Marahil narinig mo ang tungkol sa malaking data na ginagamit upang malaman kung ano ang gusto mong bilhin, basahin, at sundin. Ano ang malamang na hindi mo naisip tungkol sa kung paano maaaring gamitin ito ng iyong kumpanya upang mapalabas ang iyong pagiging produktibo.
Ngunit si Alexander Vorobiev, isang Tagapayo ng Advanced na Analytics sa TransUnion, ay mayroon. Siya ay isang whiz sa lahat ng mga bagay malaking data. At habang ang kanyang papel ay pangunahing tumutukoy sa kung paano ang malaking data ay maaaring makaapekto sa mga serbisyo sa pananalapi, alam niya ang mga aplikasyon para sa malaking data ay walang hanggan. Isang tulad? Pag-isip kung paano ang mga kumpanya ay maaaring gumamit ng mga pamamaraan ng analytical upang madagdagan ang pagiging produktibo, at makita ang mas mahusay na mga resulta ng negosyo.
Nakakaintriga sa tunog? Magbasa upang malaman kung paano ito nagawa:
Hanapin ang Iyong Hipotesis
Una kailangan mo ng isang teorya upang subukan. "Ang paglikha ng isang programa sa wellness ng lugar ng trabaho ay maaaring dagdagan ang pagiging produktibo" maaaring isa. "Ang pagpapahintulot sa mga empleyado na magtrabaho mula sa bahay ay makakatulong sa pagmamaneho ng mga benta" ay maaaring isa pa.
Bilang pinuno ng isang kagawaran o tagagawa ng desisyon, maaaring magkaroon ka ng isang gat instinct tungkol sa kung paano gumagana ang iyong mga empleyado. Marahil ito ay ang mga empleyado na darating sa isang oras mamaya ay tumagal ng mas kaunting pahinga sa buong araw, o kung ang mga empleyado ay gumagamit ng kanilang oras ng tanghalian upang mag-ehersisyo na may posibilidad na hindi sila pasok sa 3 PM. Anuman ang maaaring ipalagay, ito ang iyong hypothesis na susubukan.
Ipunin ang Tamang Data
Isa sa mga pinaka kritikal na hakbang sa paggamit ng malaking data. Lahat ng pagsusuri sa mundo ay hindi gaanong gagamitin kung hindi mo sukatin ang mga tamang bagay. Dalhin ang hypothesis na "nagtatrabaho mula sa bahay ay nagpapabuti ng pagiging produktibo." Ang ilang mga potensyal na puntos ng data upang masukat dito ay maaaring magsama ng bilang ng mga empleyado ng telecommuting, ilang araw na sila ay nagtrabaho mula sa bahay, at mga pagsusuri ng superbisor sa pagtatapos ng tinatayang panahon.
Inirerekomenda ni Vorobiev na ang mga kumpanya ay umarkila ng mga dalubhasa sa mga inhinyero ng data o mga panlabas na tagapayo upang magsagawa ng pagsusuri ng mga kalakaran sa lugar ng trabaho at iba pang mga lugar kung saan ang malaking data ay siguradong gagamitin. Ang nasabing data siyentipiko ay hindi lamang maaaring suriin ang mga pangwakas na resulta, maaari rin nilang iminumungkahi ang tamang mga parameter upang masukat.
Mag-set up ng isang Halimbawang Pag-aaral
Ang mga kumpanya ay maaaring magrekluta ng mga empleyado para sa mga pag-aaral sa pamamagitan ng pag-dangal ng isang karot (libre sa pagiging kasapi ng gym para sa isang taon ay mabuti) kahit na ang isa ay dapat na magbantay para sa mga bias na halimbawa (ang mga taong nag-sign up para sa isang club ng libro, halimbawa, ay maaaring maging mga nagustuhan upang basahin).
Ngunit ang pangangalap ay maaaring maganap sa iba pang mga paraan. Ang mga puntos ng Vorobiev sa isang pag-aaral sa lugar ng trabaho na isinasagawa ng Bank of America kung saan ang mga empleyado ay nagsuot ng mga badge ng ID na may mga tag RFID at ang kanilang mga pakikipag-ugnayan sa isa't isa at kasunod na pagiging produktibo ay sinusukat.
Gayunpaman, inamin ni Vorobiev na ang privacy ay isang lehitimong hadlang. Ngunit may mga paraan na itago ang impormasyon ng empleyado kaya ang mga analyst ay nakatuon lamang sa mas malalaking mga uso. Ang mga hindi nagpapakilalang mga sagot sa bubble o online survey ay isang mabilis at madaling paraan ng paghahanap ng mga pattern nang hindi pinangalanan ang mga pangalan.
Kapag nalaman mo na kung sino ang mag-aral, ang mga online na survey ay isang mabilis na paraan ng pagtipon ng kinakailangang data.
Sa wakas, Suriin!
Ngayon nakuha mo na ang mga resulta, maaaring pag-aralan ito ng malaking data at hanapin ang mga uso. Mahalagang tandaan na ang malaking pagsusuri ng data ay simpleng regular na pag-aaral ng data sa mga steroid. Ikaw, bilang isang empleyado o may-ari ng kumpanya, ay maaaring palaging magsagawa ng pagsusuri ng data. Ngunit ang malaking data ay nagpoproseso ng impormasyon na nagmumula sa isang bilang ng mga mapagkukunan at maraming iba't ibang mga paraan nang mas mahusay at mabilis.
Basta huwag mawala sa pagsusuri ng paralisis. "Maaari kang mag-over-engineer kahit ano, " sabi ni Vorobiev, "Mayroong isang tanyag na sinasabi tungkol sa mga istatistika na may sapat na presyon ang data ay aaminin sa lahat. Maaaring maging isang magandang ideya na itigil ang pagsusuri sa sandaling makakuha ka ng mga x bilang ng input o mga resulta at pagkatapos makita kung ano ang sinasabi sa iyo ng data. "
Ang epekto ng ilaw sa kalye - kung saan ang isang tao na nawala ang kanyang mga susi ay nakikita lamang sa ilalim ng ilaw dahil doon kung saan pinakamadaling gawin ito - ay isang lehitimong pag-aalala pagdating sa malaking pagsusuri ng data. Alalahanin na ang pinaka nakakagulat na mga uso ay maaaring hindi kung saan mo unang isiping tumingin.
Ang pag-alis ayon kay Vorobiev: "Maraming nasusukat, madaling napapansin, mga aspeto ng ating buhay sa trabaho na, kung pinag-aralan, ay maaaring makagawa ng hindi inaasahang resulta. At kung ang isa sa kanila ay maaaring humantong sa isang mas maayos at produktibong kapaligiran, sulit na subukan. "
