Mikä on Operational Analytics ja sen liiketoiminnan käyttötapaukset?

Seuraava artikkeli auttaa sinua: Mikä on Operational Analytics ja sen liiketoiminnan käyttötapaukset?

Tietolähteiden analysointi organisaation toimintaosaston sisällä voi lisätä tuottavuutta ja tehokkuutta ja siten kannattavuutta. Operatiivinen analytiikka on eräänlainen liiketoimintaanalytiikka, joka keskittyy nykyisen ja reaaliaikaisen toiminnan seurantaan. Se käyttää reaaliaikaista data-analyysiä ja liiketoimintatiedonhallintaa tuottavuuden parantamiseksi ja päivittäisten toimintojen virtaviivaistamiseksi. Tämä artikkeli keskittyy operatiivisen analytiikan ymmärtämiseen ja sen käytön vaikutuksiin liiketoimintaan. Seuraavassa on käsiteltävät aiheet.

Sisällysluettelo

1. Tietoja Operational Analyticsista
2. Ero perinteisen ja operatiivisen analytiikan välillä
3. Toimivaa analytiikkatyötä
4. Miksi organisaation pitäisi panostaa operatiiviseen analytiikkaan?
5. Keskustelua joistakin käyttötapauksista

Jokaisella operatiivisella tapahtumalla on liitännäispäätös; jokaista toimintaa edeltää päätös. Aloitetaan operatiivisen analytiikan korkean tason ymmärtämisestä.

Tietoja Operational Analyticsista

Toimintaanalytiikassa suosituksia kehitetään oivallusten perusteella, jotka on saatu soveltamalla tilastollisia malleja ja analyyseja olemassa olevaan ja simuloituun tulevaisuuden dataan ja toteutetaan sitten reaaliaikaisessa vuorovaikutuksessa. Operatiivinen analytiikka käyttää tiedon louhintaa, tekoälyä ja koneoppimista tarjotakseen organisaatioille enemmän läpinäkyvyyttä ja auttaakseen niitä tekemään parempia päätöksiä.

Jos tieto- ja automaatiojärjestelmien rakentaminen tehdään oikein ja tekniikkaa päivitetään säännöllisesti, toimintadatan analytiikka voi tarjota yritykselle kilpailuetua. Mitä tulee operatiivisen datan analytiikkaan, on otettava huomioon satoja muuttujia. Käytettävissä olevat tekniset alustat, kyky ja tiettyihin lisäyksiin liittyvät kulut vaikuttavat kaikki siihen, sisällytetäänkö operatiivisen datan analytiikka vai ei. Vaikka data-analytiikan operointi saattaa olla kallis prosessi, sillä on useita etuja.

Operational Analyticsin avulla voit integroida tietovarastosi tiedot suoraan etulinjasovelluksiin, joita henkilöstösi käyttää päivittäin (kuten Salesforce, Hubspot ja Marketo) toiminnan ohjaamiseen, ei vain oivalluksiin. Se tarkoittaa tehokkaampia työnkulkuja, parempaa automaatiota ja parempaa kommunikaatiota monitoimitiimien välillä.

Etsitkö täydellistä arkistoa tietotieteessä käytettävistä Python-kirjastoista, katso tästä.

Ero perinteisen ja operatiivisen analytiikan välillä

Perinteinen analytiikka	Operatiivinen analytiikka
Strukturoitu data	Kaiken tyyppinen data strukturoitu, puolirakenteinen tai jäsentämätön.
Analyysin kohteena on näyte tunnetusta populaatiosta	Koko väestö on analyysin kohteena
Vastaukset jo määriteltyihin kysymyksiin	Uusia ja odottamattomia löytöjä ja faktoja
Edellytetään analyyttisten tekniikoiden ja työkalujen tuntemusta sekä raportoinnin perustiedot.	Edellytämme edistyneitä analyyttisiä, matemaattisia, tilasto- ja tietokonetietoja.

Operatiivisen analytiikan työskentely

Operational Analytics toimii suljetussa prosessissa, jossa tietoja kopioidaan toimintaympäristöstä ja analysoidaan Business Intelligencessä (BI). Johdetaan toimintaympäristöön vaikuttavat valinnat ja tuottoa voidaan verrata ennustettuun. Tämä suljetun silmukan prosessi on jaettu viiteen päävaiheeseen, jotka ovat tiedon kerääminen, syvällinen analyysi, mallisovellus, reaaliaikainen analyysi ja palaute syvälliseen analyysiin.

Käytännössä strategisen ja taktisen BI:n kolme ensimmäistä vaihetta etenevät hitaasti, ja viimeistä silmukan sulkemisvaihetta on vaikea suorittaa, koska päätökset ovat laajemmat.

Kerätä tietoa

Tietojen integrointi on ollut pitkään BI:n ydin. Perinteisesti painopiste on ollut erilaisten käyttöjärjestelmien klassisen ETL:n tietojen täsmäyttämisessä ja yhdistämisessä. ETL tarkoittaa lyhennystä, muuntamista ja latausta.

Poimi-vaihe sisältää tietojen keräämisen sen tietolähteistä. Analyyttisen tietokannan rivit ja sarakkeet luodaan näistä tiedoista. Purkaminen tarkoitti aiemmin tiedon keräämistä Excel-tiedostoista ja Relational Management Database Systemsistä, jotka olivat yritysten tärkeimmät tietolähteet (esim. Excelissä kirjoitetut ostotilaukset).

“Transform”-vaihe muuttaa (muuntaa) erotusvaiheessa hankittuja tietoja ennen sen tallentamista analyyttiseen tietokantaan. Saatavilla on erilaisia ​​muunnoksia.

• Tietojen puhdistaminen tarkoittaa kyseenalaisen tiedon etsimistä ja korjaamista tai poistamista. Toiminnot, kuten puuttuvien tietojen poistaminen, poikkeamat tulisi poistaa, koodaus jne. suoritetaan
• Tietojen rikastaminen on prosessi, jossa lisätään ylimääräistä tietoa aiemmin saatuihin raakatietoihin. Suoritetaan operaatioita, kuten useista lähteistä peräisin olevien tietojen yhdistäminen, duplikoinnin poistaminen jne

“Lataus”-vaihe sisältää tiedon siirron muunnosvaiheesta kohdetietosäilöön (relaatiotietokanta, NoSQL-tietovarasto, tietovarasto tai datajärvi), jossa se voidaan analysoida.

Vaikka tämä on edelleen tärkeää, toiminnallinen analytiikka vaatii kaksi lisäominaisuutta.

• Tiedonkeruun nopeus ja oikea-aikaisuus
• Tyypillisten toimintajärjestelmien ulkopuoliset lähteet, kuten “big data” ja lähteet itse varastosta.

Syvällinen analyysi

Tässä vaiheessa operatiivisen analytiikan painopiste on syvälliseen tilastolliseen analyysiin ja useiden relevanttien tietojen tavanomaiseen kyselyyn. Ajatuksena on löytää odottamattomia yhteyksiä satojen, ellei tuhansien, käyttäytymisen, ominaisuuksien ja toimintojen näkökohtien välillä. Tämän vaiheen ei pitäisi odottaa olevan reaaliaikainen ominaisuuksien suuren määrän ja tyypillisesti miljoonien tietojen vuoksi.

Ensimmäisen puhdistus-, valmistelu- ja tutkimusvaiheen jälkeen vaaditaan kuitenkin edelleen oikea-aikaisuutta. Yön (tai pidempään) kestävä tiedonlouhinta ja toistuva vienti/tuonti alustojen välillä eivät ole enää sopivia tutkimuksen jatkamiseen. Riippuen käytetyn tiedon ominaisuuksista ja analyyttisen kysynnän kiireellisyydestä, mittakaava ja oikea-aikaisuus voidaan saavuttaa useilla tavoilla. Hadoop-pohjaisen alustan käyttö alustavaan valmisteluun ja tutkimukseen on usein hyödyllistä.

Mallisovellus

Organisaation ja sen kuluttajien välisen vuorovaikutuksen muuttaminen lennossa liiketoiminnan suorituskyvyn parantamiseksi on operatiivista toimintaa. Voidaan sanoa, että se tapahtuu BI-järjestelmän ulkopuolella ja etenee nopeasti tyypillisellä BI-tavalla. Operatiivisen analytiikan terminologia puolestaan ​​viittaa siihen, että meidän on käsiteltävä sekä operatiivisia että analyyttisiä kysymyksiä. Hienostuneisuus on jaettu neljään vaiheeseen.

1. Vaikuttaa manuaaliseen menettelyyn. Esimerkiksi edustajan vuorovaikutusta asiakkaan kanssa puhelinkeskuksessa ohjaa malli, joka on kehitetty asiakkaan kokonaiselinkaariarvon aiemmasta tutkimuksesta, vertailukelpoisista mittareista ja demografisista ennusteista siitä, mitä vastausta tai tarjousta tulisi antaa. Ilman reaaliaikaista dataa puhelinkeskussovellus on vain heikosti kytketty analytiikkajärjestelmään esiladattujen mallitietojen avulla. Edustajalla on huomattava määräysvalta toimeksiannossa.
2. Manuaalisen prosessin hallinta. Samanlainen kuin viimeinen esimerkki, mutta puhelinkeskuksen ja analyyttisten ohjelmien välillä on läheisempi suhde. Operatiivisen analytiikan vaihe 4 (reaaliaikainen analyysi) on aktivoitava, jotta agentilla on sekä reaaliaikaista dataa että niihin perustuvia ehdotuksia; agentin vuorovaikutuksen joustavuus on rajoitettu.
3. Tarjouksen tekomenettely on automatisoitu. Asiakkaiden mielikuvat esimerkiksi vähittäisverkkosivuston tarjonnasta tuotettiin automaattisesti käyttämällä aiempaan vuorovaikutukseen ja nykyiseen klikkausvirtaan perustuvia malleja. Analyyttinen ympäristö liittyy kiinteästi toimintajärjestelmään ja reaaliaikainen analyysi tehdään suljetussa kierrossa.
4. Malli ja tarjoa menettelyjä, jotka on integroitu. Useita malleja voidaan käyttää samanaikaisesti useille asiakkaille ja virittää itseään havaintojen perusteella integroidussa järjestelmässä, mikä mahdollistaa reaaliaikaisen analyysin ja operatiiviset toimenpiteet. Reaaliaikainen toiminta ja analyysi ovat lähes erottamattomia.

Reaaliaikainen analyysi

Tietojen työntäminen tai vetäminen järjestelmään on kuinka reaaliaikainen data-analytiikka toimii. Suoratoiston on oltava käytössä, jotta järjestelmään voidaan lähettää suuria tietoja. Streaming, saattaa käyttää paljon resursseja ja saattaa olla kohtuuton joillekin sovelluksille. Sen sijaan ajoita tiedot noudettavaksi eri aikoina, sekunneista tunteihin. Seuraavat komponentit sisältyvät reaaliaikaiseen data-analytiikkaan.

• The aggregaattori kerää ja analysoi reaaliaikaista dataa useista eri lähteistä.
• Analyysia tehdessään analytiikkamoottori vertaa datan arvoja ja suoratoistaa ne yhdessä.
• Luo tietojen saatavuus toimimalla a välittäjä.
• The stream-prosessori vastaanottaa ja lähettää tietoja suorittaakseen logiikkaa ja analysoidakseen reaaliajassa.

Palaute syvälliseen analyysiin

Teknisesti operatiivinen analytiikan viides vaihe on melko yksinkertainen: vain päivittää syväanalyysissä käytettävät tiedot tuoreella tiedolla ja reaaliajassa hankituilla löydöillä. Tätä vaihetta ei kuitenkaan pidä jättää huomiotta; se sulkee lopulta silmukan operatiivisten ja informatiivisten ponnistelujen välillä. Kahden toimialueen välisen suunnittelun ja omistajuuden epäyhteensopivuuden vuoksi se on pitkään ollut kompastuskivi BI-järjestelmissä.

Analytics India -lehti

Miksi organisaatioiden pitäisi investoida operatiiviseen analytiikkaan?

Analytiikan edut ovat kiistattomat. Organisaatiot voivat päivittää ja organisoida toimintaansa kilpaillakseen digitaalitaloudessa ottamalla käyttöön analytiikan. Tässä on joitain lueteltuja syitä.

Helpottaa päätöksentekoa

Organisaatiot, jotka analysoivat asiakastietoja ja reagoivat niihin reaaliajassa, voivat tehdä parempia valintoja nopeammin. Yritykset olisivat tietoisia toimintansa ilmeisistä puutteista vain vanhan työskentelytavan mukaisten neljännesvuosittaisten tai vuosittaisten tilastojen perusteella, ja siihen mennessä, kun ne tekevät muutoksia toimintaansa reaktiivisesti, on aina olemassa riski, että ne eivät pysty korjaamaan niitä. nämä asiat ajoissa.

Toimintaanalytiikkaa hyödyntävät yritykset voivat puolestaan ​​tehdä tarvittavia muutoksia prosesseihin ja työnkulkuihin reaaliajassa tai lähes reaaliajassa, jolloin ne voivat parantaa kannattavuutta ja minimoida jätteen. Tämä auttaisi heitä myös havaitsemaan vikoja ja tehottomuutta nopeasti ja reagoimaan niihin.

Korkea hyötysuhde

Yritykset voivat käyttää operatiivista analytiikkaa yksinkertaistaakseen toimintaansa tunnistamalla prosessiensa tehottomuutta ja tekemällä tarvittavia muutoksia. Esimerkiksi operatiivisen analytiikan perusteella yritys havaitsi laskutusjärjestelmän prosessissa olevan ongelman, jonka vuoksi asiakkaiden keskimääräinen odotusaika on pidentynyt. Nämä tiedot voivat saada yrityksen harkitsemaan prosessia uudelleen vähentämällä hyväksyntöjen määrää ja virtaviivaistamalla prosessia, mikä lyhentää läpimenoaikaa.

Asiakasuskollisuus

Operatiivinen analytiikka voi parantaa asiakaskokemusta antamalla yrityksille mahdollisuuden reagoida reaaliajassa liiketoimintatilanteisiin. Esimerkiksi operatiivista analytiikkaa käyttävän ruoantilausportaalin tilapäinen vaihtuminen on lisääntynyt viime kuukausina alennuksesta huolimatta.

Portaalin omistava yritys havaitsee toiminta-analytiikkatietojen avulla ohjelmistossa vian, joka vaikuttaa tietyn käyttöjärjestelmän käyttäjiin. Ruokatuotteita ei lisätä ostoskoriin, kun käyttäjät lisäävät ne ostoskoriin, minkä seurauksena sovellus kaatuu. Vika korjataan nopeasti, eikä portaali menetä asiakkaita. Tällainen käyttökokemus johtaisi asiakasuskollisuuteen.

Keskustellaan joistakin käyttötapauksista

Palveluntarjoajat

Mobility-palveluntarjoajat, kuten Uber, käyttävät Operational Analyticsia tarjotakseen asiakkailleen virheettömiä matkakokemuksia kätevimpien matkustajien noutopaikkojen valitsemisesta lyhimpien reittien suunnitteluun.

Verkkokauppiaat

Verkkokauppiaat käyttävät Operational Analyticsia arvioidakseen, mitkä tuotteet ovat suosituimpia heidän myymälöissään, ja muokatakseen varastojaan asianmukaisesti. He saavat myös pääsyn reaaliaikaisiin tietoihin asiakkaiden hauista ja kuumista trendeistä.

Lääketieteellinen

Sairaalat käyttävät Operational Analyticsia arvioidakseen päivittäin näkemiensä ensiapupotilaiden määrää. Sairaanhoitajat voivat käyttää näitä tietoja valmistellakseen reseptejä etukäteen.

Rahoittaa

Pankit ja rahoituslaitokset käyttävät Operational Analyticsia petos- ja likviditeettiriskien havaitsemiseen. Heille on annettu tehtäväksi analysoida asiakkaiden kulutustottumuksia ja luokitella ne luottoriskin ja muiden tekijöiden perusteella. Näitä tietoja käytetään löytämään asiakkaille heidän tarpeisiinsa sopivat tuotteet.

Valmistus

Teollisuudessa toiminta-analytiikkaa hyödynnetään ennakoivassa kunnossapidossa. Tuotantoyritykset käyttävät toiminnallista analytiikkaa käynnistääkseen koneiden, koneen osien ja muun omaisuuden ennaltaehkäisevän huollon mahdollisten ongelmien havaitsemiseksi ennen niiden ilmaantumista. Valmistajalle voidaan ilmoittaa näiden tietojen avulla, kun huolto on tarpeen.

Toimitusketjun hallinta

Jos Toimittaja ei pysty toimittamaan sovittuja tuotteita tiettynä päivänä yrityksille, jotka eivät ole digitaalisesti linkitettyjä, se vaatii hallinnollisia toimia kaikilta osapuolilta, mukaan lukien toimittaja, suunnittelija, tavaran vastaanotosta vastaava henkilöstö, toiminnanohjausjärjestelmä. , ja niin edelleen. Kulutus-, varasto- ja toimitusolosuhteiden perusteellisen analyysin puuttuminen on syynä tähän ylimääräiseen käsityövoimaan. Toiminnan analytiikan käyttö toimitusketjussa antaa työntekijöille hyvin jäsennellyt hallintapaneelit, jotka sisältävät tärkeitä tietoja, joita he voivat analysoida ja sopia nopeasti lisätoimituksesta Toimittajan kanssa.

Markkinointi

Markkinointipäällikkö tai muu tietojärjestelmien asiantuntija voi käyttää operatiivista analytiikkaa suorittaakseen useita kokeita kerralla, kerätäkseen havaintoja datan muodossa, lopettaakseen tuottamattomia kokeita ja hoitaakseen menestyviä, kaikki samalla tietopohjaisilla ohjelmistojärjestelmillä. Mitä enemmän kokeita he voivat suorittaa ja mitä nopeammin he saavat tuloksia, sitä tehokkaammin he myyvät tuotettaan.

Tuotteiden optimointi

Tuotepäällikkö tarkastelee toiminnallisen analytiikan tarjoamia tuotteen käyttölokeja määrittääkseen, mistä tuotteen ominaisuuksista käyttäjät pitävät, mitkä ominaisuudet hidastavat toimintaa ja mitkä ominaisuudet eivät pidä sen käyttäjiltä. Tuotepäällikkö voi sitten löytää tarvittavat vastaukset kyselemällä tietoja, jotka tallentavat käyttötapoja tuotteen käyttäjäkannasta ja syöttämällä nämä tiedot takaisin tuotteen parantamiseksi.

Johtopäätös

Operational Analytics ratkaisee ongelman synkronoimalla varastosi reaaliaikaiset tiedot BI-työkalujen kanssa. Tämä takaa, että toimintarutiinejasi ja järjestelmiäsi käytetään tehokkaasti. Operational Analyticsin avulla organisaatio antaa reaaliaikaisen liiketoimintatiedon tehon etulinjan työntekijöiden käsiin, jolloin he voivat antaa yritykselle eniten lisäarvoa. Tämän artikkelin avulla olemme ymmärtäneet Operational Analyticsin ja sen vaikutuksen yrityksiin.

Viitteet