Datavidenskab er et fantastisk værktøj at have, når du driver en virksomhed.
Analyser hjælper dog kun, hvis det skaber effekt. Denne påvirkning kan være alt fra virksomhedsvækst, bedre produkter eller øget omsætning.
Brug af analyser til at træffe beslutninger i din virksomhed er kendt som datadrevet beslutningstagning. Dette involverer indsamling af data, udtræk af mønstre og fakta og slutninger.
Det er bestemt mere populært nu at investere tid og ressourcer for at gøre størstedelen af din virksomheds beslutninger datadrevne.
På trods af dette viser undersøgelser det mavefornemmelse stadig faktorer i beslutningsprocessen.
En væsentlig faktor i dette er manglen på en ordentlig beslutningsramme i organisationen.
Denne artikel vil introducere BADIR-rammen, og hvordan du kan bruge den til at skabe handlingsorienterede, datadrevne indsigt til din virksomhed.
BADIR Data til beslutningsramme
BADIR framework er en yderst effektiv data-til-beslutningsramme designet til at løse forretningsproblemer.
Det er nemt at tilpasse og fungerer til enhver branche. Det har til formål at kombinere datavidenskab og beslutningsvidenskab sammen i én let-at-følge ramme.
Aryng, et velkendt datavidenskabsrådgivnings-, uddannelses- og rådgivningsfirma udtænkte denne data-til-beslutningsramme.
I dag har forskellige Fortune 500-virksomheder for deres digitale transformationsinitiativer taget BADIR til sig.
Nøglefunktioner i Data-to-Decision Framework
- Giv handlingsorienteret datadrevet indsigt
- Formuler en hypotesedrevet analyseplan
- Letter dataspecifikation for at lave dat
- Indsigt afledt af mønstergenkendelsesteknikker i Maskinelæring og statistik
- Fremlæg handlingsrettede anbefalinger til interessenter
De fem trin i data-til-beslutningsrammen
BADIR-data-til-beslutningsrammen involverer fem trin, der skal følges i rækkefølge.
Forretningsspørgsmål
Før vi foretager nogen form for dataudtræk eller analyse, skal vi først forstå konteksten af det problem, vi forsøger at løse. Dette vil hjælpe med at reducere antallet af iterationer, der er nødvendige ned ad linjen.
Dette indebærer at stille de rigtige spørgsmål. Rammen opfordrer os til at stille de seks grundlæggende spørgsmål (hvem, hvad, hvor, hvornår, hvorfor og hvordan).
For eksempel skal vi sikre os, at vi forstår, hvilken beslutning der skal tages.
Er denne beslutning presserende?
Vi skal vide, hvornår vi forventes at komme med en endelig anbefaling.
Til sidst skal vi vide, hvem vores interessenter er.
Skal dataene deles med marketingteamet såvel som logistikteamet?
Hvor mange interessenter har brug for at kende resultaterne af vores analyse?
Faktisk forsøger vi at konvertere meget basale spørgsmål til rigtige spørgsmål. For eksempel kan du have følgende dataanmodning: "kundedata efter land, produkt og funktion".
En bedre og mere brugbar anmodning skulle se sådan ud: "Hvad er årsagerne til, at vi mister kunder efter lanceringen? Hvilke handlinger kan salgs- og marketingafdelingen gøre for at imødegå dette tab?"
Analyseplan
Efter at have taget stilling til et konkret forretningsspørgsmål, er vores næste skridt at formulere en analyseplan.
Vi bør skabe SMARTE mål. SMART er et akronym, der står for Specific, Measurable, Achievable, Relevant og Time Bound.
Dernæst skal vi formulere vores hypoteser. Dette er udsagn, som vi har til formål at bevise eller modbevise ved hjælp af vores data. Sammen med disse hypoteser bør vi opstille de nødvendige kriterier for at bevise hver enkelt.
Vi er også nødt til at se nærmere på den nødvendige metode under dataanalyse. Fælles metoder omfatter:
-
Aggregate
-
Korrelation
-
Trend
-
estimering
Efter at have besluttet os for metoden, skal vi også tage stilling til dataspecifikationen.
