Datatiede on loistava työkalu yrityksen pyörittämiseen.
Analytiikka auttaa kuitenkin vain, jos se vaikuttaa. Tämä vaikutus voi olla mitä tahansa yrityksen kasvusta, paremmista tuotteista tai lisääntyneistä tuloista.
Analytiikan käyttäminen päätöksenteossa yrityksesi alalla tunnetaan datalähtöisenä päätöksenteona. Tämä sisältää tiedon keräämisen, mallien ja tosiasioiden poimimisen ja päätelmien tekemisen.
Nyt on ehdottomasti suositumpaa investoida aikaa ja resursseja tehdäksesi suurimman osan yrityksesi päätöksistä tietopohjaisesti.
Tästä huolimatta tutkimukset osoittavat sen kutina edelleen vaikuttavia tekijöitä päätöksentekoprosessissa.
Tärkeä tekijä tässä on kunnollisen päätöksentekokehyksen puute organisaatiossa.
Tässä artikkelissa esitellään BADIR-kehys ja kuinka voit käyttää sitä luomaan toiminnallisia, tietopohjaisia oivalluksia yrityksellesi.
BADIR Data to Decisions -kehys
- BADIR Framework on erittäin tehokas data-to-decision -kehys, joka on suunniteltu ratkaisemaan liiketoiminnan ongelmia.
Se on helppo mukauttaa ja toimii kaikilla toimialoilla. Sen tavoitteena on yhdistää datatiede ja päätöstiede yhdeksi helposti seurattavaksi viitekehykseksi.
Aryng, tunnettu datatieteen konsultointi-, koulutus- ja neuvontayritys loi tämän data-to-päätökseksi -kehyksen.
Nykyään useat Fortune 500 -yritykset ovat ottaneet käyttöön BADIRin digitaalisen transformaation aloitteissaan.
Data-to-decisions -kehyksen tärkeimmät ominaisuudet
- Tarjoa käyttökelpoisia datapohjaisia oivalluksia
- Muotoile hypoteesilähtöinen analyysisuunnitelma
- Helpottaa tietojen määrittelyä sen tekemiseksi
- Mallintunnistustekniikoista peräisin olevia oivalluksia Koneen oppiminen ja tilastot
- Esitä toimivia suosituksia sidosryhmille
Viisi vaihetta tiedoista päätöksiin -kehyksessä
BADIR data-to-decisions -kehys sisältää viisi vaihetta, jotka on noudatettava järjestyksessä.
Business Question
Ennen kuin teemme minkäänlaista tiedon poimimista tai analysointia, meidän on ensin ymmärrettävä ratkaisemamme ongelman konteksti. Tämä auttaa vähentämään tarvittavien iteraatioiden määrää.
Tämä edellyttää oikeiden kysymysten esittämistä. Viitekehys rohkaisee meitä esittämään kuusi peruskysymystä (kuka, mitä, missä, milloin, miksi ja miten).
Meidän on esimerkiksi varmistettava, että ymmärrämme, mikä päätös on tehtävä.
Onko tämä päätös kiireellinen?
Meidän on tiedettävä, milloin meidän odotetaan antavan lopullisen suosituksen.
Lopuksi meidän on tiedettävä, keitä sidosryhmämme ovat.
Pitäisikö tiedot jakaa markkinointitiimin ja logistiikkatiimin kanssa?
Kuinka monen sidosryhmän on tiedettävä analyysimme tulokset?
Itse asiassa yritämme muuntaa hyvin peruskysymykset oikeiksi kysymyksiksi. Sinulla voi olla esimerkiksi seuraava tietopyyntö: "asiakastiedot maan, tuotteen ja ominaisuuden mukaan".
Paremman ja hyödyllisemmän pyynnön pitäisi näyttää tältä: "Mistä syistä menetämme asiakkaita julkaisun jälkeen? Mitä toimenpiteitä myynti- ja markkinointiosasto voi tehdä tämän menetyksen korjaamiseksi?
Analyysisuunnitelma
Kun olemme päättäneet konkreettisesta liiketoimintakysymyksestä, seuraava askel on analyysisuunnitelman laatiminen.
Meidän pitäisi luoda SMART-tavoitteita. SMART on lyhenne sanoista Specific, Measurable, Achievable, Relevant ja Time Bound.
Seuraavaksi meidän pitäisi muotoilla hypoteesimme. Nämä ovat väitteitä, jotka pyrimme todistamaan tai kumoamaan käyttämällä tietojamme. Näiden hypoteesien ohella meidän tulisi asettaa kriteerit, joita tarvitaan jokaisen todistamiseksi.
Meidän on myös tarkasteltava data-analyysin aikana tarvittavia menetelmiä. Yleisiä menetelmiä ovat:
-
Aggregaatti
-
Korrelaatio
-
Trend
-
Arvio
Metodologian päättämisen jälkeen meidän on myös päätettävä tietojen määrittelystä.
Käytämmekö tietoja viime vuodesta vai kaikkien aikojen tietoja?
Käytämmekö ensisijaisesti talousdataa vai markkinointidataa?
Nämä kysymykset ovat tärkeitä, koska ne helpottavat tiedonkeruuta myöhemmin.
Tämän vaiheen lopullinen tulos on projektisuunnitelma. Tämä sisältää kaikki tämän analyysin suorittamiseen tarvittavat resurssit sekä prosessin kunkin vaiheen aikajanan. Hankesuunnitelmassa määritellään myös sidosryhmät sekä eri roolit tiimissä.
Oletetaan esimerkiksi, että meillä on seuraava hypoteesi: "Yrityksemme menettää asiakkaita huonommin onnistuneen markkinointikampanjan vuoksi viimeisellä vuosineljänneksellä".
Tämän analyysin todistamiseksi tai kumoamiseksi meidän on otettava markkinointitiedot kuluneelta vuodelta.
Voimme käyttää korrelaatiomenetelmää määrittääksemme, korreloiko mittari, kuten napsautussuhde, tai voimmeko ennustaa kunkin vuosineljänneksen asiakkaiden määrän.
Tiedonkeruu
Tiedonkeruu on nyt paljon helpompaa, koska pystyimme kuvailemaan tietojen määrittelyä analyysisuunnitelman vaiheessa. Tämä estää tarpeettoman tiedon hakemisen.
Tämä on erityisen tärkeää, jos käsittelemme huomattavaa määrää dataa, koska se säästää aikaa valitsemamme menetelmän suorittamisessa.
Tiedonkeruuvaiheeseen kuuluu myös tietojen puhdistaminen ja validointi. Tietojen puhdistaminen tarkoittaa tietojen manipulointia sen käyttökelpoiseksi tekemiseksi.
Meidän on suoritettava tietojen validointi varmistaaksemme, että meillä olevat tiedot ovat tarkkoja.
Hanki näkemyksiä
Seuraava askeleemme sisältää oivallusten johtamisen tiedoistamme.
Tässä vaiheessa tarkastelemme tietojemme malleja.
Esimerkiksi korrelaatioanalyysissä voimme aloittaa yksimuuttujaanalyysillä, jossa tarkastellaan keskeisten mittareiden jakautumista. Tarvittaessa voimme myös selvittää, onko testi- ja kontrollipopulaation välillä eroa.
Toisessa vaiheessa asettamillamme kriteereillä yritämme myös todistaa ja kumota hypoteesimme.
Lopuksi, tämän vaiheen tulosten pitäisi olla havaintomme. Meidän pitäisi esittää havaintomme määrällisestä vaikutuksesta.
Voit esimerkiksi mainita tietyn prosentin pudotuksen dollarivaikutuksen sitouttaaksesi sidosryhmäsi.
Saatat sanoa, että asiakashankinnan prosentuaalinen lasku voi johtaa miljoonan dollarin tulojen laskuun.
Suositus
Suositukset ovat tärkein askel BADIR-kehyksessä. Näiden suositusten on oltava toteutettavissa.
Ne ovat tärkein syy, miksi kävimme läpi tämän kehyksen jokaisen vaiheen.
Tässä viimeisessä vaiheessa haluamme saavuttaa useita asioita. Ensinnäkin meidän on otettava yhteyttä kohdeyleisöön. Tämä tarkoittaa, että sinun tulee esittää lyhyitä ja oivaltavia suosituksia.
Uskottava ja järkevä suositus johtaa myös siihen, että sinut pidetään tehokkaana liikekumppanina.
Lopuksi, suosituksesi pitäisi ohjata yleisösi toimintaan.
Jos olet vastuussa suositusten esittämisestä, on tärkeää rakentaa liukukansi, jossa on kaikki löydösi.
Diapakan luominen on iteratiivista, alkaen kaikista löydöistäsi ja virtaviivaistaen asteittain kannen kulkua.
Viimeisessä diasarjassa tulisi olla ytimekäs yhteenveto. Voimme lisätä lisätietoa liitteeseen.
Yhteenveto
Data-to-decisions -kehyksen käyttöönotto on loistava tapa varmistaa, että saat käyttökelpoisia oivalluksia yritysdatastasi.
Datatieteen yhdistäminen päätöstieteen kanssa mahdollistaa dialogin kaikkien mukana olevien sidosryhmien välillä. Jokainen BADIR-tiedoista päätöksiin -kehyksen vaihe johtaa tehokkaaseen lopputulokseen: käytännön suosituksiin.
Kerro meille, kuinka yrityksesi tai tiimisi voi hyötyä tämäntyyppisestä viitekehyksestä!
Jätä vastaus