การวิเคราะห์ที่เพิ่มขึ้น: สิ่งที่คุณต้องรู้สำหรับปี 2019
เผยแพร่แล้ว: 2019-02-23ในขณะที่บริษัทต่างๆ เริ่มต้นหรือดำเนินการต่อในเส้นทางการเปลี่ยนแปลงทางดิจิทัล ปริมาณข้อมูลที่พวกเขาจัดการจะเพิ่มขึ้นในปริมาณและความซับซ้อน
การวิเคราะห์แบบดั้งเดิม — กระบวนการในการเตรียมและวิเคราะห์ข้อมูล ตีความผลลัพธ์และการบอกเล่าเรื่องราวด้วยข้อมูลนั้น — เป็นกระบวนการที่ใช้เวลามากซึ่งทำด้วยตนเอง และเป็นความท้าทายที่สำคัญสำหรับบริษัทต่างๆ ที่พยายามจัดการกับข้อมูลที่ระเบิดอย่างต่อเนื่อง
เพื่อให้สอดคล้องกับไทม์ไลน์ความพร้อมของตลาดการเปลี่ยนแปลงทางดิจิทัล จำเป็นต้องลดเวลาในการวิเคราะห์แบบแมนนวลที่ต้องใช้เวลามาก
ในการทำเช่นนี้ เราสามารถเพิ่มนักวิทยาศาสตร์ข้อมูลมนุษย์ด้วยการเรียนรู้ของเครื่อง (ML) และปัญญาประดิษฐ์ (AI) เพื่อเพิ่มความเร็วในแต่ละขั้นตอนในเส้นทางการวิเคราะห์ ซึ่งเรียกว่าการวิเคราะห์เสริม
ในช่วง 12-18 เดือนที่ผ่านมา การวิเคราะห์ที่เพิ่มขึ้นเมื่อเป็นสาขาหนึ่งเติบโตขึ้น และองค์กรต่างๆ เริ่มยอมรับกระบวนการนี้มากขึ้น
บริษัทต่างๆ ที่อยู่ระหว่างการเปลี่ยนแปลงทางดิจิทัลในอุตสาหกรรมต่างๆ เช่น เภสัชกรรม การค้าปลีก การผลิต และอื่นๆ กำลังเริ่มนำการวิเคราะห์ที่เพิ่มขึ้นมาใช้
ฉันเชื่อว่าในปีหน้า เขตข้อมูลที่เกิดขึ้นใหม่นี้จะถูกนำมาใช้และเข้าใจในวงกว้างมากขึ้น
ข้อมูลพื้นฐานโดยย่อเกี่ยวกับการวิเคราะห์ที่เพิ่มขึ้น
ในช่วงกลางปี 2000 การจัดเก็บข้อมูลบนคลาวด์และพลังการประมวลผลที่มีอยู่อย่างมหาศาลได้กลายเป็นกระแสหลักมากขึ้น สิ่งนี้ทำให้การวิเคราะห์ข้อมูลขนาดใหญ่ระเบิด
นี่เป็นการเปลี่ยนแปลงที่สำคัญ แต่กระบวนการนี้ยังคงใช้คนมาก หมายความว่าผู้เชี่ยวชาญด้านการวิเคราะห์ยังต้องเขียนโค้ดจำนวนมาก
ก่อนการปฏิวัติบิ๊กดาต้า บริษัทต่างๆ อาจจำเป็นต้องสแกนโฟลว์ 1,000 โฟลว์เพื่อรับข้อมูลเชิงลึกที่มีความหมาย แต่วันนี้ เรากำลังพูดถึงโฟลว์นับล้าน
คำถามได้กลายเป็น: การวิเคราะห์ข้อมูลสามารถส่งมอบคุณค่าเดียวกันได้อย่างไรในขณะที่ลดเวลาที่ต้องใช้ลงอย่างมาก โดยรู้ว่าการวิเคราะห์ที่เร็วขึ้น = เวลาออกสู่ตลาดเร็วขึ้น = ROI ที่แข็งแกร่งขึ้น
นี่คือสิ่งที่การวิเคราะห์เสริมมีไว้สำหรับ - เร่งความเร็วด้านการวิเคราะห์ข้อมูลเพื่อให้ได้มูลค่ามากขึ้น
เนื่องจากจำเป็นต้องทะเลาะกันและทำความเข้าใจปริมาณข้อมูลที่เพิ่มขึ้น การวิเคราะห์ที่เพิ่มขึ้นจึงแสดงถึงการเปลี่ยนแปลงครั้งสำคัญในด้านการศึกษานี้
การวิเคราะห์ที่เพิ่มขึ้นทำให้เกิดการหยุดชะงักในการตีความ การสร้าง และการแบ่งปันการวิเคราะห์ ในทางกลับกัน สิ่งนี้ทำให้นักวิทยาศาสตร์ด้านข้อมูลใช้เวลาน้อยลงในการสำรวจข้อมูล และมีเวลามากขึ้นในการดำเนินการกับข้อมูลเชิงลึกที่เกี่ยวข้องมากที่สุด มากกว่าวิธีการแบบเดิมๆ ที่ทำเองด้วยตนเอง
