Žmonės ir organizacijos yra linkę ieškoti saugumo ir stabilumo, o iš to kyla savotiška prieštara su pasaulio savybe keistis. Keičiasi metų laikai, potvynius keičia atoslūgiai, kvėpuojame, senstame, nauji verslai kuriasi, auga ir išnyksta. Pamatyti pasaulio pokyčius padeda ir duomenys – užrašyti stebėjimai, matavimai ir skaičiavimai. Renkamų duomenų daugėja, todėl organizacijoms, atsakingai siekiančioms savo tikslų, sumanus duomenų valdymas gali padėti atlaikyti nuolatinių pokyčių spaudimą.
Būtent nuolatinis pasaulio stebėjimas ir mokėjimas tinkamai reaguoti į matomus pokyčius, yra pagrindinė savybė verslo, kuris sprendimus priima pasiremdamas duomenimis (angl. data driven decision making), rašo Aleksandras Urbonas, „Blue Bridge MSP“ duomenų mokslininkas.
Kodėl stebime duomenis?
Dažnam verslui yra svarbu suprasti savo klientus, o kadangi kalbame apie žmones, pats uždavinys tampa sudėtingesniu dėl mūsų skirtumų ir panašumų įvairovės.
Dauguma žmonių greitai skaičiuoti gali atsimindami tik tris kintamuosius, o tai – didelis apribojimas ieškant optimalaus sprendimo (angl. optimization). Juk net paprastam klausimui „kaip parduoti daugiau?“ galima paruošti sąlygą, kurią sunku išspręsti net ir su skaičiuotuvu.
Dauguma žmonių greitai skaičiuoti gali atsimindami tik tris kintamuosius, o tai – didelis apribojimas ieškant optimalaus sprendimo.
Pavyzdžiui, prekių ar paslaugų pardavimams gali turėti įtakos tokie veiksniai: demografija, kaina, prekės patrauklumas, sezoniškumas, mados, kiti nežinomi kintamieji, pavyzdžiui, poreikiai, kurių patys pirkėjai dar nežino.
Kaip spręsti sudėtinį uždavinį?
Žinoma, kad loginė smegenų dalis geba apdoroti tik 60 simbolių/baitų. Kaip matome iš pavyzdžio su kintamųjų gausa, kompiuteris daug greičiau spręstų tokį uždavinį, nei žmogaus smegenys. Tad kaip su tokiais „pajėgumais“ spręsti sudėtinį uždavinį?
Viena vertus, dideliems uždaviniams spręsti galime pasitelkti kompiuterines sistemas. Kita vertus, kompiuteriai puikiai atlieka nurodytas instrukcijas, bet negali paaiškinti, ką rezultatas reiškia naudotojui.
Kompiuteriai puikiai atlieka nurodytas instrukcijas, bet negali paaiškinti, ką rezultatas reiškia naudotojui.
Čia grįžtame prie žmogaus, kuris perteikia skaičiuoklei seką, „kodą“, ir pasinaudodamas kompiuterių greičiu ir tikslumu, gauna atsakymą. Uždavinių sprendimai naudojant taisykles ir žingsnius, bendrai vadinami algoritmais. Juos galime įgyvendinti programuodami pasirinkta programavimo kalba.
Moderni revoliucija įmonėje
Verslo proceso ir atitinkamai įrankių atnaujinimas įmonėje prilygsta revoliucijai: kuo uždavinys didesnis, tuo sudėtingesnių įrankių prireikia, tuo daugiau valdymo logikos ir skaičiavimo algoritmų.
Be to, kuo svarbesni procesai, tuo sklandesnis turi būti pokytis, kas dar labiau viską apsunkina. Taigi – teoriškai pakeisti procesą ir įrankius – įmanoma, praktiškai – reikia įdėti daug darbo.
Kuo svarbesni procesai, tuo sklandesnis turi būti pokytis, kas dar labiau viską apsunkina.
Pakeisti senus įrankius naujais gali būti sunku dėl tokių priežasčių:
1. Įrankio vystymui trūksta technologinių ir žmogiškųjų išteklių;
2. Nėra reikalavimų specifikacijos. Neaiškiai apibrėžtos verslo taisyklės ir žingsniai nenurodo įrankio kūrėjams, kas, kaip ir kada turi veikti;
3. Ruošiamo naujo įrankio patikrinimas užima laiko (angl. system validation) ir yra būtina sąlyga užtikrinti jos tinkamą veikimą. Nauji įrankiai – dažnai ir naujas programinis kodas – „gimsta“ ne iš karto. Kuo sudėtingesnis uždavinys, tuo daugiau patirties reikia jį įgyvendinant.
Didieji duomenys ir būdai su jais dirbti
Didžiųjų duomenų apibrėžimai nurodo tokias duomenų savybes, kaip apimtį, gavimo greitį ir skirtingus formatus, labai svarbus ir tokių duomenų patikimumas bei prasmingumas. Todėl organizacijoms naudinga darbo su įvairiais duomenų šaltiniais patirtis.
Įprasti duomenų šaltiniai – tai duomenų bazės, tekstinė, vaizdai ar garso signalai, rečiau – socialinių tinklų, prietaisų stebėjimo ar esamuoju laiku gaunami įvairūs duomenų srautai. Pavyzdžiui, taip pasiremiant didžiaisiais duomenimis ruošiamos orų prognozės naudojant automatizuotą duomenų surinkimą – išmanųjį daiktų internetą (angl. Internet-Of-Things, IOT). Šiuo būdu iš nutolusių daviklių surenkami duomenys yra apjungiami ir apdorojami, tada tikrinami ir atmetami nepatikimi scenarijai (angl. statistical significance).
Surenkant daugiau duomenų ir uždaviniui tampant sunkesniu, praverčia sumanesni kompiuterių mokymo modeliai.
Bendradarbiaujant sričių specialistams, galima kalbėti ir apie išmanius būdus tokių uždavinių sprendimui. Surenkant daugiau duomenų ir uždaviniui tampant sunkesniu (netiesiniu), praverčia sumanesni kompiuterių mokymo (angl. machine learning) modeliai, tokie kaip dirbtiniai neuroniniai tinklai (angl. artificial neural networks).
Ko reikia norint įdarbinti duomenis savo organizacijoje?
Siekiant suvaldyti sudėtingą verslo procesą yra būtinas srities supratimas, technologinės priemonės ir specialistų patirtis (angl. soft skills).
Verslo įžvalgos primena žvalgybą: galime planuotis ir ruoštis, o koks bus rezultatas, paaiškėja tik nuėjus, pamačius savo akimis. Tam, kad tokia verslo kelionė turėtų aiškią kryptį, taikome standartu tapusią metodologiją CRISP-DM. Kartais kelionėje tenka sugrįžti į pradinį tašką, verslo supratimą, kad atlikti: duomenų supratimą, duomenų pažinimą, apdorojimą, modeliavimą, diegimą ir stebėjimą.
Svarbu pabrėžti, kad siekiant verslo tikslų būtinas verslo ir visų skyrių bendras darbas.
Svarbu pabrėžti, kad siekiant verslo tikslų būtinas verslo ir visų skyrių (veiklos, IT, finansų, analitikos, personalo) bendras darbas. Sudėtinei daugiafunkcinei komandai būtinas vadovo tikėjimas projektu bei žmonėmis, kurie tą projektą įgyvendina: todėl būtina, kad darbas vyktų su suinteresuotu projekto savininku (angl. stakeholder), kuris palaiko komandą ir pats „neša vėliavą“.
Sėkmingo duomenų projekto įgyvendinimui reikia architektų, inžinierių, analitikų, mokslininkų, projektų vadovų ir savininkų.
Komandai ieškant ir atrandant naujų įžvalgų, svarbios tampa tokios minkštosios kompetencijos (angl. soft skills): verslumas, bendruomeniškumas, judrumas, tvarka, požiūris, prasmingumas.
Būtini įgūdžiai darbui su duomenimis
Duomenų tyrimai, arba tiesiog duomenų analitika (angl. data analytics) tiesiogiai priklauso nuo verslo strategijos, turimų kompetencijų ir išteklių. Todėl bus lengviau, jei pas jus jau dirba specialistai, turintys matematikos, programavimo pradmenų.
Tačiau techninės žinios nėra viskas. Neužtenka būti išmanių programavimo kalbų – tokių kaip „SQL“, „Java“, „Python“, „R“, „Scala“, „Spark“, „Go“ ir kitų – profesionalu. Sumanesnių metodų pritaikymui taip pat reikalingas teorinis supratimas – čia pasitelkiame duomenų mokslą, kuris apjungia matematiką, informacines technologijas bei verslumą.
Įgalinkite savo duomenis
Duomenimis grindžiama ekonomika – tai augimo ir užimtumo galimybė, galinti padėti organizacijoms atrasti naujų paslaugų, pagerinti produktyvumą ar kurti naujų, inovatyvių verslų.
Darbas su duomenimis yra neatsiejamas nuo verslo strategijos, kuriai būtini ne tik techniniai resursai, bet ir siaurų specializacijų žinios. Tai reiškia, kad duomenų valdymo ir apdorojimo specialistų arba infrastruktūros trūkumas „stabdo“ organizacijų skaitmeninį progresą.
Įgalinkite savo organizaciją tapti duomenimis grįsta įmone. Sukurkite sistemą ir kultūrą, kurioje duomenys vertinami ir veiksmingai naudojami priimant sprendimus visoje organizacijoje – nuo rinkodaros skyriaus iki produktų kūrimo ir žmogiškųjų išteklių.
„Blue Bridge MSP“ duomenų komanda siūlo visapusiškus didžiųjų duomenų panaudojimo sprendimus verslui, leidžiančius veikti našiau ir įgauti technologinį bei intelektualinį pranašumą priimant duomenimis grįstus sprendimus.
Šiuolaikinėms įmonėms, naudojančioms duomenis sprendimų priėmimui, be žmogiškųjų resursų, svarbios ir technologijos. Tam naudojame „Microsoft Azure“ paslaugas ir atvirojo kodo sprendimus. Tai priemonės įgalinančios bendrai spręsti duomenų bazių, saugumo, verslo įžvalgų (angl. business intelligence), kompiuterių mokymosi (angl. machine learning) ar plėčiamumo (angl. scalability) klausimus.
