το παρακάτω άρθρο είναι μια ελεύθερη μετάφραση του 4 Ways to Democratize Data Analytics and Enable Self-Service in Your Organization
Πολλές εταιρείες έχουν αρχίσει να επενδύουν σε ομάδες και διαδικασίες ανάλυσης δεδομένων για να κάνουν την εταιρεία τους πιο αυτάρκης και προσανατολισμένη στα δεδομένα. Η πρόσληψη καλών αναλυτών δεδομένων, επιστημόνων και μηχανικών μπορεί να βοηθήσει στην προώθηση των προσπαθειών, ειδικά όταν λείπουν οι διαδικασίες, αλλά πολλές εταιρείες πιστεύουν ότι η προσπάθεια τους τελειώνει εκεί. Πολλές φορές, ακούμε για αναλυτές δεδομένων και επιστήμονες που αντιμετωπίζουν μη ρεαλιστικές προσδοκίες να δημιουργήσουν συστήματα τεχνητής νοημοσύνης ή μηχανικής μάθησης την πρώτη μέρα. Όπως γνωρίζουν οι περισσότεροι χρήστες δεδομένων, αυτός είναι ο λάθος τρόπος να σκεφτούμε τους στόχους που σχετίζονται με τα δεδομένα και πολλές εταιρείες θα πρέπει να επανεξετάσουν το σκοπό των ομάδων δεδομένων τους πριν προσλάβουν άτομα για να προσπαθήσουν να βελτιώσουν τη λήψη αποφάσεων.
Οι ομάδες ανάλυσης δεδομένων μπορούν να προσφέρουν μια μοναδική προοπτική σε κάθε επιχείρηση, αν τους δοθούν ρεαλιστικοί στόχοι και προσδοκίες. Οι εταιρείες θα πρέπει να αναζητούν μικρά έργα (ανάλυσης δεδομένων) κάθε τρίμηνο. Φυσικά, με τα σωστά δεδομένα και με την πάροδο του χρόνου, η αξία αυτών των έργων θα αυξηθεί. Δίνοντας χρόνο στις ομάδες δεδομένων να βελτιωθούν, μπορούν να δημιουργήσουν ένα θεμέλιο που μπορεί να τις βοηθήσει μακροπρόθεσμα. Με το κατάλληλο πλαίσιο, όλοκληρος ο οργανισμός θα μπορεί να λαμβάνει πιο έξυπνες και ταχύτερες αποφάσεις χωρίς τη βοήθεια της ομάδας δεδομένων. Αυτό δίνει στις ομάδες δεδομένων τη δυνατότητα να ξοδεύουν περισσότερο από το χρόνο τους σε πολύπλοκες αναλύσεις.
Σε αυτό το άρθρο θα επισημάνω τους τρόπους με τους οποίους οι εταιρείες πρέπει να σκεφτούν τον εκδημοκρατισμό της ανάλυσης δεδομένων για να επιτρέψουν την αυτοεξυπηρέτηση.
1. Ξεκινήστε με απτά, βραχυπρόθεσμα προβλήματα με το υψηλότερο επίπεδο στρατηγικής ωφέλειας.
Πολλές εταιρείες που προσλαμβάνουν μια ομάδα δεδομένων θα ξεκινήσουν παραδοσιακά δείχνοντας στην ομάδα το χώρο της επιχείρησης όπου συγκεντρώνονται τα περισσότερα δεδομένα. Αυτό φαίνεται λογικό, καθώς προσφέρει στους αναλυτές δεδομένων τη μεγαλύτερη δυνατή μόχλευση καθώς θα μπορούν να αρχίσουν να αναζητούν πληροφορίες. Αντίθετα, οι εταιρείες θα πρέπει αρχικά να εστιάσουν τις ομάδες δεδομένων σε εργασίες που προσφέρουν μακροπρόθεσμη στρατηγική αξία, ενώ παράλληλα παρέχουν βραχυπρόθεσμα οφέλη.
