Περί Εφαρμογής Ψηφιακών Εργαλείων

Τις τελευταίες δύο δεκαετίες, τα δεδομένα έχουν γίνει ένα ανεκτίμητο πλεονέκτημα για τις εταιρείες, συναγωνίζοντας παραδοσιακά περιουσιακά στοιχεία όπως η φυσική υποδομή, η τεχνολογία, η πνευματική ιδιοκτησία και το ανθρώπινο κεφάλαιο. Για μερικές από τις πιο πολύτιμες εταιρείες του κόσμου, τα δεδομένα αποτελούν τον πυρήνα του επιχειρηματικού τους μοντέλου.

Η κλίμακα παραγωγής και μετάδοσης δεδομένων έχει αυξηθεί εκθετικά. Το Forbes αναφέρει ότι η παγκόσμια παραγωγή δεδομένων αυξήθηκε από 2 zettabyte το 2010 σε 44 ZB το 2020, με προβλέψεις να ξεπερνούν τα 180 ZB έως το 2025 – μια εκπληκτική αύξηση 9.000% σε μόλις 15 χρόνια, εν μέρει λόγω της τεχνητής νοημοσύνης.

Ωστόσο, τα ανεπεξέργαστα δεδομένα από μόνα τους δεν ισοδυναμούν με χρήσιμες πληροφορίες. Τα μη επεξεργασμένα δεδομένα μπορούν να κατακλύσουν τους χρήστες, εμποδίζοντας ενδεχομένως την κατανόηση. Οι πληροφορίες – δεδομένα που είναι επεξεργασμένα, οργανωμένα και αναλώσιμα – οδηγούν σε πληροφορίες που οδηγούν σε ενέργειες και δημιουργία αξίας.

Αυτό το άρθρο μοιράζεται την εμπειρία μου στην ανάλυση δεδομένων και την εφαρμογή ψηφιακών εργαλείων, εστιάζοντας στη μόχλευση των “Μεγάλων Δεδομένων” για τη δημιουργία πρακτικών πληροφοριών. Αυτές οι πληροφορίες έδωσαν τη δυνατότητα στους χρήστες να επωφεληθούν από εμπορικές ευκαιρίες, να εντοπίσουν τομείς εξοικονόμησης κόστους και να έχουν πρόσβαση σε χρήσιμες πληροφορίες συγκριτικής αξιολόγησης. Τα έργα μας συχνά ενσωματώνουν αυτοματισμό, με αποτέλεσμα να εξοικονομείται χρόνος και να βελτιώνεται η απόδοση. Θα επισημάνω τις βασικές προκλήσεις που αντιμετωπίσαμε και τις λύσεις μας, δίνοντας έμφαση στις πρώτες φάσεις του έργου όπου οι αποφάσεις έχουν τον πιο σημαντικό αντίκτυπο.

Οι βασικοί τομείς εστίασης περιλαμβάνουν:

• Ποσοτικοποίηση των παροχών
• Ο κίνδυνος ερπυσμού του πεδίου εφαρμογής
• Πλοήγηση στις προκλήσεις με δεδομένα PDF
• Σχεδιασμός φάσης και επιδόσεων

Σε μεγάλους οργανισμούς, η διαθεσιμότητα και η προσβασιμότητα δεδομένων συχνά δημιουργούν σημαντικές προκλήσεις, ειδικά όταν συνδυάζονται δεδομένα από πολλαπλά συστήματα. Τα περισσότερα από τα έργα μου είχαν στόχο να δημιουργήσουν ένα ενοποιημένο, εναρμονισμένο σύνολο δεδομένων για αναλυτικά στοιχεία αυτοεξυπηρέτησης και διορατικούς πίνακες εργαλείων. Χρησιμοποιήσαμε ευέλικτες μεθοδολογίες για να διατηρήσουμε σαφή επίβλεψη της προόδου και των σημείων συμφόρησης, διασφαλίζοντας την υπευθυνότητα για κάθε μέλος της ομάδας.

Ο τυπικός κύκλος ζωής των έργων δεδομένων περιλαμβάνει φάσεις πεδίου εφαρμογής, σχεδιασμού, ανάπτυξης, υλοποίησης και διατήρησης. Κατά την οριοθέτηση του εύρους, ο κάτοχος του προϊόντος συνεργάζεται στενά με τον οργανισμό πελάτη/τελικού χρήστη για να κατανοήσει τις συνολικές ανάγκες, τους επιθυμητούς τύπους δεδομένων και τις πληροφορίες, τις απαιτήσεις και τη λειτουργικότητα.

Ποσοτικοποίηση των παροχών

Ένα κρίσιμο στοιχείο της φάσης οριοθέτησης είναι η περίπτωση οφέλους, όπου ποσοτικοποιούμε την πιθανή αξία της λύσης. Από την εμπειρία μου, αυτό το βήμα αποδεικνύεται συχνά προκλητικό, ιδιαίτερα κατά την εκτίμηση της αξίας των αναλυτικών πληροφοριών. Ανακάλυψα ότι ενώ ο υπολογισμός των πλεονεκτημάτων αυτοματισμού, όπως η εξοικονόμηση χρόνου, είναι σχετικά απλός, οι χρήστες δυσκολεύονται να εκτιμήσουν την αξία των πληροφοριών, ειδικά όταν ασχολούνται με δεδομένα που δεν ήταν διαθέσιμα στο παρελθόν.

