Недавние новости о том, что Объединенные Арабские Эмираты делают военную службу обязательной для всех эмиратских мужчин в возрасте от 18 до 30 лет, побудили меня задуматься о том, почему страны, независимо от их экономического статуса, обеспечивают готовность граждан защищать страну.
Можно утверждать, что ограниченное количество граждан в стране часто вынуждает правительство сделать военную службу обязательной. А как насчет Китая? Это самая большая страна по численности населения, но она также гарантирует, что граждане, идущие на дальнейшее образование, проходят обязательную военную службу. Короче говоря, нации в основном готовятся к защите в случае конфликта, и каждый должен быть к нему готов. Будь то электрик, бизнесмен, плотник - все они объединяются для общего дела.
Как ни странно это звучит, можно провести странную параллель между такими странами и сегодняшними организациями, которые хотят оставаться конкурентоспособными. Текущая угроза или, скорее, вызов в виде больших данных побудила большие и малые организации объединить свои кадры из различных отделов для общего решения этой проблемы. Чтобы пойти дальше, как правило, страны, применяющие обязательную военную службу, всегда имеют критерии отбора, так же, как организации считают логичным проводить обучение по работе с большими данными только для тех сотрудников, которые имеют некоторую форму взаимодействия с большими порциями данных и обязаны используйте Hadoop в каждой точке взаимодействия.
Подобно тому, как генерал армии во взаимодействии с правительством решает, какое вооружение и обучение будут назначены своему новичку, ставшему новобранцем, точно так же ожидается, что технический директор будет руководить ИТ-инфраструктурой и наследием. системы, стимулирующие новые технологические инновации, позволяющие его / ее сотрудникам работать лучше. С общей целью заняться большими данными, давайте попробуем подробно разобраться, где используются большие данные и почему важно обучать им своих товарищей.
1. Информационные технологии: повышение производительности с помощью обучения работе с большими данными
Возможно, ИТ-команда находится на переднем крае внедрения больших данных, и она является эпицентром реализации изменений. Лицо, принимающее решения об ИТ-обучении, желающее обучить сотрудников работе с большими данными, должно начинать с ИТ-отдела. Зачем? Потому что, когда дело доходит до взаимодействия с технологиями на каждом этапе деятельности, вундеркинды из подвала (популярный сленг ИТ) ближе всего. Так насколько это актуально?
Давайте посмотрим на отчет популярного сайта CIO, в котором говорится:
«Согласно недавнему опросу CompTIA среди 500 руководителей предприятий и ИТ-отделов США, 50 процентов фирм, опережающих тенденцию в использовании данных, и 71 процент фирм, которые имеют средние или отстающие данные по использованию данных, считают, что их персонал умеренно или существенно не хватает навыков управления данными и анализа »
Учитывая тот факт, что управление данными и их хранение являются частью основной функции ИТ, существует потребность в параллельном подходе к внедрению платформы больших данных и укреплению ИТ-навыков в области больших данных. Подтверждением этого факта является отчет McKinsey, в котором говорится, что к 2018 году будет нехватка более 140 000–190000 профессионалов с глубокими техническими и аналитическими знаниями! Поскольку все больше и больше технических специалистов нуждаются в обучении по работе с большими данными, организации стремятся обучать технических специалистов для быстрой окупаемости инвестиций, а специалисты по платформам, администраторы и инженеры, работающие в ИТ-отделе, находятся у руля.
Объединение триединства основных ИТ-функций с большими данными
Термин «Троица» часто напоминает мне о двух религиозных концепциях: одна - это индуистская мифология создателя, хранителя и разрушителя, а другая - христианская концепция отца, сына и святого духа. Оба стремятся к улучшению человечества. Точно так же эти три функции ИТ-команды стремятся улучшить всю организацию с отделами с разными потребностями, когда дело доходит до информационных технологий. Помимо функций безопасности и поддержки, ИТ-отдел может задействовать эти функции, когда дело доходит до внедрения больших данных.
Планирование. Деятельность по планированию в ИТ-команде направлена на обеспечение соответствия ИТ-стратегии организации бизнес-целям. Сюда входит работа над настройкой программного обеспечения, внедрение новых платформ, отвечающих потребностям различных бизнес-отделов. Другими словами, любая новая реализация всегда будет начинаться с ИТ.
