ინსტრუმენტებს დიდი მონაცემთა ბაზარზე უყვართ ფუნქციონალურ კატეგორიებად დაყოფა, რაც იწვევს საუკეთესო გადაწყვეტილებების მიდგომას. ეს საკმარისად აძლევს მომხმარებელს საშუალებას?
ჩასმა, მონაცემთა მომზადება, ანალიზი, ვიზუალიზაცია და ექსპორტი -- ეს ყველაფერი დიდი მონაცემთა ანალიტიკის სასიცოცხლო ციკლის ნაწილია. კარგი ამბავი? ბაზარი სპორტსმენს პროდუქციის მრავალ კატეგორიას, რომლებიც ამუშავებენ თითოეულ მათგანს.
ცუდი ამბავი: გაცილებით ნაკლები პროდუქტია, რომლებიც ბევრ ამ სფეროს ერთად ამუშავებენ. ის ასევე უფრო რთული ხდება, რადგან ჩნდება დიდი მონაცემთა სასიცოცხლო ციკლის სხვა კატეგორიები, როგორიცაა მონაცემთა ტბის მენეჯმენტი/მონაცემთა კატალოგი და დიდი მონაცემთა ოპერაციები/DevOps.
ეს შეიძლება იყოს იმედგაცრუებული, მაგრამ ასევე გასაგებიც: თუ არის ფუნქციონირების სფერო, რომელსაც ბაზარი უგულებელყოფს, მაშინ აზრი აქვს კომპანიის დაფინანსებას ამ ფუნქციის განვითარებისა და უზრუნველსაყოფად. ის ეხმარება ბაზარს, ეხმარება კომპანიას და, იმედია, ეხმარება კომპანიის ინვესტორებს.
თუმცა ეს ეხმარება მომხმარებელს? ამის თქმა უფრო რთულია. თუ თქვენ აკეთებთ მონაცემთა მომზადებას ერთ ინსტრუმენტში და თქვენს ანალიზს მეორეში, ეს გარკვეულწილად რეგულირდება და კონტექსტის შეცვლა შეიძლება იყოს შემაძრწუნებელი. უფრო მეტიც, თუ თქვენი ანალიზი გიჩვენებთ მეტი მოსამზადებელი სამუშაოს შესასრულებლად, თქვენ გიბრუნდებით მონაცემთა მოსამზადებელ ინსტრუმენტში „გაკეთების“ მიზნით, ვიდრე განმეორებით ძალისხმევას.
საქმე ეხება
გამორჩეული
- iPhone 15: ოთხი რამ ხდის ამ განახლების მხიარულ წელს
- როგორ გამოვიყენოთ ChatGPT სქემებისა და ცხრილების შესაქმნელად
- ყველა პროდუქტი, რომელსაც ველოდებით Apple-ის სექტემბრის ღონისძიებაზე (და ის, რაც არ იქნება წარმოდგენილი)
- საუკეთესო სატელეფონო შეთავაზებები ახლა: დაზოგეთ უახლეს iPhone-ებსა და Android-ებზე
ამას წინათ ველაპარაკე ბობ ლორანი, პროდუქციის მარკეტინგის VP at ალტერიქსი დაკავშირებულ თემაზე. დისკუსია დაიწყო, როგორც ლორანის „ბნელი მონაცემების“ ცნების გამოძიება: მონაცემები, რომლებიც თქვენ გაქვთ, მაგრამ არ იყენებთ ან არ აანალიზებთ ბიზნესის გაუმჯობესებისთვის.
იმის გამო, რომ Alteryx ყურადღებას ამახვილებს მონაცემთა მომზადებაზე, დისკუსია დაიწყო საუბარი იმაზე, თუ როგორ ავიცილოთ თავიდან ბნელი მონაცემები, დაჭერით, დამუშავებით და მონაცემთა ნაკრების გაერთიანება, იქნება ისინი ჩამარხული ჟურნალის ფაილებში, გაყიდვების წერტილებში თუ სხვაგან, რათა მივიღოთ დაზვერვა, რომელიც სხვაგვარად ლატენტური იქნებოდა და ბუნდოვანი.
ეს ყველაფერი სამართლიანი თამაშია. ძვირფასი მონაცემების თხრის სიმძიმე - შემდეგ ნამსხვრევების გახეხვა და მისი ბზინვარება და ბრწყინავს დაკვირვებისა და ანალიზისთვის -- არის ყველა კომპანიის პური და კარაქი ანალიტიკაში ველი.
ეს ნამდვილად არ იყო საკმარისი, არა საინტერესო საუბრისთვის - სანამ რაღაც მოულოდნელი არ მოხდა.
