Data science is een geweldige tool om te hebben bij het runnen van een bedrijf.
Analytics helpt echter alleen als het impact heeft. Deze impact kan van alles zijn, van bedrijfsgroei, betere producten of hogere inkomsten.
Het gebruik van analyses om beslissingen te nemen in uw bedrijf staat bekend als datagestuurde besluitvorming. Dit omvat het verzamelen van gegevens, het extraheren van patronen en feiten en het maken van gevolgtrekkingen.
Het is nu zeker populairder om tijd en middelen te investeren om de meeste beslissingen van uw bedrijf datagestuurd te maken.
Toch tonen enquêtes dat aan onderbuikgevoel speelt nog steeds een rol in het besluitvormingsproces.
Een belangrijke factor daarbij is het ontbreken van een goed besluitvormingskader in de organisatie.
In dit artikel wordt het BADIR-framework geïntroduceerd en hoe u het kunt gebruiken om actiegerichte, gegevensgestuurde oplossingen te creëren inzichten voor uw bedrijf.
BADIR Gegevens naar Beslissingskader
De BADIR framework is een zeer effectief data-to-decision-framework dat is ontworpen om zakelijke problemen op te lossen.
Het is eenvoudig aan te passen en werkt voor elke branche. Het heeft tot doel datawetenschap en beslissingswetenschap te combineren in één gemakkelijk te volgen raamwerk.
Aryng, een bekend data science consulting-, trainings- en adviesbureau heeft dit data-to-decisions-raamwerk bedacht.
Tegenwoordig hebben verschillende Fortune 500-bedrijven BADIR overgenomen voor hun initiatieven op het gebied van digitale transformatie.
Belangrijkste kenmerken van Data-to-decisions Framework
- Bied bruikbare gegevensgestuurde inzichten
- Formuleer een hypothesegestuurd analyseplan
- Vergemakkelijkt gegevensspecificatie om dat te maken
- Inzichten afgeleid van patroonherkenningstechnieken in Machine leren en statistieken
- Presenteer bruikbare aanbevelingen aan belanghebbenden
De vijf stappen in het Data-to-Decisions-raamwerk
Het BADIR data-to-decisions-raamwerk bestaat uit vijf stappen die in volgorde moeten worden gevolgd.
Zakelijke vraag
Voordat we gegevens extraheren of analyseren, moeten we eerst de context begrijpen van het probleem dat we proberen op te lossen. Dit zal het aantal benodigde iteraties langs de lijn helpen verminderen.
Daarbij hoort het stellen van de juiste vragen. Het raamwerk moedigt ons aan om de zes basisvragen te stellen (wie, wat, waar, wanneer, waarom en hoe).
We moeten er bijvoorbeeld voor zorgen dat we begrijpen welke beslissing er genomen moet worden.
Is deze beslissing spoedeisend?
We moeten weten wanneer we met een definitieve aanbeveling moeten komen.
Tot slot moeten we weten wie onze stakeholders zijn.
Moeten de gegevens worden gedeeld met zowel het marketingteam als het logistieke team?
Hoeveel belanghebbenden moeten de resultaten van onze analyse weten?
In feite proberen we zeer eenvoudige vragen om te zetten in goede vragen. U kunt bijvoorbeeld het volgende gegevensverzoek hebben: "klantgegevens per land, product en functie".
Een beter en nuttiger verzoek zou er als volgt uit moeten zien: “Wat zijn de redenen waarom we klanten verliezen na de lancering? Welke acties kan de verkoop- en marketingafdeling ondernemen om dit verlies aan te pakken?”
Analyseplan
Na het bepalen van een concrete bedrijfsvraag, is onze volgende stap het opstellen van een analyseplan.
We moeten SMART-doelen stellen. SMART is een acroniem dat staat voor Specific, Measurable, Achievable, Relevant en Time Bound.
Vervolgens moeten we onze hypothesen formuleren. Dit zijn uitspraken die we met onze gegevens willen bewijzen of weerleggen. Samen met deze hypothesen moeten we de criteria bepalen die nodig zijn om ze allemaal te bewijzen.
We moeten ook kijken naar de methodologie die nodig is tijdens data-analyse. Gemeenschappelijke methodieken zijn onder meer:
-
Aggregaat
-
Correlatie
-
trend
-
Schatting
Nadat we een beslissing hebben genomen over de methodologie, moeten we ook beslissen over de gegevensspecificatie.