как сделать оповещение в javascript
Сеть - это разработка сетей, которые облегчают все формы связи между голосом, данными, видео и интернет-трафиком, и существуют различные контрольные точки для записи данных, будь то взаимодействие с клиентами, анализ настроений и обновление трафика, все они собирают данные в режиме реального времени! ИТ-отдел часто обеспечивает плавную интеграцию сетей для работы с целью обработки больших данных.
Данные. Проще говоря, ИТ-команда предоставляет инструменты для сбора, хранения, управления, защиты и распространения данных среди сотрудников для принятия различных стратегических решений в организации. Все формы данных, такие как записи о продажах, финансовые отчеты, сведения о запасах, хранятся в едином центре обработки данных. Это создает ответственность внутри ИТ-команды за внедрение платформ для больших данных, которые позволяют назначенным пользователям хранить и извлекать информацию в любом месте данных.
В любой ИТ-команде нужен разносторонний состав участников, выполняющих разные задачи по внедрению больших данных. Для начала нужен специалист, который обеспечит плавный переход от традиционных систем к платформам больших данных. Для этого требуется, чтобы технический специалист сосредоточился на поддержке платформы на протяжении всего ее жизненного цикла во всех отделах. Затем возникает потребность в члене, который должен постоянно контролировать, соответствует ли каждое технологическое внедрение цели организации.
2.Разработка продукта: переосмысление инноваций на всех этапах НИОКР.
Возможно, это один из самых важных отделов, когда речь идет о выводе организации на новый уровень инноваций! Одним из самых больших преимуществ больших данных является интеграция данных в различных точках взаимодействия при разработке продукта, начиная с проектирования продукта, производства, качества, гарантии, диагностики, транспортных средств и программных приложений. Данные, полученные из этих точек соприкосновения, определяют, каким является продукт и насколько успешным он может быть. Это в основном подводит разработчиков продуктов, специалистов по исследованиям и разработкам и дизайнеров к подходу на основе данных и анализа данных.
Реализация больших данных
Когда дело доходит до разработки продукта, одним из популярных примеров является автомобиль без водителя, который Audi разрабатывает и планирует выпустить к 2016 году. Да, есть группа разработчиков продукта, перед которой стоит огромная задача - обеспечить реализацию видения генерального директора инноваций. . Но на пути от разработки до тестирования возникают различные проблемы и вопросы, на которые могут ответить только большие данные. Посмотрим, почему.
Рассмотрим тестовую поездку, отслеживаемую от точки А до точки Б. Вот типы данных, которые могут быть сгенерированы:
а. Данные датчиков - датчики внутри автомобиля могут хранить информацию о расстоянии, которое он измерил между автомобилями позади него и перед ним, а также о частоте транспортных средств, с которыми он встречался в пути.
б. Данные водителя - можно провести несколько тестов с разными возрастными группами, и подробные сведения об уровне комфорта, производительности и том, сколько раз водителю нужно было игнорировать автоматическое вождение, будут сжиматься в большие наборы строк и столбцов для анализа.
c. Демографические данные. Тест может быть проведен в Индии и США. ИИ в рамках автоматического вождения может анализировать препятствия, с которыми он сталкивается при вождении в двух разных странах. В какой стране больше возможностей для использования автоматического вождения, а в какой - нет?
d. Данные о рыночных показателях - после того, как продукт запущен и находится в пути, инженеры могут также отслеживать его успех, анализируя данные в реальном времени с потоками, предоставляемыми 24 × 7 программой автомобиля, что дает представление о том, помогает ли внедрение автоматического вождения сохранить дорога безопаснее?
Существует N количество возможных данных, которые можно извлечь из разработки продукта. Мы только начинаем изучать OEM из автомобильной промышленности. Подумайте о возможностях больших данных в различных секторах, например, в медицине, здравоохранении, электронике и так далее. Кто знает?
ЛЮБОПЫТНЫЙ ФАКТ: Знаете ли вы, что внедрение компанией Ford технологий больших данных и аналитики спасло ее от почти смертельного случая в 2000-х годах, когда европейские и азиатские автопроизводители были жесткой конкуренцией!
3. Финансы: обучение сотрудников работе с платформами больших данных для финансового моделирования.
