व्यवसाय चालवताना डेटा सायन्स हे एक उत्तम साधन आहे.
तथापि, विश्लेषणे केवळ तेव्हाच मदत करतील जेव्हा त्याचा परिणाम होईल. हा प्रभाव कंपनीच्या वाढीचा, उत्तम उत्पादनांचा किंवा वाढलेल्या कमाईचा असू शकतो.
तुमच्या व्यवसायात निर्णय घेण्यासाठी विश्लेषणाचा वापर करण्यास डेटा-चालित निर्णय घेणे असे म्हणतात. यामध्ये डेटा गोळा करणे, नमुने आणि तथ्ये काढणे आणि निष्कर्ष काढणे यांचा समावेश होतो.
तुमच्या कंपनीचे बहुतांश निर्णय डेटा-चालित करण्यासाठी वेळ आणि संसाधने गुंतवणे आता निश्चितपणे अधिक लोकप्रिय आहे.
असे असूनही, सर्वेक्षणात असे दिसून आले आहे आतडे भावना निर्णय प्रक्रियेत अजूनही घटक आहेत.
यातील एक प्रमुख कारण म्हणजे संस्थेमध्ये योग्य निर्णय घेण्याच्या चौकटीचा अभाव.
हा लेख BADIR फ्रेमवर्क आणि कृती करण्यायोग्य, डेटा-चालित तयार करण्यासाठी आपण त्याचा वापर कसा करू शकता याची ओळख करून देईल तुमच्या व्यवसायासाठी अंतर्दृष्टी.
BADIR डेटा निर्णय फ्रेमवर्क
अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना बादीर फ्रेमवर्क हा एक अत्यंत प्रभावी डेटा-टू-डिसिजन फ्रेमवर्क आहे जो व्यावसायिक समस्या सोडवण्यासाठी डिझाइन केलेला आहे.
हे जुळवून घेणे सोपे आहे आणि कोणत्याही उद्योगासाठी कार्य करते. डेटा सायन्स आणि डिसिजन सायन्स एकत्रितपणे फॉलो-टू-फॉलो करता येण्याजोग्या फ्रेमवर्कमध्ये एकत्रित करणे हे त्याचे उद्दिष्ट आहे.
आर्यंग, एका सुप्रसिद्ध डेटा सायन्स सल्लागार, प्रशिक्षण आणि सल्ला देणाऱ्या कंपनीने हा डेटा-टू-निर्णय फ्रेमवर्क तयार केला आहे.
आज विविध फॉर्च्युन 500 कंपन्यांनी त्यांच्या डिजिटल परिवर्तन उपक्रमांसाठी BADIR दत्तक घेतले आहे.
डेटा-टू-निर्णय फ्रेमवर्कची प्रमुख वैशिष्ट्ये
- कृती करण्यायोग्य डेटा-चालित अंतर्दृष्टी प्रदान करा
- गृहीतकांवर आधारित विश्लेषण योजना तयार करा
- डेट करण्यासाठी डेटा स्पेसिफिकेशनची सुविधा देते
- मध्ये पॅटर्न ओळखण्याच्या तंत्रातून मिळालेली अंतर्दृष्टी मशीन लर्निंग आणि आकडेवारी
- संबंधितांना कार्यवाही करण्यायोग्य शिफारसी सादर करा
डेटा-टू-डिसिझन्स फ्रेमवर्कमधील पाच पायऱ्या
BADIR डेटा-टू-निर्णय फ्रेमवर्कमध्ये पाच चरणांचा समावेश आहे ज्यांचे क्रमाने पालन करणे आवश्यक आहे.
व्यवसाय प्रश्न
आम्ही कोणत्याही प्रकारचे डेटा एक्सट्रॅक्शन किंवा विश्लेषण करण्यापूर्वी, आम्ही ज्या समस्येचे निराकरण करण्याचा प्रयत्न करत आहोत त्या समस्येचा संदर्भ समजून घेणे आवश्यक आहे. हे ओळीच्या खाली आवश्यक पुनरावृत्तीची संख्या कमी करण्यात मदत करेल.
यामध्ये योग्य प्रश्न विचारणे समाविष्ट आहे. फ्रेमवर्क आम्हाला सहा मूलभूत प्रश्न (कोण, काय, कुठे, केव्हा, का आणि कसे) विचारण्यास प्रोत्साहित करते.
उदाहरणार्थ, कोणता निर्णय घेणे आवश्यक आहे हे आम्हाला समजले आहे याची खात्री करणे आवश्यक आहे.
हा निर्णय तातडीचा आहे का?
आम्ही अंतिम शिफारस केव्हा येणे अपेक्षित आहे हे आम्हाला माहित असणे आवश्यक आहे.
