Kam lidská paměť sahá, byl svět prediktivní analýzy vždy hájemstvím teoretických statistiků žijících zcela mimo realitu byznysu. Ti však byli na hony vzdáleni každodenním strastem jedinců, kteří v byznysu reálně rozhodují. Velká data se to chystají změnit.
Velká data přesunují analýzu na nižší úrovně
Představte si svět, ve kterém pracovnice zákaznických služeb sedící u svého počítače činí nezávislé rozhodnutí o tom, jestli stojí za to udržet si problémového zákazníka. Nebo terénního prodejce, který může změnit složení vinného regálu obchodníka podle preferencí, které na Facebooku a Twitteru projevili účastníci jazzového festivalu konajícího se příští víkend.
Velká data přesunují nástroje používané pro analýzu do rukou nižších manažerů, kteří poté mohou používat netransakční data pro tvorbu strategických obchodních rozhodnutí například o tom, co a kdy umístit na regály obchodů.
„Velká data však nemají nahrazovat tradiční BI nástroje,“ říká Rita Sallam, analytička BI u společnosti Gartner, a dodává: „BI nezmizí. Velká data ji pouze vylepší.“
Jak jinak se dozvíte, zda se to, co vidíte v prvotních fázích zjištění, v průběhu času potvrdí? Například zda se prodávají vaše červené peněženky v Německu opravdu lépe než ty modré? Prvotní náhled na data to může naznačovat. V minulém čtvrtletí bylo prodáno více červených peněženek než kdy předtím, prodávají se tedy lépe.
Ale to je důsledek, nikoliv příčina. Pokud se na celou věc podíváte blíže za použití historických transakčních dat shromážděných vašimi BI nástroji, můžete například zjistit, že ve skutečnosti za to může vaše aktuální kampaň pro umísťování zboží. Prodejci totiž v regálech prezentují červené peněženky v úrovni očí, kde více zaujmou.
Posouzení nestrukturovaných dat v sociálních sítích přináší okamžité výsledky
Co když z pozice nákupčího zjistíte, že fanoušci byli zcela nadšení z bundy, kterou měl na nedávném koncertu oblíbený zpěvák? Můžete se rychle rozhodnout navýšit jejich počet na pultech obchodů – a zaměřit na ně svůj marketing. Lze totiž očekávat, že po určitou (avšak velmi omezenou) dobu bude tato bunda žádaným zbožím. V minulosti bychom svá rozhodnutí zakládali na historických datech – a ve chvíli, kdy bychom to udělali, by daný trend mohl dávno pominout.
Toho bylo možné dosáhnout díky spojení open source technologií (odkud dnes přichází většina platforem pro zpracování velkých dat), Mooreova zákona, komoditního hardwaru, cloudu a schopnosti zachycovat a ukládat velké objemy netransakčních dat. Ty se dříve zahazovaly, protože nikdo nevěděl, co s nimi. R. K. Paleru, ředitel odvětvového marketingu pro dodavatele BI MicroStrategy, říká, že se s velkými daty staly dvě věci. „Můžete zpracovávat různorodější data z mnoha zdrojů, ale také můžete vzít všechna tato data… a mikrooptimizovat je.
Zkrácení času zpracování je pro analýzu velkých dat klíčové
Velkou výhodou tohoto typu analýzy je zkrácení času nutného pro zpracování odpovědi. Dotazy či modely, které dříve datové vědce vytížily řádově na roky, aby mohli relevantně zodpovědět otázky dalšího rozvoje byznysu v kontextu dodavatelského řetězce či rozvrhu výroby, nyní mohou být hotovy v řádech hodin.
To proto, že technologie velkých dat umožňují, aby se s informacemi pracovalo dříve, než jsou optimalizovány, racionalizovány nebo v nich byly nacházeny spojitosti. Toto, ve spojení s pokročilou analýzou, umožňuje řadě byznys manažerů ptát se a odpovídat na otázky ve velmi krátkých cyklech. Ještě nedávno by to bylo téměř nemožné. Statistickým analytikům trvalo týdny či dokonce měsíce, aby vybudovali jediný model.
PŘEDPLATNÉ
ČLÁNKY DO MAILU