7 måder Big Data Training kan ændre din organisation



Big Data-træning har trængt ind i 7 domæner. Lær hvordan det fungerer gennem blogindlægget!

Den seneste nyhed om, at De Forenede Arabiske Emirater gjorde militærtjeneste obligatorisk for alle mænd fra Emiraten mellem 18 og 30 år, har fået mig til at tænke over, hvorfor lande uanset deres økonomiske status sikrer, at borgerne er parat til at forsvare landet.





Man kan argumentere for, at et begrænset antal borgere i et land ofte tvinger regeringen til at gøre militærtjeneste obligatorisk. Men hvad med Kina? Det er det største land efter befolkning, men det sikrer også, at borgere, der går til videreuddannelse, tjener obligatorisk militærtid. Kort sagt, nationer forbereder sig grundlæggende på at forsvare sig i tilfælde af konflikt, og alle skal være forberedt på det. Det være sig en elektriker, en forretningsmand, en tømrer, de forenes alle om en fælles sag.

Bizart som det måske lyder, kan man trække en uhyggelig parallel mellem sådanne nationer og nutidens organisationer, der ønsker at forblive konkurrencedygtige. Den aktuelle trussel eller rettere en udfordring i form af Big Data har fået organisationer store og små til at samle sin arbejdskraft på tværs af forskellige afdelinger for ofte at tackle den. For at gå videre på dette har typisk nationer, der håndhæver obligatorisk militærtjeneste, altid kvalifikationskriterier, på samme måde som organisationer finder det logisk i kun at give big data-træning til de ansatte, der har en eller anden form for interaktion med store klumper af data og er forpligtet til at ansæt Hadoop til hvert berøringspunkt.



Ligesom en hærgeneral i samarbejde med regeringen beslutter den slags våben og træning, der skal tildeles dens ellers uerfarne borger, der blev nyansat, på samme måde forventes en CTO at være ved roret i IT-infrastruktur og arv systemer, der driver ny teknologiinnovation, så hans / hendes medarbejdere kan præstere bedre. Med et fælles mål om at tackle big data, lad os prøve at forstå i detaljer, hvor big data bruges, og hvorfor er det vigtigt at træne dine kammerater i det.

1. informationsteknologi: Forbedring af produktiviteten med Big Data Training

Måske i spidsen for implementering af big data er IT-teamet epicentret for at tage ændringen videre. En beslutningstager til it-træning, der ønsker at bringe big data-træning til medarbejderne, skal begynde med it-afdelingen. Hvorfor? For når det kommer til at engagere sig i teknologi i alle faser af aktiviteten, er nørderne i kælderen (populær slang for IT) de tætteste. Så hvor relevant er det?

Lad os se på en rapport indsendt af det populære websted, CIO, der siger:



”Ifølge en nylig CompTIA-undersøgelse af 500 amerikanske forretnings- og it-ledere føler 50 procent af virksomheder, der er foran kurven med at udnytte data, og 71 procent af virksomheder, der er gennemsnitlige eller forsinkede med at udnytte data, at deres personale er moderat eller markant mangelfuld i datastyring og analysefærdigheder ”

I betragtning af det faktum, at datastyring og -lagring er en del af kernefunktionen i IT, er der behov for en parallel tilgang til implementering af big data-platform og styrkelse af IT-færdigheder inden for big data. Det understøtter en McKinsey-rapport, der siger, at der i 2018 vil være mangel på over 140.000-190.0000 fagfolk med dyb teknisk og analytisk ekspertise! Da flere og flere tekniske fagfolk kræver big data-træning, ønsker organisationer at uddanne tekniske fagfolk mere til hurtig ROI, og platformsspecialister, admin og ingeniører, der arbejder i IT-afdelingen, er ved roret.

