La clé de la transformation numérique de toute organisation devient plus efficace pour tirer parti des données et des analyses pour alimenter leurs modèles commerciaux. En d'autres termes, comment les entreprises peuvent-elles exploiter la richesse croissante des sources de données internes et externes pour découvrir de nouvelles sources d'informations sur les clients, les produits, les services, les opérations et le marché? Comment peuvent-ils ensuite utiliser ces informations pour optimiser les processus métier et opérationnels clés, atténuer les risques de conformité et de cybersécurité, découvrir de nouvelles opportunités de monétisation et créer une expérience client différenciée ?
Les données et les analyses obligent les entreprises à dépasser le monde de la Business Intelligence (BI) pour adopter le monde de l'analyse prédictive et normative. La Business Intelligence est une analyse descriptive: une analyse rétrospective qui fournit une vue rétroviseur de l’entreprise – un compte rendu de ce qui s’est passé et de ce qui se passe actuellement. L'analyse prédictive est une analyse prospective: fournir des informations prospectives sur l'entreprise – prédire ce qui est susceptible de se produire (associé à une probabilité) et ce qu'il faut faire.
Il existe une analyse organisationnelle naturelle la maturation dans le passage de l'analyse décisionnelle à l'analyse prédictive et aux actions normatives:
- Questions descriptives : utilisation de la BI et de l'entreposage de données pour prendre en charge les rapports de gestion et opérationnels et les tableaux de bord utilisant des données agrégées. L'analyse descriptive répond à la question suivante: «Qu'est-ce qui s'est passé?»
- Analyse prédictive : utiliser des modèles statistiques pour quantifier les causes probables ou la réaction probable d'un consommateur Score de crédit FICO prévoyant la probabilité de rembourser un prêt). L'analyse prédictive répond à la question suivante: «Qu'est-ce qui est susceptible de se produire? L'analytique normative répond à la question: «Que devrions-nous faire?»
Le gouffre analytique
Malheureusement, pour de nombreuses entreprises avec lesquelles je parle et enseigne, il existe un «gouffre analytique» qui empêche de passer de questions descriptives à analyse prédictive et actions normatives. Ce gouffre empêche les organisations d'exploiter pleinement le potentiel des données et des analyses pour alimenter les modèles commerciaux et opérationnels de l'organisation.
Beaucoup pensent que le franchissement du gouffre analytique est un problème technologique, le gouffre technologique sans fond). Toujours à la recherche de la «solution miracle» technologique (la toute dernière technologie qui résout magiquement les difficultés analytiques), les organisations informatiques continuent d’acheter de nouvelles technologies (ou continuent d’investir dans des technologies obsolètes) sans bien comprendre comment Gouffre.
Et la réponse à ce défi? Economics!
Franchir le gouffre analytique
Oui! La clé du franchissement du gouffre analytique est la compréhension et la maîtrise de la valeur économique de Big Data : être capable d'exploiter le potentiel du Big Data et de la science des données pour créer de nouvelles sources de création de valeur.
L'économie est la branche de la connaissance concernée par la production, la consommation et le transfert de richesse .
Pour surmonter le fossé analytique, il faut comprendre l'économie et comment l'entreprise peut tirer parti de l'économie numérique. et création de valeur marchande. Traverser le gouffre analytique nécessite:
- Passer d'une mentalité organisationnelle consistant à utiliser des données et des analyses à surveiller les entreprises pour prédire ce qui est susceptible de se produire et à prescrire des mesures pour prévenir ou monétiser cette prévision
- stockage et gestion des données dans le but d'accumuler chaque donnée historique détaillée, complétée par une multitude de sources de données externes (médias sociaux, météo, événements locaux, économiques, démographiques) concernant chaque client, employé (médecin, enseignant, ingénieur, technicien) , mécanique), produit, périphérique et actif
- Extension de l'accès aux données à partir d'un modèle d'accès aux données restrictif (car il est plus facile de marcher sur le soleil que d'ajouter une nouvelle source de données à votre entrepôt de données) – interne ou externe – qui pourrait avoir de la valeur, compte tenu des décisions opérationnelles et opérationnelles que l’entreprise tente d’optimiser
- le traitement des données (et la nécessité que vos programmes ETL puissent respecter les fenêtres SLA) à un modèle opérationnel capable de traiter et d'analyser les données en temps réel ou en temps réel afin de saisir les affaires et créer de nouvelles opportunités de monétisation 19659019] Comme nous l'avons découvert dans notre étude sur la valeur économique des données (EVD) à l'Université de San Francisco, les principales organisations adoptent la valeur économique du Big Data pour sur le gouffre analytique
] Pour plus de détails sur le projet de recherche de l’Université de San Francisco, consultez « Application de concepts économiques au Big Data pour déterminer la valeur financière du document de recherche de données et d’analyse ».
Commentaires ->
Source link