Datavitenskap er et flott verktøy når du driver en bedrift.
Analyser vil imidlertid bare hjelpe hvis det gir effekt. Denne påvirkningen kan være alt fra bedriftsvekst, bedre produkter eller økte inntekter.
Å bruke analyser for å ta beslutninger i virksomheten din er kjent som datadrevet beslutningstaking. Dette innebærer å samle inn data, trekke ut mønstre og fakta og trekke slutninger.
Det er definitivt mer populært nå å investere tid og ressurser for å gjøre et flertall av bedriftens beslutninger datadrevne.
Til tross for dette viser undersøkelser det magefølelse fortsatt faktorer i beslutningsprosessen.
En viktig faktor i dette er mangelen på et skikkelig beslutningsrammeverk i organisasjonen.
Denne artikkelen vil introdusere BADIR-rammeverket, og hvordan du kan bruke det til å lage handlingsrettede, datadrevne innsikt for din bedrift.
BADIR Data til beslutningsrammeverk
De BADIR rammeverket er et svært effektivt data-til-beslutningsrammeverk designet for å løse forretningsproblemer.
Den er enkel å tilpasse og fungerer for enhver bransje. Det tar sikte på å kombinere datavitenskap og beslutningsvitenskap sammen til ett enkelt rammeverk som er lett å følge.
Aryng, et velkjent datavitenskapelig konsulent-, opplærings- og rådgivningsselskap utviklet dette data-til-beslutningsrammeverket.
I dag har forskjellige Fortune 500-selskaper tatt i bruk BADIR for sine digitale transformasjonsinitiativer.
Nøkkelfunksjoner i Data-to-Decision Framework
- Gi handlingskraftig datadrevet innsikt
- Formuler en hypotesedrevet analyseplan
- Forenkler dataspesifikasjon for å lage dat
- Innsikt hentet fra mønstergjenkjenningsteknikker i Maskinlæring og statistikk
- Presentere praktiske anbefalinger til interessenter
De fem trinnene i data-til-beslutningsrammeverket
BADIR data-til-beslutningsrammeverket innebærer fem trinn som må følges i rekkefølge.
Forretningsspørsmål
Før vi gjør noen form for datautvinning eller analyse, må vi først forstå konteksten til problemet vi prøver å løse. Dette vil bidra til å redusere antall iterasjoner som trengs nedover linjen.
Dette innebærer å stille de riktige spørsmålene. Rammeverket oppfordrer oss til å stille de seks grunnleggende spørsmålene (hvem, hva, hvor, når, hvorfor og hvordan).
For eksempel må vi sørge for at vi forstår hvilken beslutning som må tas.
Har denne avgjørelsen haster?
Vi må vite når vi forventes å komme med en endelig anbefaling.
Til slutt må vi vite hvem våre interessenter er.
Bør dataene deles med markedsføringsteamet så vel som logistikkteamet?
Hvor mange interessenter trenger å vite resultatene av analysen vår?
Faktisk prøver vi å konvertere helt grunnleggende spørsmål til riktige spørsmål. For eksempel kan du ha følgende dataforespørsel: «kundedata etter land, produkt og funksjon».
En bedre og mer nyttig forespørsel bør se slik ut: «Hva er årsakene til at vi mister kunder etter lansering? Hvilke handlinger kan salgs- og markedsavdelingen gjøre for å møte dette tapet?»
Analyseplan
Etter å ha bestemt oss for et konkret forretningsspørsmål, er vårt neste skritt å formulere en analyseplan.
Vi bør lage SMARTE mål. SMART er et akronym som står for Specific, Measurable, Achievable, Relevant og Time Bound.
Deretter bør vi formulere våre hypoteser. Dette er uttalelser som vi tar sikte på å bevise eller motbevise ved bruk av dataene våre. Sammen med disse hypotesene bør vi sette kriteriene som trengs for å bevise hver enkelt.
Vi må også se nærmere på metodikken som trengs under dataanalyse. Vanlige metoder inkluderer:
-
Aggregate
-
Korrelasjon
-
Trend
-
Anslag
Etter å ha bestemt oss for metodikken, må vi også bestemme oss for dataspesifikasjonen.
Vil vi bruke data fra det siste året eller all-time data?
Vil vi først og fremst bruke økonomiske data eller markedsføringsdata?
Disse spørsmålene er viktige fordi dette vil gjøre datainnsamlingsprosessen enklere senere.
Det endelige resultatet av dette trinnet er en prosjektplan. Dette inkluderer alle ressurser som trengs for å kjøre denne analysen, samt tidslinjen for hvert trinn i prosessen. Prosjektplanen spesifiserer også hvem interessentene er samt de ulike rollene i teamet.
La oss for eksempel si at vi har følgende hypotese: «Vårt firma mister kunder på grunn av en mindre vellykket markedsføringskampanje i det siste kvartalet».
For å bevise eller motbevise denne analysen, må vi hente markedsføringsdata fra det siste året.
Vi kan bruke korrelasjonsmetodikk for å bestemme om en beregning som CTR er korrelert eller kan forutsi antall kunder for hvert kvartal.
Datainnsamling
Datainnsamling er nå mye enklere siden vi kunne beskrive dataspesifikasjonen under trinnet vårt i analyseplanen. Dette vil forhindre at unødvendige data hentes.
Dette er spesielt viktig hvis vi har å gjøre med en betydelig mengde data, siden det vil spare tid når vi utfører vår valgte metodikk.
Datainnsamlingstrinnet involverer også datarensing og validering. Datarensing refererer til å manipulere data for å gjøre det brukbart.
Vi må utføre datavalidering for å sikre at dataene vi har er nøyaktige.
Få innsikt
Vårt neste trinn involverer selve utledningen av innsikt fra våre data.
I dette trinnet gjennomgår vi mønstre i dataene våre.
For eksempel kan vi i korrelasjonsanalyse starte med en univariat analyse som ser på fordelingen av nøkkelberegningene. Hvis det er aktuelt, kan vi også finne ut om det er forskjell mellom en test- og en kontrollpopulasjon.
Ved å bruke kriteriene vi satte i andre trinn prøver vi også å bevise og avkrefte hypotesene våre.
Til slutt bør resultatet av dette trinnet være funnene våre. Vi bør presentere våre funn angående kvantifisert effekt.
Du kan for eksempel nevne dollareffekten av et bestemt prosentvis fall for å engasjere interessentene dine.
Du kan si at et prosentvis fall i kundeanskaffelse kan resultere i et inntektsfall på 1 million dollar.
Anbefaling
Anbefalinger er det viktigste trinnet i BADIR-rammeverket. Disse anbefalingene må være handlingsdyktige.
De er hovedgrunnen til at vi gikk gjennom hvert trinn i dette rammeverket.
I dette siste trinnet ønsker vi å oppnå flere ting. Først må vi engasjere oss med målgruppen. Dette betyr at du bør presentere korte og innsiktsfulle anbefalinger.
En troverdig og god anbefaling vil også føre til at du blir oppfattet som en effektiv forretningspartner.
Til slutt bør anbefalingen din lede publikum til handling.
Hvis du skal være ansvarlig for å presentere anbefalingene, er det viktig å bygge et lysbildekort som har alle funnene dine.
Opprettelsen av et lysbildekort er iterativt, starter med alle funnene dine, og strømlinjeformer gradvis flyten av dekket.
Den endelige lysbildestokken bør ha et kortfattet sammendrag. Vi kan legge til eventuell tilleggsinformasjon i et vedlegg.
konklusjonen
Å ta i bruk et data-til-beslutningsrammeverk er en fin måte å sikre at du kan få handlingskraftig innsikt fra forretningsdataene dine.
Å kombinere datavitenskap med beslutningsvitenskap gir en dialog mellom alle involverte interessenter. Hvert trinn i BADIR-data-til-beslutningsrammeverket fører til et effektivt sluttresultat: praktiske anbefalinger.
Fortell oss hvordan din bedrift eller ditt team kan dra nytte av denne typen rammeverk!
Legg igjen en kommentar