W ciągu najbliższych trzech lat będzie działać ponad 20 miliardów połączonych urządzeń (np. rurociągi naftowe, inteligentne miasta, połączone domy i firmy, itp.), które mogą umożliwić przedsiębiorstwu cyfrowemu zdobycie mocy lub je zastraszyć. Wraz z tempem cyfrowych urządzeń do przesyłania danych „zawsze aktywnych” i przyśpieszającą innowacją technologiczną można by pomyśleć, że technologia będzie nadal stanowić wyzwanie dla firm. Historycznie nowe technologie od komputerów mainframe po klient-serwer i systemy ERP — choć umożliwiały organizacjom dążenie do nowych celów biznesowych — stawały się wąskim gardłem postępu. Wynikało to z ograniczeń takich jak długotrwałe procesy wdrażania i brak elastyczności w dostosowywaniu się do zmieniających się warunków biznesowych. Okazuje się, że dziś nie jest już tak. Istnieje nowe, jeszcze bardziej wymykające się ograniczenie: sama organizacja i jej zdolność do przyjęcia i dostosowania się do możliwości przetwarzania dużych danych i analiz.
Opierając się na naszej pracy z klientami z różnych branż, od usług finansowych po energetykę, oto trzy sposoby, w jakie widzieliśmy, że organizacje wykorzystują dzisiejsze możliwości analiz i przekształcają się z ograniczenia w czynnik zmiany dla przyszłości swojej firmy.
Nie daj się przytłoczyć — zacznij wolniej, aby iść szybciej: W obliczu zaciekłego tempa przesyłania danych może być trudne dla wielu organizacji wydobywanie wniosków z danych w tym samym tempie i określanie właściwych decyzji opartych na danych oraz działań do podjęcia. Aby uniknąć przytłoczenia się wszystkimi danymi i możliwymi szansami, jakie mogą one ujawnić, firmy powinny zwolnić i skupić się tylko na rzeczach, które mają znaczenie — znacznie łatwiej jest skupić się na rozwiązywaniu pięciu problemów, które mogą naprawdę przynieść różnicę, zamiast pięciuset problemów, które mogą pomóc biznesowi.
Gdy raz określona zostaje lista obszarów skupienia, organizacje mogą bardziej skutecznie dążyć do osiągnięcia pożądanych rezultatów, podwajając wysiłki w zakresie analizy danych i wprowadzając wnioski w procesy decyzyjne, aby szybciej osiągnąć pożądane wyniki. To powinno również iść w parze z kontynuowaniem promowania adopcji analizy w biznesie dla jeszcze większych korzyści.
Na przykład producent wyposażenia energetycznego wykorzystał to podejście, aby lepiej zrozumieć, ile czasu urządzenia produkcyjne stały bezczynnie. Firma wiedziała, że rozwiązanie problemu bezczynności ma ogromną wartość, ale nie mogła tego zrobić, wykorzystując tradycyjne technologie, ponieważ wolumeny danych były zbyt duże (tj. 300 000 lokalizacji, około 20 maszyn na lokalizację, 2-300 punktów danych na maszynę i 45-milisekundowe częstotliwości próbkowania czujników). Za pomocą platformy i metodyki Big Data Discovery w ciągu 10 tygodni zespół był w stanie wykazać oszczędności wynoszące ponad 70 milionów dolarów ze skontrolowanej części lokalizacji i przeprowadzić analizę danych z dużą prędkością (np. 13 500 lokalizacji, 20 TB, 15 sekund renderowania).
Technologia nie musi być eksponowana (Zachowaj złożoność za zasłoną): Organizacje nie powinny obawiać się eksplorować nowych technologii i eksperymentować z danymi, aby poprawić skuteczność wniosków z analizy danych dla kluczowych procesów decyzyjnych. Uczenie maszynowe, czyli rosnący zestaw narzędzi do odkrywania ukrytych wniosków w danych, to zaawansowana technologia, która może to osiągnąć. Jego zdolności do eksploracji danych i prostota stają się również koniecznością, aby zapewnić konkurencyjność w połączonym świecie.
