment ellenőrzéséről, valamint a csalárd cselekmények azonosítása érdekében proaktív csalási auditokat végez. Az elemzés növekedésével szükség van a belső ellenőrzés integrálására is. Ez olyan új módszereket indított el, mint az audit adatok elemzése, amelyek segítenek a kockázat felmérésében, pénzügyi modellek létrehozásában és átfogó képet adnak a szervezeten belüli pénzügyekről.
java konvertáló dupla int
Költségmodellezés és ármegvalósítás
A költségmodellezés az erőforrások hatékony felhasználásának fontos eleme. A vállalatoknak azonosítaniuk kell a költségeket vezérlő tevékenységeket, a feladatok elvégzéséhez szükséges összes közvetlen anyagot és munkaerőt stb. A költségmodellezés segít a vállalatoknak abban, hogy pontosan azonosítsák a termékek összes gyártási költségét a vállalat minden tevékenységén belül. A nagy adatok korában fontossá válik nyomon követni a szervezet különböző részlegein folyó pénzügyi tevékenységeket, amelyek összevonják ezeket az információkat az ideális költségmodell kialakításához. A vásárlástól az eladásig minden adat a pénzügyi történelemben tárolódik, és a költségmodell kidolgozásának alapvető alapjai az adatok nagy darabjainak megszerzése és a jövőben alkalmazható modell létrehozása.
Bár vitatható, hogy az ármegvalósítási erőfeszítések inkább az értékesítésre irányulnak a jövedelmezőség javítása érdekében, az ármegvalósítás előnyeinek kihasználásában a pénzügyi osztály nagyobb szerepet játszik. Egyszerűbb kifejezésekre bontva vegye fontolóra azt a kiskereskedelmi üzletet, amely kedvezményeket tervez biztosítani az eladások ösztönzésére. Az alapvető cél az árszivárgás csökkentése és a zsebár javítása.
Az árszivárgás akkor következik be, amikor egy termék árát olyan kevésbé diszkontálják (eladási ajánlatként), hogy kompromisszumot kötnek a jövedelmezőség terén, és a zsebár az eladási ár az engedmények után. A nyereséges ármegvalósítási erőfeszítések teljesítése érdekében az értékesítési csapat együttműködik a pénzügyi részleggel, hogy megismerje az egyes termékek költségeinek struktúráját és a kedvezményeket. Ez viszont megköveteli a pénzügyi osztálytól, hogy dolgozzon ki egy keretet az ármegvalósítási modellek számára a jövőben, és határozza meg az ilyen marketingtevékenységeken belüli korlátokat. A feladat magában foglalja a beszerzés, raktárköltség, eltarthatósági adatok feldolgozását, majd az eladott áruk költségének becslését (CGS).
F-12 és prediktív elemzés
A pénzügyi osztályon belül az egyik fontos tevékenység a szervezet pénzügyi állapotának figyelemmel kísérése. Ahogyan az orvos különböző mérőszámokat használ, mint például a pulzus, a testmelegség vagy az ingerreakció, annak eldöntésére, hogy a beteg életben van-e vagy sem, ugyanúgy a pénzügyi világ figyeli a 12 mutatót, hogy megtudja, hol halad a vállalat pénzügyileg és mi áll túl . A valódi bevételnövekedésből, a fenntartható bevételek növekedéséből, az árpolitikából és az árindexből, a működési költségek ellenőrzéséből, az EBITDA és a cash flow, az adósságmentes cash flow, a készpénzfelesleg, az eszközök megtérülése, a forgótőke, az adósságfinanszírozás felhasználása, a nettó kereskedelmi ciklus és a költségek összehasonlításából tőke fontos elemeket képez a szervezet pénzügyi beszámolásában, hogy a felső vezetés megalapozott döntést hozzon.
A nagy adatvilág kihívásának részeként, ezeknek az arányoknak a megértéséhez a szervezet egészében elterjedt nagy információdarabok feldolgozása szükséges, hogy az elemzéshez szabványos formátumú legyen. A prediktív elemzés akkor játszik szerepet, amikor ezeket az adatokat feldolgozzák a múlt előzményeiből, összehasonlítva a jelen ugyanazokkal az elemekkel, így pontos becsléseket készítenek a jövőre vonatkozóan. A legjobb rész a prediktív elemzési platform, és a módszerek nagy adatok feldolgozására épülnek, ezáltal egyszerűsítve a pénzügyi osztály feladatát.
