Miten Big Data Kerätään?
nykypäivän yritykset luottavat siihen, että ne pysyvät kilpailukykyisinä asiakkaistaan, kilpailijoistaan, kokonaismarkkinoistaan ja muualtakin. Teknologian kehittymisen myötä yritysten tiedonkeruumenetelmien määrä on kasvanut huomattavasti viime vuosina. Tämä on johtanut kasvavaan kysyntään asiantuntijoille, joilla on koulutus analysoida ja tulkita näitä tietoja.
syventävä tutkinto, kuten analytiikan maisteri, on suunniteltu auttamaan kiinnostuneita löytämään vastaukset kysymyksiin kuten ” miten big data kerätään?”ja oppia, miten nykypäivän yritykset käyttävät dataa.
analytiikan historia
vaikka analytiikan historia liike-elämässä ulottuu aina 1800-luvulle asti, liike-elämän analytiikka erillisenä tieteenalana todella syntyi 1950-luvulla. silloin kehitettiin työkaluja, jotka pystyivät vangitsemaan tietoa ja tunnistamaan kuvioita ja trendejä nopeammin kuin ihmismieli. IBM: n vuonna 1956 keksimä kiintolevy oli erityisen tärkeä analytiikkaliikkeelle, mikä tasoitti tietä yrityksille korvata fyysiset arkistointijärjestelmät digitaalisilla. Nämä varhaiset yritykset business intelligence edustivat mitä data analyytikot usein kutsutaan Analytics 1.0.
tämän aikakauden ominaispiirteitä olivat pienet, jäsennellyt ja enimmäkseen sisäiset tietolähteet, kuukausia kestävät eräkäsittelytoimet sekä suppea, kuvaileva raportointi. Analyytikot käyttivät paljon enemmän aikaa tietojen keräämiseen ja valmisteluun kuin sen analysointiin, ja mitä oivalluksia analyysistä saataisiinkin, se tuli usein liian myöhään ollakseen tehokasta.
liiketiedustelun varhainen aikakausi kesti noin puoli vuosisataa, 1950-luvun puolivälistä vuoteen 2009, jolloin syntyi big datan tulo.
Big Datan aikakaudella
2000-luvun puolivälissä internetin ja sosiaalisen median jättiläiset kuten Google ja Facebook alkoivat tunnistaa, kerätä ja analysoida uudenlaista dataa. Vaikka termi ”big data” ei tullut yhteinen sanasto vasta noin 2010, analyytikot tunnustettu tämä uusi tieto oli laadullisesti erilainen kuin pienet aineistot aiemmin.
pieni tieto on syntynyt yrityksen sisäisestä toiminnasta ja liiketoimista, mutta tämä uusi tieto on peräisin ulkoisista lähteistä, jotka on saatu internetistä, julkisista tietolähteistä ja erityishankkeista, kuten Human Genome Projectista. Tämä merkitsi siirtymistä Analytics 2.0: aan ja big datan aikakauteen.
big datan tulon myötä uusia teknologioita ja prosesseja kehitettiin poimunopeudella, jotta sekä suuret että pienet yritykset voisivat muuttaa datan liiketoimintaymmärrykseksi, joka voisi auttaa tuottamaan voittoa. Hyödyntämällä etuja big data kuitenkin tarvitaan uusia käsittely puitteita, kuten OLAP ja kehittyneitä työkaluja, kuten tiedonlouhinta poimia mielekästä tietoa. Analytics 2.0-aikakauden data-analyytikot olivat paremmassa asemassa kuin aikaisemmat kollegansa. Soveltamalla aikakauden kehittyneempää teknologiaa—mukaan lukien automatisoidut tiedonhallintatyökalut-he pystyivät analysoimaan dataa, trendejä ja muuta tietoa strategisten liiketoimintapäätösten pohjaksi.
Data-analytiikan kehitys
analytiikan 2.0-aikakautta seurasi 3.0, joka kesti suunnilleen 2000-luvun lopulta 2010-luvun alkuun. tätä aikakautta leimasivat älypuhelinten käyttöönotto, sosiaalisen median yleistyminen tiedonkeruuvälineinä sekä uudet asiakaskohtaiset palvelut, joissa Analytiikkaa käytettiin tarjoamaan hyper-yksilöllisiä käyttäjäkokemuksia. Monet asiantuntijat itse asiassa uskovat, että neljäs aikakausi—Analytics 4.0—on saapunut, kun kehittyneet automatisoidut päätöksentekovälineet, jotka perustuvat pilviteknologiaan.Merkittävämpiä kehitysvaiheita data-analytiikan kehityksessä ovat olleet monet edistysaskeleet siinä, miten suurdataa kerätään. Organisaatioilla on nykyään monia menetelmiä kerätä tietoja asiakkailtaan ja äänestäjiltään.Verkkosivustot, sosiaalisen median alustat ja asiakaspuhelut, live-chatit ja kyselyt ovat selkeimpiä esimerkkejä siitä, mistä ja miten yritykset keräävät tietonsa. Myös muita monimutkaisempia menetelmiä on olemassa, mm.:
- sijaintiin perustuva mainonta: Seurantatekniikka, joka tallentaa tietoja, kuten IP-osoitteita, auttaa rakentamaan yksilöllisiä profiileja teknologian käyttäjille. Näitä tietoja käytetään sitten kohdentamaan kunkin henkilön laitteita yksilölliseen mainontaan.
- kanta-asiakasohjelmat: nämä ohjelmat tarjoavat asiakkaille kannustimia ja antavat yrityksille mahdollisuuden laatia kuluttajasta yksityiskohtainen profiili, josta käyvät ilmi tuotteiden mieltymykset ja kulutustottumukset.
- verkkomarkkinoinnin analytiikka: Liikkeellepaneva voima digitaalisen markkinoinnin, tämä yleensä edellyttää asiakkaan täyttämällä tilauslomake, joka toimittaa, että liiketoiminnan henkilökohtaisia tietoja. Yritys voi sitten käyttää näitä tietoja parantaakseen asiakaspalvelua ja tarjotakseen kuluttajalle yksilöllisemmän kokemuksen.
analytiikkaportfolioon on syntynyt uusia analyyttisiä tieteenaloja, jotka täydentävät kuvailevaa Analytiikkaa. Ennakoiva ja määräävä analytiikka – jotka antavat tietoa tapahtuman todennäköisyydestä tulevaisuudessa ja suosittelevat mahdollisia toimintatapoja-ovat nousemassa keskeisiksi työkaluiksi yritysjohtajille. Analytiikka on käytettävissä reaaliaikaisen päätöksenteon tueksi analyyttisten sovellusten avulla.
tämä analytiikan uusi aikakausi 4.0 ei suinkaan ole bisnesanalytiikan evoluutiotarinan loppu. Itse asiassa se tarjoaa uusia haasteita ja mahdollisuuksia yrityksille ja data-analyytikoille. Ne henkilöt, jotka pystyvät sekä kaapata tietoja ja järjestää sen sekä analysoida ja käyttää sitä tehdä parempia liiketoimintapäätöksiä, ovat ja tulevat jatkossakin olemaan suuri kysyntä.
polku Yritysanalytiikan uralle
tehokas data-analytiikka on välttämätöntä, jotta nykypäivän yritykset voivat kasvaa. Yritykset tarvitsevat henkilöitä, joilla ei ole vain teknistä asiantuntemusta kerätä, järjestää ja analysoida sitä, mutta myös liiketoimintaosaamista ymmärtää, miten muuttaa, että tiedot toiminnaksi.
Villanova Universityn analytiikan maisteri voi auttaa kehittämään taitoja liikeanalytiikan asiantuntijaksi. Lue lisää siitä, miten ohjelma voi auttaa sinua aloittamaan palkitsevan uran big datassa.
Suosituslukemat
Data-analytiikan trendit etsiä
miten aloittaa ura analytiikan parissa
tekniikan naiset: menestymismahdollisuudet