शेवटी, आपले भागधारक कोण आहेत हे आपल्याला माहित असणे आवश्यक आहे.
डेटा मार्केटिंग टीम तसेच लॉजिस्टिक टीमसोबत शेअर केला जावा का?
आमच्या विश्लेषणाचे परिणाम किती भागधारकांना माहित असणे आवश्यक आहे?
प्रत्यक्षात, आम्ही अगदी मूलभूत प्रश्नांना योग्य प्रश्नांमध्ये रूपांतरित करण्याचा प्रयत्न करतो. उदाहरणार्थ, तुमच्याकडे खालील डेटा विनंती असू शकते: “देश, उत्पादन आणि वैशिष्ट्यानुसार ग्राहक डेटा”.
एक चांगली आणि अधिक उपयुक्त विनंती यासारखी दिसली पाहिजे: “लाँच झाल्यानंतर आम्ही ग्राहक गमावण्याची कारणे कोणती आहेत? हा तोटा भरून काढण्यासाठी विक्री आणि विपणन विभाग काय कारवाई करू शकतो?”
विश्लेषण योजना
एका ठोस व्यावसायिक प्रश्नावर निर्णय घेतल्यानंतर, आमची पुढील पायरी म्हणजे विश्लेषण योजना तयार करणे.
आपण स्मार्ट ध्येये तयार केली पाहिजेत. SMART हे एक संक्षिप्त रूप आहे ज्याचा अर्थ विशिष्ट, मोजता येण्याजोगा, साध्य करण्यायोग्य, संबंधित आणि कालबद्ध आहे.
पुढे, आपण आपली गृहीते तयार केली पाहिजेत. ही विधाने आहेत जी आमचा डेटा वापरून सिद्ध करणे किंवा नाकारणे आमचे ध्येय आहे. या गृहितकांसह, आपण प्रत्येकाला सिद्ध करण्यासाठी आवश्यक निकष निश्चित केले पाहिजेत.
डेटा विश्लेषणादरम्यान आवश्यक असलेल्या कार्यपद्धतीचाही विचार करणे आवश्यक आहे. सामान्य पद्धतींमध्ये हे समाविष्ट आहे:
-
एकूण
-
सहसंबंध
-
कल
-
अंदाज
कार्यपद्धतीवर निर्णय घेतल्यानंतर, आपल्याला डेटा स्पेसिफिकेशनवर देखील निर्णय घ्यावा लागेल.
आम्ही मागील वर्षातील डेटा किंवा सर्वकालीन डेटा वापरू?
आम्ही प्रामुख्याने आर्थिक डेटा किंवा विपणन डेटा वापरणार आहोत?
हे प्रश्न महत्त्वाचे आहेत कारण यामुळे नंतर डेटा संकलन प्रक्रिया सुलभ होईल.
या चरणाचे अंतिम आउटपुट एक प्रकल्प योजना आहे. यामध्ये हे विश्लेषण चालविण्यासाठी आवश्यक असलेली सर्व संसाधने तसेच प्रक्रियेतील प्रत्येक टप्प्यासाठी टाइमलाइन समाविष्ट आहे. प्रकल्प योजना हे देखील निर्दिष्ट करते की भागधारक कोण आहेत तसेच संघातील विविध भूमिका.
उदाहरणार्थ, आपण असे म्हणू या की आमच्याकडे खालील गृहीतक आहे: “आमची कंपनी मागील तिमाहीत कमी यशस्वी मार्केटिंग मोहिमेमुळे ग्राहक गमावत आहे”.
हे विश्लेषण सिद्ध करण्यासाठी किंवा खोटे ठरवण्यासाठी, आम्हाला मागील वर्षातील विपणन डेटा काढावा लागेल.
CTR सारखे मेट्रिक परस्परसंबंधित आहे किंवा नाही हे निर्धारित करण्यासाठी आम्ही सहसंबंध पद्धती वापरू शकतो किंवा प्रत्येक तिमाहीसाठी ग्राहकांच्या संख्येचा अंदाज लावू शकतो.
माहिती मिळवणे
डेटा संकलन आता खूप सोपे झाले आहे कारण आम्ही आमच्या विश्लेषण योजनेच्या चरणादरम्यान डेटा तपशीलाचे वर्णन करू शकतो. हे अनावश्यक डेटा पुनर्प्राप्त करण्यापासून प्रतिबंधित करेल.
हे विशेषतः महत्वाचे आहे जर आम्ही मोठ्या प्रमाणात डेटा हाताळत आहोत कारण आमची निवडलेली कार्यपद्धती पार पाडताना वेळेची बचत होईल.