Gifte sig med treenighed i Core IT-funktion med Big Data

Udtrykket treenighed minder mig ofte om to religiøse begreber: Den ene er den hinduistiske mytologi hos skaberen, bevareren og ødelæggeren, og den anden er det kristne koncept om far, søn og det hellige spøgelse. Begge stræber efter at forbedre menneskeheden. På samme måde tilstræber disse tre funktioner i et it-team forbedring af hele organisationen med afdelinger med forskellige behov, når det kommer til informationsteknologi. Bortset fra sikkerheds- og supportfunktioner kan en IT-afdeling relatere til disse funktioner, når det gælder implementering af big data.

Planlægning - Planlægningsaktiviteten inden for et it-team fokuserer på at sikre, at organisationens it-strategi er tilpasset forretningsmålene. Dette inkluderer arbejde med at tilpasse software, bringe nye platforme, der imødekommer forskellige forretningsafdelingers behov. Med andre ord starter enhver ny implementering altid fra it.

java-kommando for at afslutte programmet

Netværk - Det involverer at udvikle netværk, der letter alle former for kommunikation mellem stemme, data, video og internettrafik, og der er forskellige kontrolpunkter for registrering af data, det være sig kundeinteraktion, sentimentanalyse og trafikopdatering, de samler alle data i realtid! En it-afdeling sikrer ofte problemfri integration af netværk for at arbejde sammen med målet om behandling af big data.

Data - For at sige det enkelt bringer et it-team værktøjer til at indsamle, gemme, administrere, sikre og distribuere data til medarbejdere til forskellige strategiske beslutninger i organisationen. Alle former for data som salgsposter, økonomiske poster, lageroplysninger gemmes i et enkelt datacenter. Dette skaber et ansvar inden for it-teamet til at implementere platforme til big data, der gør det muligt for udpegede brugere at gemme og hente information på ethvert datalokalisering.

I ethvert it-team har man brug for en alsidig blanding af medlemmer med forskellige opgaver i retning af implementering af big data. Til at begynde med er der behov for en specialist, der sikrer en jævn overgang fra traditionelle systemer til big data-platforme. Til det kræver en tekniker at fokusere på at vedligeholde platformen i hele sin livscyklus på tværs af alle afdelinger. Derefter kommer et behov for et medlem, der konstant skal overvåge, om enhver teknologisk implementering er tilpasset det organisatoriske mål.

2. produktudvikling: nytænkning på tværs af alle faser af F & U

Big Data Training, Produktudvikling, Engineering

Måske en af ​​de vigtigste afdelinger, når det kommer til at tage organisationen til det næste niveau af innovation! En af de største fordele ved big data er integration af data på tværs af forskellige berøringspunkter i produktudvikling lige fra produktdesign, fremstilling, kvalitet, garanti, diagnostik, køretøjs- og softwareapplikationer. Data genereret fra disse berøringspunkter definerer, hvordan produktet er, og hvor vellykket det kan være. Dette tager dybest set produktudviklere, F & U-fagfolk og designere til den datadrevne og dataanalysemetode.

Udvikling af Big Data til virkelighed

Når det kommer til produktudvikling, ville et populært eksempel være føreren mindre bil, som Audi udvikler og planlægger at lancere inden 2016. Ja, der er produktudviklingsteamet, der har den enorme opgave at sikre, at CEO's vision om innovation gennemføres. . Men undervejs er der forskellige udfordringer og spørgsmål lige fra udvikling til test, som kun big data kan svare på. Lad os se hvorfor.

Overvej en testkørsel, der overvåges fra punkt A til punkt B. Her er de slags data, der kan genereres:

en. Sensordata - Sensorerne i bilen kunne gemme detaljer om afstanden, den havde målt mellem biler bagved og foran den, og hyppigheden af ​​køretøjer, den stødte på under rejsen.

b. Førerdata - Flere tests med forskellige aldersgrupper kunne udføres, og detaljerne om komfortniveau, ydeevne og hvor mange gange føreren havde brug for at tilsidesætte automatisk kørsel komprimeres i store sæt rækker og kolonner til analyse.

c. Demografiske data - En test kan udføres i Indien og i USA. A.I inden for automatisk kørsel kunne analysere de forhindringer, som den støder på ved kørsel i to forskellige lande. Hvilket land er mere levedygtigt til automatisk kørsel, og hvilket amt er det ikke?

d. Data om markedsydelse - Efter at produktet er lanceret, og det er på farten, kan ingeniører også overvåge dets succes ved at analysere live data med feeds, der leveres 24 × 7 af bilens program, der giver indsigt, hvis introduktionen af ​​automatisk kørsel hjælper med at holde vejen er sikrere?

