Làm thế nào để phân tích dữ liệu khi không có dữ liệu lớn?

Bạn không cần kho dữ liệu để theo đuổi các sáng kiến phân tích quan trọng. Hãy xem xét bốn ưu tiên này nếu bạn muốn có được thông tin chi tiết có giá trị với nguồn dữ liệu hạn chế.

Các nhà lãnh đạo CNTT thường đưa ra các sáng kiến khoa học dữ liệu của họ cho đến khi họ có thể xây dựng một lớp kỹ thuật dữ liệu mạnh mẽ. Họ đợi kho dữ liệu có sẵn trước khi lập kế hoạch các dự án phân tích dữ liệu, cho rằng phân tích nâng cao là cần thiết cho giá trị kinh doanh chuyển đổi và khối lượng lớn dữ liệu được tổ chức gọn gàng là điều kiện tiên quyết cho điều đó.

Đây là suy nghĩ hoàn toàn sai lầm. Có bốn điều cần ghi nhớ nếu bạn không có dữ liệu lớn nhưng muốn theo đuổi các sáng kiến về khoa học dữ liệu.

Các vấn đề kinh doanh nên xác định loại phân tích bạn cần

Gartner ước tính khoảng 80% các dự án khoa học dữ liệu không mang lại kết quả kinh doanh. Lý do là các nhà lãnh đạo không chọn đúng các vấn đề kinh doanh cần giải quyết. Hầu hết các dự án phân tích dữ liệu được chọn dựa trên dữ liệu, kỹ năng hoặc bộ công cụ có sẵn. Đây là những công thức cho sự thất bại; một dự án phân tích dữ liệu không bao giờ nên bắt đầu với dữ liệu hoặc phân tích.

Cách tốt nhất để bắt đầu hành trình khoa học dữ liệu là tìm hiểu nội tâm về chiến lược tổ chức. Hãy tìm hiểu những vấn đề quan trọng nhất mà người dùng mục tiêu của bạn muốn được giải quyết và xác nhận xem việc giải quyết chúng có mang lại tác động kinh doanh mong muốn hay không. Những thách thức kinh doanh đã chọn sẽ quyết định cách tiếp cận phân tích bạn nên thực hiện và do đó có dữ liệu bạn cần.

Không có dữ liệu để bắt đầu thậm chí có thể là một lợi thế: Khi bạn bắt đầu với một phương tiện gọn gàng, bạn sẽ không bị gánh nặng hành lý cũ. Mặt khác, các tổ chức có dấu ấn lâu dài hơn thường phải vật lộn với các chuyển đổi kỹ thuật số tốn kém.

Hãy xem xét Moderna, công ty đã xây dựng nền văn hóa ưu tiên kỹ thuật số từ khi thành lập vào năm 2010. Họ đã xây dựng một nền tảng phân tích và dữ liệu phục vụ các ưu tiên kinh doanh của mình xoay quanh việc phát triển các loại thuốc dựa trên công nghệ mRNA. Cách tiếp cận có mục tiêu này là công cụ giúp Moderna tạo ra bản thiết kế cho vắc xin COVID-19 chỉ trong hai ngày.

Phương pháp phân tích của bạn quyết định dữ liệu bạn thu được

Các tổ chức có thể dành hàng tháng trời để xây dựng kho dữ liệu chỉ để thấy dữ liệu họ đã thu thập không đủ tốt để thực hiện các phân tích mà họ cần. Các thuật toán học máy thường cần dữ liệu thuộc một loại, khối lượng hoặc mức độ chi tiết cụ thể. Cố gắng xây dựng một lớp kỹ thuật dữ liệu hoàn hảo mà không rõ ràng về cách sử dụng nó là một nỗ lực lãng phí.

Khi bạn có tầm nhìn về chiến lược tổ chức và các vấn đề kinh doanh cần giải quyết, bước tiếp theo là hoàn thiện phương pháp phân tích của bạn. Hãy tìm hiểu xem bạn cần phân tích mô tả, chẩn đoán hay dự đoán và sử dụng thông tin chi tiết như thế nào. Điều này sẽ làm rõ dữ liệu bạn nên thu thập. Nếu nguồn cung cấp dữ liệu là một thách thức, hãy loại bỏ quá trình thu thập để cho phép tiến trình lặp đi lặp lại với giải pháp phân tích.

Ví dụ: các giám đốc điều hành tại một nhà sản xuất máy tính lớn muốn hiểu điều gì đã thúc đẩy sự hài lòng của khách hàng, vì vậy họ đã thiết lập một chương trình phân tích trải nghiệm khách hàng bắt đầu với phản hồi trực tiếp từ khách hàng thông qua các cuộc khảo sát bằng giọng nói của khách hàng. Thông tin chi tiết mang tính mô tả được trình bày dưới dạng câu chuyện dữ liệu đã giúp cải thiện chỉ số hài lòng của khách hàng trong cuộc khảo sát tiếp theo.

Trong vài quý tiếp theo, họ mở rộng phân tích của mình với phản hồi trên mạng xã hội và hiệu suất của đối thủ cạnh tranh bằng cách sử dụng các nguồn như Twitter, diễn đàn thảo luận và khảo sát thị trường ẩn danh. Để phân tích dữ liệu này, họ đã sử dụng các kỹ thuật học máy tiên tiến. Giải pháp này đã giúp mang lại 50 triệu đô-la doanh thu cho khách hàng gia tăng hàng năm.

Bắt đầu với dữ liệu nhỏ, có sẵn, dễ thu thập

Khi nghĩ đến các điều kiện tiên quyết cho việc học máy, dữ liệu lớn thường xuất hiện trong tâm trí chúng ta. Nhưng có một quan niệm sai lầm rằng bạn cần khối lượng lớn dữ liệu để mang lại giá trị kinh doanh chuyển đổi. Nhiều nhà lãnh đạo đã sai khi cho rằng bạn phải thu thập hàng triệu điểm dữ liệu để khám phá thông tin chi tiết về doanh nghiệp bị che giấu.

Khi bạn đã tập trung vào các mục tiêu, vấn đề kinh doanh và cách tiếp cận phân tích, bước tiếp theo là tập hợp dữ liệu cần phân tích lại với nhau. Nhiều thách thức kinh doanh có thể được giải quyết bằng các phân tích mô tả đơn giản trên các bảng tính dữ liệu nhỏ. Bằng cách giảm rào cản nhập dữ liệu xuống còn vài trăm hàng, bạn có thể lấy dữ liệu từ các hệ thống lại với nhau theo cách thủ công, số hóa bản ghi trên giấy hoặc thiết lập các hệ thống đơn giản để nắm bắt dữ liệu bạn cần.

Một nhà sản xuất nệm muốn khai thác phân tích để cải thiện năng suất sản xuất. Là một doanh nghiệp quy mô vừa mới bắt đầu hành trình dữ liệu, công ty có một lượng nhỏ dữ liệu chủ yếu bao gồm các bảng tính được chuẩn bị thủ công. Thay vì trì hoãn việc theo đuổi phân tích, công ty đã thực hiện một dự án phân tích chẩn đoán để tối ưu hóa lợi nhuận.

Họ số hóa dữ liệu máy có sẵn trên giấy kết hợp với dữ liệu được chuẩn bị thủ công trong một số bảng tính, sau đó sử dụng các kỹ thuật thống kê đơn giản để phân tích hàng trăm hàng và xác định đòn bẩy để tối ưu hóa. Bằng cách tiết lộ những thông tin chi tiết, các đề xuất cho thấy khả năng cải thiện năng suất 2,3%, tương đương với 400.000 đô-la doanh thu hàng năm.

Áp dụng phương pháp tiếp cận gia tăng để cung cấp giá trị chuyển đổi từ dữ liệu

Điểm mấu chốt ở đây là tránh trì hoãn các sáng kiến ​​khoa học dữ liệu của bạn vì chúng có ít dữ liệu. Hãy áp dụng cách tiếp cận tư duy thiết kế để xác định đúng các vấn đề kinh doanh cần giải quyết. Nắm bắt một phương pháp luận nhanh nhẹn để thiết kế phương pháp phân tích phù hợp nhằm giải quyết các thách thức. Cuối cùng, xây dựng một quy trình lặp đi lặp lại để tạo nguồn dữ liệu bạn cần trên cơ sở gia tăng.

Bạn không thể tính trước tất cả các nguồn dữ liệu tiềm năng mà mình cần. Thật lãng phí tài nguyên để đánh giá các kỹ thuật phân tích nâng cao khi bạn mới bắt đầu hành trình phân tích dữ liệu của mình – điều này dẫn đến tình trạng quá kỹ thuật và phân tích bị tê liệt. Hãy nhớ rằng việc thực hiện các dự án phân tích dữ liệu có thể giúp bạn xây dựng một lộ trình kỹ thuật dữ liệu mạnh mẽ.

Quá trình lặp đi lặp lại này hiệu quả hơn, đồng thời mang lại giá trị chuyển đổi. Hãy xây dựng động lực bằng cách mang lại chiến thắng nhanh chóng thông qua các giải pháp phân tích dữ liệu nhỏ. Tập trung vào sự chấp nhận của người dùng để giúp chuyển đổi thông tin chi tiết thành các quyết định kinh doanh và cuối cùng là lợi tức đầu tư.

Nguồn: The Enterpriser Project