De siste nyhetene om De forente arabiske emirater som gjør militærtjeneste obligatorisk for alle emiratiske menn mellom 18 og 30 år, har fått meg til å tenke på hvorfor land uavhengig av deres økonomiske status sørger for at innbyggerne er forberedt på å forsvare landet.
Man kan hevde at et begrenset antall innbyggere i et land ofte tvinger regjeringen til å gjøre militærtjeneste obligatorisk. Men hva med Kina? Det er det største landet etter befolkning, men det sørger også for at innbyggere som går på videreutdanning tjener obligatorisk militærtid. Kort sagt, nasjoner forbereder seg i utgangspunktet på å forsvare seg i tilfelle konflikt, og alle må være forberedt på det. Det være seg en elektriker, en forretningsmann, en tømrer, de forenes alle for en felles sak.
Bisarrt som det kan høres ut, kan man trekke en uhyggelig parallell mellom slike nasjoner og dagens organisasjoner som vil være konkurransedyktige. Den nåværende trusselen eller rettere sagt en utfordring i form av Big Data har bedt organisasjoner store og små om å samle arbeidskraften på tvers av forskjellige avdelinger for å ofte ta tak i den. For å gå videre på dette, har ofte nasjoner som håndhever obligatorisk militærtjeneste alltid kvalifikasjonskriterier, på samme måte som organisasjoner finner det logisk i å gi opplæring i big data bare til de ansatte som har en eller annen form for interaksjon med store biter av data og er pålagt å ansette Hadoop ved hvert berøringspunkt.
Akkurat som en hærgeneral i samarbeid med regjeringen bestemmer hva slags våpen og opplæring som skal tildeles den ellers uerfarne borger-ny-rekrutten, på samme måte forventes en CTO å være i spissen for IT-infrastruktur og arv systemer som driver ny teknologiinnovasjon for å tillate at hans / hennes ansatte presterer bedre. Med et felles mål om å takle big data, la oss prøve å forstå i detalj hvor big data brukes og hvorfor er det viktig å trene kameratene dine i det.
1.Informasjonsteknologi: Forbedring av produktiviteten med Big Data Training
Kanskje i forkant av implementeringen av stordata, er IT-teamet episenteret for å ta endringen videre. En beslutningstaker for IT-opplæring som ønsker å gi stordataopplæring til de ansatte, må begynne med IT-avdelingen. Hvorfor? For når det gjelder engasjement med teknologi på hvert trinn i aktiviteten, er nerdene i kjelleren (populært slang for IT) nærmest. Så hvor relevant er det?
hvordan du bruker iterator i java
La oss se på en rapport levert av det populære nettstedet, CIO, som sier:
'I følge en nylig CompTIA-undersøkelse av 500 amerikanske forretnings- og IT-ledere, føler 50 prosent av bedriftene som er foran kurven i å utnytte data, og 71 prosent av bedriftene som er gjennomsnittlige eller henger med å utnytte data, at de ansatte er moderat eller betydelig mangelfull i datastyring og analyseferdigheter ”
Gitt det faktum at datahåndtering og lagring er en del av kjernefunksjonen til IT, er det behov for å ha en parallell tilnærming til implementering av big data-plattform og styrke IT-ferdighetene innen big data. Det som støtter dette er en McKinsey-rapport som sier at innen 2018 vil det være mangel på over 140.000-190.0000 fagpersoner med dyp teknisk og analytisk ekspertise! Ettersom flere og flere tekniske fagpersoner krever opplæring i store data, ønsker organisasjoner å trene tekniske fagpersoner mer for rask avkastning, og plattformspesialister, administratorer og ingeniører som jobber i IT-avdelingen er i spissen for det.
