Vadītāja izaicinājumi, analizējot liela apjoma datus

16.01.2018
 
Ar “liela apjoma datiem” (angl. big data) parasti saprot nevis lielu ierakstu skaitu vai lielu megabaitu apjomu (kas gan bieži nāk līdzi komplektā), bet gan to, kādā veidā notiek datu apstrāde un analīze. Šajā rakstā – par būtiskām atšķirībām un vadītāja izaicinājumiem. 
 
Vienkārši jautājumi – vienkāršas atbildes
 
Gadījumus, kad ir viegli definēt, kādā veidā no datiem iegūt konkrētu atbildi, parasti neuzskata par darbu ar liela apjoma datiem pat tad, ja apstrādājamo ierakstu skaits ir liels.
 
Ja vadītāju interesē atbilde uz jautājumu, kurā no veikaliem ir vislielākais pārdošanas apjoms, bet kurā – vismazākais, tad datus par pārdošanas apjomiem var ielasīt Excel tabulā (pieņemot, ka izejdati ir pieejami un kvalitatīvi), sakārtot pēc atbilstošās kolonnas un rast atbildi.
 
Kad jautājums ir sarežģītāks…
 
Aizvien biežāk rodas situācijas, kad tik vienkāršā veidā saikni starp risināmo jautājumu un pieejamajiem datiem nav iespējams atrast. Piemēram, ja banka vēlas piedāvāt jaunu pakalpojumu esošiem klientiem, taču šis pakalpojums tiešā veidā neaizvieto kādu no esošajiem, tad šāda saikne nav acīmredzama. Papildus tam, ka jādefinē vajadzība un tehniski jāapstrādā dati, ir jāizdomā, kādā veidā nonākt pie rezultāta. Dažreiz šādos gadījumos ir jāpielieto nozares ekspertīze (piemēram, kurus pakalpojumus klients varētu pirkt kopā), dažreiz saistība ir neintuitīva, un patiesā atbilde ir jāmeklē datos, izmantojot matemātikas, statistikas u.c. modernās datu apstrādes metodes.
 
Katrā ziņā process sākas ar mērķa noteikšanu – kas ir tā biznesa problēma, ko vēlamies atrisināt? Piemēram, uzņēmumam ir infrastruktūra, un tas vēlas investēt tajā infrastruktūras daļā, kura nes vislielāko ieguldījumu atdevi. Vai arī uzņēmums vēlas atvērt jaunu veikalu, un tam ir jāizvēlas atrašanās vieta ar vislabāko izaugsmes potenciālu. Šie ir datu analīzes mērķu piemēri, kad nav acīmredzama ceļa uz pareizo atbildi.
 
Šā raksta mērķis nav detalizēta iedziļināšanās matemātiskajās, statistiskajās un mākslīgā intelekta metodēs, kas tiek piemērotas datiem, lai atrastu dažāda veida saistības – to mūsdienās dara speciālisti ar atbilstošām prasmēm šajās jomās, un tas nav tik pieejams plašam lokam kā darbs ar Excel tabulu. Vadītājam ir jāņem vērā tas, ka šis process ir eksperimentāls un bez garantēta rezultāta. Izpētes gaitā var izrādīties, ka pieejamie dati nav pietiekoši, lai atbildētu uz izpētes mērķī uzstādīto jautājumu.
 
Veicot analīzi, dažreiz nākas secināt, ka datu kvalitāte nav atbilstoša lēmuma pieņemšanai. Šādos gadījumos bieži nākas pārveidot procesus, kuru rezultātā dati tiek uzkrāti, vai sistēmas, kurās tos uzkrāj. Tas var nozīmēt, ka dati nebūs pieejami uzreiz un, iespējams, datu analīzi varēs atsākt tikai pēc daudziem mēnešiem vai vairākiem gadiem.
 
Uz liela apjoma datu analīzes jomu ir jāskatās kā uz investīcijām. Investīcijas tehniskajos aspektos (IT sistēmas un pakalpojumi), datu kvalitātes uzlabošanā, organizācijas izmaiņās, ieviešot jaunus amatus un pārveidojot uzņēmuma kultūru, visbiežāk nedod atdevi uzreiz, bet gan ilgtermiņā, turklāt uzņemoties zināmu risku, taču šī atdeve var būt ievērojama.
 
Neskatoties uz grūtībām, daudzi uzņēmumi ir guvuši pieredzi, ka liela apjoma datu analīze var vainagoties ar būtiskiem ieguvumiem.
 
Uzziniet vairāk par PwC piedāvātajiem pakalpojumiem IT sistēmu jautājumos - IT pakalpojumi.

 

 
Kontaktinformācija
Ēriks Dobelis
PwC Information Technology SIA vadītājs
eriks.dobelis@pwc.com

Tel: 67094400
© 2018 PwC. Visas tiesības aizsargātas. PwC apzīmē PwC uzņēmumu tīklu un/vai vienu vai vairākus tā dalībniekus, kurā katrai dalīborganizācijai ir atsevišķas juridiskās personas statuss. Sīkāka informācija pieejama www.pwc.com/structure.  | Pēdējās izmaiņas veiktas: 19.01.2018