Der er N antal mulige data, der kan udskiftes fra produktteknik. Vi er lige begyndt at udforske OEM fra bilindustrien. Tænk over mulighederne for big data på tværs af forskellige sektorer, f.eks. Medicin, sundhedspleje, elektronik og så videre. Hvem ved?

SJOV KENDSGERNING: Vidste du, at Fords vedtagelse af Big Data og Analytics reddede det fra en næsten dødsoplevelse i 2000'erne, da konkurrencen var hård fra europæiske og asiatiske bilproducenter!

3.Finans: Træning af medarbejdere på big data-platforme til at håndtere økonomisk modellering

Vi har måske ofte hørt udtrykket om, at penge er virksomhedens blod. At tage sig af disse penge er et ansvar for økonomiafdelingen. Erhvervslivet definerer finansafdelingens funktioner som typisk involveret i 'planlægning, organisering, revision, regnskab og kontrol af virksomhedens økonomi sammen med produktion af virksomhedens økonomi.

Når det er sagt, er økonomiafdelingen generelt hjernebarnet, når det kommer til at håndtere penge, og rollen udvides til forskellige aktiviteter som generering af pengestrømsopgørelser, omkostningsmodellering, præmieopfyldelse og overholdelse for at nævne nogle få. For et par årtier siden var det meget gennemførligt at udføre alle disse aktiviteter med begrænsede systemer og platforme, men i alderen med big data er de to udfordringer, som hver økonomiafdeling står overfor, at udføre regelmæssige økonomifunktioner i det skiftende scenarie og samle indsigt for fremtiden. Lad os se på det fra et dybere perspektiv.

Med informationen spredt på forskellige servere støder organisationer ofte på udfordringen med at konsolidere disse data og udføre handlinger i henhold til forretningskrav. En vigtig funktion indeni er intern revision, der holder styr på organisationens styring, risikostyring og ledelseskontrol og udførelse af proaktiv svindelrevision for at identificere falske handlinger. Med stigningen i analyser er der også behov for at integrere intern revision. Dette har udløst nye metoder som revisionsdataanalyse, der hjælper med at vurdere risikoen, skabe økonomiske modeller og give et samlet billede af økonomi i en organisation.

Omkostningsmodellering og prisrealisering

Omkostningsmodellering er en vigtig komponent for effektiv ressourceudnyttelse. Virksomheder skal identificere de aktiviteter, der driver omkostninger, de samlede direkte materialer og arbejdskraft, der er nødvendige for opgavens afslutning og så videre. Omkostningsmodellering hjælper virksomheder med nøjagtigt at identificere de samlede produktionsomkostninger til produkter på tværs af alle aktiviteter i virksomheden. I en tid med big data bliver det vigtigt at holde styr på enhver finansiel aktivitet, der finder sted i forskellige afdelinger i en organisation, der konsoliderer denne information for at opbygge en ideel omkostningsmodel. Fra køb til salg gemmes alle data i økonomihistorien, og det grundlæggende ved at udvikle en omkostningsmodel er at hente de store klumper af data og oprette en model, der kan gælde for fremtiden.

Selvom man kan diskutere, at prisrealiseringsindsatsen er mere rettet mod salg for at forbedre rentabiliteten, spiller finansafdelingen en større rolle, når det kommer til at drage fordel af prisrealisering. For at nedbryde det til enklere vilkår skal du overveje et detailforretning, der planlægger at give rabatter for at skubbe salget. Det grundlæggende mål er at reducere prislækage og forbedre lommeprisen.

Prislækage opstår, når prisen på et produkt diskonteres så mindre (i et forsøg på at foretage salg), at de går på kompromis med rentabiliteten, og lommeprisen er salgsprisen efter rabatter. For at opfylde en rentabel indsats for prisrealisering samarbejder salgsteamet med økonomiafdelingen for at forstå strukturen af ​​omkostninger for de enkelte produkter, og hvor der kan gives rabatter. Dette kræver igen, at økonomiafdelingen udvikler en ramme for prisrealiseringsmodeller for fremtiden og definerer grænserne inden for sådanne marketingaktiviteter. Opgaven inkluderer behandling af data fra indkøb, lageromkostninger, holdbarhed og derefter estimering af solgte omkostninger (CGS).

F-12 og forudsigende analyse

En af de vigtige aktiviteter inden for finansafdelingen er at overvåge organisationens økonomiske sundhed. Ligesom en læge bruger forskellige målinger såsom puls, kropsvarme eller stimuli reaktion for at bedømme, om patienten er i live eller død, på samme måde overvåger den finansielle verden de 12 målinger for at vide, hvor virksomheden er på vej monetært, og hvad der ligger ud over . Fra reel indtægtsvækst, bæredygtig omsætningsvækst, prispolitik og prisindeks, driftskostnadskontrol, sammenligning af EBITDA kontra pengestrøm, gældsfri pengestrøm, overskydende kontanter, afkast på aktiver, arbejdskapital, brug af gældsfinansiering, nettohandelscyklus og omkostninger af kapital udgør vigtige komponenter i finansiel rapportering for en organisation, så den øverste ledelse kan træffe en sund beslutning.

Som en del af udfordringen i big data-verdenen kræver forståelse af disse forhold bearbejdning af store mængder information spredt over hele organisationen for at gøre det i et standardformat til analyse. Prediktiv analyse kommer i spil, når disse data behandles fra tidligere historie sammenlignet med de samme elementer i nutiden, således at der foretages nøjagtige estimater for fremtiden. Den bedste del er forudsigelig analyseplatform, og metoder er bygget til at behandle big data og derved forenkler økonomiafdelingens opgave.

SJOV KENDSGERNING: Vidste du, at Oversea-Banking Corporation (OCBC) med base i Singapore var i stand til at bruge big data til kundeindsigt, som var direkte ansvarlig for 40% stigning i erhvervelse af ny kunde!

4. menneskelige ressourcer: omdefinerer HR-medarbejdernes kapaciteter

Imagining Big Data in Human Resources kan ofte opfordre læsere til at afskedige som en humbug, da en organisation typisk ikke prioriterer meget ved implementering af Big Data-teknologi i HR-afdelingen, da den hellere vil fokusere på Marketing, Operation eller Finance. Men i virkeligheden spiller Human Resources-afdelingen en afgørende rolle for at sikre, at det rigtige talent kommer ind i organisationen blandt andre aktiviteter.

Tilføjelse af flere tænder til HR

def __init__ python

Måske den mest ignoreret blandt alle afdelinger, når det kommer til implementering af Big data, men i nutidens hurtigt skiftende verden definerer den måde, som en HR-afdeling fungerer på, en organisations succes.

Ifølge Forbes har en gennemsnitlig stor virksomhed mere end 10 forskellige HR-applikationer, og deres centrale HR-system er over 6 år. Denne tendens fremhæver det faktum, at en organisation har brug for de korrekte ressourcer til at bringe disse data sammen. Uddannelse i Big Data & Analytics bringer færdigheder som dataanalyse, visualisering og problemløsning lige fra operationel rapportering til strategisk analyse.

En HR-afdeling forventes som standard at levere med hensyn til basale HR-operationer, men Big Data-træning tager det til et helt nyt niveau. Da HR-afdelingen bliver mere analytisk med værktøjer, ændrer den deres tilgang til at engagere sig i mere strategisk aktivitet. Kritisk spørgsmål som hvordan man har flere medarbejderfastholdelsesfaktorer, der påvirker salgskvaliteten på kandidatpipeline og evaluering af talenthuller, identificeres, og strategiske skridt tages ved at analysere relevante data igennem det.

Skiftet bevæger sig fra simpel antal ansatte til mere forudsigende analyse.

Oraklet inden for menneskelige ressourcer

Der var en sjov historie, som jeg husker om en ven, der arbejdede som HR. Hun havde et udmattende job med headhunting, før hun sendte kandidaten til det relevante institutleder, der kun ville sige de magiske ord: 'Ok, lad os ansætte ham.'

I et stykke tid gik det godt, da hun bragte godt talent til virksomheden. Efterhånden som tiden gik, fik hun tillid til sine ansættelsesevner i det omfang, at skubbe den øverste ledelse til at tilføje flere mennesker til sit team, implementere HR-systemer og inkludere flere tredjeparts konsulentfirmaer. Den vanskelige del var, at hun gav høje løfter til den øverste ledelse med sin selvtillid.

Historien har vist, at den, der forbereder sig til fremtidig begivenhed, er mere succesrig end den, der kører på fortidens ære. Der var et tidspunkt, hvor hun forventedes at ansætte et stort antal fagfolk inden for det domæne, virksomheden ekspanderede i. Hun begyndte at udfylde ledige stillinger med et kompromis om at ansætte kvalitetsfagfolk. Hun vedtog en mere målrettet tilgang. Resultatet? De fleste af de professionelle, hun hyrede, lagde papirer med forskellige årsager, og hun blev afhørt af ledelsen. Ofte hørte jeg hende mumle:

”Jeg jagter 1000 Cvs, kortliste 100 Cvs, kalder 50 kandidater til interview, filtrerer 10 fra mine psykometriske vurderinger, blandt de 10 tager jeg 5, der er det værd, sender de 5 til ledelsen, de nulstiller 1 og den ene fyr forlader efter 2 måneder. ”

Jeg humrede af hendes elendighed bortset fra at tilbyde mine sympatier, men det fik mig til at spekulere på, om menneskelige ressourcer kan foretage bedre vurdering med deres erfaring, eller er der behov for en mere datadrevet tilgang til hele denne ansættelsesproces? Nå, vi bruger forudsigelig analyse fra at finde ud af, hvilket hold der vinder verdensmesterskabet, men hvorfor ikke bruge de samme teknikker i ansættelsesprocessen, især når vi har at gøre med komplekse elementer som mennesker?

Nu er jobet med at ansætte ikke nødvendigvis et let job, det involverer mange processer, og reglerne for ansættelse ændres ofte i henhold til branchen, HR er i den rolle, hun ansætter for organisationens regler og så videre.

Hvis man observerer vellykkede organisationer, der bruger prædiktiv analyse og har mindre slid, er der et mønster, hvor man først beslutter de ønskede egenskaber inden for en kandidat, der sikrer succes, konsoliderer den til en 'ideel' profil og sammenligner den med enhver kandidat, der er tættest. til det og derefter engagere dem med tilpassede vurderinger, der vurderer disse kandidaters egenskaber.

Et punkt at bemærke er, at hele den psykometriske vurderingsindustri med førende aktører som Pearsons, Thomas Assessment & SHL opstod på grund af kravet fra HR-fagfolk om at analysere kandidatprofil i deres behov for perfekt ansættelsesproces!

At komme tilbage til forudsigende analyse, som en del af implementeringen af ​​det, skal HR-personalet først definere, hvem der er en 'succesfuld kandidat' i henhold til organisationen, derefter skal hun / han definere de faktorer, der kan drive effektiviteten af ​​ansættelse og udvikle og observere som til hvorfor nogle ansættelser klarer sig bedre end de andre med en hypotese, hvis det er nødvendigt. Baseret på det kan hun / han sammenligne det med dataene fra succesrige medarbejdere, der har været længe hos organisationen og for det tredje brugt statistiske teknikker til at måle, hvorfor nogle mennesker bliver længere.

Tilgangen er god til at begynde med, men implementering af forudsigende analyse inden for HR inkluderer mange teknikker, som en HR er fri til at udforske. Den bedste del af denne proces er reduktionen i omkostningerne ved at erstatte en medarbejder med nye og måske få mere ROI end den gamle.

I slutningen af ​​dagen forfinerer kombinationen af ​​intuition, erfaring og en sund datadrevet tilgang ofte ikke kun en HR's vurdering, men også vores.

SJOV KENDSGERNING: Vidste du, at den amerikanske kæmpe Xerox reducerede sin callcenteromsætning med 20% ved at anvende analyser på potentielle kandidater med den opdagelse, at kreative mennesker var mere tilbøjelige til at forblive hos virksomheden i de 6 måneder, der var nødvendige for at få dækket $ 6.000 dollar for deres uddannelse end nysgerrige mennesker?

5. Supply Chain & Logistics: Uddannelse af leveringsteam med big data-platforme

Supply Chain & Logistics er dybest set en vigtig komponent i organisatoriske strategier og mål. Målet for Supply Chain & Logistics er at spare omkostninger og forbedre ydeevne, hastighed og smidighed. Når det kommer til logistik, opfanger og sporer de forskellige former for data for fundamentalt at forbedre driftseffektiviteten, forbedre kundeoplevelsen og nye forretningsmodeller. Disse faktorer kan ofte hjælpe organisationer med at spare ressourcer, opbygge et bedre mærke og skabe en systematisk proces for forsyningskæde og logistik.

Sporing af store data over hele verden

Lad os tage et eksempel på en e-handelsgigant, der bruger Big Data til levering til sine kunder. Et produkt sendes fra et sted til kundens adresse. Enheder i transportkøretøjet, såsom GPS-tracker, mikrofon, sensor, har strukturerede og ustrukturerede data, der sendes tilbage til overvågningscentret for opdateringer i realtid. Sammen med det hjælper det også med at analysere effektiviteten af ​​leveringstid, korteste vej og de ressourcer, der bruges til at udføre en leveringsoperation på listen over millioner af sådanne transaktioner. Denne guldgruve af data på tværs af forskellige markeder konsolideres af organisationerne og analyseres derefter for at bringe yderligere forbedringer i processen eller bringe et helt niveau af ny innovation!

SJOV KENDSGERNING : Vidste du, at store data i form af sporing af kundesider fra Amazon har hjulpet det med at placere sine produkter på lageret nærmest kunden for at forbedre leveringshastighed og effektivitet?

hvordan man analyserer xml i java

6.Operationer, support og kundeservice: Medarbejderuddannelse om big data ved hver kundeinteraktion

Succesen for ethvert produkt eller en service er baseret på den kundesupport, som en kunde modtager, og ofte aflægger sælgeren altid at være der for ham / hende. Dette kommer af det faktum, at når en kunde tager et produkt eller en service, foretager han et 'spring-of-faith' i håb om, at sælgeren ikke svigter ham / hende i produktets / tjenestens levetid. At levere fra dette perspektiv er afgørende for organisatorisk succes.

Lad os se på support på et granulært niveau. Jeg har for nylig haft mulighed for at se Christopher Nolans 'Interstellar', der udforskede rumrejser til slutningen af ​​rummet. Dette fik mig til at tænke på fremtidige flyselskaber, der vil tilbyde flytjenester gennem ormehuller, der spænder over millioner af lysår væk! Hvad ville udfordringerne være? Hvilken slags big data genereres på denne næsten uendelige rejse? Hvordan vil teamet om bord sikre, at passageren nyder turen hele tiden? Til at begynde med skal tjenesteudbyderen fokusere på primære mål som at sikre luftsikkerhed, holde styr på sin flyvevej, levere kundekrav og så videre.

On-the-Big Big Data 24 × 7

Ideen til interstellar rejse kan være en fjern drøm i de næste 100 år (være optimistisk!), Men det forhindrer os ikke i at se på de data, der genereres af en lignende service, der i øjeblikket er i drift nu, hvilket vil kaste mere lys over, hvordan kunden service & support udføres i 'eftersalgsscenariet', og hvordan organisationer kan engagere sig i at forbedre deres indsats i realtid.

Nu til at begynde med er Southwest Airlines et af de mest berømte luftfartsselskaber, der udnyttede Big data for at forbedre sin kundeoplevelse. I sit forsøg på at forbedre luftsikkerheden samarbejdede Southwest Airlines med NASA for at engagere sig i big-data eksperiment for at forbedre den samlede flyoplevelse. Dette inkluderer ping af NASA-satellitter med information om flyvevejen, rapporter fra piloter og anden lufttrafikinformation. På toppen af ​​en sådan innovativ teknik ligger der det grundlæggende big data-koncept kaldet 'text data-mining', der konverterer ustruktureret tekstinformation til meningsfuld tekst til indsigt. Så du troede, tekstdata-minedrift slutter der?

Det gør det selvfølgelig ikke, selv et simpelt koncept i big data såsom tekstdata-mining strækker sig langt ud over det. Vi ved alle, at feedback fra kunder er en vigtig komponent i forståelsen af, hvor en organisation går galt på hvert punkt i kundeinteraktion. Tekstdata-minedrift hjælper også kundeservice ved at analysere åbne undersøgelsessvar. I stedet for at begrænse kunderne til almindelige muligheder som mulighed A, mulighed B, mulighed C, giver åbne spørgsmål mere indsigt, men det kan være et nøgleproblem at klassificere dem og registrere svarene. Det er her, tekstdata-minedrift kommer i spil, hvor det grupperer bestemte sæt ord og konsoliderer dem til indsigt!

Når vi ser ud over det, må vi alle indrømme, at ingen organisationer er perfekte, og at hver enkelt af dem har et lille sæt kunder, som måske ikke er tilfredse med tjenesten. Resultatet? En database oversvømmet med e-mail, beskeder, tweets fra kunder, der registrerer klager eller tip til 'forbedringsområder' for at sige det temmelig blødt. Tekstdata mining går et skridt foran traditionelle mailfiltre og kan klassificere mails pr. Prioritet og omdirigere det til den pågældende afdeling.

SJOV KENDSGERNING : Vidste du, at Southwest Airlines som en del af bestræbelserne på at forbedre kundeservicen har implementeret dataanalyse med funktionen kaldet 'tale-analyse', der registrerer interaktion mellem kunde og personale til indsigt!

7. Marketing: Uddannelse af medarbejdere i en systematisk marketing tilgang med big data

Markedsføring som en aktivitet handler om tal i dag. Med stigningen i digital markedsføring kan vi nu nøjagtigt måle responsen på annoncer, klikrate, visninger, ROI og så videre. For ikke-marketingfolk er sådanne målinger måske græske, men for dem, der markedsfører, er disse data en guldmine. Efterfølgende, sammen med metrics, genereres store klumper af data på alle punkter i kundeinteraktion, sociale medier og salg. Det er op til marketingfagmanden at holde styr på sådanne data og bruge dem til at skubbe ens produkter mere effektivt. Træning i Big Data spiller en vigtig rolle her, da platforme som Hadoop & R hjælper med at tjene formålet.

For det andet forkæler tid-til-tid marketingfolk ofte retrospektion for deres brand. Spørgsmål som:

Hvordan er mit brand bedre end andre?

Hvad tilbyder andre mærker?

Hvilke funktioner har min konkurrent på det samme produkt?

Undersøgelsen går meget dybere end dette. Fra analyse af konkurrentprodukt baseret på 4P'er (produkt, pris, sted, positionering) til forståelse af indholdet af hvilket produkt, der præsenteres på konkurrentens webside, er mængden af ​​genereret data enorm og kompliceret. Som fortalt før kan udnyttelse af tekstminedrift hjælpe markedsføreren med at udføre konkurrentanalyse ved blot at gennemgå konkurrentens websted. Denne enkle funktion inden for big data-domænet kan give en konsolideret idé om, hvad konkurrenten laver, og hvilke produkter de har på plads til markedet og derved give den marketingmedarbejder, der omfavnede big data, et forspring!

Tilkobling af det kreative

For eksempel ønsker en social mediestrateg at vide om brandets opfattelse af sin organisation på tværs af sociale medieplatforme, så vil sandsynligvis engagere sig i sentimentanalyse i R & Hadoop hjælpe med at nå dette mål. På samme måde hjælper brugen af ​​Big Data-værktøjer med markedsføring ved forskellige aktiviteter såsom prisfastsættelse, produktpositionering og så videre.

Et andet eksempel kan være en marketingchef i en butik, der ønsker at maksimere salget. Alle ville kende eksemplet på Walmart, som var i stand til at placere øl og mælk side om side i gangen baseret på tidligere kundekøbshistorie ved at hente store klumper af data, der spænder millioner af kunder over en tidsramme!

SJOV KENDSGERNING: Vidste du, at General Motors med sit årlige marketingbudget på $ 2 mia. Om året brugte Big Data Analytics til at oprette detaljerede kundeprofiler og kombinere geografisk dataanalyse med detaljeret demografi / kundeinformation til mere personlig markedsføring!

Hvorfor virksomheder skifter til Big Data-platforme

Organisationer, der bruger gamle ældre systemer, har typisk data spredt over mange systemer. På grund af spredning af data på forskellige steder går behandlingshastigheden sammen med nøjagtigheden af ​​analysen af ​​data. Dette kræver konsolidering af data i en virksomheds datahub, hvilket skaber en hurtigere adgang til data, hvilket resulterer i dybere analyser. Et af de vigtige mål for it-afdelingen i enhver organisation er at levere nøjagtige data hurtigt til alle afdelinger i organisationen efter anmodning.

Når data indsamles, er det vigtigt at samle ustrukturerede, strukturerede og semistrukturerede datakilder på en platform for at udføre en dybdegående analyse og grundlæggende hjælpe forretningsbeslutning. Denne funktion af Hadoop bringer flere mennesker til bordet i organisationen, da der er medarbejdere, der interagerer med data på forskellige berøringspunkter i den daglige drift. Også traditionelle ETL- og batchprocesser kan tage lang tid, hvorimod Hadoop med sin store volumen batchbehandling fremskynder det op til 10 gange.

Betydningen af ​​Hadoop betyder ikke nødvendigvis, at enhver medarbejder i en organisation skal trænes i Big Data-platformen, hvilket måske ikke er muligt i de fleste tilfælde. Men det ville være af strategisk fordel for en CTO at identificere og uddanne de fagfolk, der er i konstant interaktion med data.

Efter at have dækket lagring, behandling, hentning af data gennem den populære Hadoop-platform, er et andet vigtigt fænomen, der er en del af den naturlige progression, Big Data-analysen. For at sige det enklere har organisationer brug for flere perspektiver fra forskellige fagfolk inden for en organisation.

Nummeret '6' kan ses som tallet '9' fra den anden side af tabellen. Med andre ord adskiller konklusionen fra at observere data sig fra person til person.

Organisationer ved dette og engagerer sig ofte i uddannelse af medarbejdere i en lignende platform, så folk fra forskellige afdelinger, der er sammenkoblet af den samme aktivitet, diskuterer, engagerer og deler indsigt for en sund beslutningstagning. Så jeg tror, ​​det ville være sikkert at definere Big Data-træning som en mulighed for hver medarbejder at være på samme side og tage organisationer til det næste niveau!

Har du et spørgsmål til os? Nævn dem i kommentarfeltet, så vender vi tilbage til dig.

Relaterede indlæg: