Gegevens en analyses zijn snel de modewoorden van de dag geworden in de zakenwereld. Het zou moeilijk zijn om een tijdschrift te kraken zonder enige verwijzing naar vooruitstrevende bedrijven die "intelligent gebruikmaken van gegevens" om inzicht te krijgen in het gedrag van klanten, risicoanalyses uit te voeren of hun infrastructuur efficiënter te beheren. Grote, datarijke bedrijven, vooral die van de gereguleerde variant, zijn al jaren bezig met datagestuurde besluitvorming, het best geïllustreerd door Capital One's pionierswerk op het gebied van data-analyse om zijn klanten beter te begrijpen - inzichten die vervolgens werden gebruikt om hypergerichte en enorm impactvolle marketingcampagnes die leidden tot het enorme succes.
Maar ondanks het begin van een niche, is het gebruik van gegevens snel mainstream geworden. Er zijn tegenwoordig weinig geloofwaardige redenen voor een bepaald bedrijf, ongeacht de grootte en mankracht, om analyse niet als een kernbedrijfsproces/vermogen te hebben. Traditionele bezwaren als kosten, middelen en expertise zijn niet langer de maatstaf. Integendeel, intern gegenereerde gegevens zijn hard op weg een alomtegenwoordig strategisch bezit te worden dat op dezelfde manier wordt benut door concurrerende bedrijven die concurrerend willen blijven.
Dit artikel is bedoeld om zijn lezers vluchtig kennis te laten maken met de wereld van gegevens en analyses, en u door de marktdynamiek, tools, spelers en oplossingen te leiden die uniek zijn voor beide, voordat de tweede helft wordt gewijd aan een praktische implementatiegids en raamwerk voor kleine bedrijven.
Met de komst van internet en daarmee van e-commerce, sociale media en de onderlinge verbondenheid van apparaten, ontstond er een explosie in het volume van wereldwijd beschikbare en analyseerbare gegevens voor degenen die over de tools beschikken om het te benutten. Elke tweet, post, like, swipe naar links, rechts swipe, dubbeltik, recensie, tekst en transactie - elk zijn gegevens die kunnen worden gebruikt om onze digitale voetafdrukken in kaart te brengen die alles vertellen over wie we zijn, hoe we beslissingen nemen, waar en waarom. Deze gegevens, die terecht 'big data' worden genoemd vanwege de uitgestrektheid, diepte en complexiteit van hun vorm, hebben een zee van mogelijkheden ontgrendeld in prescriptieve en voorspellende analyses, waardoor hyperpersonalisatie van zoveel van de producten die we dagelijks consumeren, mogelijk is gemaakt.
Formeel beschrijven big data grote datasets die computationeel kunnen worden geanalyseerd om patronen, trends en associaties te onthullen, meestal gerelateerd aan menselijk gedrag en interacties. Om gegevens 'groot' te noemen, moet de set/bank zo groot zijn dat er geavanceerde gegevensmethoden en complexe systemen nodig zijn om er waarde uit te halen.
In een onderzoeksrapport uit 2001 formuleerde de META Group (nu Gartner) big data in drie dimensies, de Three Vs of data. Deze zijn als volgt:Volume (hoeveelheid), Snelheid (snelheid van generatie/transmissie), en Verscheidenheid (bereik van type en bron). Deze drie V's werden vervolgens door IBM uitgebreid tot Four V's, met Waarachtigheid (kwaliteit/integriteit) van gegevens als de laatste dimensie die nodig is om waarde vast te leggen.
…maar je had waarschijnlijk al gehoord van big data. Aan de andere kant zijn kleine gegevens een subklasse van gegevens die als bescheiden genoeg worden beschouwd om ze toegankelijk, informatief en bruikbaar te maken voor mensen, zonder dat er al te complexe analytische hulpmiddelen nodig zijn. Het beste teruggebracht door ex-McKinsey-consultant Allen Bonde:"Big data gaat over machines, terwijl kleine data over mensen gaat" - met name zinvolle inzichten die zijn georganiseerd en verpakt voor het afleiden van oorzakelijke verbanden, patronen en de redenen "waarom" over mensen.
Gelijktijdig met de toename van zowel de beschikbaarheid als het nut van gegevens, kwam de opkomst van een op zichzelf staande analyse-industrie. Eens het exclusieve trefpunt van statistici op master- en PhD-niveau, datawetenschappers en analisten, is analytics geëvolueerd tot een industrie van functioneel robuuste maar goedkope, zelfbedieningssoftware-as-a-service (SaaS)-platforms die zelfs de meest beginner van gebruikers om waarde uit hun gegevens te halen. Kleinere bedrijven die voorheen niet over de expertise of budgetten beschikten die nodig waren om dit soort analyses uit te voeren, concurreren nu op meer gelijke voet met hun beter toegeruste tegenhangers en vestigen verdedigbare motieven in hun markten.
Naast de kostenvoordelen van het SaaS-model, illustreert onderzoek door de Aberdeen Group, een onderzoeksbureau op het gebied van technologie en diensten, dat organisaties die SaaS-tools gebruiken twee keer zoveel werknemers hebben die instinctief gegevens gebruiken om beslissingen te nemen en hun ROI-doelen te bereiken 40% sneller dan degenen die dat niet doen. Voor de meeste bedrijven worden e-mailmarketingrapporten, Google Analytics en andere webgebaseerde analysetools van derden al actief gebruikt, naast intern gegenereerde rapporten van boekhoud-, marketing-, ERP- en CRM-systemen en gebruikt als het primaire mechanisme voor geld verdienen met hun kleine gegevens.
Meer nog, en hoewel het een grote en groeiende markt is waarvan nauwkeurige meting moeilijk kan zijn, schat IDC de wereldwijde markt voor business intelligence en analysetools op bijna $ 14 miljard vanaf 2017, met een groei van 11,7% op jaarbasis, met Forrester Research , een wereldwijd marktonderzoeksbureau, dat tot 2021 een CAGR van 15% voorspelt.
Het is niet verwonderlijk dat de markt voor analysetools en -oplossingen wordt gedomineerd door de oude garde van softwarebedrijven - bedrijven zoals SAP, IBM, Oracle en Microsoft. Vanaf 2015 leidde SAP de markt met een marktaandeel van 10% en $ 1,2 miljard aan inkomsten uit analytics en business intelligence (BI) producten; SAS Institute was nummer twee, met een aandeel van 9%; IBM, derde met 8%, en Oracle en Microsoft op respectievelijk de vierde en vijfde plaats met 7% en 5%. Interessant is dat het marktaandeel van de vijf grootste leveranciers is afgenomen als gevolg van de groei boven de markt van door durfkapitaal ondersteunde startups zoals Sentiment Strategies, Tableau en Teradata, wat suggereert dat een groot deel van de toekomstige groei van de industrie zal worden gegenereerd door kleinere, snellere, wendbare bedrijven.
Op het hoogst mogelijke niveau geeft een datacentrische cultuur het management meer vertrouwen dat het in staat is om de best mogelijke beslissingen te nemen, vaak en consistent, terwijl het vanuit dezelfde versie van de waarheid werkt:een transparante, kwantificeerbare versie. De meesten van ons hebben tenslotte zittingen gehad waarin strijdende leidinggevenden verschillende argumenten naar voren hebben gebracht/verdedigd door te leunen op verschillende anekdotische bronnen, feitenpatronen en interpretaties, waardoor de integriteit van de input en dus de output snel in twijfel wordt getrokken. Dus de eerste beslissing die moet worden genomen door een bepaald klein bedrijf dat de weg van data-analyse wil bewandelen, is of dat bedrijf echt een datagestuurde organisatie wil worden.
Zodra deze top-down beslissing is genomen, moet een kader worden vastgesteld om het potentieel en de bruikbaarheid van de nieuwe strategische prioriteit te optimaliseren. Om te beginnen moeten er een aantal vragen worden gesteld. De eerste:wat zijn de korte- en langetermijndoelstellingen van het betreffende bedrijf, project, initiatief of afdeling? Ten tweede, wie moet verantwoordelijk zijn voor de inspanning en de resultaten ervan? Ten derde, welke specifieke problemen probeert het bedrijf, project, initiatief of afdeling met data op te lossen? En ten vierde, welke tools moeten worden gebruikt om het initiatief te stimuleren?
Zodra deze vragen zijn beantwoord, is de volgende stap het formuleren van een tastbaar uitvoeringsplan dat, met een beetje planning, organisatiestructuur, top-down richting en bottom-up enthousiasme, de organisatie zal positioneren om echte en meetbare resultaten te genereren. resultaten consistenter dan in het verleden heeft gedaan. Het onderstaande diagram is ontworpen om een raamwerk te bieden om de verschillende elementen van een eenvoudige benadering van gegevensanalyse in overweging te nemen.
Dit is de eerste belangrijke vraag om goed te krijgen. Op een hoog niveau is het belangrijkste doel van elk bedrijf dat zijn gegevens wil benutten, het ontwikkelen van een systematisch proces voor het nemen van degelijke zakelijke beslissingen - een proces dat consistent en herhaalbaar is en meetbaar betere resultaten oplevert. Op dit moment is het belangrijk op te merken dat het een reis is om een solide datageoriënteerde organisatie te worden en geen bestemming, en als zodanig zijn "buy-in" van bovenaf en consensus van onderaf belangrijke fundamentele stappen die van cruciaal belang zullen blijken te zijn. tot massale acceptatie en volledig benutte analytische middelen. Nadat de buy-in is bereikt, is een beproefde volgende stap het strategisch regelen van een paar 'quick wins' om de drempel voor opwinding en betrokkenheid op te drijven die nodig zijn om dit proces tot een goed einde te brengen. Consensusopbouw, buy-in en behaalde quick wins, zowel onderzoek als mijn ervaringen dicteren een implementatieaanpak die uitgaat van de volgende structuur, volgorde en overwegingen:
Begin met beschrijvende analyses:een eenvoudig visueel dashboard dat bedrijfsprestaties belicht met behulp van bestaande transactiegegevens om conclusies te trekken die voorheen niet overtuigend waren zonder kwantificeerbare gegevens. Ontwikkel vervolgens drill-down-mogelijkheden binnen uw dashboard, deel inzichten, prestatieafhaal(s) en zelfhulpinstructies strategisch en met de juiste collega's/organisatorische beïnvloeders. Dit zal zowel het verspreidingsproces naar hun ondergeschikten als de data-reliance-cultuur die u wilt cultiveren een kickstart geven.
Fase twee:stap over naar meer geavanceerde voorspellende analysemogelijkheden, hetzij met behulp van interne technische middelen of met de hulp van externe leveranciers. Deze voorspellende mogelijkheden combineren zowel interne als externe gegevensbronnen om specifieke zakelijke vragen beter te beantwoorden, zoals:"Hoe groot is de kans dat een klant defect raakt?" of "Klanten die x kopen, kopen doorgaans ook y", en bieden real- tijdsinzicht in de prestaties van een afdeling of een bepaald initiatief. "Externe gegevensbronnen" omvatten in dit geval sociale-mediagegevens, gegevens van verkooppersoneel of gegevens over gebruikerservaringen, die allemaal rijke en statistisch significante bronnen van inzicht bieden, waar interne gegevens nog steeds te beperkt zijn om op zichzelf te kunnen worden gebruikt.
De derde fase is om over te gaan naar geavanceerde, prescriptieve analyses die helpen bij het bepalen van de juiste actie om het gedrag van consumenten, bedrijven, concurrenten, werknemers of leveranciers tegen de achtergrond van historische gegevens te begeleiden/vooruit te lopen. Er moet echter worden opgemerkt dat deze fase meestal de overgang van kleine gegevens naar grote begint te markeren; en toch is het een noodzakelijke stap die moet worden opgenomen in uw bedrijfsbrede besluitvormingsproces om de hoogste niveaus van input-outputintegriteit en consistentie in de besluitvorming te garanderen.
Het is een gemeenplaats dat wat wordt gemeten, wordt beheerd, en dus door het ontwikkelen van een enkele data-deterministische waarheid, zijn leiders binnen een organisatie beter in staat om degelijkere, meer uniforme beslissingen te nemen. Dashboards zijn het startpunt van dergelijke analysereizen en de visuele illustratie van de data-deterministische waarheid van een bedrijf. Wat voor de ene groep relevant is, kan voor een andere groep natuurlijk betekenisloos zijn, dus er moet voldoende aandacht worden besteed aan het doel of het thema van een bepaald dashboard, welke informatie moet worden opgenomen, wie het relevante ontvangerpubliek is voor de inhoud ervan en wat de vraag/probleem is dat de groep probeert te antwoorden/op te lossen.
Goed ontworpen dashboards stimuleren de besluitvorming in plaats van alleen historische informatie te presenteren, en de beste richten de aandacht effectief op trends en terugkerende patronen (zowel positief als negatief), terwijl ze de vitale aspecten van een bedrijf nauwkeurig illustreren. Meer geavanceerde dashboards bieden gedetailleerde mogelijkheden waarmee leiders de hoofdoorzaken van een gediagnosticeerd probleem kunnen achterhalen met annotatie- en deelmogelijkheden die een dynamischere, realtime weergave mogelijk maken.
Zodra het dashboardproces is voltooid, kan de ambitieuze datagestuurde organisatie ambitieuzer worden. Hiertoe is een typische volgende stap om "volumineuze en gevarieerde gegevens te gebruiken om meer geavanceerde analyses uit te voeren en een verdere dimensie aan het beslissingsdomein te geven." Door bedrijfsspecifieke gegevens te combineren die verder zijn verrijkt met die van derden, variërend van verticale specifieke leveranciers zoals Experian, Acxiom en D&B tot sociale media of leveranciers van verkoopgegevens zoals Facebook, Twitter en Salesforce, kan het betreffende bedrijf grotere, bredere, meer gevarieerde en statistisch significante sets voor nieuwe en betere inzichten in de prestaties en het klantgedrag van het bedrijf.
Bedrijven op bedrijfsniveau met verschillende behoeften op het gebied van gegevens, klanten, regelgeving en specifieke zakelijke problemen/problemen en met verschillende budgetten en interne vaardigheden, zullen waarschijnlijk technologieleveranciers hebben die in hun meer unieke behoeften voorzien. Ze opereren op een schaal waar de mogelijkheid om de analyses te operationaliseren in hun bedrijfsprocessen en workflows belangrijker en voordeliger wordt. Vaak bevinden deze bedrijven zich in gereguleerde sectoren waar ze moeten kunnen aantonen dat ze eerlijke en herhaalbare behandelingen hebben.
Kredietverstrekkers tonen geen vooringenomenheid in hun leenbeleid, of het nu gaat om sekse, inkomen of ras.
Het is één ding om een specifieke actie te bepalen en een ander om deze uit te voeren. Er moet een verband zijn tussen diagnose, voorschrift en beslissing en een persoon/groep die verantwoordelijk is voor het gewenste resultaat. Het is hier dat de rol van de uitvoerende sponsor belangrijk wordt.
Bij zowel kleine als grote bedrijven is genoemde executive sponsor - de genomineerde kampioen van de gegevensverrijking en de facto chief data officer - een persoon, meestal de CEO, CFO of CMO aan het begin, al doordrenkt van gegevens en analyses, afgestemd op de soort problemen die het beste kunnen worden opgelost door gegevens, of op zijn minst een gelovige in het transformatieve potentieel van gegevensanalyse.
Naast deze hoofdrolspeler vereist het proces doorgaans ook een secundaire, meer hands-on kampioen, vooral wanneer het bedrijf begint over te schakelen van beschrijvende naar voorspellende analyses. Van oudsher was deze persoon een technisch geschoolde interne datawetenschapper, maar sinds kort neemt hij de vorm aan van een technisch onderlegde enthousiasteling die vaak wordt aangeduid als de burgerdatawetenschapper. Deze persoon kiest meestal zelf - een zelfverklaarde spreadsheet-jockey met de juiste balans tussen intellectuele nieuwsgierigheid en behendigheid, maar iemand die bereid is te leven in het implementatieonkruid. In veel gevallen loopt deze persoon het management voor in het herkennen van de impact die een formeel data-analyseproces kan hebben op hun bedrijf, maar miste het simpelweg de status of geloofwaardigheid die nodig is om hun visie te verkopen.
Elk succesvol en falend bedrijf heeft zijn unieke reeks uitdagingen die alleen kunnen worden aangepakt door de juiste combinatie van middelen, processen en capaciteiten die specifiek zijn voor het bedrijf. Dat gezegd hebbende, kunnen de soorten zakelijke uitdagingen die het meest geschikt zijn om door gegevens te worden aangepakt, vaker wel dan niet worden gereduceerd, gecategoriseerd en aangepakt met behulp van het raamwerk dat is uiteengezet in Grafiek 7.
Daarnaast zijn er in de loop der jaren enkele anekdotische richtlijnen/parameters opgesteld die de kansen om niet alleen de juiste soorten problemen met data te identificeren, maar ook de kans op een succesvolle oplossing ervan verder optimaliseren. Deze richtlijnen/parameters zijn als volgt:Kies eerst eenvoudige, duidelijke vragen waarvan de implicaties van groot belang zijn; ten tweede, bij het zoeken naar antwoorden op basis van gegevens, streef naar de bruikbaarheid van de oplossing in plaats van naar de perfectie van een academisch antwoord; ten derde, houd de aard en kennisbasis van uw ontvangende publiek in gedachten bij het leveren van de diagnose en oplossing; en tot slot, selecteer alleen problemen die meetbaar en kwantificeerbaar zijn met reeds bestaande gegevens en oplossingen die in gelijke mate kunnen worden gevolgd.
De laatste van onze oorspronkelijke vier raamwerkvragen, waar het gaat om het bouwen van een duurzame datageoriënteerde organisatie, betreft de selectie van tools, methoden of platforms. Hiertoe zal ik eerst stellen dat data-analysetools de afgelopen jaren aanzienlijk zijn geëvolueerd, met verschillende voor- en nadelen voor de zakelijke gebruiker. De voordelen zijn onder meer een aanzienlijke daling van de kosten die gepaard gaan met het leasen van dergelijke tools en een toename van de lijst met functies en complexiteit van beschikbare opties, aangezien ze zijn overgegaan van functiespecifieke tools naar platforms met overlappende functionaliteit. Verder bieden SaaS-leveranciers gratis proefversies, zij het met beperkingen op het volume en het gegevenstype; nieuwe klanten krijgen de mogelijkheid om een weloverwogen aankoopbeslissing te nemen na het testen van meerdere platforms.
Het belangrijkste nadeel van deze platforms is dat leveranciers, in een poging om met elkaar concurrerend te blijven, zo agressief hebben geïnnoveerd in de richting van complexiteit dat hun aanbod nu de verzadiging van functies benadert met aanbiedingen die het nut van de gemiddelde zakelijke gebruiker te boven gaan. Het ongelukkige resultaat is dat de beginnende gebruiker overweldigd wordt, waardoor het moeilijker wordt om de eerder besproken 'quick wins' te behalen en dus de kans verkleint dat de datacultuur in een bepaald bedrijf ingang zal vinden.
Gelukkig zijn er veel bronnen beschikbaar om potentiële gebruikers te helpen, concurrerende business intelligence-oplossingen te evalueren en te vergelijken, hoewel enige kennis van gemeenschappelijke kerncapaciteiten nuttig is bij het evalueren ervan aan de hand van de specifieke behoeften en prioriteiten van een bedrijf. Enkele van dergelijke mogelijkheden zijn:aantal en reikwijdte van gegevensverbindingen, beschikbaarheid van voorgemonteerde dashboards, inzoom-, publicatie- en deelmogelijkheden, integratie met software voor het combineren en verkennen van gegevens, schaalpotentieel (op zowel volume- als variëteitparameters), aantal en nauwkeurigheid van modelleringsbenaderingen, en de klantenreferentiebases per specifieke branche. Hoewel de samenvatting weliswaar eenvoudig is, zet Grafiek 7 hierboven enkele belangrijke leveranciers uiteen die in verschillende categorieën spelen (beschrijvend, voorspellend, prescriptief).
Ondanks het begin van een nichemarkt, is het duidelijk dat data-analyse en de markt voor op SaaS gebaseerde analysetools de afgelopen jaren aanzienlijk zijn geëvolueerd, in het voordeel van de burgerdatawetenschapper en hun bedrijf. Big data, small data, selfservice-tools - ze zijn allemaal voldoende mainstream geworden om te worden beschouwd als een kerncompetentie van zelfs de minst technische bedrijven. Anders gezegd, met zoveel nuttige, bruikbare gegevens die worden gegenereerd en de kosten van selfservice-tools die omgekeerd zijn aan de aangeboden functies en mogelijkheden, zullen er weinig redenen blijven bestaan voor zelfs kleine bedrijven om niet te beginnen met het benutten van gegevens in een bepaalde hoedanigheid.
Dit artikel had moeten illustreren dat, met een beetje planning, het stellen van doelstellingen en het selecteren van klanten, zelfs je startup het competitieve speelveld kan beginnen gelijk te stellen met de industrietitanen die je hebt willen verstoren, terwijl het een enorme economische waarde voor je ontgrendelt. en uw belanghebbenden. U hoeft alleen maar aan de slag te gaan; dus ga je gang - ga aan de slag!
Aandelenmarkt vandaag:vrolijke consumentengegevens geven aandelen een kleine boost
Kleine bedrijven die teruggeven hebben een grote impact op lokale gemeenschappen
Maak een back-up
Voldoet uw kleine bedrijf... met de betaalkaartindustrie?
Heeft de Algemene Verordening Gegevensbescherming (AVG) gevolgen voor uw kleine onderneming?
Tips voor gegevensbeveiliging voor kleine bedrijven en organisaties in de gezondheidszorg
Kleine bedrijven en grote risico's