Возможно, мы часто слышали термин, что деньги - это кровь бизнеса. Забота об этих деньгах - обязанность финансового отдела. Деловой мир определяет функции финансового отдела как обычно участвующие в «планировании, организации, аудите, бухгалтерском учете и контроле финансов своей компании, а также в составлении финансовой отчетности компании».
При этом финансовый отдел в целом часто является детищем, когда дело доходит до работы с деньгами, и его роль расширяется до различных видов деятельности, таких как составление отчетов о движении денежных средств, моделирование затрат, реализация призов и соблюдение нормативных требований, и многие другие. Несколько десятилетий назад выполнение всех этих действий с ограниченными системами и платформами было вполне возможным, но в эпоху больших данных перед каждым финансовым отделом стоят две задачи: выполнение обычных финансовых функций в меняющемся сценарии и сбор аналитических данных на будущее. Давайте посмотрим на это более глубоко.
Когда информация распространяется по разным серверам, организации часто сталкиваются с проблемой консолидации этих данных и выполнения действий в соответствии с бизнес-требованиями. Важной функцией внутри компании является внутренний аудит, который отслеживает управление организацией, управление рисками и средства контроля управления, а также проводит упреждающий аудит мошенничества для выявления мошеннических действий. С появлением аналитики возникла необходимость интегрировать внутренний аудит. Это вызвало появление новых методов, таких как анализ данных аудита, которые помогают оценить риск, создать финансовые модели и дать общую картину финансов в организации.
Моделирование затрат и реализация цен
Моделирование затрат - важный компонент для эффективного использования ресурсов. Компании должны определить виды деятельности, которые приводят к затратам, общий объем прямых материалов и рабочей силы, необходимых для выполнения задач, и так далее. Моделирование затрат помогает компаниям точно определить общие производственные затраты на продукцию по всем направлениям деятельности внутри компании. В эпоху больших данных становится важным отслеживать каждую финансовую деятельность, происходящую в разных отделах организации, которая консолидирует эту информацию для построения идеальной модели затрат. От покупки до продажи все данные сохраняются в финансовой истории, и фундаментальные основы разработки модели затрат заключаются в извлечении больших объемов данных и создании модели, которая может применяться в будущем.
Хотя можно спорить о том, что усилия по реализации цены направлены больше на продажи для повышения прибыльности, финансовый отдел играет более важную роль, когда дело доходит до получения выгоды от реализации цены. Чтобы разбить это на более простые термины, рассмотрим розничную торговую точку, которая планирует предоставлять скидки для увеличения продаж. Основная цель - снизить утечку цен и улучшить карманные цены.
Утечка цен происходит, когда цена продукта снижена настолько, что цена продукта снижается (в стремлении осуществить продажи), что ставит под угрозу прибыльность, а карманная цена является продажной ценой после скидки. Для реализации прибыльной реализации цены отдел продаж сотрудничает с финансовым отделом, чтобы понять структуру затрат на каждый отдельный продукт и места, где могут быть предоставлены скидки. Это, в свою очередь, требует, чтобы финансовый отдел разработал основу для моделей реализации цен на будущее и определил пределы в рамках такой маркетинговой деятельности. Задача включает в себя обработку данных о закупках, складской стоимости, сроке хранения, а затем оценку стоимости проданных товаров (CGS).
F-12 и прогнозная аналитика
Одним из важных направлений деятельности финансового отдела является мониторинг финансового состояния организации. Подобно тому, как врач использует различные показатели, такие как частота пульса, тепло тела или реакция на раздражители, чтобы судить, жив ли пациент или мертв, так и финансовый мир отслеживает 12 показателей, чтобы узнать, куда компания движется в денежном выражении, а что лежит за ее пределами. . От роста реальной выручки, устойчивого роста выручки, политики ценообразования и индекса ценообразования, контроля операционных расходов, сравнения EBITDA с денежным потоком, свободного от долга денежного потока, избыточных денежных средств, рентабельности активов, оборотного капитала, использования заемного финансирования, цикла чистой торговли и затрат капитала являются важными компонентами финансовой отчетности организации, чтобы высшее руководство могло принять правильное решение.