แนวทางนี้เป็นกลไกที่ทรงพลังที่ช่วยให้บริษัทต่างๆ สามารถตอบสนองและคล่องตัวมากขึ้น ซึ่งเป็นแง่มุมที่จำเป็นของการ เปลี่ยนแปลงทางดิจิทัล
อันดับแรก มาดูประโยชน์หลักของการวิเคราะห์ที่เพิ่มขึ้นและวิธีที่แนวทางปฏิบัตินี้เปลี่ยนแปลงรูปแบบธุรกิจแบบเดิม การวิเคราะห์ที่เพิ่มขึ้น:
- เร่ง กระบวนการเตรียมข้อมูลและค้นหาข้อมูล
- ทำให้ การวิเคราะห์ข้อมูลเป็น ประชาธิปไตย สำหรับผู้ใช้ที่เข้าใจธุรกิจน้อยลง
- ช่วยให้การยอมรับของข้อมูลเชิงลึกสำหรับทีมผู้บริหารและทั่วทั้งองค์กร
ความสำคัญของผลประโยชน์เหล่านี้ต่อธุรกิจดิจิทัลมีความสำคัญมาก
เป็นที่เข้าใจกันดีว่าสำหรับองค์กรที่จะแข่งขันในยุคดิจิทัล ข้อมูลเป็นกุญแจสำคัญในการได้รับข้อมูลเชิงลึกที่เกี่ยวข้องและนำไปปฏิบัติได้
ทว่าความซับซ้อนที่ซ่อนอยู่ในกระบวนการวิเคราะห์ด้วยตนเองทำให้เกิดอุปสรรคมากมาย
ประการหนึ่ง นักวิทยาศาสตร์ด้านข้อมูลซึ่งมีทักษะในการปฏิบัติงานด้านวิทยาศาสตร์ข้อมูลและมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับรูปแบบธุรกิจและการปฏิบัติการเป็นเรื่องที่หาได้ยาก
นอกจากนี้ เวลาของนักวิทยาศาสตร์ข้อมูลมีค่ามาก — แต่เวลาส่วนใหญ่ถูกใช้ไปในการเตรียมข้อมูลด้วยตนเองผ่านการทำความสะอาดและการติดฉลาก เวลาและความจุที่ไม่เพียงพอนี้หมายความว่าการวิเคราะห์ข้อมูลส่วนใหญ่จะดำเนินการในส่วนเล็กๆ ของข้อมูล ในขณะที่สินทรัพย์ข้อมูลส่วนใหญ่ไม่ได้ถูกขุด
มาสำรวจประโยชน์ที่กล่าวข้างต้นเพื่อดูว่าการวิเคราะห์เสริมที่ก่อกวนอย่างแท้จริงเป็นอย่างไร
ประโยชน์หลักสามประการของการวิเคราะห์ที่เพิ่มขึ้น
1. เร่งการจัดเตรียมและค้นพบข้อมูล
เมื่อดำเนินการด้วยตนเอง การเตรียมข้อมูลจะยุ่งยากและซับซ้อน
เมื่อนักวิทยาศาสตร์ข้อมูลมีระเบียนนับล้านที่ต้องรวบรวม งานง่ายๆ ที่น่าจะเป็นไปได้ในการค้นหาลูกค้าทั้งหมดจากภูมิภาคหนึ่งๆ เช่น อาจใช้เวลาหลายเดือนอย่างแท้จริง
ยกตัวอย่างของผู้ค้าปลีกผลิตภัณฑ์กระดาษชนิดพิเศษรายใหญ่ ในฐานะส่วนหนึ่งของเส้นทางดิจิทัล พวกเขาจำเป็นต้องเข้าใจลูกค้าให้ดีขึ้น แต่ข้อมูลที่มาจากระบบเดิมมีคุณภาพต่ำ
ไม่เพียงแต่จะมีข้อมูลจำนวนมากที่ต้องตรวจสอบเท่านั้น แต่ยังมีความไม่สอดคล้องกันในด้านต่างๆ และการกระทบยอดให้เป็นรูปแบบที่รวมเป็นหนึ่งเดียวก็เป็นเรื่องที่น่ากังวล
มีระเบียนที่ต้องประเมิน 26 ล้านรายการ ในรูปแบบไฟล์ XML ที่แตกต่างกัน 1200 รูปแบบ
การล้างข้อมูลด้วยกระบวนการแบบแมนนวลอาจต้องใช้เวลาหกถึง 12 เดือน ด้วยการใช้เทคนิคการเตรียมข้อมูลการวิเคราะห์ที่เพิ่มขึ้นและอัลกอริธึม ML ผู้ค้าปลีกสามารถล้างข้อมูลได้ภายในเวลาประมาณสามสัปดาห์
การทำให้ขั้นตอนซ้ำๆ เหล่านี้เป็นไปโดยอัตโนมัติ เวลาในการเตรียมข้อมูลและค้นหาข้อมูลทั้งหมดจะลดลง 50-80%
ลองนึกภาพว่าทีมวิเคราะห์ข้อมูลของคุณมีประสิทธิภาพและประสิทธิผลมากขึ้นเพียงใดหากเป็นกรณีนี้!
2. วิเคราะห์ข้อมูลให้เป็นประชาธิปไตย
หลังจากเตรียมข้อมูลแล้ว การวิเคราะห์เสริมจะตรวจจับสัญญาณที่ส่งผลต่อรูปแบบธุรกิจที่นักวิทยาศาสตร์ด้านข้อมูลที่ไม่ค่อยเข้าใจธุรกิจอาจไม่เชี่ยวชาญในการค้นหา
ด้วยการวิเคราะห์ที่เพิ่มขึ้น นักวิทยาศาสตร์ด้านข้อมูลไม่จำเป็นต้องกำหนดอัลกอริธึมที่เหมาะสมเพื่อใช้หรือเขียนโค้ดเพื่อให้ได้ผลลัพธ์
ชุดเครื่องมือวิเคราะห์เสริมจะรันอัลกอริธึมแปดถึง 10 อัลกอริธึมในข้อมูล และจัดให้เข้ากับรูปแบบทั่วไปเพื่อตรวจจับรูปแบบและค่าผิดปกติ
ตัวอย่างเช่น องค์กรขนาดใหญ่อาจต้องการข้อมูลเชิงลึกในการออกใบแจ้งหนี้จากผู้ขายของตน เพื่อพิจารณาว่ามีสิ่งผิดปกติใดบ้างที่รับประกันการตรวจสอบเพิ่มเติม
ด้วยการดำเนินงานและพนักงานทั่วโลก สิ่งนี้สามารถเทียบเท่ากับใบเรียกเก็บเงินที่มาจากผู้ขายหลายพันรายหรือหลายแสนรายทุกเดือน
จากข้อมูลพื้นฐาน การวิเคราะห์ที่เพิ่มขึ้นจะเริ่มตรวจจับรูปแบบและสร้างการวิเคราะห์ค่าผิดปกติโดยอัตโนมัติเพื่อตรวจจับเมื่อผู้ขายรายใดรายหนึ่งซึ่งออกใบแจ้งหนี้ให้กับบริษัท 50,000 ดอลลาร์ต่อเดือนอย่างสม่ำเสมอ ส่งใบแจ้งหนี้จำนวน 500,000 ดอลลาร์
แม้ว่าสิ่งนี้จะไม่ถูกตั้งค่าสถานะโดยอัตโนมัติว่าเป็นกิจกรรมที่เป็นการฉ้อโกง แต่จำนวนเงินที่มากกว่าปกติจะถูกตั้งค่าสถานะเป็นสิ่งที่ให้ผู้เชี่ยวชาญด้านการวิเคราะห์ข้อมูลตรวจสอบเพิ่มเติม และขจัดภาระในการเขียนอัลกอริทึมในครั้งแรกเพื่อทำการค้นพบนี้
กล่าวอีกนัยหนึ่ง การวิเคราะห์ที่เพิ่มขึ้นจะทำให้ข้อมูลเชิงลึกเป็นประชาธิปไตย ทำให้ผู้ใช้ทางธุรกิจสามารถดึงข้อมูลเชิงลึกที่ซับซ้อนและประหยัดเวลาได้อย่างมากในการทำเช่นนั้น
3. เปิดใช้งานการนำข้อมูลเชิงลึกที่นำไปปฏิบัติได้สำหรับผู้บริหารและทั่วทั้งองค์กร
เมื่อกำหนดสัญญาณและรูปแบบได้แล้ว จะต้องสื่อสารผลลัพธ์กับผู้บริหาร
วิธีดั้งเดิมในการทำเช่นนี้ เช่น การสร้างรายงานหรือแดชบอร์ด จะเพิ่มภาระให้กับผู้บริหารที่มักจะไม่มีเวลาเข้าสู่ระบบแพลตฟอร์มและตีความข้อมูลของตนเอง
ด้วยการวิเคราะห์ที่เพิ่มขึ้น เครื่องมือจะอ่านแผนภูมิหรือรายงาน และแปลข้อมูลเป็นภาษาธรรมชาติ เช่น "ยอดขายของคุณลดลงในภูมิภาค X ซึ่งเป็นแนวโน้มที่ต่อเนื่องในช่วงหลายเดือนที่ผ่านมา" หรือ “คุณกำลังสูญเสียส่วนแบ่งการตลาดให้กับคู่แข่ง Y”