डेटा संकलनाच्या चरणात डेटा साफ करणे आणि प्रमाणीकरण देखील समाविष्ट आहे. डेटा साफ करणे म्हणजे डेटा वापरण्यायोग्य बनवण्यासाठी हाताळणी करणे.
आमच्याकडे असलेला डेटा अचूक आहे याची खात्री करण्यासाठी आम्हाला डेटा प्रमाणीकरण करणे आवश्यक आहे.
अंतर्दृष्टी प्राप्त करा
आमच्या पुढील पायरीमध्ये आमच्या डेटामधून अंतर्दृष्टी प्रत्यक्ष मिळवणे समाविष्ट आहे.
या चरणात, आम्ही आमच्या डेटामधील नमुन्यांचे पुनरावलोकन करतो.
उदाहरणार्थ, सहसंबंध विश्लेषणामध्ये आपण मुख्य मेट्रिक्सच्या वितरणाकडे पाहणाऱ्या अविविध विश्लेषणाने सुरुवात करू शकतो. लागू असल्यास, चाचणी आणि नियंत्रण लोकसंख्येमध्ये फरक आहे की नाही हे देखील आम्ही शोधू शकतो.
आम्ही दुसऱ्या पायरीत जे निकष ठरवतो त्याचा वापर करून, आम्ही आमची गृहितके सिद्ध करण्याचा आणि खोटा ठरवण्याचाही प्रयत्न करतो.
शेवटी, या चरणाचे आउटपुट आमचे निष्कर्ष असावेत. आम्ही परिमाणित प्रभावाबाबत आमचे निष्कर्ष सादर केले पाहिजेत.
उदाहरणार्थ, तुम्ही तुमच्या भागधारकांना गुंतवण्यासाठी विशिष्ट टक्केवारीच्या घसरणीच्या डॉलरच्या प्रभावाचा उल्लेख करू शकता.
तुम्ही म्हणू शकता की ग्राहक संपादनातील टक्केवारी घसरल्याने $1 दशलक्ष महसूल कमी होऊ शकतो.
शिफारस
BADIR फ्रेमवर्कमधील शिफारसी ही सर्वात महत्त्वाची पायरी आहे. या शिफारशी कृती करण्यायोग्य असल्या पाहिजेत.
आम्ही या फ्रेमवर्कमधील प्रत्येक पायरीवर गेलो हे ते मुख्य कारण आहेत.
या शेवटच्या टप्प्यात, आम्हाला अनेक गोष्टी साध्य करायच्या आहेत. प्रथम, आपल्याला लक्ष्यित प्रेक्षकांसह व्यस्त रहावे लागेल. याचा अर्थ असा की तुम्ही लहान आणि अभ्यासपूर्ण शिफारसी सादर कराव्यात.
विश्वासार्ह आणि योग्य शिफारसीमुळे तुम्हाला एक प्रभावी व्यवसाय भागीदार म्हणून ओळखले जाईल.
शेवटी, तुमच्या शिफारशीने तुमच्या प्रेक्षकांना कृतीकडे नेले पाहिजे.
तुमच्याकडे शिफारसी सादर करण्याचे प्रभारी असल्यास, तुमचे सर्व निष्कर्ष असलेले स्लाइड डेक तयार करणे महत्त्वाचे आहे.
स्लाइड डेकची निर्मिती पुनरावृत्ती आहे, तुमच्या सर्व निष्कर्षांपासून सुरुवात करून आणि डेकचा प्रवाह हळूहळू सुव्यवस्थित करत आहे.
अंतिम स्लाइड डेकमध्ये एक संक्षिप्त कार्यकारी सारांश असावा. आम्ही परिशिष्टात कोणतीही अतिरिक्त माहिती जोडू शकतो.
निष्कर्ष
डेटा-टू-निर्णय फ्रेमवर्कचा अवलंब करणे हे सुनिश्चित करण्याचा एक उत्तम मार्ग आहे की आपण आपल्या व्यवसाय डेटामधून कृती करण्यायोग्य अंतर्दृष्टी प्राप्त करू शकता.
निर्णय विज्ञानासह डेटा सायन्स एकत्र केल्याने सहभागी सर्व भागधारकांमध्ये संवाद साधण्याची अनुमती मिळते. BADIR डेटा-टू-निर्णय फ्रेमवर्कमधील प्रत्येक चरण प्रभावी अंतिम आउटपुटकडे नेतो: कृती करण्यायोग्य शिफारसी.
तुमचा व्यवसाय किंवा कार्यसंघ या प्रकारच्या फ्रेमवर्कचा कसा फायदा होऊ शकतो ते आम्हाला कळवा!
प्रत्युत्तर द्या