Techniki uczenia maszynowego mogą pomóc firmie w: uczeniu się z zachowań przeszłych i przewidywaniu zachowania nowych klientów (np. modele ryzyka przewidujące ryzyko niewypłacalności konsumenta), segmentowaniu zachowania konsumentów w optymalny, przyjazny dla rynku sposób (np. style życia klientów zamodelowane na podstawie danych z lokalizacji geograficznych na telefonach komórkowych) lub przeprowadzaniu modeli symulacji tłumu, gdzie modelowane jest zachowanie każdego klienta w odpowiedzi na nagrodę. To tylko przyczynek do możliwości; wiele innych rodzajów wyników z uczenia maszynowego jest również możliwych.
Komentarz redaktora:
Brian McCarthy przedstawia ważne spostrzeżenia dotyczące rosnącej ilości połączonych urządzeń i wyzwań związanych z przetwarzaniem ogromnych ilości danych. Jego propozycje dotyczące skupienia się na istotnych obszarach i stopniowego wdrażania analizy danych wydają się pragmatyczne. Przykład producenta wyposażenia energetycznego, który osiągnął znaczące oszczędności dzięki analizie danych, potwierdza skuteczność proponowanego podejścia.
Zachęcanie firm do eksplorowania nowych technologii, zwłaszcza uczenia maszynowego, jest zgodne z obecnymi trendami i może przyczynić się do poprawy skuteczności analizy danych. Przykład zastosowania uczenia maszynowego przez bank detaliczny, który osiągnął 300% wzrost w kampaniach sprzedażowych, ilustruje potencjalne korzyści płynące z zaawansowanych technologii.
Chociaż artykuł porusza istotne kwestie związane z analizą danych w erze połączonych urządzeń, nie uwzględnia potencjalnych zagrożeń związanych z prywatnością i bezpieczeństwem danych. W kontekście rosnącej ilości informacji, istnieje ryzyko nadużyć lub wycieku danych, co wymagałoby większej uwagi. Ponadto, niektóre firmy mogą napotykać trudności w dostępie do zaawansowanych technologii, co sprawiłoby, że proponowane rozwiązania byłyby niedostępne dla wszystkich.
Propozycje dotyczące skupienia się na kilku kluczowych obszarach mogą prowadzić do pominięcia ważnych aspektów biznesowych, które nie zostały uwzględnione na początku analizy. Ponadto, stopniowe wdrażanie analizy danych może sprawić, że firmy zaczną opóźniać korzyści wynikające z pełnej implementacji, co w dzisiejszym dynamicznym środowisku biznesowym może stanowić ryzyko.
FAQ:
- Dlaczego analiza danych jest kluczowa dla firm w erze połączonych urządzeń?
Analiza danych jest kluczowa, ponieważ w erze połączonych urządzeń generowana jest ogromna ilość danych, które mogą stanowić wartościowe źródło informacji dla przedsiębiorstw. Właściwa analiza pozwala firmom lepiej zrozumieć swoje procesy, podejmować bardziej trafne decyzje biznesowe i zyskiwać przewagę konkurencyjną.
- Jakie są korzyści z skupienia się na kilku kluczowych obszarach analizy danych?
Skupienie się na kilku kluczowych obszarach pozwala uniknąć przytłoczenia ilością danych i skupić się na istotnych kwestiach. Firmy mogą szybciej osiągnąć pożądane wyniki, koncentrując się na rozwiązaniu kilku istotnych problemów zamiast próbować obejmować wszystkie możliwe obszary analizy.
- Czy eksploracja nowych technologii, takich jak uczenie maszynowe, jest konieczna dla firm?
Eksploracja nowych technologii, zwłaszcza uczenia maszynowego, może przynieść liczne korzyści, takie jak lepsze zrozumienie zachowań klientów, optymalizacja procesów biznesowych i zdolność do przewidywania trendów. Jednakże, przedsiębiorstwa powinny równocześnie zadbać o bezpieczeństwo i prywatność danych podczas eksperymentowania z zaawansowanymi technologiami.
- Jakie są potencjalne zagrożenia związane z analizą danych w erze połączonych urządzeń?
Potencjalne zagrożenia obejmują ryzyko utraty prywatności danych, możliwość nadużyć danych oraz zagrożenia związane z bezpieczeństwem informacji. Firmy powinny stosować odpowiednie środki bezpieczeństwa i przestrzegać regulacji dotyczących ochrony danych, aby uniknąć tych ryzyk.