Vil vi bruge data fra det seneste år eller alle tiders data?
Vil vi primært bruge finansielle data eller marketingdata?
Disse spørgsmål er vigtige, fordi dette vil gøre dataindsamlingsprocessen lettere senere.
Det endelige output af dette trin er en projektplan. Dette inkluderer alle de ressourcer, der er nødvendige for at køre denne analyse, samt tidslinjen for hvert trin i processen. Projektplanen specificerer også, hvem interessenterne er, samt de forskellige roller i teamet.
Lad os f.eks. sige, at vi har følgende hypotese: "Vores virksomhed mister kunder på grund af en mindre succesfuld marketingkampagne i det seneste kvartal".
For at bevise eller modbevise denne analyse bliver vi nødt til at trække marketingdata fra det seneste år.
Vi kan bruge korrelationsmetodologi til at bestemme, om en metrik som CTR er korreleret eller kan forudsige antallet af kunder for hvert kvartal.
Dataindsamling
Dataindsamling er nu meget nemmere, da vi kunne beskrive dataspecifikationen under vores analyseplan-trin. Dette vil forhindre unødvendige data i at blive hentet.
Dette er især vigtigt, hvis vi har at gøre med en betydelig mængde data, da det vil spare tid, når vi udfører vores valgte metode.
Dataindsamlingstrinnet involverer også datarensning og validering. Datarensning refererer til at manipulere data for at gøre det brugbart.
Vi skal udføre datavalidering for at sikre, at de data, vi har, er nøjagtige.
Udled indsigt
Vores næste skridt involverer den faktiske udledning af indsigt fra vores data.
I dette trin gennemgår vi mønstre i vores data.
For eksempel kan vi i korrelationsanalyse starte med en univariat analyse, som ser på fordelingen af nøglemetrikkene. Hvis det er relevant, kan vi også finde ud af, om der er forskel på en test- og en kontrolpopulation.
Ved at bruge de kriterier, vi satte i andet trin, forsøger vi også at bevise og modbevise vores hypoteser.
Endelig bør resultatet af dette trin være vores resultater. Vi bør præsentere vores resultater vedrørende kvantificeret effekt.
For eksempel kan du nævne dollarpåvirkningen af et bestemt procentfald for at engagere dine interessenter.
Du kan sige, at et procentvis fald i kundeerhvervelse kan resultere i et fald i omsætningen på 1 million USD.
Anbefaling
Anbefalinger er det vigtigste skridt i BADIR-rammen. Disse anbefalinger skal kunne handles.
De er hovedårsagen til, at vi gennemgik hvert trin i denne ramme.
I dette sidste trin ønsker vi at opnå flere ting. Først skal vi engagere os i målgruppen. Det betyder, at du bør præsentere korte og indsigtsfulde anbefalinger.
En troværdig og sund anbefaling vil også føre til, at du bliver opfattet som en effektiv samarbejdspartner.
Endelig bør din anbefaling lede dit publikum til handling.
Hvis du skal stå for præsentationen af anbefalingerne, er det vigtigt at bygge et slide-dæk, der har alle dine resultater.
Oprettelsen af et slide-dæk er iterativt, begyndende med alle dine fund og gradvist strømline dækningens flow.
Det endelige slide-dæk skal have et kortfattet resumé. Vi kan tilføje yderligere oplysninger i et bilag.
Konklusion
Ved at vedtage en data-til-beslutningsramme er en fantastisk måde at sikre dig, at du kan få handlekraftig indsigt fra dine virksomhedsdata.
At kombinere datavidenskab med beslutningsvidenskab giver mulighed for en dialog mellem alle involverede interessenter. Hvert trin i BADIR-data-til-beslutningsrammen fører til et effektivt endeligt output: konkrete anbefalinger.
Fortæl os, hvordan din virksomhed eller dit team kan drage fordel af denne type rammer!
Giv en kommentar