VICCES TÉNY: Tudta, hogy a szingapúri székhelyű Oversea-Banking Corporation (OCBC) nagy adatokat tudott felhasználni az ügyfelek betekintésére, ami közvetlenül felelős az új ügyfelek megszerzésének 40% -os növekedéséért!
4. Humán erőforrások: A HR alkalmazottak képességeinek újradefiniálása
A Big Data elképzelése az emberi erőforrásokban gyakran arra sarkallhatja az olvasókat, hogy utasítsák el humbugként, mivel egy szervezet általában nem állít nagy prioritást a Big Data technológia HR osztályon történő megvalósításakor, mivel inkább a marketingre, az üzemeltetésre vagy a pénzügyekre összpontosít. De a valóságban az emberi erőforrások osztályának döntő szerepe van abban, hogy a megfelelő tehetségek más tevékenységek mellett bekerüljenek a szervezetbe.
További fogak hozzáadása a HR-hez
Talán a leginkább figyelmen kívül hagyják az összes részleget, amikor a Big Data megvalósításról van szó, de a mai gyorsan változó világban a HR osztály működési módja határozza meg a szervezet sikerét.
A Forbes szerint egy átlagos nagyvállalatnak több mint 10 különböző HR-alkalmazása van, és alapvető HR-rendszerük több mint 6 éves. Ez a tendencia rávilágít arra a tényre, hogy egy szervezetnek megfelelő erőforrásokra van szüksége az adatok összefogásához. A Big Data & Analytics képzés olyan készségeket hoz létre, mint az adatelemzés, a vizualizáció és a problémamegoldás, az operatív jelentéstől a stratégiai elemzésig.
Alapértelmezés szerint egy HR osztály várhatóan az alapvető HR műveletek tekintetében teljesít, de a Big Data képzés egy teljesen új szintre emeli. Amint a HR osztály egyre elemzőbbé válik az eszközökkel, megváltoztatja szemléletüket, hogy stratégiai tevékenységet folytassanak. Kritikus kérdés, például hogyan lehetne több alkalmazott megtartási tényező befolyásolni a jelölt csővezeték értékesítési minőségét és értékelni a tehetségbeli hiányosságokat, és stratégiai lépéseket tesznek a releváns adatok elemzésén keresztül.
A váltás az egyszerű létszámról a prediktívebb elemzésre fog változni.
Az Oracle az emberi erőforrásokon belül
Volt egy vicces történet, amit egy barátomról idézek fel, aki HR-ként dolgozott. Fárasztó fejvadász feladata volt, mielőtt elküldte a jelöltet az illetékes osztályvezetőhöz, aki csak azt a varázsszót mondta: „Ok, bérbe veszi.”
Egy ideig jól mentek a dolgok, mivel jó tehetségeket hozott a társaságba. Az idő múlásával egyre magabiztosabbá vált bérbeadási képességei terén, egészen addig, amíg a felső vezetést arra kényszerítette, hogy minél több embert vegyen fel a csapatába, HR-rendszereket valósítson meg, és több harmadik fél tanácsadását is bevonja. A trükkös rész az volt, hogy magabiztosan magas ígéreteket tett a felső vezetés felé.
