Aider les travailleurs du savoir à être plus productifs / Blogs / Perficient

Le terme « travailleur du savoir » a été inventé pour la première fois par Peter Drucker dans son livre, Les monuments de demain (1959). Drucker a défini les travailleurs du savoir comme des travailleurs de haut niveau qui analysent les données et appliquent leurs connaissances théoriques/analytiques pour développer des idées, des tendances, des produits et des services. Il a souligné que les travailleurs du savoir seraient les atouts les plus précieux d’un 21^Stdu siècle en raison de leur haut niveau de productivité et de créativité. « Les organisations qui s’appuient uniquement sur le service informatique ou les équipes d’analyse pour répondre les requêtes autour de l’analyse sont susceptibles d’être insatisfaites des résultats», déclare Alan Jacobson, directeur des données et de l’analyse (CDAO) de la société de science et d’analyse des données Alteryx. Les données ne sont plus un sous-produit des systèmes transactionnels. Les applications et la technologie doivent être conçues autour d’une compréhension des données nécessaires pour prendre des décisions commerciales mieux informées et basées sur les données. Le principe des silos ou du modèle de sécurité du moindre privilège ne permet pas une prise de décision basée sur les données. Les entreprises doivent s’assurer que les travailleurs du savoir ont accès aux données à jour et opportunes dont ils auront besoin pour exécuter des analyses, identifier les tendances et prendre des décisions commerciales éclairées. Les organisations doivent s’assurer que les travailleurs du savoir ont accès aux meilleurs outils de données.

Outils pour les travailleurs du savoir

Il existe plusieurs outils qu’un travailleur du savoir utilise pour développer des informations, des tendances, des produits et des services. Ils peuvent inclure des dictionnaires de données, des outils de requête SQL, des packages Python, des outils de visualisation de données, des outils de manipulation de données comme PySpark et des outils d’analyse, et peut-être des outils d’apprentissage automatique. Le défi pour les travailleurs du savoir est qu’ils doivent souvent combiner l’utilisation de plusieurs de ces outils pour effectuer leur travail. Souvent, les outils ne sont pas intégrés, ne fonctionnent pas dans le même environnement et ne se trouvent pas sur les mêmes ordinateurs. Les travailleurs du savoir sont souvent obligés de vérifier les dictionnaires de données, d’exécuter des outils SQL et d’exporter les données dans un fichier, de se connecter à un nouvel ordinateur et de transférer le fichier sur cet ordinateur afin de pouvoir exécuter des packages Python, puis d’exporter les résultats Python dans un fichier. encore. Les travailleurs du savoir revérifient ensuite les dictionnaires de données avant de transmettre le fichier aux outils d’apprentissage automatique, puis exportent à nouveau le résultat dans un fichier afin que le fichier puisse être utilisé comme entrée dans un outil de visualisation de données. Si vous pensez que cela semble décousu, anti-productif et constitue un obstacle à l’utilisation des données pour prendre de meilleures décisions commerciales, vous avez raison.

BigQuery Studio

BigQuery Studio fournit une interface unique et unifiée pour tous les praticiens des données possédant diverses compétences en codage afin de simplifier les flux de travail d’analyse, de l’ingestion et de la préparation des données à l’exploration et à la visualisation des données, en passant par la création et l’utilisation de modèles ML. Il permet également aux travailleurs du savoir d’utiliser du SQL simple pour accéder aux modèles fondamentaux de Vertex AI directement dans BigQuery pour les tâches de traitement de texte, telles que l’analyse des sentiments, l’extraction d’entités et bien d’autres, sans avoir à gérer des modèles spécialisés.

Permettre aux travailleurs du savoir

BigQuery Studio rend les travailleurs du savoir plus productifs et réduit le temps nécessaire pour développer des informations, des tendances, des produits et des services. Bigquery réduit le coût des moteurs informatiques spécialisés pour SQL, Python et l’apprentissage automatique. BigQuery simplifie l’utilisation des ensembles de données et la visualisation des résultats. En fin de compte, BigQuery Studio rend le travail de connaissances plus productif et les aide à générer plus de revenus, à économiser davantage de coûts et à accroître la satisfaction des clients.

L’expertise en données cloud de Perficient

Les plus grandes marques mondiales choisissent de s’associer avec nous parce que nous sommes suffisamment grands pour faire évoluer des projets cloud majeurs, tout en étant suffisamment agiles pour fournir une expertise ciblée dans des domaines spécifiques de votre entreprise. Notre équipe cloud, données et analyse peut vous aider tout au long du cycle de vie de vos données et analyses, de la stratégie de données à la mise en œuvre. Nous vous aiderons à donner un sens à vos données et vous montrerons comment les utiliser pour résoudre des problèmes commerciaux complexes. Nous évaluerons vos problèmes actuels en matière de données et d’analyses et développerons une stratégie pour vous guider vers vos objectifs à long terme.

Téléchargez le guide, Devenir une organisation axée sur les données avec Google Cloud Platformpour en savoir plus sur la stratégie de données GCP du Dr Chuck