Ορισμένες από αυτές τις εργασίες μπορεί να περιλαμβάνουν τυποποίηση των KPI (Key Performance Indicator) σε ολόκληρο τον οργανισμό ή δημιουργία ενός πίνακα ελέγχου ώστε κάθε εργαζόμενος να έχει πρόσβαση στους σημαντικούς δείκτες επιδόσεων. Παρόλο που αυτές οι βραχυπρόθεσμες εργασίες δεν παρέχουν άμεση αξία και μπορεί να μην έχουν τον μεγαλύτερο αντίκτυπο στην επιχείρηση, δημιουργούν ένα σημαντικό θεμέλιο για την ικανότητα του οργανισμού να χρησιμοποιεί δεδομένα στη λήψη αποφάσεων στο μέλλον. Πολλές φορές οι εταιρείες που δεν επενδύουν στην τυποποίηση των δεδομένων τους από νωρίς μπορεί να επομιστούν μεγαλύτερα έξοδα μακροπρόθεσμα.
Δεύτερον, οι ομάδες θα πρέπει να εξετάζουν την πιθανότητα επιτυχίας σε ένα δεδομένο έργο. Πολλές φορές, τα στελέχη πιστεύουν ότι «ρίχνοντας δεδομένα» σε ένα πρόβλημα, θα λυθεί. Αντ ‘αυτού, οι εταιρείες θα πρέπει να θεωρούν ότι κάθε πρόβλημα έχει πιθανότητα επιτυχίας.
Καθώς αυξάνεται ο όγκος των δεδομένων και η πολυπλοκότητα του προβλήματος, μειώνεται η πιθανότητα επιτυχίας. Συνιστώ στις ομάδες που ξεκινούν να χρησιμοποιούν τα δεδομένα ως μέρος της λήψης αποφάσεών τους να ξεκινούν με έργα που έχουν υψηλό βραχυπρόθεσμο αντίκτυπο και μεγάλη πιθανότητα επιτυχίας.
Πολλοί επιστήμονες δεδομένων θα σας πουν ότι η ανάπτυξη της αντίληψης ή του αλγορίθμου είναι συχνά το εύκολο βήμα των διαδικασιών. Το δύσκολο κομμάτι είναι η συλλογή, η κατανόηση και η επικύρωση του τεράστιου όγκου των εταιρικών δεδομένων που υπάρχουν σε πολλά διαφορετικά σιλό. Όταν οι ομάδες δεδομένων δίνουν προτεραιότητα σε έργα που έχουν γρήγορη ολοκλήρωση και έχουν μεγάλη πιθανότητα επιτυχίας, οι ομάδες δεδομένων θα προετοιμαστούν για να εργαστούν σε μεγαλύτερα, πιο φιλόδοξα προβλήματα.
Κάντε τα δεδομένα προσβάσιμα σε όλους τους εργαζόμενους.
Ο δεύτερος τρόπος με τον οποίο οι εταιρείες πρέπει να σκεφτούν τον εκδημοκρατισμό των δεδομένων τους είναι να τα κάνουν προσβάσιμα σε όλους τους εργαζόμενους σε ένα κεντρικό σημείο. Σε πάρα πολλές περιπτώσεις, τα δεδομένα διασκορπίζονται σε πολλά σημεία (εργαλεία BI και εφαρμογές SaaS). Η υιοθέτηση ενός κεντρικού καταλόγου δεδομένων για την τεκμηρίωση και την συγκέντρωση τους είναι ένας καλός τρόπος για να ενεργοποιήσετε την αυτοεξυπηρέτηση σε ολόκληρο τον οργανισμό. Ένα πρόβλημα με τους πολλούς καταλόγους δεδομένων είναι ότι φτιάχνονται από και για την τεχνική ομάδα και επομένως είναι δύσκολο να χρησιμοποιηθούν από όλους τους εργαζόμενους. Πιστεύω ότι ο κατάλογος δεδομένων θα πρέπει να είναι εύκολα προσβάσιμος, ανεξάρτητα από το τμήμα ή τον ρόλο ενός υπαλλήλου.
Επιπλέον, πολλές ομάδες αναζητούν έναν κατάλογο δεδομένων ως έναν τρόπο για να μειώσουν το χάος στην αποθήκη δεδομένων τους. Πιστεύω ότι οι ομάδες θα πρέπει να εξετάσουν την υιοθέτηση ενός καταλόγου δεδομένων που θα τους βοηθήσει να ξεκαθαρίζουν και να οργανώνουν τα δεδομένα τους την ώρα της αποθήκευσης.
Επενδύστε σε εσωτερική εκπαίδευση για αναλύσεις, στατιστικά και αναφορές.
Ένας άλλος σημαντικός πυλώνας που οι εταιρείες πρέπει να λάβουν υπόψη είναι η επένδυση στην εκπαίδευση όλων των εργαζομένων στην ανάλυση δεδομένων, στην στατιστική ακόμη και στην SQL. Αυτός ο τύπος εκπαίδευσης θα ενδυναμώΣει όλους τους εργαζόμενους, να λαμβάνουν αποφάσεις βάσει δεδομένων, ανεξάρτητα από το ρόλο ή το τμήμα τους.
Παράδειγμα η Airbnb, μια εταιρεία που έχει επενδύσει σε ένα εσωτερικό “πανεπιστήμιο”” για να εκαπιδεύει τους υπαλλήλους της στη λήψη αποφάσεων βάσει δεδομένων. Ενώ πολλές εταιρείες επικεντρώνονται στην πρόσληψη νέων εξειδικευμένων υπαλλήλων, η Airbnb πιστεύει ότι η εκπαίδευση πρέπει να στοχεύει κάθε υπάλληλο, επομένως, το πρόγραμμα προορίζεται να είναι πιο προσιτό σε μη εξειδικευμένο προσωπικό.
Αναπτύξτε και επικοινωνήστε ένα ευρύ όραμα.
Τέλος, είναι σημαντικό να εμπνευστούν οι εργαζόμενοι με το μεγαλύτερο όραμα για το πού μπορεί να οδηγήσει η ανάλυση δεδομένων την επιχείρηση. Αυτό είναι ένα από τα βήματα που οι περισσότερες ομάδες κάνουν εξαιρετικά καλά σήμερα. Είναι εύκολο να σκεφτούμε τις δυνατότητες χρήσης δεδομένων για τη λήψη καλύτερων αποφάσεων σε διαφορετικά τμήματα, το πρόβλημα είναι ότι πολλοί οργανισμοί δεν λαμβάνουν τα κατάλληλα βήματα για να φτάσουν εκεί. Χωρίς να ακολουθήσετε μερικά από τα προηγούμενα βήματα, το μεγάλο όραμα μπορεί να φαίνεται τρομακτικό και μη ρεαλιστικό. Ομάδες που κατανοούν ότι η εκπλήρωση του οράματος, δεν μπορεί να γίνει από την μία μέρα στην άλλη, τείνουν να έχουν καλύτερα αμεσα αποτελέσματα.
Ακολουθώντας αυτά τα βήματα, οι ομάδες μπορούν να ξεκινήσουν να ενεργοποιούν την αυτοεξυπηρέτηση και τον εκδημοκρατισμό των δεδομένων, ενώ παράλληλα υποστηρίζουν την ομάδα αναλύσης των δεδομένων. Μετά από συνομιλία με πολλές ομάδες δεδομένων, ένα κοινό πρόβλημα που προέκυψε ήταν η δυσκολία τους να επικοινωνήσουν με άτομα εκτός της ομάδας τους.
Συνειδητοποιήσα ότι αυτό συμβαίνει επειδή περισσότεροι managers επικεντρώνονται στη μεγάλη εικόνα, αλλά δυσκολεύονται να κατατμήσουν τα βήματα που μπορούν να βοηθήσουν τις ομάδες δεδομένων να φτάσουν εκεί μέσα σε ένα λογικό χρονοδιάγραμμα.