A történelem azt mutatja, hogy az, aki felkészül a jövőbeli eseményre, sikeresebb, mint aki a múlt dicsőségén lovagol. Volt idő, amikor várhatóan nagyszámú szakembert fog felvenni azon a területen, amelyen a vállalat bővül. Megkezdte az üres álláshelyek kompromisszummal történő betöltését a minőségi szakemberek felvétele terén. Célközpontúbb megközelítést alkalmazott. Az eredmény? Az általa alkalmazott szakemberek többsége különböző okokra hivatkozva tett le papírokat, és a vezetőség kihallgatta. Gyakran hallottam, hogy motyog:
„1000 Cv-t vadászok, 100 CV-t válogatok, 50 jelöltet hívok interjúra, pszichometriai értékeléseimből kiszűrök 10-et, a 10 közül elveszek 5-öt, aki megéri, elküldöm az 5-öt a vezetőségnek, ők nullázzák az 1-et és hogy az egyik srác 2 hónap után elmegy. ”
tárolási osztályok c ++ -ban
Röhögtem a szenvedésén, eltekintve a szimpátiáim felkeltésétől, de elgondolkodtatott bennem, vajon az emberi erőforrások képesek-e jobban megítélni tapasztalataikkal, vagy szükség van-e adatközpontúbb megközelítésre ebben az egész felvételi folyamatban? Nos, prediktív elemzést használunk abból a szempontból, hogy melyik csapat nyeri a világkupát, de miért ne használhatná ugyanazokat a technikákat a felvételi folyamatban, különösen akkor, ha olyan összetett elemekkel van dolgunk, mint az emberek?
A munkaerő-felvétel nem feltétlenül könnyű munka, sok folyamatot magában foglal, és a felvétel szabályai gyakran változnak az iparág szerint, a HR-nél abban a szerepben van, amelyet felvesz a szervezet szabályaiért stb.
Ha olyan szervezeteket figyelünk meg, amelyek prediktív elemzéseket alkalmaznak, és amelyeknek alacsonyabb a lemorzsolódási aránya, akkor van egy minta, hogy először el kell dönteni a jelölt kívánt jellemzőit, amelyek biztosítják a sikert, konszolidálják „ideális” profilba, és összehasonlítják minden olyan pályázóval, aki a legközelebb áll hozzá, majd személyre szabott értékelésekkel veszi fel őket, amelyek kiértékelik e jelöltek jellemzőit.
Megjegyzendő, hogy az egész pszichometrikus értékelési iparág olyan vezető szereplőkkel, mint a Pearsons, a Thomas Assessment és az SHL jött létre, a HR-szakemberek igénye miatt, hogy elemezzék a jelölt profilját a felvételi folyamat tökéletesítésének szükségességében!
Visszatérve a prediktív elemzéshez, annak megvalósításának részeként a HR-személyzetnek először meg kell határoznia, hogy ki a szervezet szerint „sikeres jelölt”, majd meg kell határoznia azokat a tényezőket, amelyek ösztönözhetik a felvétel hatékonyságát, valamint fejleszthetik és megfigyelhetik hogy miért teljesítenek egyes alkalmazottak, ha szükséges, egy hipotézissel, mint a többiek. Ennek alapján összehasonlíthatja azokat a sikeres alkalmazottak adataival, akik sokáig maradtak a szervezetnél, és harmadszor statisztikai technikákkal mérik, miért maradnak egyesek hosszabb ideig.
A megközelítés jó kezdetnek, de a prediktív elemzés megvalósítása a HR-en belül sok olyan technikát tartalmaz, amelyeket a HR szabadon felfedezhet. Ennek a folyamatnak az a legjobb része, hogy csökken az alkalmazott cseréje újakkal, és talán nagyobb megtérüléshez jut, mint a régi.
A nap végén az intuíció, a tapasztalat és a szilárd adatközpontú megközelítés kombinációja gyakran finomítja nemcsak a HR megítélését, hanem a miénkét is.
VICCES TÉNY: Tudta, hogy a Xerox amerikai óriáscég 20% -kal csökkentette call center forgalmát azáltal, hogy elemzéseket alkalmazott a leendő pályázók számára, és megállapította, hogy a kreatív emberek nagyobb valószínűséggel maradnak a vállalatnál 6 hónapig, amely szükséges a képzésük 6000 dolláros költségeinek megtérüléséhez, mint a kíváncsi emberek?
5. Ellátási lánc és logisztika: Képzési csoport nagy adatplatformokkal
Az ellátási lánc és a logisztika alapvetően fontos elemet képeznek a szervezeti stratégiákban és célokban. Az ellátási lánc és logisztika célja a költségek megtakarítása, valamint a teljesítmény, a sebesség és az agilitás javítása. Ami a logisztikát illeti, az adatok különböző formáit rögzítik és követik, hogy alapvetően javítsák a működési hatékonyságot, javítsák az ügyfélélményt és az új üzleti modelleket. Ezek a tényezők gyakran segíthetik a szervezeteket az erőforrások megőrzésében, egy jobb márkanév felépítésében és egy szisztematikus folyamat létrehozásában az ellátási lánc és a logisztika számára.