Как часть проблемы в мире больших данных, понимание этих соотношений требует обработки больших объемов информации, распределенных по всей организации, чтобы преобразовать их в стандартный формат для анализа. Прогнозная аналитика вступает в игру, когда эти данные обрабатываются из прошлой истории по сравнению с теми же элементами в настоящем, чтобы сделать точные оценки на будущее. Лучшая часть - это платформа прогнозной аналитики и методы, созданные для обработки больших данных, что упрощает задачу финансового отдела.
ЛЮБОПЫТНЫЙ ФАКТ: Знаете ли вы, что Oversea-Banking Corporation (OCBC), базирующаяся в Сингапуре, смогла использовать большие данные для анализа клиентов, что напрямую повлияло на 40% -ное увеличение количества новых клиентов!
4. Человеческие ресурсы: новое определение возможностей сотрудников отдела кадров
Представление о больших данных в человеческих ресурсах часто может побудить читателей отвергнуть их как обман, поскольку организация обычно не уделяет большого внимания внедрению технологии больших данных в отдел кадров, поскольку она предпочитает сосредоточиться на маркетинге, эксплуатации или финансах. Но на самом деле отдел кадров играет решающую роль в обеспечении того, чтобы в организацию, помимо других видов деятельности, входили нужные таланты.
Добавление большего количества зубов к HR
учебник по mysql workbench для начинающих
Пожалуй, наиболее игнорируемый среди всех отделов, когда дело доходит до внедрения больших данных, но в современном быстро меняющемся мире способ работы отдела кадров определяет успех организации.
По данным Forbes, средняя крупная компания имеет более 10 различных HR-приложений, а их основной системе управления персоналом более 6 лет. Эта тенденция подчеркивает тот факт, что организации нужны правильные ресурсы для сбора этих данных. Обучение работе с большими данными и аналитикой позволяет получить такие навыки, как анализ данных, визуализация и решение проблем, от оперативной отчетности до стратегической аналитики.
Ожидается, что HR-отдел по умолчанию будет выполнять основные кадровые операции, но обучение Big Data выводит его на совершенно новый уровень. По мере того, как HR-отдел становится более аналитическим с инструментами, он меняет их подход к более стратегической деятельности. Критический вопрос, например, как увеличить количество факторов удержания сотрудников, влияющих на качество продаж воронки кандидатов и оценку нехватки талантов, определяется, и на основе анализа соответствующих данных принимаются стратегические меры.
Переход от простого подсчета персонала к более прогнозному анализу.
Оракул в человеческих ресурсах
Я вспоминаю забавную историю о друге, который работал HR. У нее была изнурительная работа по поиску кадров, прежде чем она отправила кандидата к руководителю соответствующего отдела, который произносил только волшебные слова: «Хорошо, давайте его наймем».
Какое-то время дела шли хорошо, поскольку она привлекла в компанию талантливых специалистов. Со временем она стала уверена в своих навыках найма и подтолкнула высшее руководство к тому, чтобы добавить больше людей в ее команду, внедрить системы управления персоналом и привлечь больше сторонних консультантов. Сложность заключалась в том, что она уверенно дала высшему руководству высокие обещания.
История показала, что тот, кто готовится к будущим событиям, более успешен, чем тот, кто едет на прошлой славе. Было время, когда от нее ожидалось нанять большое количество профессионалов в той области, в которой компания расширялась. Она начала заполнять вакансии с компромисса с наймом качественных профессионалов. Она приняла более целенаправленный подход. Результат? Большинство нанятых ею профессионалов откладывали документы, ссылаясь на разные причины, и ее допросило руководство. Часто я слышал ее бормотание:
«Я ищу 1000 резюме, составляю список 100 резюме, вызываю 50 кандидатов на собеседование, отфильтровываю 10 из моих психометрических оценок, из 10 я беру 5, которые того стоят, отправляю 5 руководству, они сосредотачиваются на 1 и этот парень уходит через 2 месяца '.
Я посмеивался над ее страданиями, не считая того, что выразил свое сочувствие, но это заставило меня задуматься, могут ли человеческие ресурсы лучше судить, исходя из своего опыта, или есть необходимость в подходе, основанном на данных, ко всему процессу найма? Что ж, мы используем прогнозный анализ, чтобы определить, какая команда выиграет чемпионат мира, но почему бы не использовать те же методы в процессе найма, особенно когда мы имеем дело со сложными элементами, такими как люди?