Gifte seg med Trinity of Core IT Function med Big Data
Begrepet treenighet minner meg ofte om to religiøse begreper: Den ene er den hinduistiske mytologien til skaperen, bevareren og ødeleggeren, og den andre er det kristne begrepet om far, sønn og det hellige spøkelse. Begge strever for forbedring av menneskeheten. På samme måte strever disse tre funksjonene til et IT-team for forbedring av hele organisasjonen med avdelinger med forskjellige behov når det gjelder informasjonsteknologi. Bortsett fra sikkerhets- og støttefunksjoner, kan en IT-avdeling forholde seg til disse funksjonene når det gjelder implementering av store data.
Planlegging - Planleggingsaktiviteten i et IT-team fokuserer på å sikre organisasjonens IT-strategi i samsvar med forretningsmålene. Dette inkluderer arbeid med å tilpasse programvare, bringe inn nye plattformer som oppfyller behovene til forskjellige forretningsavdelinger. Med andre ord vil enhver ny implementering alltid starte fra IT.
Nettverk - Det innebærer å utvikle nettverk som tilrettelegger for alle former for kommunikasjon mellom tale, data, video og internettrafikk, og det er forskjellige kontrollpunkter for opptak av data, det være seg kundeinteraksjon, sentimentanalyse og trafikkoppdatering, de samler alle data i sanntid! En IT-avdeling sørger ofte for jevn integrering av nettverk for å jobbe sammen med målet om å behandle stordata.
Data - For å si det enkelt, bringer et IT-team inn verktøy for å samle inn, lagre, administrere, sikre og distribuere data til ansatte for ulike strategiske beslutninger i organisasjonen. Alle former for data som salgsrekord, økonomiske poster, lageropplysninger lagres i et enkelt datasenter. Dette skaper et ansvar i IT-teamet for å implementere plattformer for store data som tillater utpekte brukere å lagre og hente informasjon på et hvilket som helst datalokalisering.
I ethvert IT-team trenger man en allsidig blanding av medlemmer med forskjellige oppgaver mot implementering av store data. Til å begynne med er det behov for en spesialist som sørger for jevn overgang fra tradisjonelle systemer til big data-plattformer. For det krever en tekniker å fokusere på å opprettholde plattformen i hele sin livssyklus på tvers av alle avdelinger. Deretter kommer et behov for et medlem som hele tiden må overvåke om hver teknologisk implementering er i tråd med organisasjonsmålet.
2.Produktutvikling: Tanke på nyskaping på tvers av alle ledd i FoU
Kanskje en av de viktigste avdelingene når det gjelder å ta organisasjonen til neste nivå av innovasjon! En av de største fordelene med big data er integrering av data på tvers av forskjellige berøringspunkter i produktutvikling, helt fra produktdesign, produksjon, kvalitet, garanti, diagnostikk, kjøretøy og programvare. Dataene som genereres fra disse berøringspunktene, definerer hvordan produktet er og hvor vellykket det kan være. Dette tar i utgangspunktet produktutviklere, FoU-fagpersoner og designere til datadrevet og dataanalysetilnærming.
Engineering Big Data til virkelighet
Når det gjelder produktutvikling, vil et populært eksempel være føreren mindre bil som Audi utvikler og planlegger å lansere innen 2016. Ja, det er produktutviklingsteamet som har den enorme oppgaven å sørge for at konsernsjefens visjon om innovasjon blir oppnådd. . Men underveis er det ulike utfordringer og spørsmål rett fra utvikling til testing som bare big data kan svare på. La oss se hvorfor.
Tenk på at en testtur blir overvåket fra punkt A til punkt B. Her er slags data som kan genereres:
en. Sensordata - Sensorene i bilen kunne lagre detaljer om avstanden den hadde målt mellom biler bak den og foran den og hyppigheten av kjøretøy den møtte på reisen.
b. Førerdata - Flere tester med forskjellige aldersgrupper kan utføres, og detaljene om komfortnivå, ytelse og hvor mange ganger sjåføren trengte for å overstyre automatisk kjøring, blir komprimert til store sett med rader og kolonner for analyse.
c. Demografiske data - En test kan utføres i India og i USA. A.I innen automatisk kjøring kunne analysere hindringene den møter i kjøring i to forskjellige land. Hvilket land er mer levedyktig for automatisk kjøring, og hvilket fylke er det ikke?
d. Data om markedsytelse - Etter at produktet er lansert og det er på vei, kan ingeniører også overvåke suksessen ved å analysere live data med feeds som blir gitt 24 × 7 av bilens program, som gir innsikt om introduksjonen av automatisk kjøring er med på å holde veien er tryggere?
