Data science je skvělý nástroj, který byste měli mít při podnikání.
Analytika však pomůže pouze tehdy, bude-li mít vliv. Tento dopad může být cokoli od růstu společnosti, lepších produktů nebo vyšších příjmů.
Využití analýzy k rozhodování ve vaší firmě je známé jako rozhodování založené na datech. To zahrnuje sběr dat, extrahování vzorců a faktů a vyvozování závěrů.
Rozhodně je nyní populárnější investovat čas a zdroje do toho, aby se většina rozhodnutí vaší společnosti řídila daty.
Navzdory tomu to průzkumy ukazují střevní pocit stále hraje roli v rozhodovacím procesu.
Hlavním faktorem je nedostatek řádného rozhodovacího rámce v organizaci.
Tento článek představí rámec BADIR a způsob, jak jej můžete použít k vytvoření akceschopného a založeného na datech statistiky pro vaši firmu.
Rámec BADIR Data to Decisions
Projekt BADIR framework je vysoce efektivní rámec data-to-decision určený k řešení obchodních problémů.
Snadno se přizpůsobuje a funguje v jakémkoli odvětví. Jeho cílem je spojit datovou vědu a rozhodovací vědu do jednoho snadno pochopitelného rámce.
Aryng, známá konzultační, školicí a poradenská společnost v oblasti datové vědy navrhla tento rámec data-to-decisions.
Dnes různé společnosti z Fortune 500 pro své iniciativy digitální transformace přijaly BADIR.
Klíčové vlastnosti Data-to-decisions Framework
- Poskytujte užitečné statistiky založené na datech
- Formulujte plán analýzy řízený hypotézou
- Usnadňuje specifikaci dat pro vytvoření dat
- Poznatky odvozené z technik rozpoznávání vzorů v Strojové učení a statistiky
- Prezentujte zúčastněným stranám praktická doporučení
Pět kroků v rámci Data-to-Decisions
Rámec BADIR data-to-decisions zahrnuje pět kroků, které je nutné v daném pořadí dodržet.
Obchodní otázka
Než provedeme jakoukoli extrakci nebo analýzu dat, musíme nejprve porozumět kontextu problému, který se snažíme vyřešit. To pomůže snížit počet potřebných iterací.
To zahrnuje kladení správných otázek. Rámec nás vybízí k tomu, abychom si položili šest základních otázek (kdo, co, kde, kdy, proč a jak).
Musíme se například ujistit, že rozumíme tomu, jaké rozhodnutí je třeba učinit.
Je toto rozhodnutí naléhavé?
Potřebujeme vědět, kdy se očekává, že přijdeme s konečným doporučením.
Nakonec musíme vědět, kdo jsou naši zainteresovaní.
Měla by být data sdílena s marketingovým týmem i s týmem logistiky?
Kolik zúčastněných stran potřebuje znát výsledky naší analýzy?
Ve skutečnosti se snažíme převést velmi základní dotazy na správné otázky. Můžete mít například následující požadavek na data: „zákaznická data podle země, produktu a funkce“.
Lepší a užitečnější požadavek by měl vypadat takto: „Jaké jsou důvody, proč po spuštění ztrácíme zákazníky? Jaké kroky může obchodní a marketingové oddělení podniknout, aby tuto ztrátu vyřešilo?
Plán analýzy
Poté, co se rozhodneme pro konkrétní obchodní otázku, je naším dalším krokem formulování plánu analýzy.
Měli bychom si vytvářet SMART cíle. SMART je zkratka, která znamená Specific, Measurable, Achievable, Relevant a Time Bound.
Dále bychom měli formulovat naše hypotézy. Toto jsou prohlášení, která se snažíme dokázat nebo vyvrátit pomocí našich údajů. Spolu s těmito hypotézami bychom měli stanovit kritéria potřebná k prokázání každé z nich.
Musíme se také podívat na metodologii potřebnou během analýzy dat. Mezi běžné metodiky patří:
-
Agregát
-
Korelace
-
Trend
-
Odhad
Po rozhodnutí o metodice se musíme rozhodnout i pro specifikaci dat.