หัวหน้าทีมสามารถรับคำตอบสำหรับคำถามต่างๆ เช่น "ยอดขายเพิ่มขึ้น 10% ในระดับกว้าง แต่ส่วนต่างในแต่ละระดับภูมิภาคเป็นอย่างไร" การให้ข้อมูลเชิงลึกที่นำไปปฏิบัติได้ในระดับนี้ช่วยให้สามารถตัดสินใจโดยใช้ข้อมูลและเพิ่มการนำไปใช้ทั่วทั้งองค์กร
ระบบวิเคราะห์ที่ซับซ้อนนำเสนอความสามารถในการประมวลผลด้วยเสียงและภาษาที่เป็นธรรมชาติ และฝังอยู่ในอินเทอร์เฟซการค้นหาขององค์กรและแพลตฟอร์ม BI
ลองนึกภาพสิ่งนี้: นักวิทยาศาสตร์ด้านข้อมูลสามารถโต้ตอบกับแพลตฟอร์มการวิเคราะห์ที่เพิ่มขึ้นโดยใช้ภาษาที่เป็นธรรมชาติเพียงแค่ถามคำถามเช่น: "ความพยายามในการขายของเราเปรียบเทียบกับคู่แข่งของเราได้อย่างไร"
การวิเคราะห์ที่เพิ่มขึ้นช่วยจัดการกับความซับซ้อนเบื้องหลังทำให้กระบวนการวิเคราะห์ข้อมูลเป็นเรื่องง่ายสำหรับผู้ใช้ทางธุรกิจและนักวิทยาศาสตร์ข้อมูลพลเมือง
คุณจะก้าวไปข้างหน้าด้วยการวิเคราะห์ที่เพิ่มขึ้นได้อย่างไร
ด้วยประโยชน์ที่กล่าวไว้ข้างต้นและเทคโนโลยีที่มีอยู่ซึ่งทำให้เกิดการหยุดชะงักครั้งใหญ่นี้ คำถามไม่ได้อยู่ที่ว่าคุณควรนำการวิเคราะห์เสริมมาใช้หรือไม่ คำถามคือจะเริ่มเมื่อไหร่และอย่างไร
แม้ว่าจะมีเครื่องมือหลายประเภทสำหรับขั้นตอนต่างๆ ที่กล่าวถึงข้างต้น แต่ไม่มีเครื่องมือใดที่ทำหน้าที่ทั้งหมดหรือเหมาะกับทุกองค์กร
วิธีที่ดีที่สุดสำหรับบริษัทในการดำเนินการคือการทำงานร่วมกับพันธมิตรที่ปรึกษาที่มีประสบการณ์ในวงกว้างในด้านการวิเคราะห์และในชุดเครื่องมือและระเบียบวิธีวิเคราะห์ที่เพิ่มขึ้นซึ่งเกิดขึ้นใหม่เพื่อสร้างแผนงานที่กำหนดเอง ในการสร้างเส้นทางสู่ความสำเร็จ ต้องมีการผสมผสานที่ลงตัวระหว่างผู้คน กระบวนการ และเทคโนโลยี
การวิเคราะห์ที่เพิ่มขึ้นยังคงเป็นสาขาที่กำลังพัฒนา ทุกวันนี้ บริษัทส่วนใหญ่ไม่ได้ใช้การวิเคราะห์ที่เพิ่มขึ้นสำหรับกระบวนการแบบ end-to-end ทั้งหมด แต่กำลังเริ่มต้นด้วยส่วนเล็กๆ เพียงชิ้นเดียว ซึ่งเป็นวิธีที่ดี
ในอีกไม่กี่ปีข้างหน้า ฉันคาดหวังว่าสิ่งนี้จะเปลี่ยนไป และองค์กรต่างๆ จะใช้การวิเคราะห์ที่เพิ่มขึ้นสำหรับวงจรชีวิตการวิเคราะห์ข้อมูลทั้งหมด
ในปี 2019 ประโยชน์ที่สำคัญของการวิเคราะห์ที่เพิ่มขึ้นคือประเด็นหลักที่ต้องพิจารณา: ความเร็ว การทำให้เป็นประชาธิปไตย และการยอมรับในวงกว้าง
ด้วยความสามารถเหล่านี้ องค์กรมีความพร้อมอย่างดีในการทำความเข้าใจและคาดการณ์ความต้องการของลูกค้า ปรับและปรับปรุงกระบวนการทางธุรกิจ และกำหนดตำแหน่งเพื่อความสำเร็จในวันนี้และในอนาคต