Diemžēl analītiskajiem praktiķiem biznesā trūkst vienota “bushido”, kas var informēt uzņēmumu vadītājus par to, kā labāk izmantot datus. Tas var novest pie konfliktiem, kas var padarīt visu iesaistīto dalībniekus pieejamu kitana zobenam.
Bet pietiekami daudz samuraju metaforu….
Par laimi, progresīvākas grāmatas kļūst pieejamas biznesa vadītājiem, kas meklē analītiku, lai sekotu līdzi biznesa inteliģencei.
Divi meistari no biznesa inteliģences ir Thomas Davenport, kuru mēs pārskatījām Analītika darbā un uzņēmējdarbības un statistikas profesors Jinho Kim. Viņi ir autori, kas uztur līdzi „Quants”: Jūsu ceļvedis par Analytics izpratni un lietošanu.
Grāmata izceļ stratēģisko nozīmi, kā cilvēki un idejas tiek izmantotas pirms jebkura analītiska risinājuma izvēles. Vadītājs domā, ka grāmata padara lielisku lasīšanu vadītājiem, kas mēģina savākt datus savā organizācijā.
Jūsu dati ir Jūsu bizness
Uzturēšanās līdz ar kājām spēj paplašināt diskusiju par datu lietderību. Mēs arvien vairāk lasām vai dzirdam terminu “Big Data”, bet daudzi rakstnieki nekad nespēj nokļūt temata biznesa izlūkošanas beigās - citiem vārdiem sakot, kā analītika darbojas ārpus numuriem? Davenport ir atklājis savu analītisko perspektīvu iepriekšējos darbos, piemēram, Spriedumi . In Quants viņš un Kims izšķērdē laiku, neizmantojot, kāpēc lielie dati ir jauns veids, kā veidot uzņēmumu, atzīmējot:
„Lieli dati un analītika ne tikai uzlabo iekšējo lēmumu pieņemšanu. Daudzas interneta organizācijas - Google, Facebook, Amazon, eBay uc - izmanto tā saucamos lielos datus no tiešsaistes darījumiem ne tikai, lai atbalstītu lēmumus, bet arī radītu jaunus produktu piedāvājumus un iespējas klientiem. ”
Perspektīvas, kas dod mazās uzņēmējdarbības komandai „Lielo viedo”
Mazajiem uzņēmumiem, kas audzina darbiniekus, ir jāpārvalda galvas skaits un tas, kā šie resursi tiek izmantoti. Tā kā analītika, kas pārsniedz pamata rādītājus, var novest pie īpašas mērīšanas mērīšanas, grāmata piedāvā idejas par to, kā attīstīt jūsu organizāciju vajadzībā, nevis nejauši izvēlēties resursu. Nodaļā „Problēmas veidošana” ir parādīts, kā organizēt analītiskus uzdevumus:
„Lēmumu par priekšu var virzīt uz priekšu vai intuīcija. Pierādījumu līmenis šajā brīdī ir zems. Protams, viss kvalitatīvās analīzes punkts ir, lai galu galā piemērotu dažus datus un pārbaudītu jūsu pārsteigumu. Tā ir atšķirība starp analītiskajiem domātājiem un citiem: viņi pārbauda savus rezultātus ar datiem un analīzi. Svarīgākais problēmu atpazīšanas posmā ir pilnīga izpratne par problēmu un kāpēc tā ir svarīga. ”
Autori atklāj posmus un soļus par to, kā novērtēt un iesniegt informāciju, visiem ar vienkāršiem atgādinājumiem, piemēram:
„Tā kā analītiskie cilvēki ir apmierināti ar tehniskajiem noteikumiem, viņi bieži vien uzskata, ka arī viņu auditorija būtu pārāk liela. Bet tā ir traģiska kļūda. ”
Ērti, segmentā “Problēmas atrisināšana”, iespējams, seko mazāko uzņēmumu visatbilstošākās idejas. Šajā segmentā un citos jautros aspektos ir daudz, lai saglabātu analīzes punktus interesantus. Par Florence Nightingale darbu ar mirstības rādītājiem, kas saistīti ar datu vizualizāciju, ir vēsturiski mazliet. Man patika „Fido vienādojums”, kas ir jautra versija, lai izskaidrotu, kas ir un kam ir jādara. Iedomātais jēdziens ir tieši pirms malas par mainīgo lielumu piešķiršanu modelī:
„Tāpat kā mainīgo lielumu atlases procesā, pat diezgan subjektīvas lietas var izmērīt sistemātiskā veidā…. Neatkarīgi no tā, kādi dati jums ir, vienmēr ir iespēja iegūt vairāk datu vai atšķirīgus datus no tā, ko jūs sākotnēji esat izmantojis, domājot par savu problēmu. ”
Autori izmanto modeļus, mainīgos lielumus un datu vizualizāciju, padara grāmatu par lielisku izvēli lasīt pirms citām specifiskām analītiskām tēmām. To varat izlasīt pirms pacelšanas Jutīgā Analytics un Lielie dati bez programmēšanas valodas detaļām, kas izskatītas tādās grāmatās kā Yahoo Web Analytics .
Ja jūs atradīsiet cīņu par datu bāzes lēmumiem, jūs atradīsiet Turpināt ar Quants kā piemērotu ieroci, lai uzvarētu dienā.
4 Piezīmes ▼