A nagy adatok nyomon követése az egész világon
Vegyünk egy példát egy olyan e-kereskedelmi óriásra, amely a Big Data-t használja ügyfeleinek történő kézbesítéshez. A terméket egy helyről a vevő címére küldik. A szállítójárműben lévő eszközök, mint például a GPS nyomkövető, mikrofon, érzékelő strukturált és strukturálatlan adatokat tartalmaznak, amelyeket valós idejű frissítések céljából visszaküldenek a felügyeleti központba. Ezzel együtt segít a szállítási idő hatékonyságának, a legrövidebb útvonalnak és az egy kézbesítési művelet végrehajtásához felhasznált erőforrások elemzésében is az ilyen tranzakciók milliói között. Ezt az aranybányát a különböző piacokon a szervezetek összevonják, majd elemzik annak érdekében, hogy további javulást hozzanak a folyamatban, vagy új szintû újdonságokat hozzanak!
VICCES TÉNY : Tudta, hogy az Amazon ügyféladatok nyomon követése formájában végzett nagy adatok segítettek abban, hogy termékeit a vevőhöz legközelebbi raktárba helyezze a szállítás sebességének és hatékonyságának javítása érdekében?
6. Műveletek, támogatás és ügyfélszolgálat: Alkalmazottak oktatása a nagy adatokról minden ügyfél-interakció során
Bármely termék vagy szolgáltatás sikere azon az eladáson alapuló támogatáson alapul, amelyet az ügyfél kap, és az eladó gyakran esküt tesz arra, hogy mindig ott legyen érte. Ez abból fakad, hogy amikor az ügyfél egy terméket vagy szolgáltatást vesz, akkor „hit-ugrást” hajt végre abban a reményben, hogy az eladó nem hagyja cserben a termék / szolgáltatás élettartama alatt. Az ilyen szempontból történő teljesítés kritikus a szervezeti siker szempontjából.
Nézzük a támogatást szemcsés szinten. Nemrég volt alkalmam megnézni Christopher Nolan „Csillagközi” című művét, amely az űrutazást az űr végéig tárta fel. Ez arra késztetett bennem, hogy a jövőbeni légitársaságokra gondoljak, amelyek repülési szolgáltatásokat kínálnak majd több millió fényévnyire lévő féreglyukakon keresztül! Milyen kihívásokkal járnának akkor? Milyen nagy adat keletkezik ezen a szinte véget nem érő utazáson? Hogyan biztosítja a fedélzeti csapat, hogy az utas végig élvezze a menetet? Először is a szolgáltatónak olyan elsődleges célokra kell összpontosítania, mint a repülésbiztonság biztosítása, repülési útvonalának nyomon követése, az ügyfelek igényeinek kielégítése és így tovább.
Menet közbeni Big Data 24 × 7
A csillagközi utazás ötlete távoli álom lehet a következő 100 évben (optimista légy!), De ez nem akadályozza meg bennünket abban, hogy megvizsgáljuk a jelenleg működő hasonló szolgáltatás által generált adatokat, amelyek jobban megvilágítják, hogy az ügyfelek hogyan A szolgáltatást és támogatást az „értékesítés utáni” forgatókönyv szerint hajtják végre, és azt, hogy a szervezetek hogyan valósíthatják meg erőfeszítéseiket valós időben.
Először is, a Southwest Airlines az egyik legelismertebb légitársaság, amely kihasználta a Big data adatait az ügyfélélmény javítása érdekében. A repülésbiztonság javítására tett ajánlatában a Southwest Airlines együttműködött a NASA-val, hogy nagy adatokkal kísérletezzen az általános repülési élmény javítása érdekében. Ez magában foglalja a NASA műholdak pingelését a repülési útvonalra vonatkozó információkkal, a pilóták jelentéseivel és más légiforgalmi információkkal. Az ilyen innovatív technika csúcsán ott rejlik a „szöveges adatbányászatnak” nevezett nagy adatfogalom, amely a strukturálatlan szöveges információkat értelmezhető szöveggé alakítja átlátás céljából. Tehát azt hitte, hogy a szöveges adatbányászat ezzel véget ér?
Természetesen nem, még a big data egyszerű fogalma, például a szöveges adatbányászat is messze túlmutat ezen. Mindannyian tudjuk, hogy az ügyfelek visszajelzése fontos eleme annak megértésében, hogy egy szervezet hol téved az ügyfelek minden interakciójában. A szöveges adatbányászat a nyílt végű felmérések válaszainak elemzésével is segíti az ügyfélszolgálatot. Ahelyett, hogy az ügyfeleket olyan általános lehetőségekre kényszerítenék, mint az A, a B, a C lehetőség, a nyílt kérdések több betekintést nyújtanak, de ezek osztályozása és a válaszok rögzítése kulcsfontosságú kérdés lehet. Itt jön szóba a szöveges adatbányászat, ahol bizonyos szavakat csoportosít és összevon a betekintés érdekében!
Ezen túlmenően mindannyiunknak el kell ismernünk, hogy egyetlen szervezet sem tökéletes, és mindegyiküknek van egy kis számú ügyfele, akik nem biztos, hogy elégedettek a szolgáltatással. Az eredmény? Egy adatbázis elárasztotta az e-maileket, üzeneteket, a panaszokat regisztráló ügyfelek tweetjeit vagy a „fejlesztendő területek” tippjeit, hogy meglehetősen halkan szóljon. A szöveges adatbányászat egy lépéssel előrébb jár, mint a hagyományos levélszűrők, és osztályozhatja a leveleket a prioritások szerint, és átirányíthatja azokat a kérdéses osztályhoz.
VICCES TÉNY : Tudta-e, hogy a Southwest Airlines az ügyfélszolgálat javítása érdekében tett erőfeszítéseinek részeként adatelemzést hajtott végre a „beszédelemzés” nevű funkcióval, amely rögzíti az ügyfél és a személyzet közötti interakciót betekintés céljából!
7. Marketing: Az alkalmazottak képzése szisztematikus marketing megközelítésről nagy adatokkal
A marketing mint tevékenység ma a számokról szól. A digitális marketing megugrása révén most már pontosan meg tudjuk mérni a hirdetések válaszát, az átkattintási arányt, a megjelenítéseket, a megtérülést és így tovább. A nem marketing szakemberek számára az ilyen mutatók talán görögök, de a marketinget folytatók számára ez az adat aranybánya. Ezt követően a mutatókkal együtt nagy mennyiségű adat keletkezik az ügyfelek közötti interakció, a közösségi média és az értékesítés minden pontján. A marketing szakember feladata, hogy nyomon kövesse az ilyen adatokat, és felhasználja őket a termékek hatékonyabb nyomására. A Big Data képzés itt alapvető szerepet játszik, mivel a Hadoop & R-hez hasonló platformok segítik a célt.
Másodszor, az időről időre szóló marketing szakemberek gyakran visszautalják márkájukat. Ilyen kérdések:
Milyen a márkám jobb, mint mások?
Mit kínálnak más márkák?
Milyen tulajdonságokkal rendelkezik versenytársam ugyanazon a terméken?
A tanulmány ennél sokkal mélyebbre terjed. A versenytárs terméknek a 4P-k (termék, ár, hely, helymeghatározás) alapján történő elemzésétől a versenytárs weboldalán bemutatott termék tartalmának megértéséig a létrehozott adatmennyiség hatalmas és bonyolult. Mint korábban elmondtuk, a szövegbányászat kihasználása segíthet a marketingszakembernek a versenytárs-elemzés elvégzésében, ha egyszerűen feltérképezi a versenytárs webhelyét. Ez az egyszerű funkció a nagy adatok területén konszolidált elképzelést adhat arról, hogy mit csinál a versenytárs, és milyen termékeket helyeznek el a piac számára, ezáltal előnyt biztosítva a nagy adatot átfogó marketingesnek!
A kreatív élesítése
Például egy közösségi média stratéga tudni akarja szervezete márkanevű megítélését a közösségi média platformjain keresztül, akkor valószínűleg az R & Hadoop-ban végzett hangulatelemzéssel való részvétel segít elérni ezt a célt. Ugyanígy a Big Data eszközök használata segíti a marketinget különböző tevékenységeknél, például árképzésnél, termékpozicionálásnál és így tovább.
hatókörfeloldási operátor c ++ nyelven
Másik példa lehet az értékesítés maximalizálására törekvő marketing menedzser egy kiskereskedelmi üzletben. Mindenki ismeri a Walmart példáját, amely képes volt a sört és a tejet egymás mellé helyezni a folyosón a korábbi vásárlási előzmények alapján, nagy mennyiségű adatgyűjtéssel, több millió ügyfelet lefedve egy időn belül!
VICCES TÉNY: Tudta, hogy a General Motors éves 2 milliárd dolláros marketingköltségvetésével a Big Data Analytics segítségével részletes ügyfélprofilokat készített, és a téradat-elemzéseket a részletes demográfiai adatokkal / ügyfélinformációkkal kombinálta a személyre szabottabb marketing érdekében!
Miért térnek át a vállalatok a Big Data platformokra?
A régi, régebbi rendszereket használó szervezetek jellemzően sok rendszerre kiterjedő adatokkal rendelkeznek. Az adatok különböző helyeken történő elterjedése miatt a feldolgozási sebesség csökken az adatok elemzésének pontosságával együtt. Ez megköveteli az adatok konszolidálását egy vállalati adatközponton belül, amely gyorsabb hozzáférést biztosít az adatokhoz, ami mélyebb elemzést eredményez. Bármely szervezet informatikai részlegének egyik fontos célja, hogy kérésre gyorsan pontos adatokat szolgáltasson a szervezet minden részlege számára.
Az adatgyűjtés során fontos a strukturálatlan, strukturált és félig strukturált adatforrásokat egyetlen platformra egyesíteni, hogy mélyreható elemzést végezhessen, és alapvetően segítse az üzleti döntéshozatalt. A Hadoop ezen funkciója több embert von be a szervezet asztalára, mivel vannak olyan alkalmazottak, akik a napi műveletek során különböző érintkezési pontokon lépnek kapcsolatba az adatokkal. Ezenkívül a hagyományos ETL és kötegelt folyamatok hosszú időt vehetnek igénybe, míg a Hadoop nagy mennyiségű kötegelt feldolgozásával akár tízszeresére gyorsíthatja azt.
A Hadoop jelentősége nem feltétlenül jelenti azt, hogy a szervezeten belül minden alkalmazottat ki kell képezni a Big Data platformon, ami a legtöbb esetben nem megvalósítható. Stratégiai előnyt jelentene azonban, ha a CTO azonosítaná és kiképezné azokat a szakembereket, akik folyamatos interakcióban vannak az adatokkal.
Miután lefedtük az adatok tárolását, feldolgozását és visszakeresését a népszerű Hadoop platformon keresztül, egy másik fontos jelenség, amely a természetes progresszió része, a Big Data elemzés. Leegyszerűsítve: a szervezeteknek több szempontra van szükségük egy szervezeten belüli különböző szakemberektől.
A „6” szám a táblázat másik oldalán látható „9” számként tekinthető meg. Más szavakkal, az adatok megfigyeléséből származó következtetés személyenként eltér.
A szervezetek tudják ezt, és gyakran részt vesznek az alkalmazottak hasonló platformon történő képzésében, hogy az ugyanazon tevékenységgel összekapcsolt különböző osztályok emberei megvitassák, elkötelezzék és megosszák a megalapozott döntéshozatali tudnivalókat. Tehát úgy gondolom, hogy biztonságos lenne meghatározni a Big Data képzést, mint lehetőséget arra, hogy minden alkalmazott ugyanazon az oldalon legyen, és a szervezeteket a következő szintre emelje!
Van egy kérdésünk? Említse meg őket a megjegyzések részben, és mi kapcsolatba lépünk Önnel.
Kapcsolódó hozzászólások: