Επισκόπηση:
πολλαπλασιασμό των δεδομένων έχει γίνει κάθε επιχείρηση τα δεδομένα με γνώμονα. Ο αντίκτυπος είναι, όλες οι επιχειρήσεις είναι analytics οδηγείται και όλοι οι χρήστες των επιχειρήσεων είναι οι χρήστες analytics. Έτσι, η μεγάλη πρόκληση της σύγχρονης επιχείρησης είναι πώς να εξισορροπήσει υποστήριξη για analytics self-service με παράλληλη εξασφάλιση της ασφάλειας και της ακεραιότητας. Ο σκοπός των analytics self-service είναι να ενδυναμώσει τους χρήστες των επιχειρήσεων να συνεργαστούν με τα σχετικά στοιχεία τους, ανεξάρτητα με λίγη βοήθεια από αυτό ή ομάδα BI. Η διαδικασία self-service μπορεί να γίνει μόνο επιτυχημένη, με τη βοήθεια των πιο πρόσφατα εργαλεία BI self-service και τις υποδομές, επειδή οι παραδοσιακές BI εργαλεία δεν είναι κατάλληλα για την υποστήριξη self-service.
In this article, θα προσπαθήσουμε να διερευνήσει τις δύο πλευρές των analytics self-service και τον αντίκτυπό της στις επιχειρήσεις. Θα λάβει επίσης μια ματιά στο μέλλον αυτής της τάσης.
Η άνοδος των analytics self-service
analytics self-service μπορεί να οριστεί ως μια απλή μορφή της επιχειρηματικής ευφυΐας (BI), όπου οι χρήστες των επιχειρήσεων που είναι αρμόδια για την πρόσβαση των σχετικών δεδομένων, εκτελέσετε ερωτήματα και να δημιουργήσει τις εκθέσεις τους με τη βοήθεια της εύκολης στη χρήση self-service BI εργαλεία. Η όλη διαδικασία self-service έχει απλοποιηθεί ή να μειωθεί για καλύτερη χρηστικότητα.
Ο σκοπός των analytics self-service είναι να επιτρέψει στους χρήστες των επιχειρήσεων να προβαίνουν οι ίδιοι τους μέρα με την ημέρα analytics καθήκοντα και απελευθερώνει το BI ομάδα (έχοντας τη σωστή πίσω μέρος του εδάφους στη στατιστική ανάλυση και τα δεδομένα της επιστήμης) να εμπλακούν σε πιο κρίσιμη διαδικασία ανάλυσης των δεδομένων.
όπως ανά πρόβλεψη της Gartner, by 2017, οι περισσότεροι από τους επιχειρηματικούς χρήστες θα έχουν πρόσβαση σε εργαλεία BI self-service. Αλλά την ίδια στιγμή, ένας στους δέκα πρωτοβουλίες θα ευνομούμενη με θετικό αντίκτυπο των επιχειρήσεων. And, τα υπόλοιπα θα έχουν προβλήματα με ασυνέπεια δεδομένων.
Πώς μπορούμε να διαχειριστεί το χάος δεδομένων?
Στη σύγχρονη εποχή των επιχειρήσεων, οργανώσεις πρέπει να είναι πιο ευέλικτη σε περίπτωση νέων πηγών δεδομένων και τις απαιτήσεις των επιχειρήσεων. Self-service analytics είναι ένα βήμα προς την επίτευξη του στόχου αυτού. And, η πρόκληση είναι πώς να διαχειριστεί το χάος των δεδομένων, ενώ οι υπάλληλοι κάνουν analytics self-service.
Μετά είναι μερικοί δείκτες που μπορούν να μας βοηθήσουν να διαχειριστούμε το χάος δεδομένων.
- Εισαγωγή πιο ισχυρή self-service πλατφόρμες BI μαζί με τα υπάρχοντα εργαλεία BI
- Αναπτύξτε την υιοθέτηση σύγχρονων BI εργαλεία σε κάθε επιμέρους επιχειρηματικών μονάδων
- Εφαρμόσουν αυστηρή διακυβέρνηση για τη διασφάλιση της ποιότητας των δεδομένων και της συνέπειας
- Εισάγουν σαφείς ρόλους και αρμοδιότητες σε όλη την οργάνωση
analytics self-service και «δεδομένα πολίτη επιστήμονας '
επιστήμονας δεδομένα των πολιτών είναι ένας όρος που έχει στενό δεσμό με analytics self-service. Η ιδέα είναι, με τη βοήθεια των προηγμένων BI εργαλεία και τεχνολογίες, επιχειρηματικούς χρήστες (οι οποίοι δεν έχουν την κατάλληλη επιστημονική δεδομένων πίσω έδαφος) μπορεί να εκτελέσει τα καθήκοντα analytics (analytics self-service). Αυτοί σύνολο των ανθρώπων που είναι γνωστά ως επιστήμονες δεδομένα των πολιτών, αν και, οι άνθρωποι έχουν διαφορετικές απόψεις με αυτόν τον όρο. Σύμφωνα με την πρόβλεψη της Gartner, ο αριθμός των επιστημόνων δεδομένα των πολιτών θα αυξηθεί πέντε φορές από το έτος 2017.
επιστήμονας δεδομένα των πολιτών
Εικόνα1: Η έννοια του πολίτη επιστήμονας δεδομένων
Πλεονεκτήματα της analytics self-service
Big δεδομένων και analytics αποτελεί πλέον αναπόσπαστο μέρος της κάθε οργάνωσης και των επιχειρηματικών τους. Είναι εξαπλώνεται τόσο γρήγορα, ότι οι οργανισμοί δυσκολεύονται να διαχειριστούν με περιορισμένο αριθμό των επαγγελματιών της επιστήμης καθαρό δεδομένων. Εδώ έρχεται η άνοδος των analytics self-service και οι επιστήμονες δεδομένα των πολιτών.
Μετά, είναι μερικά από τα πλεονεκτήματα.
- Εκδημοκρατισμό Big Data: Εκδημοκρατισμός των μεγάλων δεδομένων είναι δυνατή μόνο όταν χρησιμοποιείται με την πλειοψηφία των χρηστών. analytics self-service κάνει το δρόμο προς αυτή την κατεύθυνση. Εξαπλώνεται η ευαισθητοποίηση των κοινών χρηστών που συμμετέχουν ενεργά ή θα συμμετέχουν σε analytics εργασίες self-service.
- Ενισχύστε την επιχείρησή χρήστες: Σε αυτή την εποχή της έκρηξης δεδομένων, εάν τα analytics εργασίες περιορίζονται μέσα σε ένα περιορισμένο σύνολο ανθρώπων, τότε ο οργανισμός δεν θα είναι σε θέση να αξιοποιήσει τη δύναμη των analytics. analytics self-service εξουσιοδοτεί τους επιχειρηματικούς χρήστες να κάνουν οι ίδιοι τα καθήκοντά τους.
- επιστημονική ομάδα δεδομένων μπορεί να επικεντρωθεί στα καθήκοντα πυρήνα analytics: Με τη χρήση analytics self-service, επιχειρηματικούς χρήστες μπορούν να εκτελούν λιγότερο εντατικές εργασίες, όπως η εξερεύνηση των δεδομένων, επαλήθευση, οπτικοποίηση και την υποβολή εκθέσεων σχετικά με τις δικές τους. Σαν άποτέλεσμα, η επιστημονική ομάδα πυρήνα των δεδομένων μπορεί να επικεντρωθεί στις πιο κρίσιμες και σύνθετες εργασίες. Και αυτό δίνει πολλές προσθήκη αξίας για τον οργανισμό και τις επιχειρήσεις.
- Εργαστούν από κοινού για την καλύτερη παραγωγικότητα: Self-service analytics χρηστών και των βασικών στοιχείων της επιστημονικής ομάδας μπορούν να εργαστούν μαζί για το καλύτερο αποτέλεσμα. Οι επιχειρηματικοί χρήστες μπορούν να βοηθήσουν τους εαυτούς τους με self-service, και η ομάδα της επιστήμης βασικά στοιχεία μπορεί να πάρει στοιχεία από analytics ομάδα self-service για περαιτέρω προηγμένη analytics ή σύνθετες εργασίες. Έτσι, πηγαίνει μαζί ως μία ενιαία ομάδα για την επίτευξη ενός κοινού στόχου.
Οι κίνδυνοι της analytics self-service
Κάθε νέα αντίληψη έχει το δικό τους κινδύνους της, και self-service Analytics δεν είναι διαφορετική. Ας προσπαθήσουμε να αναλύσουμε ορισμένα από παράγοντες κινδύνου που σχετίζονται με αυτό.
- Έλλειψη κατάλληλης κατάρτισης: Για την υλοποίηση self-service, το πρώτο βήμα είναι να επιλέξετε το δικαίωμα σύνολο των ανθρώπων και η εκπαίδευσή τους αυστηρά για τα εργαλεία BI self-service. Έλλειψη κατάλληλης κατάρτισης μπορεί να οδηγήσει σε λανθασμένη απόφαση.
- Περιορισμοί των χρηστών των επιχειρήσεων: Οι επιχειρηματικοί χρήστες έχουν επίσης τη δική τους περιορισμούς όσον αφορά τις δεξιότητες, γνώση, πίσω προσόντα του εδάφους κ.λπ.. So, ένας οργανισμός πρέπει να το κρίνουμε σωστά που μπορεί να κάνει ό, τι. Και μετά από αυτό, θα πρέπει να παρέχονται ειδικές προπονήσεις. Αλλιώς, Οι περιορισμοί αυτοί μπορεί να αποφέρει αρνητικά αποτελέσματα.
- Κίνδυνος εργαλεία αυτοεξυπηρέτησης: Δεν μπορείτε να βασιστούν πλήρως στο self-service BI εργαλεία όπως τα εργαλεία αυτά μπορούν επίσης να έχουν λάθη. Γι 'αυτό μπορεί να είναι επικίνδυνη, εάν τα αποτελέσματα από αυτά τα εργαλεία δεν έχουν ελεγχθεί και επαληθευτεί σωστά.
- ασυνέπεια δεδομένων: Οργανισμοί πρέπει να εξασφαλιστεί η συνοχή των δεδομένων πριν από την εφαρμογή self-service σε διάφορες επιχειρηματικές στρώματα. Οποιαδήποτε ασυνέπεια στα δεδομένα μπορεί να οδηγήσει σε ασυνεπή και εσφαλμένη εξόδου.
- Η έλλειψη σωστής διακυβέρνησης: Ακόμα και μετά την εξασφάλιση όλων των παραπάνω σημείων, κινδύνου δεν αφαιρούνται τελείως εκτός ορθή διακυβέρνηση υλοποιείται σε όλη τη διαδικασία. Τυχόν τρύπες βρόχο στη διαδικασία διακυβέρνησης μπορεί να κάνει ένα χάος.
Ποιο είναι το μέλλον?
Big δεδομένα πρόκειται να αυξηθεί μέρα με τη μέρα και ως εκ τούτου τα analytics θα κυβερνήσει τον κόσμο των επιχειρήσεων. Έτσι, το μέλλον είναι όλα σχετικά μεγάλο δεδομένων και analytics σε διαφορετικές μορφές. Τωρα ειναι η ωρα, όταν οι οργανισμοί προσπαθούν να διαδώσουν τις απλές εργασίες analytics στους χρήστες των επιχειρήσεων και αξιοποιούν τη βασική ικανότητα της επιστημονικής ομάδας δεδομένων σε ειδικότερους τομείς,. Έτσι, το επιχειρηματικό, IT και η ομάδα της επιστήμης βασικών στοιχείων θα εργαστούν από κοινού για την επίτευξη των κοινών στόχων της επιχειρηματικής επιτυχίας.
Summary: analytics self-service είναι εδώ για να μείνει και να εξαπλωθεί σταδιακά σε όλες τις επιχειρηματικές στρώματα. Ο όρος «επιστήμονας δεδομένα των πολιτών’ είναι άρρηκτα συνδεδεμένη με analytics self-service, και αυτό σημαίνει ότι οι χρήστες self-service. Μπορεί, Ο όρος μπορεί να αλλάξει για να γίνει πιο συγκεκριμένη και ουσιαστική, καθώς υπάρχουν πολλές συζητήσεις γύρω από αυτό. Αλλά η κύρια πρόθεση είναι να προσδιοριστούν τα οφέλη και τους κινδύνους των analytics self-service και το μέλλον της. And, είναι σαφώς ορατό ότι ο πολιτισμός των analytics self-service θα βοηθήσει όλους τους οργανισμούς, εάν η κατάλληλη μέριμνα λαμβάνεται από τη διαχείριση.