Det er N antall mulige data som kan kjøres ut fra produktteknikk. Vi har akkurat begynt å utforske OEM fra bilindustrien. Tenk på mulighetene for store data på tvers av ulike sektorer, for eksempel medisin, helsevesen, elektronikk og så videre. Hvem vet?
MORSOM FAKTA: Visste du at Fords vedtakelse av Big Data og Analytics reddet det fra en nesten dødsopplevelse på 2000-tallet da konkurransen var hard fra europeiske og asiatiske bilprodusenter!
3.Finans: Trening av ansatte på big data-plattformer for å håndtere økonomisk modellering
Vi har kanskje ofte hørt begrepet at penger er virksomhetens blod. Å ta vare på pengene er et ansvar for økonomiavdelingen. Næringslivet definerer finansavdelingens funksjoner som typisk involvert i ‘planlegging, organisering, revisjon, regnskap og kontroll av selskapets økonomi sammen med å produsere selskapets økonomi.
Når det er sagt, er økonomiavdelingen generelt hjernebarnet når det gjelder håndtering av penger, og rollen utvides til forskjellige aktiviteter som generering av kontantstrømsoppgaver, kostnadsmodellering, premieoppnåelse og overholdelse for å nevne noen. For noen tiår siden var det ganske mulig å utføre alle disse aktivitetene med begrensede systemer og plattformer, men i alderen med store data var de to utfordringene hver finansavdeling står overfor å utføre vanlige økonomifunksjoner i det skiftende scenariet og samle innsikt for fremtiden. La oss se på det fra et dypere perspektiv.
Med informasjonen spredt over forskjellige servere, møter organisasjoner ofte utfordringen med å konsolidere dataene og utføre handlinger i henhold til forretningskravene. En viktig funksjon innen er intern revisjon som holder en oversikt over organisasjonens styring, risikostyring og ledelseskontroller og gjennomføring av proaktive svindelrevisjoner for å identifisere falske handlinger. Med økningen av analyser er det også behov for å integrere intern revisjon. Dette har utløst nye metoder som revisjonsdataanalyse som hjelper til med å vurdere risikoen, lage økonomiske modeller og gi et samlet bilde av økonomi i en organisasjon.
Kostnadsmodellering og prisrealisering
Kostnadsmodellering er en viktig komponent for effektiv ressursutnyttelse. Bedriftene må identifisere aktivitetene som driver kostnadene, det totale direkte materialet og arbeidskraften som er nødvendig for å fullføre oppgaven og så videre. Kostnadsmodellering hjelper bedrifter med å nøyaktig identifisere de samlede produksjonskostnadene for produkter på tvers av alle aktiviteter i selskapet. I tiden med store data blir det viktig å holde oversikt over alle økonomiske aktiviteter som foregår ved forskjellige avdelinger i en organisasjon som konsoliderer denne informasjonen for å bygge en ideell kostnadsmodell. Fra kjøp til salg lagres all data i økonomihistorien, og det grunnleggende om å utvikle en kostnadsmodell er å hente store biter av data og lage en modell som kan gjelde for fremtiden.
Selv om man kan diskutere at prisrealiseringsarbeidet retter seg mer mot salg for å forbedre lønnsomheten, er det en større rolle som finansavdelingen spiller når det gjelder å dra nytte av prisrealisering. For å bryte det ned til enklere vilkår, bør du vurdere et detaljhandel som planlegger å gi rabatter for å presse salget. Det grunnleggende målet er å redusere prislekkasje og forbedre lommeprisen.