სიბნელის მოხსნა
მაგრამ შემდეგ, თითქოს მონაცემთა ნაკრებისთვის ვეძიეთ, რაღაც მართლაც ღირებულს წავაწყდით. ლორენტმა მომიწერა საქმის შესწავლა -- ის, სადაც ფინანსური სერვისების მომხმარებელმა გამოიყენა Alteryx მისი სავაჭრო ტერმინალის დასათვალიერებლად მონაცემები, რათა იპოვოთ კორელაცია სავაჭრო გარკვეულ შაბლონებსა და სხვადასხვა ძალადობის ინციდენტებს შორის (მაგალითად, ფულის გათეთრება). გამოყენების შემთხვევის განხილვისას ლორანმა ახსენა რაღაც, რაც თავიდან შემთხვევით ჩანდა, მაგრამ შემდეგ აღმოჩნდა, რომ მთავარი იყო.
მას შემდეგ, რაც Alteryx-ის კლიენტების თანამშრომლებმა დაასრულეს მონაცემთა მოსამზადებელი და ანალიზის სამუშაოები, რათა დაედგინათ ტრანზაქციის მონაცემების შაბლონები, რომლებიც შეიძლება მიუთითებდეს ფულის გათეთრების აქტივობაზე, მომხმარებელმა გადაწყვიტა აეღო ეს გაანალიზებული მონაცემები და შეექმნა მისგან პროგნოზირების მოდელი, რაც მომხმარებელს საშუალებას მისცემს აღმოაჩინოს პოტენციურად მავნე აქტივობა ნებისმიერი უკანონო მოვლენის წინ. ხდება.
კლასტერული ანალიზი Alteryx-ში
ხელახალი დანიშნულება
მომხმარებელმა შეიძინა Alteryx დაკვირვების ანალიტიკის მიზნებისთვის. ეს ნამუშევარი თავისთავად ღირებულია. ეს იყო ყველაფერი, რაც მომხმარებელს აპირებდა და პროექტი უკვე წარმატებული იყო. მაგრამ შემდეგ, რადგან Alteryx-მა გააერთიანა R პროგრამირების ენა მის პროდუქტში და აქვს უნარი შექმნას პროგნოზირებადი მოდელები და მათზე მონაცემების გატანა, მომხმარებელმაც გამოიყენა ეს მახასიათებლები.
მომიჯნავე შესაძლებლობების ხელმისაწვდომობამ ერთ პროდუქტში განაპირობა ის, რომ მომხმარებელს გაცილებით მეტი ღირებულების გაცნობიერება მოჰყვა. არცერთ გამყიდველს არ მოუწია ჩარევა და ამის პოტენციალი გამოეჩინა; დამატებითი პროდუქტები არ იყო საჭირო. მაგრამ ფუნქციონალური იყო და მომხმარებლის მუშაობა დღემდე ნიშნავდა ყველა საჭირო წინაპირობას პროგნოზირებადი ანალიტიკური გადაწყვეტის შესაქმნელად. ასე რომ, მომხმარებელი საკუთარი ნებით, საკუთარი ტემპით, აკავშირებს წერტილებს პროგნოზირებულ ანალიტიკაში.
შესაძლებლობებიდან, შედეგი
ცხადია, მომხმარებელმა მეტი ღირებულება მიიღო. სავარაუდოდ, ასე მოიქცა საზოგადოებაც, რადგან ეს ანალიტიკური გადაწყვეტილება ეფექტურად ებრძვის ფინანსურ დანაშაულს. ეს არის მორალური გამარჯვება და მორალური ისტორია: მომხმარებელს საშუალებას აძლევს დაამყაროს კავშირები მონაცემთა სასიცოცხლო ციკლში, საშუალებას აძლევს მას გაიგოს და „ისაკუთროს“ ანალიტიკური პროცესი.
ლორენტმა მითხრა, რომ Alteryx ხედავს გადასვლას მომხმარებლებისგან, რომლებიც იღებენ მონაცემთა ცნობილ წყაროებს და განსაზღვრავენ სასურველ შედეგებს, პოტენციური მონაცემთა წყაროების შესწავლასა და გამოსაყენებლად, მოულოდნელი შედეგების მიღება შესაძლებელია. ცხადია, ამ მომხმარებლის საქმე აქ დამადასტურებელ მტკიცებულებებს იძლევა.
პროდუქტები, რომლებიც მოიცავს მონაცემთა სასიცოცხლო ციკლის მრავალ ფაზას, გავლენას ახდენს მონაცემებთან ინტიმურ ურთიერთობაზე და ააქტიურებს არასპეციალისტების მონდომება, ჩათვალონ თავიანთი მონაცემები, მიიღონ ისეთი დონეები, რომლებიც არასოდეს იცოდნენ. იქ.
მიკვირს, რომ ეს ანათებს „ბნელი მონაცემების“ კითხვის არსს. დიახ, წერტილოვანი გადაწყვეტილებები ანათებს შუქს ცალკეულ ნაწილებზე. მაგრამ უფრო ინტეგრირებული გადაწყვეტილებები დაგეხმარებათ ამოხსნას მთელი თავსატეხი. და საბოლოოდ ასე იღებენ მომხმარებლები თავიანთ ROI-ს.