Работа по найму - не обязательно легкая работа, она включает в себя множество процессов, и правила найма часто меняются в зависимости от отрасли, в которой HR находится в той роли, которую он нанимает по правилам организации и так далее.
Если вы наблюдаете успешные организации, которые используют прогнозную аналитику и имеют меньший процент выбытия, есть модель, в которой сначала выбираются желаемые характеристики кандидата, которые обеспечивают успех, объединяются его в `` идеальный '' профиль и сравниваются с каждым кандидатом, который наиболее близок к нему, а затем привлекая их к индивидуальным оценкам, которые оценивают характеристики этих кандидатов.
Следует отметить, что вся индустрия психометрического оценивания с ведущими игроками, такими как Pearsons, Thomas Assessment и SHL, возникла из-за спроса со стороны специалистов по персоналу на анализ профиля кандидата в их потребности в совершенствовании процесса найма!
Возвращаясь к прогнозной аналитике, в рамках ее реализации персонал отдела кадров должен сначала определить, кто является `` успешным кандидатом '' в соответствии с организацией, затем он / она должны определить факторы, которые могут повысить эффективность найма и развития, и наблюдать за тем, как почему одни сотрудники работают лучше, чем другие, с гипотезой, если это необходимо. Основываясь на этом, он / она может сравнить их с данными успешных сотрудников, которые долго работали в организации, и, в-третьих, использовать статистические методы, чтобы определить, почему некоторые люди остаются дольше.
Подход хорош для начала, но внедрение прогнозной аналитики в HR включает в себя множество методов, которые HR может изучить. Лучшая часть этого процесса - снижение затрат на замену сотрудника новыми и, возможно, получение большей рентабельности инвестиций, чем у старого.
В конце концов, сочетание интуиции, опыта и надежного подхода, основанного на данных, часто уточняет суждения не только HR, но и нас.
ЛЮБОПЫТНЫЙ ФАКТ: Знаете ли вы, что американский гигант Xerox снизил текучесть кадров в своем колл-центре на 20%, применив аналитику к потенциальным кандидатам, и обнаружил, что творческие люди с большей вероятностью останутся в компании в течение 6 месяцев, необходимых для возмещения затрат на обучение в размере 6000 долларов, чем любознательные люди?
5.Цепочка поставок и логистика: обучение специалистов по платформам больших данных
Цепочка поставок и логистика в основном являются важным компонентом стратегии и целей организации. Целью Supply Chain & Logistics является снижение затрат и повышение производительности, скорости и маневренности. Что касается логистики, они собирают и отслеживают различные формы данных, чтобы существенно повысить операционную эффективность, улучшить качество обслуживания клиентов и новые бизнес-модели. Эти факторы часто могут помочь организациям сберечь ресурсы, создать лучший бренд и создать систематический процесс для цепочки поставок и логистики.
Отслеживание больших данных по всему миру
Возьмем пример гиганта электронной коммерции, который использует большие данные для доставки своим клиентам. Товар отправляется с места на адрес покупателя. Устройства в транспортном средстве, такие как GPS-трекер, микрофон, датчик, имеют структурированные и неструктурированные данные, которые отправляются обратно в центр мониторинга для обновления в реальном времени. Наряду с этим он также помогает анализировать эффективность времени доставки, кратчайшего пути и ресурсов, используемых для выполнения одной операции доставки в списке миллионов таких транзакций. Эта золотая жила данных на разных рынках консолидируется организациями, а затем анализируется для дальнейшего улучшения процесса или внедрения новых инноваций на целый уровень!
ЛЮБОПЫТНЫЙ ФАКТ: Знаете ли вы, что большие данные в форме отслеживания клиентских страниц Amazon помогли компании разместить свои продукты на ближайшем к покупателю складе, чтобы повысить скорость и эффективность доставки?
как работает tostring в Java
6. Операции, поддержка и обслуживание клиентов: обучение сотрудников работе с большими данными при каждом взаимодействии с клиентами.
Успех любого продукта или услуги основан на послепродажной поддержке, которую получает покупатель, и часто продавец дает клятву быть рядом с ним / ней все время. Это происходит из-за того, что, когда покупатель берет продукт или услугу, он совершает «прыжок веры» в надежде, что продавец не подведет его / ее в течение срока службы продукта / услуги. Осуществление с этой точки зрения критически важно для успеха организации.
Давайте посмотрим на поддержку на детальном уровне. Недавно у меня была возможность посмотреть фильм Кристофера Нолана «Интерстеллар», в котором исследуются космические путешествия до края космоса. Это заставило меня задуматься о будущих авиакомпаниях, которые будут предлагать полеты через червоточины, простирающиеся на миллионы световых лет от нас! В чем тогда были бы проблемы? Какие большие данные будут генерироваться в этом почти бесконечном путешествии? Как команда на борту гарантирует, что пассажиру понравится поездка? Для начала поставщик услуг должен сосредоточиться на основных задачах, таких как обеспечение безопасности полетов, отслеживание траектории полета, выполнение требований клиентов и т. Д.
Большие данные на ходу 24 × 7
Идея межзвездных путешествий может быть далекой мечтой в ближайшие 100 лет (оптимистично!), Но это не мешает нам взглянуть на данные, генерируемые аналогичной службой, которая работает в настоящее время и которая прольет больше света на то, как клиенты обслуживание и поддержка осуществляется в «послепродажном» сценарии, и как организации могут участвовать в улучшении своих усилий в режиме реального времени.
Начнем с того, что Southwest Airlines - одна из самых известных авиакомпаний, которая воспользовалась преимуществами больших данных для улучшения качества обслуживания клиентов. Стремясь повысить безопасность полетов, Southwest Airlines в сотрудничестве с НАСА провела эксперимент с большими данными для улучшения качества полетов в целом. Сюда входит отправка на спутники НАСА информации о траектории полета, отчетов пилотов и другой информации о воздушном движении. Вершиной этой инновационной техники является базовая концепция больших данных, называемая «интеллектуальным анализом текстовых данных», которая преобразует неструктурированную текстовую информацию в содержательный текст для понимания. Так вы думали, что интеллектуальный анализ текстовых данных на этом заканчивается?
Конечно, нет, даже простая концепция больших данных, такая как анализ текстовых данных, выходит далеко за рамки этого. Все мы знаем, что отзывы клиентов - важный компонент в понимании того, где организация идет не так, как надо, на каждом этапе взаимодействия с клиентами. Анализ текстовых данных также помогает обслуживанию клиентов, анализируя открытые ответы на опросы. Вместо того, чтобы ограничивать клиентов общими вариантами, такими как вариант A, вариант B, вариант C, открытые вопросы дают больше информации, но их классификация и запись ответов может быть ключевой проблемой. Именно здесь в игру вступает интеллектуальный анализ текстовых данных, когда он группирует определенный набор слов и объединяет их для получения информации!
Помимо этого, мы все должны признать, что ни одна организация не идеальна и что у каждой из них есть небольшая группа клиентов, которые могут быть недовольны услугами. Результат? База данных переполнена электронной почтой, сообщениями, твитами от клиентов, регистрирующих жалобы, или советами по «направлениям улучшения», мягко говоря. Анализ текстовых данных идет на шаг впереди традиционных почтовых фильтров и может классифицировать письма по приоритету и перенаправлять их в соответствующий отдел.
ЛЮБОПЫТНЫЙ ФАКТ: Знаете ли вы, что Southwest Airlines в рамках своих усилий по улучшению обслуживания клиентов развернула анализ данных с функцией, называемой «анализ речи», которая регистрирует взаимодействие между клиентом и персоналом для получения информации!
7. Маркетинг: обучение сотрудников системному маркетинговому подходу с большими данными.
Сегодня маркетинг как вид деятельности основан на цифрах. С ростом цифрового маркетинга мы теперь можем точно измерять реакцию на рекламу, CTR, количество показов, рентабельность инвестиций и т. Д. Для профессионалов, не занимающихся маркетингом, такие показатели могут быть греческими, но для маркетологов эти данные - золотая жила. Впоследствии, наряду с метриками, генерируются большие объемы данных в каждой точке взаимодействия с клиентами, в социальных сетях и в продажах. Специалист по маркетингу должен отслеживать такие данные и использовать их для более эффективного продвижения своих продуктов. Обучение работе с большими данными играет здесь важную роль, поскольку такие платформы, как Hadoop & R, помогают в этом.
Во-вторых, время от времени специалисты по маркетингу часто предаются ретроспективе своего бренда. Вопросы вроде:
Чем мой бренд лучше других?
Что предлагают другие бренды?
Какие функции у моего конкурента есть в том же продукте?
Исследование идет гораздо глубже. От анализа продукта конкурента на основе 4P (продукт, цена, место, позиционирование) до понимания содержания того, какой продукт представлен на веб-странице конкурента, объем генерируемых данных огромен и сложен. Как было сказано ранее, использование интеллектуального анализа текста может помочь маркетологу выполнить анализ конкурентов, просто сканируя веб-сайт конкурента. Эта простая функция в области больших данных может дать общее представление о том, что делает конкурент и какие продукты он предлагает на рынке, тем самым давая маркетологу, который принял большие данные, преимущество!
Вооружение творческого
Например, стратег по социальным сетям хочет знать о восприятии бренда своей организации на платформах социальных сетей, тогда, вероятно, участие в анализе настроений в R & Hadoop поможет достичь этой цели. Точно так же использование инструментов больших данных помогает маркетингу в различных сферах деятельности, таких как ценообразование, позиционирование продукта и т. Д.
Другим примером может быть менеджер по маркетингу в торговой точке, стремящийся максимизировать продажи. Всем известен пример Walmart, который смог расположить пиво и молоко бок о бок в проходе, основываясь на прошлой истории покупок клиентов, получая большие блоки данных, охватывающих миллионы клиентов за определенный период времени!
ЛЮБОПЫТНЫЙ ФАКТ: Знаете ли вы, что General Motors с годовым маркетинговым бюджетом в 2 миллиарда долларов в год использовала аналитику больших данных для создания подробных профилей клиентов и объединения пространственной аналитики данных с подробными демографическими данными / информацией о клиентах для более персонализированного маркетинга!
Почему компании переходят на платформы больших данных
Как правило, в организациях, использующих старые устаревшие системы, данные распределены по множеству систем. Из-за разброса данных в разных местах скорость обработки падает вместе с точностью анализа данных. Это требует консолидации данных в корпоративном центре данных, что обеспечивает более быстрый доступ к данным, что приводит к более глубокой аналитике. Одна из важных задач ИТ-отдела любой организации - оперативно предоставлять точные данные для всех отделов организации по запросу.
При сборе данных важно объединить неструктурированные, структурированные и полуструктурированные источники данных на одной платформе для выполнения углубленного анализа и, в основном, помощи в принятии бизнес-решений. Эта функция Hadoop привлекает к работе больше людей внутри организации, поскольку есть сотрудники, которые взаимодействуют с данными в разных точках взаимодействия в повседневных операциях. Кроме того, традиционные ETL и пакетные процессы могут занимать много времени, тогда как Hadoop с его пакетной обработкой большого объема ускоряет его до 10 раз.
Значение Hadoop не обязательно означает, что каждый сотрудник в организации должен пройти обучение работе с платформой больших данных, что в большинстве случаев может оказаться невозможным. Но для технического директора было бы стратегическим преимуществом выявить и обучить тех профессионалов, которые постоянно взаимодействуют с данными.
Рассмотрение хранения, обработки и извлечения данных с помощью популярной платформы Hadoop, еще одно важное явление, которое является частью естественного развития, - это аналитика больших данных. Проще говоря, организациям требуется множество точек зрения со стороны разных специалистов внутри организации.
Число «6» можно рассматривать как число «9» с другой стороны таблицы. Другими словами, выводы из данных наблюдений различаются от человека к человеку.
Организации знают это и часто участвуют в обучении сотрудников на одной и той же платформе, чтобы люди из разных отделов, связанных одной и той же деятельностью, обсуждали, участвовали и делились знаниями для принятия правильных решений. Итак, я считаю, что было бы безопасно определить обучение Big Data как возможность для каждого сотрудника быть на одной волне и вывести организации на новый уровень!
Есть вопрос к нам? Упомяните их в разделе комментариев, и мы свяжемся с вами.
Похожие сообщения: