Sains data ialah alat yang hebat untuk dimiliki semasa menjalankan perniagaan.
Walau bagaimanapun, analitis hanya akan membantu jika ia mendorong kesan. Kesan ini boleh menjadi apa sahaja daripada pertumbuhan syarikat, produk yang lebih baik atau peningkatan hasil.
Menggunakan analitis untuk membuat keputusan dalam perniagaan anda dikenali sebagai pembuatan keputusan terdorong data. Ini melibatkan pengumpulan data, mengekstrak corak dan fakta, dan membuat inferens.
Sudah pasti lebih popular sekarang untuk melaburkan masa dan sumber untuk membuat sebahagian besar keputusan syarikat anda dipacu data.
Walaupun begitu, tinjauan menunjukkan bahawa rasa usus masih menjadi faktor dalam proses membuat keputusan.
Faktor utama dalam hal ini ialah kekurangan rangka kerja membuat keputusan yang betul dalam organisasi.
Artikel ini akan memperkenalkan rangka kerja BADIR dan cara anda boleh menggunakannya untuk membuat tindakan, dipacu data cerapan untuk perniagaan anda.
Rangka kerja Data ke Keputusan BADIR
. BADIR rangka kerja ialah rangka kerja data-ke-keputusan yang sangat berkesan yang direka untuk menyelesaikan masalah perniagaan.
Ia mudah untuk disesuaikan dan berfungsi untuk mana-mana industri. Ia bertujuan untuk menggabungkan sains data dan sains keputusan bersama-sama menjadi satu rangka kerja yang mudah diikuti.
Aryng, sebuah syarikat perundingan, latihan dan penasihat sains data yang terkenal telah mencipta rangka kerja data-ke-keputusan ini.
Hari ini, pelbagai syarikat Fortune 500 untuk inisiatif transformasi digital mereka telah menerima pakai BADIR.
Ciri Utama Rangka Kerja Data-ke-keputusan
- Menyediakan cerapan terdorong data yang boleh diambil tindakan
- Merangka pelan analisis yang dipacu hipotesis
- Memudahkan spesifikasi data untuk membuat dat
- Cerapan yang diperoleh daripada teknik pengecaman corak dalam mesin Pembelajaran dan statistik
- Kemukakan cadangan yang boleh diambil tindakan kepada pihak berkepentingan
Lima Langkah dalam Rangka Kerja Data-ke-Keputusan
Rangka kerja data-ke-keputusan BADIR melibatkan lima langkah yang mesti diikuti mengikut susunan.
Soalan Perniagaan
Sebelum kita melakukan apa-apa jenis pengekstrakan atau analisis data, kita mesti terlebih dahulu memahami konteks masalah yang kita cuba selesaikan. Ini akan membantu mengurangkan bilangan lelaran yang diperlukan ke bawah.
Ini melibatkan bertanya soalan yang betul. Rangka kerja menggalakkan kita untuk bertanya enam soalan asas (siapa, apa, di mana, bila, mengapa, dan bagaimana).
Sebagai contoh, kita perlu memastikan bahawa kita memahami keputusan yang perlu diambil.
Adakah keputusan ini mendesak?
Kita perlu tahu bila kita dijangka membuat cadangan akhir.
Akhir sekali, kita perlu tahu siapa pemegang kepentingan kita.
Patutkah data itu dikongsi dengan pasukan pemasaran serta pasukan logistik?
Berapa ramai pihak berkepentingan perlu mengetahui hasil analisis kami?
Sebenarnya, kami cuba menukar soalan yang sangat asas kepada soalan yang betul. Sebagai contoh, anda mungkin mempunyai permintaan data berikut: "data pelanggan mengikut negara, produk dan ciri".
Permintaan yang lebih baik dan berguna sepatutnya kelihatan seperti ini: “Apakah sebab kami kehilangan pelanggan selepas pelancaran? Apakah tindakan yang boleh dilakukan oleh jabatan jualan dan pemasaran untuk menangani kerugian ini?”
Pelan Analisis
Selepas memutuskan soalan perniagaan yang konkrit, langkah seterusnya ialah merangka pelan analisis.
Kita harus mencipta matlamat SMART. SMART ialah akronim yang bermaksud Spesifik, Boleh Diukur, Boleh Dicapai, Berkaitan dan Terikat Masa.
Seterusnya, kita harus merumuskan hipotesis kita. Ini adalah kenyataan yang kami sasarkan untuk membuktikan atau menafikan menggunakan data kami. Bersama-sama dengan hipotesis ini, kita harus menetapkan kriteria yang diperlukan untuk membuktikan setiap satu.
Kita juga perlu melihat ke dalam metodologi yang diperlukan semasa analisis data. Metodologi biasa termasuk:
-
Agregat
-
Korelasi
-
trend
-
Anggaran
Selepas memutuskan metodologi, kita juga perlu memutuskan spesifikasi data.
Adakah kami akan menggunakan data dari tahun lalu atau data sepanjang masa?
Adakah kita akan menggunakan data kewangan atau data pemasaran?
Soalan-soalan ini penting kerana ini akan memudahkan proses pengumpulan data nanti.
Output akhir langkah ini ialah rancangan projek. Ini termasuk semua sumber yang diperlukan untuk menjalankan analisis ini serta garis masa untuk setiap langkah dalam proses. Pelan projek juga menentukan siapa pihak berkepentingan serta pelbagai peranan dalam pasukan.
Sebagai contoh, katakan kami mempunyai hipotesis berikut: "Syarikat kami kehilangan pelanggan kerana kempen pemasaran yang kurang berjaya pada suku yang lalu".
Untuk membuktikan atau menafikan analisis ini, kami perlu menarik data pemasaran dari tahun lalu.
Kita boleh menggunakan metodologi korelasi untuk menentukan sama ada metrik seperti CTR dikaitkan atau boleh meramalkan bilangan pelanggan bagi setiap suku tahun.
Pengumpulan Data
Pengumpulan data kini lebih mudah kerana kami boleh menerangkan spesifikasi data semasa langkah Pelan Analisis kami. Ini akan menghalang data yang tidak diperlukan daripada diambil semula.
Ini amat penting jika kami berurusan dengan sejumlah besar data kerana ia akan menjimatkan masa semasa melaksanakan metodologi pilihan kami.
Langkah pengumpulan data juga melibatkan pembersihan dan pengesahan data. Pembersihan data merujuk kepada memanipulasi data untuk menjadikannya boleh digunakan.
Kami perlu melakukan pengesahan data untuk memastikan bahawa data yang kami ada adalah tepat.
Dapatkan Cerapan
Langkah seterusnya kami melibatkan perolehan cerapan sebenar daripada data kami.
Dalam langkah ini, kami menyemak corak dalam data kami.
Sebagai contoh, dalam analisis korelasi kita boleh bermula dengan analisis univariat yang melihat taburan metrik utama. Jika berkenaan, kita juga boleh mengetahui sama ada terdapat perbezaan antara ujian dan populasi kawalan.
Menggunakan kriteria yang kami tetapkan dalam langkah kedua, kami juga cuba membuktikan dan menyangkal hipotesis kami.
Akhir sekali, hasil daripada langkah ini sepatutnya menjadi penemuan kami. Kita harus membentangkan penemuan kita mengenai impak terkuantiti.
Sebagai contoh, anda boleh menyebut kesan dolar daripada penurunan peratusan tertentu untuk melibatkan pihak berkepentingan anda.
Anda mungkin mengatakan bahawa penurunan peratusan dalam pemerolehan pelanggan boleh mengakibatkan kejatuhan hasil $1 juta.
Cadangan
Pengesyoran adalah langkah terpenting dalam rangka kerja BADIR. Pengesyoran ini mesti boleh diambil tindakan.
Mereka adalah sebab utama kami melalui setiap langkah dalam rangka kerja ini.
Dalam langkah terakhir ini, kami ingin mencapai pelbagai perkara. Pertama, kita perlu melibatkan diri dengan khalayak sasaran. Ini bermakna anda harus mengemukakan cadangan ringkas dan bernas.
Pengesyoran yang boleh dipercayai dan kukuh juga akan menyebabkan anda dianggap sebagai rakan kongsi perniagaan yang berkesan.
Akhir sekali, pengesyoran anda harus mendorong khalayak anda ke arah tindakan.
Jika anda akan bertanggungjawab membentangkan pengesyoran, adalah penting untuk membina dek slaid yang mempunyai semua penemuan anda.
Penciptaan dek slaid adalah berulang, bermula dengan semua penemuan anda, dan memperkemas aliran dek secara berperingkat.
Dek slaid akhir harus mempunyai ringkasan eksekutif yang ringkas. Kami boleh menambah sebarang maklumat tambahan dalam lampiran.
Kesimpulan
Mengguna pakai rangka kerja data-ke-keputusan ialah cara terbaik untuk memastikan anda boleh memperoleh cerapan yang boleh diambil tindakan daripada data perniagaan anda.
Menggabungkan sains data dengan sains keputusan membolehkan dialog antara semua pihak berkepentingan yang terlibat. Setiap langkah dalam rangka kerja data-ke-keputusan BADIR membawa kepada output akhir yang berkesan: pengesyoran yang boleh diambil tindakan.
Beritahu kami cara perniagaan atau pasukan anda boleh mendapat manfaat daripada rangka kerja jenis ini!
Sila tinggalkan balasan anda