10 गोष्टी C-Suite ला Analytics बद्दल माहित असणे आवश्यक आहे
जर तुम्ही अलीकडे जास्त प्रवास केला नसेल, तर येथे विश्लेषणाच्या क्षेत्रातील घडामोडींचा एक कार्यकारी सारांश आहे जो कदाचित तुम्ही एअरलाइन सीटबॅक मासिकात चुकला असेल.
- याला आता निर्णय समर्थन प्रणाली म्हटले जात नाही (जरी ते 20 वर्षांपूर्वी होते).
अहवाल देत नाही (15 वर्षे), व्यवसाय बुद्धिमत्ता (10 वर्षे), किंवा अगदी Analytics (5 वर्षे). आहे वाढवलेला Analytics. किंवा, AI सह एम्बेड केलेले Analytics. अत्याधुनिक विश्लेषण आता मशीन लर्निंगचा फायदा घेते आणि डेटावरून निर्णय घेण्यात मदत करते. तर, एका अर्थाने, आम्ही जिथे सुरुवात केली तिथे परत आलो आहोत - निर्णय समर्थन. - डॅशबोर्ड. प्रगतीशील कंपन्या डॅशबोर्डपासून दूर जात आहेत. 1990 च्या दशकातील उद्दिष्ट चळवळीतून व्यवस्थापनातून डॅशबोर्डचा जन्म झाला. डॅशबोर्ड सामान्यत: मुख्य कार्यप्रदर्शन निर्देशक दर्शवतात आणि विशिष्ट उद्दिष्टांच्या दिशेने प्रगतीचा मागोवा घेतात. डॅशबोर्ड संवर्धित विश्लेषणाद्वारे बदलले जात आहेत. स्टॅटिक डॅशबोर्डऐवजी, किंवा अगदी ड्रिल-थ्रू टू डिटेलसह, एआय इन्फ्युज केलेले विश्लेषण तुम्हाला रिअल टाइममध्ये काय महत्त्वाचे आहे याबद्दल सतर्क करते. एका अर्थाने, हे सु-परिभाषित KPIs द्वारे व्यवस्थापनाकडे परत येणे देखील आहे, परंतु एका वळणाने – AI मेंदू तुमच्यासाठी मेट्रिक्स पाहतो..
- मानक साधने. बर्‍याच संस्थांकडे यापुढे एकच एंटरप्राइझ मानक BI साधन नाही. अनेक संस्थांकडे 3 ते 5 Analytics, BI आणि रिपोर्टिंग टूल्स उपलब्ध आहेत. एकाधिक साधने संस्थेतील डेटा वापरकर्त्यांना वैयक्तिक साधनांच्या सामर्थ्याचा अधिक चांगला फायदा घेण्यास अनुमती देतात. उदाहरणार्थ, तुमच्या संस्थेतील तदर्थ विश्लेषणासाठी प्राधान्य दिलेले साधन सरकारी आणि नियामक संस्थांना आवश्यक असलेल्या पिक्सेल-परिपूर्ण अहवालांवर कधीही उत्कृष्ट होणार नाही.
- मेघ. सर्व आघाडीच्या संस्था आज ढगात आहेत. अनेकांनी प्रारंभिक डेटा किंवा अनुप्रयोग क्लाउडवर हलवले आहेत आणि ते संक्रमणात आहेत. हायब्रिड मॉडेल नजीकच्या काळात संस्थांना समर्थन देतील कारण ते क्लाउडमधील डेटा विश्लेषणाची शक्ती, किंमत आणि कार्यक्षमतेचा फायदा घेऊ इच्छितात. सावध संस्था विविध क्लाउड विक्रेत्यांचा फायदा घेऊन त्यांच्या बेट्समध्ये विविधता आणत आहेत आणि हेजिंग करत आहेत.
- मास्टर डेटा व्यवस्थापन. जुनी आव्हाने पुन्हा नवीन आहेत. विश्लेषण करण्यासाठी डेटाचा एकच स्रोत असणे नेहमीपेक्षा अधिक महत्त्वाचे आहे. तदर्थ विश्लेषणात्मक साधने, एकाधिक विक्रेत्यांकडून साधने आणि अव्यवस्थापित सावली आयटीसह, सत्याची एकच आवृत्ती असणे महत्त्वाचे आहे.
- दूरस्थ कर्मचारी येथे राहण्यासाठी आहे. 2020-2021 साथीच्या रोगाने अनेक संस्थांना दूरस्थ सहकार्य, डेटामध्ये प्रवेश आणि विश्लेषणात्मक अनुप्रयोगांसाठी समर्थन विकसित करण्यास भाग पाडले. हा ट्रेंड कमी होण्याची चिन्हे दिसत नाहीत. भूगोल एक कृत्रिम अडथळा बनत आहे आणि कामगार केवळ आभासी समोरासमोर संवादासह विखुरलेल्या संघांवर काम करण्यास अनुकूल आहेत. या ट्रेंडसाठी क्लाउड हे एक सहाय्यक तंत्रज्ञान आहे.
- डेटा विज्ञान जनतेसाठी. विश्लेषणातील AI संस्थेतील भूमिका म्हणून डेटा सायन्सपर्यंतचा उंबरठा कमी करेल. कोडिंग आणि मशीन लर्निंगमध्ये तज्ञ असलेल्या तांत्रिक डेटा शास्त्रज्ञांची अजूनही गरज असेल, परंतु AI अंशतः व्यावसायिक ज्ञान असलेल्या विश्लेषकांसाठी कौशल्य-अंतर भरून काढू शकते.
- डेटाची कमाई. असे अनेक मार्ग आहेत जिथे हे होत आहे. ज्या संस्था अधिक चपळ निर्णय घेण्यास सक्षम असतात त्यांचा बाजारातील फायदा नेहमीच असतो. दुसऱ्या आघाडीवर, आम्ही वेब 3.0 च्या उत्क्रांतीमध्ये पाहत आहोत, ब्लॉकचेन प्रणाली वापरून डेटाचा मागोवा घेण्याचा आणि ऑनलाइन अधिक दुर्मिळ (आणि म्हणून अधिक मौल्यवान) बनवण्याचा प्रयत्न. या प्रणाली फिंगरप्रिंट digital मालमत्ता त्यांना अद्वितीय, शोधण्यायोग्य आणि व्यापार करण्यायोग्य बनवते.
- शासन. अलीकडील बाह्य तसेच अंतर्गत व्यत्ययकारक घटकांसह, नवीन तंत्रज्ञानाच्या प्रकाशात विद्यमान विश्लेषक/डेटा धोरणे, प्रक्रिया आणि कार्यपद्धती यांचे पुनर्मूल्यांकन करण्याची ही एक महत्त्वाची वेळ आहे. सर्वोत्कृष्ट पद्धती आता अनेक साधने आहेत म्हणून पुन्हा परिभाषित करणे आवश्यक आहे का? नियामक आवश्यकतांचे पालन करण्याच्या प्रक्रियेची किंवा ऑडिटची तपासणी करणे आवश्यक आहे का?
- दृष्टी योजना तयार करण्यासाठी आणि अभ्यासक्रम सेट करण्यासाठी संस्था व्यवस्थापनावर अवलंबून असते. अशांत आणि अनिश्चित काळात स्पष्ट दृष्टी सांगणे महत्वाचे आहे. बाकीच्या संघटनेने नेतृत्वाने ठरवलेल्या दिशेला संरेखित केले पाहिजे. एक चपळ संस्था बदलत्या वातावरणात वारंवार पुनर्मूल्यांकन करेल आणि आवश्यक असल्यास, अभ्यासक्रम योग्य करेल.
