Dáta už dlhé roky preukazujú, aké môžu byť užitočné v biznise pri zlepšovaní predaja, zvyšovaní lojality zákazníkov, optimalizácii zásob či pri znižovaní rizík a plytvania. Kým však v minulosti bola dátová analytika doménou prevažne veľkých a bohatších spoločností, napríklad bánk a poisťovní, v poslednom čase naskakuje na módnu vlnu využívania dát množstvo firiem prakticky každej veľkosti a zo všetkých odvetví.
Dôvodom nie je len osveta technologických dodávateľov a dostupnosť veľkého výpočtového výkonu. Pomerne sofistikovaná analytika sa dnes dá robiť aj v open-source nástrojoch typu Python a analyzovať dáta môžu už aj bežní manažéri bez znalostí programovania priamo na tablete, ak majú vhodný softvér s intuitívnym grafickým rozhraním.
Podľa prieskumu agentúry Go4insight, do ktorého sa vlani zapojili vyše dve stovky majiteľov, riaditeľov a manažérov stredne veľkých a veľkých spoločností na Slovensku, mieni až 70 % firiem v najbližších troch až piatich rokoch nasadiť niektorú z technológií umelej inteligencie, pričom viac ako polovica chce využívať strojové učenie a prediktívnu analytiku, čiže spracovanie veľkých objemov dát.
Bezhlavé experimenty
Množstvo manažérov a podnikateľov je však odhodlaných začať s dátami experimentovať bez koncepcie. Majú veľké očakávania, ale máloktorí si spočiatku uvedomujú, že dátové modely nestačí vytvoriť.
Modelovanie – ak raz má firma dostupné dobré dáta – je dnes možno tá najľahšia časť analytiky. Ťažšie je zaviesť dátové modely do prevádzky, ako potvrdzujú prieskumy spoločností SAS a Gartner, podľa ktorých sa takmer polovica z nich nikdy v praxi nenasadí. Ak sa to aj podarí, zavedenie do produkcie trvá niekedy aj tri a viac mesiacov, takže podkladové dáta môžu byť už vtedy zastarané.
V čom býva problém? Spočiatku, keď firma s analýzami dát začína, venuje sa najmä náboru dátových analytikov, konsolidácii a kvalite dát, prípadne rieši slabú koordináciu alebo neschopnosť spolupráce medzi obchodnými oddeleniami, IT a dátovými špecialistami. Málokedy myslí na ťažkosti, ktoré nastanú neskôr.
Popri narastajúcom využívaní dát je viac bežné ako zriedkavé, že modely vytvárajú analytici s rozličnými úrovňami znalostí v rôznych vývojových prostrediach, a to bez jasného plánu na sprevádzkovanie a následné testovanie.
Kde začínajú problémy
Vo výsledku je firma odrazu zavalená tuctami modelov, ktoré nevie manažovať, monitorovať a aktualizovať, aby nestrácali výkonnosť, prípadne ich musí rekódovať, lebo vznikli v prostredí, v ktorom nikto z tímu aktuálne nevie pracovať.
Úsilie a aktivity v oblasti analytiky sa stávajú ťažkopádnejšie a neefektívne, čo ústi do sklamaní a nenaplnených očakávaní. Aj preto sa podľa štúdie McKinsey podarí premietnuť značné očakávania zo spracovania veľkých objemov dát a umelej inteligencie do reality iba 8 % podnikov.
Ak sa dnes, podobne ako veľa iných firiem, chystáte vo väčšom rozsahu využívať v biznise dáta, alebo výraznejšie rozšíriť analytické aktivity, nezabudnite urobiť popri úvodných ťažkostiach tri zdanlivo banálne, ale často opomínané veci.
Bez čoho to nepôjde
Stanovte si procesy, delegujte zodpovednosti a vyberte si platformu, ktorý vám pomôže v budúcnosti zvládnuť celý životný cyklus analytiky, čiže pristupovať z jednotného prostredia k rozličným zdrojom dát aj bez pomoci IT oddelenia, uľahčí vám prípravu a skúmanie dát a mnoho iného.
Ušetríte kopec energie aj peňazí, a hlavne budete mať šancu dosiahnuť, aby dáta nielen rozširovali obzory a odhaľovali zaujímavé súvislosti či príležitosti, ale aby sa analytika stala súčasťou každodenného firemného rozhodovania, a to aj v reálnom čase.
Ak tiež patríte k tým, ktorí začínajú s dátami experimentovať alebo vaše doterajšie úsilie v tomto smere neprinieslo očakávané benefity, príďte sa bezplatne pozrieť na našu konferenciu, ktorá bude 3. marca v Bratislave. Rada si vypočujem, ako dáta vo firme využívate a na aké problémy narážate