Použijeme data z minulého roku nebo všechna data?
Budeme primárně používat finanční data nebo marketingová data?
Tyto otázky jsou důležité, protože to později usnadní proces sběru dat.
Konečným výstupem tohoto kroku je plán projektu. To zahrnuje všechny zdroje potřebné ke spuštění této analýzy a také časovou osu pro každý krok v procesu. Plán projektu také specifikuje, kdo jsou zainteresované strany, a také různé role v týmu.
Řekněme například, že máme následující hypotézu: „Naše společnost ztrácí zákazníky kvůli méně úspěšné marketingové kampani v minulém čtvrtletí“.
Abychom tuto analýzu potvrdili nebo vyvrátili, budeme muset stáhnout marketingová data z minulého roku.
Můžeme použít korelační metodologii k určení, zda metrika jako CTR koreluje, nebo dokáže předpovědět počet zákazníků pro každé čtvrtletí.
Sběr dat
Sběr dat je nyní mnohem snazší, protože jsme mohli specifikaci dat popsat během kroku Plán analýzy. Předejdete tak načítání nepotřebných dat.
To je zvláště důležité, pokud máme co do činění s velkým množstvím dat, protože to ušetří čas při provádění námi zvolené metodologie.
Krok sběru dat také zahrnuje čištění a validaci dat. Čištění dat se týká manipulace s daty, aby byla použitelná.
Musíme provést ověření dat, abychom se ujistili, že údaje, které máme, jsou přesné.
Derive Insights
Náš další krok zahrnuje skutečné odvození poznatků z našich dat.
V tomto kroku zkontrolujeme vzory v našich datech.
Například v korelační analýze můžeme začít s jednorozměrnou analýzou, která se zabývá distribucí klíčových metrik. V případě potřeby můžeme také zjistit, zda existuje rozdíl mezi testovanou a kontrolní populací.
Pomocí kritérií, která jsme nastavili ve druhém kroku, se také snažíme dokázat a vyvrátit naše hypotézy.
Nakonec by výstupem tohoto kroku měla být naše zjištění. Měli bychom prezentovat naše zjištění týkající se kvantifikovaného dopadu.
Můžete například zmínit dopad určitého procentuálního poklesu na dolar, abyste zapojili své zainteresované strany.
Dalo by se říci, že procentní pokles akvizice zákazníků může vést k poklesu příjmů o 1 milion USD.
Doporučení
Doporučení jsou nejdůležitějším krokem v rámci BADIR. Tato doporučení musí být použitelná.
Jsou hlavním důvodem, proč jsme prošli každým krokem v tomto rámci.
V tomto posledním kroku chceme dosáhnout více věcí. Nejprve musíme oslovit cílovou skupinu. To znamená, že byste měli prezentovat krátká a srozumitelná doporučení.
Důvěryhodné a rozumné doporučení také povede k tomu, že budete vnímáni jako efektivní obchodní partner.
A konečně, vaše doporučení by mělo přimět vaše publikum k akci.
Pokud budete mít na starosti prezentaci doporučení, je důležité sestavit slide deck, který bude obsahovat všechna vaše zjištění.
Vytváření slide decku je iterativní, počínaje všemi vašimi zjištěními a postupně zefektivňuje tok balíčku.
Poslední balíček snímků by měl obsahovat stručné shrnutí. Případné další informace můžeme doplnit v příloze.
Proč investovat do čističky vzduchu?
Přijetí rámce data-to-decisions je skvělý způsob, jak zajistit, že ze svých obchodních dat můžete získat užitečné informace.
Kombinace datové vědy s rozhodovací vědou umožňuje dialog mezi všemi zúčastněnými stranami. Každý krok v rámci BADIR data-to-decisions vede k efektivnímu konečnému výstupu: použitelným doporučením.
Dejte nám vědět, jak může váš podnik nebo tým těžit z tohoto typu rámce!
Napsat komentář