Gebruiken we gegevens van het afgelopen jaar of gegevens van alle tijden?
Gebruiken we vooral financiële data of marketingdata?
Deze vragen zijn belangrijk omdat dit het gegevensverzamelingsproces later gemakkelijker zal maken.
Het uiteindelijke resultaat van deze stap is een projectplan. Dit omvat alle middelen die nodig zijn om deze analyse uit te voeren, evenals de tijdlijn voor elke stap in het proces. In het projectplan staat ook wie de stakeholders zijn en wat de verschillende rollen binnen het team zijn.
Laten we bijvoorbeeld aannemen dat we de volgende hypothese hebben: "Ons bedrijf verliest klanten door een minder succesvolle marketingcampagne in het afgelopen kwartaal".
Om deze analyse te bewijzen of te weerleggen, moeten we marketinggegevens van het afgelopen jaar gebruiken.
We kunnen correlatiemethodologie gebruiken om te bepalen of een statistiek zoals CTR gecorreleerd is of om het aantal klanten voor elk kwartaal te voorspellen.
Data Collection
Het verzamelen van gegevens is nu veel eenvoudiger omdat we de gegevensspecificatie konden beschrijven tijdens onze stap Analyseplan. Dit voorkomt dat er onnodige gegevens worden opgehaald.
Dit is vooral belangrijk als we te maken hebben met een aanzienlijke hoeveelheid gegevens, omdat het tijd bespaart bij het uitvoeren van de door ons gekozen methodologie.
De stap van het verzamelen van gegevens omvat ook het opschonen en valideren van gegevens. Data opschonen verwijst naar het manipuleren van data om deze bruikbaar te maken.
We moeten gegevensvalidatie uitvoeren om er zeker van te zijn dat de gegevens die we hebben juist zijn.
Inzichten afleiden
Onze volgende stap is het daadwerkelijk afleiden van inzichten uit onze data.
In deze stap bekijken we patronen in onze gegevens.
Bij correlatieanalyse kunnen we bijvoorbeeld beginnen met een univariate analyse die kijkt naar de verdeling van de belangrijkste metrieken. Indien van toepassing kunnen we ook nagaan of er een verschil is tussen een test- en een controlepopulatie.
Met behulp van de criteria die we in de tweede stap hebben gesteld, proberen we ook onze hypothesen te bewijzen en te weerleggen.
Ten slotte zouden de resultaten van deze stap onze bevindingen moeten zijn. We moeten onze bevindingen met betrekking tot de gekwantificeerde impact presenteren.
U kunt bijvoorbeeld de dollarimpact van een bepaalde procentuele daling vermelden om uw belanghebbenden te betrekken.
Je zou kunnen zeggen dat een procentuele daling van de klantenwerving kan resulteren in een omzetdaling van $ 1 miljoen.
Aanbeveling
Aanbevelingen zijn de belangrijkste stap in het BADIR-raamwerk. Deze aanbevelingen moeten uitvoerbaar zijn.
Ze zijn de belangrijkste reden dat we elke stap in dit raamwerk hebben doorlopen.
In deze laatste stap willen we meerdere dingen bereiken. Eerst moeten we de doelgroep aanspreken. Dit betekent dat u korte en inzichtelijke aanbevelingen moet doen.
Een geloofwaardige en degelijke aanbeveling zal er ook toe leiden dat u wordt gezien als een effectieve zakenpartner.
Ten slotte moet uw aanbeveling uw publiek tot actie aanzetten.
Als jij de leiding hebt over het presenteren van de aanbevelingen, is het belangrijk om een slide-deck te bouwen met al je bevindingen.
Het maken van een slide-deck is iteratief, beginnend met al uw bevindingen en geleidelijk de stroomlijning van het dek.
Het uiteindelijke diadeck moet een beknopte samenvatting bevatten. Eventuele aanvullende informatie kunnen wij in een bijlage toevoegen.
Conclusie
Het aannemen van een data-to-decisions-framework is een geweldige manier om ervoor te zorgen dat u bruikbare inzichten uit uw bedrijfsgegevens kunt halen.
Het combineren van datawetenschap met beslissingswetenschap zorgt voor een dialoog tussen alle betrokken belanghebbenden. Elke stap in het BADIR data-to-decisions-raamwerk leidt tot een effectief eindresultaat: bruikbare aanbevelingen.
Laat ons weten hoe uw bedrijf of team kan profiteren van dit type raamwerk!
Laat een reactie achter