Prislekkasje oppstår når prisen på et produkt blir diskontert så mindre (i et forsøk på å gjøre salg) at de går på kompromiss med lønnsomhet og lommepris er salgsprisen etter rabatter. For å oppfylle en lønnsom innsats for prisrealisering samarbeider salgsteamet med økonomiavdelingen for å forstå kostnadsstrukturen for hvert enkelt produkt og hvor rabatter kan gis. Dette krever igjen at økonomiavdelingen utvikler et rammeverk for prisrealiseringsmodeller for fremtiden og definerer grensene innenfor slike markedsføringsaktiviteter. Oppgaven inkluderer behandling av data fra anskaffelse, lagerkostnad, holdbarhet og deretter estimering av kostnad for solgte varer (CGS).
F-12 og prediktiv analyse
En av de viktigste aktivitetene innen finansavdelingen er å overvåke organisasjonens økonomiske helse. Akkurat som en lege bruker forskjellige beregninger som puls, kroppsvarme eller reaksjoner av stimuli for å bedømme om pasienten er i live eller død, på samme måte overvåker finansverdenen de 12 beregningene for å vite hvor selskapet er på vei monetært og hva som ligger utenfor . Fra reell inntektsvekst, bærekraftig inntektsvekst, prispolitikk og prisindeks, driftskostnadskontroll, sammenligning av EBITDA kontra kontantstrøm, gjeldsfri kontantstrøm, overskytende kontanter, avkastning på aktiva, arbeidskapital, bruk av gjeldsfinansiering, netto handelssyklus og kostnad av kapital utgjør viktige komponenter i finansiell rapportering for en organisasjon, slik at den øverste ledelsen kan ta en forsvarlig beslutning.
Som en del av utfordringen i big data-verdenen, krever forståelse av disse forholdene behandling av store deler av informasjon spredt over hele organisasjonen for å gjøre det i et standardformat for analyse. Prediktiv analyse spiller inn når disse dataene behandles fra tidligere historie, sammenlignet med de samme elementene i nåtiden slik at nøyaktige estimater blir gjort for fremtiden. Den beste delen er prediktiv analyseplattform, og metoder er bygget for å behandle big data og dermed forenkle økonomiavdelingens oppgave.
MORSOM FAKTA: Visste du at Oversea-Banking Corporation (OCBC) med base i Singapore var i stand til å bruke stordata for kundeinnsikt som var direkte ansvarlig for 40% økning i anskaffelse av ny kunde!
4. menneskelige ressurser: omdefinere HR-ansattes evner
Imagining Big Data in Human Resources kan ofte oppfordre leserne til å avvise som en humbug, siden en organisasjon vanligvis ikke prioriterer mye i implementering av Big Data-teknologi i HR-avdelingen, da den heller vil fokusere på markedsføring, drift eller økonomi. Men i realiteten spiller avdelingen for menneskelige ressurser en avgjørende rolle for å sikre at riktig talent kommer inn i organisasjonen blant andre aktiviteter.
Legge til flere tenner til HR
Kanskje den mest ignorerte blant alle avdelinger når det gjelder implementering av store data, men i dagens raskt skiftende verden definerer måten en HR-avdeling fungerer på suksessen til en organisasjon.
Ifølge Forbes har et gjennomsnittlig stort selskap mer enn 10 forskjellige HR-applikasjoner, og deres kjerne HR-system er over 6 år. Denne trenden fremhever det faktum at en organisasjon trenger de riktige ressursene for å bringe disse dataene sammen. Opplæring i Big Data & Analytics gir ferdigheter som dataanalyse, visualisering og problemløsning helt fra operativ rapportering til strategisk analyse.
En HR-avdeling forventes som standard å levere når det gjelder grunnleggende HR-operasjoner, men Big Data-opplæring tar det til et helt nytt nivå. Etter hvert som HR-avdelingen blir mer analytisk med verktøy, endrer den deres tilnærming for å delta i mer strategisk aktivitet. Kritisk spørsmål som hvordan man kan ha flere ansattes opprettholdelsesfaktorer som påvirker salgskvaliteten på kandidatrørledningen og evaluere talenthull, blir identifisert, og strategiske grep blir tatt gjennom å analysere relevante data gjennom den.
Skiftet vil gå fra enkel antall ansatte til mer prediktiv analyse.
Oraklet innen menneskelige ressurser
Det var en morsom historie som jeg husker om en venn som jobbet som HR. Hun hadde en utmattende jobb med hodjakt før hun sendte kandidaten til den aktuelle avdelingslederen som bare ville si de magiske ordene: 'Ok, la oss ansette ham.'
For en stund gikk det bra da hun hentet inn talent for selskapet. Etter hvert som tiden gikk, ble hun trygg på ansettelsesferdighetene i den grad at hun presset den øverste ledelsen til å legge til flere personer i teamet sitt, implementere HR-systemer og inkludere flere tredjeparts konsulentfirmaer. Den vanskelige delen var at hun ga høye løfter til toppledelsen med selvtilliten.
Historien har vist at den som forbereder seg på fremtidig begivenhet er mer vellykket enn den som kjører på fortidens ære. Det var en tid da hun ble forventet å ansette et stort antall fagpersoner i domenet selskapet ekspanderte i. Hun begynte å fylle ledige stillinger med et kompromiss om å ansette fagpersoner av høy kvalitet. Hun vedtok en mer målstyrt tilnærming. Resultatet? De fleste av fagpersonene hun hyret la ned papirer med begrunnelse av forskjellige grunner, og hun ble avhørt av ledelsen. Ofte hørte jeg henne mumle:
“Jeg head jagter 1000 Cvs, kortlister 100 Cvs, ringer 50 kandidater til intervju, filtrerer 10 fra mine psykometriske vurderinger, blant de 10 tar jeg 5 som er verdt det, sender de 5 til ledelsen, de null på 1 og den ene fyren forlater etter to måneder. ”
Jeg humret av elendigheten hennes bortsett fra å tilby min sympati, men det fikk meg til å lure på om menneskelige ressurser kan gjøre det bedre med deres erfaring, eller er det behov for å ha en mer datadrevet tilnærming til hele ansettelsesprosessen? Vel, vi bruker prediktiv analyse fra å finne hvilket lag som skal vinne verdensmesterskapet, men hvorfor ikke bruke de samme teknikkene i ansettelsesprosessen, spesielt når vi har å gjøre med komplekse elementer som mennesker?
Nå er jobben med å ansette ikke nødvendigvis en enkel jobb, det involverer mange prosesser og reglene for ansettelse endres ofte i henhold til bransjen HR er i rollen hun ansetter for organisasjonens regler og så videre.
Hvis man observerer vellykkede organisasjoner som bruker prediktiv analyse og har mindre slitasjegrad, er det et mønster for først å bestemme de ønskede egenskapene i en kandidat som sikrer suksess, konsolidere den til en 'ideell' profil og sammenligne den med hver kandidat som er nærmest til det og deretter engasjere dem med tilpassede vurderinger som evaluerer egenskapene til disse kandidatene.
hva er binært søk i java
Et poeng å merke seg er at hele den psykometriske vurderingsbransjen med ledende aktører som Pearsons, Thomas Assessment og SHL sprang opp på grunn av kravet fra HR-fagpersoner om å analysere kandidatprofilen i deres behov for perfekt ansettelsesprosess!
Å komme tilbake til prediktiv analyse, som en del av implementeringen, må HR-personellet først definere hvem som er en 'vellykket kandidat' i henhold til organisasjonen, deretter må hun / han definere faktorene som kan drive effektiviteten av ansettelser og utvikle og observere som til hvorfor noen ansettelser gjør det bedre enn de andre med en hypotese om nødvendig. Basert på det kan hun / han sammenligne det med dataene til vellykkede ansatte som har bodd lenge hos organisasjonen og for det tredje bruke statistiske teknikker for å måle hvorfor noen blir lenger.
Tilnærmingen er bra for en start, men implementering av prediktiv analyse innen HR inkluderer mange teknikker som en HR er fri til å utforske. Den beste delen av denne prosessen er reduksjonen i kostnadene for å erstatte en ansatt med nye og kanskje få mer avkastning enn den gamle.
På slutten av dagen foredler kombinasjonen av intuisjon, erfaring og en god datadrevet tilnærming ofte ikke bare en HRs vurdering, men også vår.
MORSOM FAKTA: Visste du at den amerikanske giganten Xerox reduserte omsetningen til kundesenteret med 20% ved å bruke analyser på potensielle kandidater med det funnet at kreative mennesker var mer sannsynlig å være hos selskapet i de seks månedene som var nødvendige for å få tilbake $ 6000-kostnaden for opplæringen enn nysgjerrig mennesker?
5. Supply Chain & Logistics: Opplæringsteam med store dataplattformer
Supply Chain & Logistics utgjør i utgangspunktet en viktig komponent i organisasjonsstrategier og mål. Målet for Supply Chain & Logistics er å spare kostnader og forbedre ytelse, hastighet og smidighet. Når det gjelder logistikk, fanger de opp og sporer forskjellige former for data for å forbedre driftseffektiviteten, forbedre kundeopplevelsen og nye forretningsmodeller. Disse faktorene kan ofte hjelpe organisasjoner med å spare ressurser, bygge et bedre merkenavn og skape en systematisk prosess for forsyningskjede og logistikk.
Spore Big Data over hele verden
La oss ta et eksempel på en e-handelsgigant som bruker Big Data for levering til sine kunder. Et produkt blir sendt fra et sted til kundens adresse. Enheter i transportkjøretøyet som GPS-tracker, mikrofon, sensor har strukturerte og ustrukturerte data som sendes tilbake til overvåkingssenteret for sanntidsoppdateringer. I tillegg hjelper det også med å analysere effektiviteten i leveringstid, korteste vei og ressursene som brukes til å utføre en leveringsoperasjon i listen over millioner av slike transaksjoner. Denne gullgruven av data på tvers av forskjellige markeder konsolideres av organisasjonene og analyseres for å gi ytterligere forbedringer i prosessen eller bringe et helt nivå av ny innovasjon!
MORSOM FAKTA: Visste du at Big data i form av sporing av kundesider fra Amazon har hjulpet det med å posisjonere sine produkter til lageret nærmest kunden for å forbedre leveringshastighet og effektivitet?
6.Operasjoner, support og kundeservice: Opplæring av ansatte om store data ved hver kundeinteraksjon
Suksessen til ethvert produkt eller tjeneste er basert på kundesupport som kunden mottar, og ofte avlegger leverandøren å være der for ham / henne til enhver tid. Dette kommer av det faktum at når en kunde tar et produkt eller en tjeneste, gjør han et “sprang av tro” i håp om at leverandøren ikke svikter ham / henne i levetiden til produktet / tjenesten. Å levere fra dette perspektivet er avgjørende for organisatorisk suksess.
La oss se på støtte på granulært nivå. Jeg fikk nylig muligheten til å se Christopher Nolans ‘Interstellar’ som utforsket romfart til slutten av verdensrommet. Dette fikk meg til å tenke på fremtidige flyselskaper som vil tilby flytjenester gjennom ormehull som strekker seg over millioner av lysår unna! Hva ville være utfordringene da? Hva slags store data kommer til å genereres i denne nesten uendelige reisen? Hvordan vil ombordteamet sørge for at passasjeren nyter turen hele tiden? Til å begynne med må tjenesteleverandøren fokusere på primære mål som å sikre luftsikkerhet, holde styr på flyveien, levere kundens krav og så videre.
On-the-go Big Data 24 × 7
Ideen for interstellare reiser kan være en fjern drøm de neste 100 årene (være optimistisk!), Men det hindrer oss ikke i å se på dataene som genereres av en lignende tjeneste som for tiden er i drift nå, og som vil kaste mer lys over hvordan kunden service og support utføres i et 'ettersalgsscenario' og hvordan organisasjoner kan engasjere seg i å forbedre sin innsats i sanntid.
Nå til å begynne med er Southwest Airlines et av de mest berømte flyselskapene som benyttet seg av Big data for å forbedre kundeopplevelsen. I sitt forsøk på å forbedre flysikkerheten samarbeidet Southwest Airlines med NASA for å delta i big-data eksperiment for å forbedre den generelle flyopplevelsen. Dette inkluderer pinging av NASA-satellitter med informasjon om flyrute, rapporter fra piloter og annen lufttrafikkinformasjon. På toppen av en slik innovativ teknikk ligger det grunnleggende big data-konseptet kalt ‘text data-mining’ som konverterer ustrukturert tekstinformasjon til meningsfull tekst for innsikt. Så du trodde tekstdatautvinning ender der?
Selvfølgelig gjør det ikke det, selv et enkelt konsept i store data som tekstdata-utvinning strekker seg langt utover det. Vi vet alle at tilbakemeldinger fra kunder er en viktig komponent for å forstå hvor en organisasjon går galt på hvert punkt i kundeinteraksjon. Tekstdatautvinning hjelper også kundeservice ved å analysere svar på åpne undersøkelser. I stedet for å begrense kundene til vanlige alternativer som alternativ A, alternativ B, alternativ C, gir åpne spørsmål mer innsikt, men å klassifisere dem og registrere svarene kan være et sentralt spørsmål. Det er her tekstdata-mining kommer til spill der den grupperer visse ord og konsoliderer dem for innsikt!
Når vi ser utover det, må vi alle innrømme at ingen organisasjoner er perfekte, og at hver og en av dem har et lite sett med kunder som kanskje ikke er fornøyd med tjenesten. Resultatet? En database oversvømmet med e-post, meldinger, tweets fra kunder som registrerer klager eller tips om forbedringsområder for å si det ganske mykt. Tekstdatautvinning går et skritt foran tradisjonelle postfiltre og kan klassifisere e-post i henhold til prioriteten og omdirigere den til den aktuelle avdelingen.
MORSOM FAKTA: Visste du at Southwest Airlines, som en del av arbeidet med å forbedre kundetjenestene, har distribuert dataanalyse med funksjonen kalt ‘tale-analyse’ som registrerer interaksjon mellom kunde og personell for innsikt!
7. Markedsføring: Opplæring av ansatte i en systematisk markedsføringstilnærming med big data
Markedsføring som en aktivitet handler om tall i dag. Med økningen i digital markedsføring kan vi nå måle responsen til annonser, klikkfrekvens, visninger, avkastning og så videre. For fagpersoner som ikke er markedsførere, er slike beregninger kanskje greske, men for de som markedsfører, er disse dataene en gullgruve. Deretter, sammen med beregninger, genereres store deler av data på hvert punkt av kundeinteraksjon, sosiale medier og salg. Det er opp til markedsføringsspesialisten å holde oversikt over slike data og bruke den til å presse produktene sine mer effektivt. Opplæring i Big Data spiller en viktig rolle her siden plattformer som Hadoop & R hjelper deg med å tjene formålet.
For det andre hengir tidvis markedsføringsfagfolk seg i ettertid til merkevaren sin. Spørsmål som:
Hvordan er merkevaren min bedre enn andre?
Hva tilbyr andre merker?
Hvilke funksjoner har konkurrenten min på det samme produktet?
Studien går mye dypere enn dette. Fra analysering av konkurrentprodukt basert på 4P-er (produkt, pris, sted, posisjonering) til forståelse av innholdet til hvilket produkt som presenteres på konkurrentens nettside, er datamengden som genereres enorm og komplisert. Som tidligere fortalt kan utnyttelse av tekstgruvedrift hjelpe markedsføreren til å utføre konkurrentanalyse ved å bare gjennomgå konkurrentens nettside. Denne enkle funksjonen innen big data-domenet kan gi en samlet ide om hva konkurrenten gjør og hvilke produkter de har på plass for markedet, og dermed gi markedsføreren som omfavnet big data et forsprang!
Tilkobling av det kreative
For eksempel vil en sosial mediestrateg vite om merkevaren til organisasjonen sin på tvers av sosiale medieplattformer, og sannsynligvis vil engasjement i sentimentanalyse i R & Hadoop bidra til å nå dette målet. På samme måte hjelper bruk av Big Data-verktøy til markedsføring ved forskjellige aktiviteter som prising, produktposisjonering og så videre.
Et annet eksempel kan være en markedssjef i et detaljhandel som ønsker å maksimere salget. Alle ville vite eksemplet på Walmart, som var i stand til å plassere øl og melk side om side i midtgangen, basert på tidligere kundekjøpshistorikk ved å hente store biter av data som spenner over millioner av kunder over en tidsramme!
MORSOM FAKTA: Visste du at General Motors med sitt årlige markedsføringsbudsjett på 2 milliarder dollar per år brukte Big Data Analytics til å lage detaljerte kundeprofiler og kombinere romlig dataanalyse med detaljert demografi / kundeinformasjon for mer personlig markedsføring!
Hvorfor selskaper skifter til Big Data-plattformer
Vanligvis har organisasjoner som bruker gamle eldre systemer data spredt over mange systemer. På grunn av spredning av data på forskjellige steder, går behandlingshastigheten sammen med nøyaktigheten av å analysere data. Dette krever konsolidering av data i et datanavn for bedrifter som skaper raskere tilgang til data, noe som resulterer i dypere analyser. Et av de viktigste målene for IT-avdelingen i enhver organisasjon er å levere nøyaktige data raskt for alle avdelinger i organisasjonen på forespørsel.
Når data blir samlet inn, er det viktig å forene ustrukturerte, strukturerte og semistrukturerte datakilder på en plattform for å utføre dybdeanalyser og i utgangspunktet hjelpe forretningsbeslutninger. Denne funksjonen i Hadoop bringer inn flere mennesker til bordet i organisasjonen, siden det er ansatte som samhandler med data på forskjellige berøringspunkter i den daglige driften. Tradisjonelle ETL- og batchprosesser kan også ta lang tid, mens Hadoop med sin høye volum batch-prosessering øker det opptil 10 ganger.
Betydningen av Hadoop betyr ikke nødvendigvis at hver ansatt i en organisasjon trenger å bli opplært i Big Data-plattformen, noe som kanskje ikke er mulig i de fleste tilfeller. Men det vil være av strategisk fordel for en CTO å identifisere og trene fagfolk som er i konstant interaksjon med data.
Etter å ha dekket lagring, behandling, henting av data gjennom den populære Hadoop-plattformen, er et annet viktig fenomen som er en del av den naturlige progresjonen, Big Data-analysen. For å si det enklere, trenger organisasjoner flere perspektiver fra forskjellige fagpersoner i en organisasjon.
hvordan lage dynamisk matrise i java
Nummeret '6' kan sees på som tallet '9' fra den andre siden av tabellen. Med andre ord er konklusjonen fra å observere data forskjellig fra person til person.
Organisasjoner vet dette og ofte deltar i å trene ansatte i lignende plattform, slik at folk fra forskjellige avdelinger som er sammenkoblet av samme aktivitet, diskuterer, engasjerer og deler innsikt for god beslutningstaking. Så jeg tror det ville være trygt å definere Big Data-opplæring som en mulighet for alle ansatte å være på samme side og ta organisasjoner til neste nivå!
Har du et spørsmål til oss? Nevn dem i kommentarfeltet, så kommer vi tilbake til deg.
Relaterte innlegg: