• Dataanalys är den mångåriga disciplinen där välutbildade statistiker och datavetare analyserar statistiskt signifikanta (d.v.s. stora) provuppsättningar med hjälp av sofistikerade program för att identifiera mönster och trender. Denna analys möjliggör insikter som är användbara för att fatta bättre beslut, främst kring kundinteraktioner.
• Under de senaste åren har programvaran som möjliggör detta arbete blivit mer tillgänglig, kraftfull och lättanvänd, vilket gör det möjligt för medborgardataforskaren att dyka upp och börja genomföra projekt som tidigare var de högutbildade tekniska specialisternas domän.

Introduktion

Data och analys har snabbt blivit dagens modeord i affärsvärlden. Man skulle vara hårt pressad att knäcka en journal utan någon hänvisning till framåttänkande företag som "intelligent använder data" för att få insikter om kundernas beteende, genomföra riskanalyser eller mer effektivt hantera sin infrastruktur. Stora, datarika företag, särskilt de av den reglerade sorten, har varit engagerade i datastyrt beslutsfattande i åratal, bäst exemplifierat av Capital Ones banbrytande dataanalys för att bättre förstå sina kunder – insikter som sedan användes för att lansera hyperriktade och enormt effektfulla marknadsföringskampanjer som ledde till dess skenande framgång.

Men trots nischstarter har användningen av data snabbt blivit mainstream. Det finns få trovärdiga skäl idag för ett givet företag, oavsett storlek och arbetskraft, att inte ha analys som en kärnverksamhetsprocess/förmåga. Traditionella invändningar som kostnader, resurser och expertis skär inte längre ner senapen. Tvärtom, internt genererad data håller snabbt på att bli en allestädes närvarande strategisk tillgång som utnyttjas på det sätt som alla andra skulle göra, av konkurrenskraftiga företag som vill förbli konkurrenskraftiga.

Den här artikeln syftar till att översiktligt introducera sina läsare till data- och analysvärlden och leda dig genom marknadens dynamik, verktyg, spelare och lösningar som är unika för båda, innan den senare hälften ägnas åt en praktisk implementeringsguide och ramverk för småföretag.

En lekmannaguide till både stora och små data

Med tillkomsten av internet och med det e-handel, sociala medier och sammanlänkningen av enheter kom en explosion i volymen av globalt tillgänglig och analyserbar data för dem som har verktygen för att utnyttja den. Varje tweet, inlägg, gilla, vänster svep, höger svep, dubbeltryck, recension, text och transaktion – var och en är data som kan användas för att kartlägga våra digitala fotspår som berättar allt om vilka vi är, hur vi fattar beslut, var och varför. Dessa data, lämpligt kallade "big data" för dess vidd, djup och komplexitet, har låst upp ett hav av möjligheter inom föreskrivande och prediktiv analys, vilket möjliggör hyperpersonalisering av så många av de produkter vi konsumerar dagligen.

Formellt beskriver big data stora datamängder som kan analyseras beräkningsmässigt för att avslöja mönster, trender och associationer, oftast relaterat till mänskligt beteende och interaktioner. För att data ska kallas "stor" måste uppsättningen/banken vara så stor att det krävs avancerade datametoder och komplexa system för att extrahera värde från den.

I en forskningsrapport från 2001 inramade META-gruppen (nu Gartner) big data i tre dimensioner som kallas tre mot data. Dessa är följande:Volym (kvantitet), Hastighet (genereringshastighet/överföring) och Variety (typ och källa). Dessa tre V utökades sedan till fyra V av IBM, för att inkludera Veracity (kvalitet/integritet) av data som den sista dimensionen som krävs för att fånga värde.

…men du hade förmodligen redan hört talas om big data. Små data, å andra sidan, är en underklass av data som anses blygsam nog för att göra den tillgänglig, informativ och handlingsbar av människor, utan att behöva alltför komplexa analytiska verktyg. Bäst reducerat av ex-McKinsey-konsulten Allen Bonde, "Big data handlar om maskiner, medan små data handlar om människor" - specifikt meningsfulla insikter organiserade och paketerade för att härleda orsakssamband, mönster och skälen "varför" om människor.

SaaS-baserad analys

Parallellt med ökningen av både tillgängligheten och användbarheten av data kom framväxten av en fristående analysindustri. En gång det exklusiva tillhållet för statistiker, datavetare och analytiker på magister- och doktorsnivå, har analys utvecklats till en bransch med funktionellt robusta men billiga, självbetjäningsplattformar för programvara-som-en-tjänst (SaaS) som möjliggör även de mest nybörjare för att extrahera värde från deras data. Mindre företag som tidigare saknade den expertis eller budget som krävdes för att utföra den här typen av analyser konkurrerar nu på närmare jämställdhet med sina motsvarigheter med bättre resurser och etablerar försvarbara motgångar på sina marknader.

Utöver kostnadsfördelarna med SaaS-modellen visar forskning från Aberdeen Group, ett forskningsföretag inom teknik och tjänster, att organisationer som använder SaaS-verktyg har dubbelt så många anställda som instinktivt använder data för att fatta beslut och uppnå sina ROI-mål 40 % snabbare än de som inte gör det. För de flesta företag är e-postmarknadsföringsrapporter, Google Analytics och andra webbaserade analysverktyg från tredje part redan i aktiv användning, förutom internt genererade rapporter från redovisning, marknadsföring, ERP och CRM-system och används som den primära mekanismen för tjäna pengar på sina små data.

Mer än detta, och även om det är en stor och växande marknad vars exakta mätningar kan vara svåra, uppskattar IDC den världsomspännande marknaden för affärsintelligens och analysverktyg till nästan 14 miljarder USD från och med 2017, med en tillväxttakt på 11,7 % på årsbasis, med Forrester Research , ett globalt marknadsundersökningsföretag, som förutspår en CAGR på 15 % fram till 2021.

Marknadsandelsdata

Föga överraskande domineras marknaden för analysverktyg och -lösningar av mjukvaruföretagens gamla garde – företag som SAP, IBM, Oracle och Microsoft. Från och med 2015 ledde SAP marknaden med 10 % marknadsandel och 1,2 miljarder USD i intäkter från analytics och business intelligence (BI); SAS Institute var nummer två, med en andel på 9 %; IBM, trea med 8 %, och Oracle och Microsoft på fjärde respektive femte plats, med 7 % och 5 %. Intressant nog har marknadsandelen för de fem största leverantörerna minskat på grund av tillväxten över marknaden för riskkapitalbaserade startups som Sentiment Strategies, Tableau och Teradata, vilket tyder på att mycket av branschens framtida tillväxt kommer att genereras av mindre, snabbare och smidigare företag.

En implementeringsguide för dataanalys för småföretag

På högsta möjliga nivå ger en datacentrerad kultur ledningen större förtroende för att den kan fatta de bästa möjliga besluten, ofta och konsekvent, samtidigt som den arbetar utifrån samma version av sanningen – en transparent, kvantifierbar sådan. När allt kommer omkring har de flesta av oss suttit igenom sessioner där krigförande chefer har framfört/försvarat olika argument genom att luta sig mot olika anekdotiska källor, faktamönster och tolkningar, och snabbt ifrågasatt integriteten hos ingångarna och därför utdata. Det första beslutet som måste fattas av ett givet litet företag som vill gå dataanalysvägen är alltså om företaget verkligen strävar efter att bli en datadriven organisation.

När detta top-down-beslut har fattats måste ett ramverk upprättas för att optimera potentialen och användbarheten av den nya strategiska prioriteringen. Till att börja med måste flera frågor ställas. Den första, vilka är de kort- och långsiktiga målen för det givna företaget, projektet, initiativet eller avdelningen? För det andra, vem ska ansvara för insatsen och dess resultat? För det tredje, vilka specifika problem vill företaget, projektet, initiativet eller avdelningen lösa med data? Och för det fjärde, vilka verktyg ska användas för att driva initiativet?

När dessa frågor väl har besvarats är nästa steg att formulera en konkret genomförandeplan som, med lite planering, organisationsstruktur, top-down-riktning och entusiasm nerifrån och upp, kommer att positionera organisationen till hands för att generera verklig och mätbar resultat mer konsekvent än det har gjort tidigare. Diagrammet nedan är utformat för att ge ett ramverk för att överväga de olika delarna av en enkel dataanalysmetod.

Till frågan om mål

Detta är den första viktiga frågan att få rätt. På en hög nivå är det överordnade målet för alla företag som vill utnyttja sin data att utveckla en systematisk process för att fatta sunda affärsbeslut – en process som är konsekvent och repeterbar, och som ger mätbart bättre resultat. Vid denna tidpunkt är det viktigt att notera att att bli en sund dataorienterad organisation är en resa och inte en destination, och som sådan är "buy-in" från toppen och konsensus från botten viktiga grundläggande steg som kommer att visa sig avgörande. till massadoption och fullt utnyttjade analytiska tillgångar. Efter att ha uppnått buy-in är ett beprövat nästa steg att strategiskt arrangera några "snabba vinster" för att trumma upp tröskeln för spänning och engagemang som behövs för att se till att denna process blir verklighet. Samförståndsbyggande, inköp och snabba vinster uppnådda, både forskning och mina erfarenheter dikterar en implementeringsmetod som förutsätter följande struktur, sekvens och överväganden:

Börja med beskrivande analys – en enkel visuell instrumentpanel som framhäver företagets prestanda med hjälp av befintliga transaktionsdata för att dra slutsatser som tidigare visat sig osäkra utan kvantifierbar data. Utveckla sedan detaljerade möjligheter i din instrumentpanel, dela insikter, prestandahämtning(er) och självhjälpsinstruktioner strategiskt och med rätt kollegor/organisatoriska påverkare. Detta kommer att kickstarta både spridningsprocessen till deras underordnade och den databeroendekultur du försöker odla.

Steg två:Uppgradera till mer sofistikerade prediktiva analysfunktioner, antingen med hjälp av interna tekniska resurser eller med hjälp av tredjepartsleverantörer. Dessa förutsägande funktioner blandar både interna och externa datakällor för att bättre svara på specifika affärsfrågor som, "Vad är sannolikheten att en kund kommer att göra fel?" eller "Kunder som köper x, köper vanligtvis också y" och tillhandahåller verklig- tidsinsikt i avdelningens eller ett givet initiativs prestationer. "Externa datakällor" inkluderar i det här fallet sociala mediedata, data från säljkåren eller användarupplevelsedata, som alla tillhandahåller rika och statistiskt signifikanta insiktskällor, där intern data fortfarande är för begränsad för att kunna utnyttjas på egen hand.

Det tredje steget är att gå vidare till avancerad, föreskrivande analys som hjälper till att bestämma lämplig åtgärd för att vägleda/förhindra konsumenters, företags, konkurrenters, anställdas eller leverantörers beteende mot bakgrund av historiska data. Det bör dock noteras att detta stadium vanligtvis börjar markera övergången från små data till stora; och ändå är det ett nödvändigt steg som bör införlivas i din företagsomfattande beslutsprocess för att säkerställa högsta nivå av input-output integritet och konsekvens i beslutsfattandet.

Fördjupad överblick över de olika stegen av analys

Beskrivande analys – instrumentpaneler

Det är en sanning att det som mäts hanteras, och genom att utveckla en enda datadeterministisk sanning kan ledare inom en organisation bättre fatta sundare, mer enhetliga beslut. Dashboards är utgångspunkten för sådana analysresor och den visuella illustrationen av ett företags datadeterministiska sanning. Naturligtvis kan det som är relevant för en grupp vara meningslöst för en annan, så vederbörlig hänsyn bör tas till syftet eller temat för en given instrumentpanel, vilken information som ska inkluderas, vem den relevanta mottagarpubliken är för dess innehåll och vad frågan/problemet är att gruppen försöker svara/lösa.

Väldesignade instrumentpaneler driver beslutsfattande snarare än att bara presentera historisk information, och de bästa fokuserar effektivt uppmärksamheten på trender och återkommande mönster (både positiva och negativa) samtidigt som de korrekt illustrerar ett företags vitals. Mer sofistikerade instrumentpaneler tillhandahåller detaljerade funktioner som gör det möjligt för ledare att komma till grundorsakerna till ett diagnostiserat problem med annoterings- och delningsfunktioner som möjliggör mer dynamisk visning i realtid.

Predictive Analytics – Datablandning, Exploration och Querying

När instrumentpanelsprocessen är klar kan den blivande datadrivna organisationen börja bli mer ambitiös. Till detta är ett typiskt nästa steg att "använda voluminös och varierad data för att utföra mer avancerad analys och ge ytterligare dimension till beslutsdomänen." Genom att blanda företagsspecifika data som ytterligare berikats med data från tredje part, allt från vertikala specifika leverantörer som Experian, Acxiom och D&B till sociala medier eller försäljningsdataleverantörer som Facebook, Twitter och Salesforce, kan det givna företaget utforska större, bredare, mer varierande och statistiskt signifikanta uppsättningar för nya och bättre insikter om företagets prestanda och kundbeteende.

Prescriptive Analytics – Implementering av Analytics i affärsprocesser

Företag på företagsnivå med olika behov när det gäller data, kunder, regelverk och specifika affärsproblem/frågor och med olika budgetar och interna kompetenser kommer sannolikt att ha teknikleverantörer som tillgodoser deras mer unika behov. De verkar i en skala där förmågan att operationalisera analysen i sina affärsprocesser och arbetsflöden blir viktigare och mer ekonomisk. Ofta kommer dessa företag att vara i reglerade branscher där de behöver kunna visa att de har rättvisa och repeterbara behandlingar på plats.

Långivare visar ingen partiskhet i sina utlåningspolicyer, vare sig det gäller kön, inkomst eller ras.

Till frågan om ansvar

Det är en sak att bestämma en specifik åtgärd och en annan att genomföra den. Det behöver finnas en koppling mellan diagnos, ordination och beslut och en individ/grupp som ansvarar för det önskade resultatet. Det är här som rollen som den verkställande sponsorn blir viktig.

Hos både små och stora företag är nämnda exekutiva sponsor – den nominerade förkämpen för databerikning och de facto chief data officer – en individ, vanligtvis VD, CFO eller CMO vid starten, redan genomsyrad av data och analyser, anpassad till typ av problem som bäst löses med data, eller åtminstone en troende på den transformativa potentialen hos dataanalys.

Förutom den här huvudpersonen kräver processen också vanligtvis en sekundär, mer praktisk mästare, särskilt när företaget börjar övergå från beskrivande till prediktiv analys. Traditionellt var denna person en tekniskt utbildad, intern dataforskare, men har på senare tid tagit formen av en tekniskt kunnig entusiast som ofta kallas för medborgardataforskaren. Den här individen väljer vanligtvis själv – en självbekänd kalkylarksjockey med den rätta balansen mellan intellektuell nyfikenhet och skicklighet, men en som är villig att leva i implementeringens ogräs. I många fall ligger den här personen före ledningen när det gäller att inse vilken effektpotential en formell dataanalysprocess kan skapa på deras företag, men saknade helt enkelt den status eller trovärdighet som krävs för att sälja sin vision.

Till frågan om affärsproblemet

Varje framgångsrikt och misslyckat företag har sin unika uppsättning utmaningar som endast kan hanteras genom lämplig kombination av resurser, processer och förmågor som är specifika för det. Som sagt, de typer av affärsutmaningar som bäst lämpar sig för att hanteras av data kan, oftare än inte, reduceras, kategoriseras och åtgärdas med hjälp av ramverket som anges i diagram 7.

Dessutom har några anekdotiska riktlinjer/parametrar utarbetats under åren, som ytterligare optimerar chanserna att inte bara identifiera rätt sorts problem att ta itu med med data, utan också deras chanser att lösas framgångsrikt. Dessa riktlinjer/parametrar är som följer:Välj först enkla, tydliga frågor vars konsekvenser har stor betydelse; för det andra, när du söker svar från data, sträva efter det praktiska i lösningen snarare än perfektionen av ett akademiskt svar; för det tredje, tänk på karaktären och kunskapsbasen för din mottagarpublik när du levererar diagnosen och lösningen; och slutligen, välj bara problem som är mätbara och kvantifierbara med redan befintliga data och lösningar som i lika hög grad kan spåras.

Till frågan om rätt verktyg och metoder

Den sista av våra ursprungliga fyra ramfrågor, när det gäller att bygga en hållbar dataorienterad organisation, handlar om valet av verktyg, metoder eller plattformar. Till detta ska jag först konstatera att dataanalysverktyg har utvecklats avsevärt under de senaste åren, med olika för- och nackdelar för företagsanvändaren. Fördelarna inkluderar en avsevärd minskning av kostnaderna för att hyra sådana verktyg och en ökning av funktionslistan och komplexiteten hos tillgängliga alternativ när de har övergått från funktionsspecifika verktyg till plattformar med överlappande funktionalitet. Vidare erbjuder SaaS-leverantörer gratis provperioder, om än med begränsningar för volym och datatyp; nya kunder ges möjlighet att fatta ett välgrundat köpbeslut efter att ha testat flera plattformar.

Den största nackdelen med dessa plattformar är att leverantörer, i ett försök att förbli konkurrenskraftiga med varandra, har förnyat sig så aggressivt mot komplexitet att deras erbjudanden nu närmar sig funktionsmättnad med erbjudanden som är bortom den genomsnittliga affärsanvändarens användbarhet. Det olyckliga resultatet är överväldigande av nybörjaren, vilket gör det svårare att uppnå de "snabba vinsterna" som diskuterats tidigare och därmed minskar sannolikheten för att datakulturen kommer att få fäste i ett visst företag.

Lyckligtvis finns det många resurser tillgängliga för att hjälpa potentiella användare, utvärdera och jämföra konkurrerande business intelligence-lösningar, även om viss kunskap om gemensamma kärnfunktioner är användbar för att utvärdera dem mot ett företags specifika behov och prioriteringar. Ett fåtal sådana funktioner inkluderar:antal och omfattning av dataanslutningar, tillgänglighet av förmonterade instrumentpaneler, möjligheter för detaljerad beskrivning, publicering och delning, integration med kapacitet för datablandning och utforskning av programvara, skalningspotential (på både volym- och variationsparametrar), antal och noggrannhet av modelleringsmetoder och kundreferensbaser per specifik bransch. Även om det är enkelt i sammanfattningen, visar diagram 7 ovan några nyckelleverantörer som spelar i olika kategorier (beskrivande, förutsägande, föreskrivande).

Små data, stora möjligheter

Trots sin nischstart är det tydligt att dataanalys och marknaden för SaaS-baserade analysverktyg har utvecklats avsevärt under de senaste åren, till stor nytta för medborgardataforskaren och deras företag. Stor data, liten data, självbetjäningsverktyg – var och en är tillräckligt mainstream nu för att motivera att de betraktas som en kärnkompetens hos även de minst tekniska företagen. Sagt annorlunda, med så mycket användbar, handlingsbar data som genereras och kostnaderna för självbetjäningsverktyg som går omvänt till de funktioner och möjligheter som erbjuds, kommer få skäl att fortsätta att existera för även små företag att inte börja utnyttja data i viss kapacitet.

Den här artikeln borde ha illustrerat att, med lite planering, målsättning och val av kunder, kan även din startup börja jämna ut konkurrensvillkoren med de industrititaner som du har tänkt att störa, vilket i processen låser upp ett enormt ekonomiskt värde för dig och dina intressenter. Du behöver bara komma igång; så varsågod – kom igång!