Σε ένα κομβικό έργο, αντιμετωπίσαμε αυτή την πρόκληση κατά μέτωπο. Αναπτύσαμε ένα μοντέλο δεδομένων για να παρέχουμε βαθύτερες πληροφορίες σχετικά με τις συμβάσεις εφοδιαστικής. Κατά τη φάση της οριοθέτησης, προσπαθήσαμε να ποσοτικοποιήσουμε τα πιθανά οφέλη. Μόλις ανακαλύψαμε ένα πρόσφατο περιστατικό, βρήκαμε την απάντησή μας.

Λίγους μήνες νωρίτερα, ο πελάτης είχε ανακαλύψει ότι πλήρωναν υπερβολικά για έναν συγκεκριμένο αγωγό. Η δομή της σύμβασης, με διαφορετικές ογκομετρικές ροές που πυροδοτούν ποικίλους ρυθμούς, είχε οδηγήσει σε μη βέλτιστη χρήση και υπερβολικό κόστος. Προσαρμόζοντας τις ροές όγκου, είχαν καταφέρει να μειώσουν σημαντικά το μοναδιαίο κόστος. Αυτό το πραγματικό παράδειγμα αποδείχθηκε ανεκτίμητο στη διαδικασία ποσοτικοποίησης των οφελών μας.

Χρησιμοποιήσαμε αυτό το περιστατικό για να δείξουμε πώς το μοντέλο δεδομένων μας θα μπορούσε να έχει:

1. Εντοπίστηκε το πρόβλημα νωρίτερα, εξοικονομώντας πιθανώς μήνες υπερπληρωμών
2. Παρέχεται συνεχής παρακολούθηση για την αποφυγή παρόμοιων προβλημάτων στο μέλλον
3. Προσφέρονται πληροφορίες για τη βελτιστοποίηση των ρυθμών ροής σε όλα τα συμβόλαια

Αυτό το συγκεκριμένο παράδειγμα όχι μόνο μας βοήθησε να ποσοτικοποιήσουμε τα οφέλη αλλά και ανύψωσε την προτεραιότητα του έργου με τα ανώτερα στελέχη, εξασφαλίζοντας τη χρηματοδότηση που χρειαζόμασταν. Ήταν ένα κρίσιμο μάθημα για τη δύναμη της χρήσης απτών, πρόσφατων γεγονότων για την απεικόνιση της πιθανής αξίας.

Ωστόσο, δεν έχουν όλα τα έργα τέτοια ξεκάθαρα παραδείγματα. Σε αυτές τις περιπτώσεις, έχω αναπτύξει εναλλακτικές προσεγγίσεις:

1. Συγκριτική αξιολόγηση: Συγκρίνουμε την απόδοση του τμήματος με άλλα τμήματα ή ανταγωνιστές, προσδιορίζοντας την καλύτερη απόδοση στην κατηγορία και ποσοτικοποιώντας την αξία της επίτευξης αυτού του επιπέδου.
2. Ποσοστό βελτίωσης: Υπολογίζουμε μια συντηρητική ποσοστιαία βελτίωση των συνολικών εσόδων ή του κόστους του τμήματος που προκύπτει από το μοντέλο. Ακόμη και ένα μικρό ποσοστό μπορεί να μεταφραστεί σε σημαντική αξία σε μεγάλους οργανισμούς.

Ανεξάρτητα από τη μέθοδο, έχω μάθει τη σημασία του καθορισμού σαφών, μετρήσιμων κριτηρίων επιτυχίας. Τώρα καθορίζουμε πάντα πώς θα μετρώνται τα οφέλη μετά την εφαρμογή. Αυτή η πρακτική όχι μόνο διευκολύνει την ευκολότερη επανεκτίμηση, αλλά διασφαλίζει επίσης την υπευθυνότητα για την απόφαση εφαρμογής της ψηφιακής λύσης.

Ένα άλλο πολύτιμο μάθημα προήλθε από μια απροσδόκητη πηγή. Σε πολλά έργα, ανακαλύψαμε “πλευρικούς πελάτες” – τμήματα ή ομάδες που θα μπορούσαν να επωφεληθούν από το μοντέλο δεδομένων μας, αλλά δεν ήταν μέρος του αρχικού πεδίου εφαρμογής. Σε μια περίπτωση, ένα μοντέλο που σχεδιάστηκε για την ομάδα logistics αποδείχθηκε ανεκτίμητο για το οικονομικό τμήμα στον προϋπολογισμό και τις προβλέψεις.

Αυτή η εμπειρία με δίδαξε να κάνω ένα ευρύτερο δίχτυ κατά τον καθορισμό της πελατειακής βάσης. Πλέον εξετάζουμε τακτικά πέρα από το τμήμα αιτήσεων κατά τη διάρκεια της φάσης οριοθέτησης. Αυτή η προσέγγιση έχει συχνά αυξήσει τα συνολικά οφέλη και την προτεραιότητα του έργου, μετατρέποντας μερικές φορές ένα οριακό έργο σε μια απαραίτητη πρωτοβουλία.

Αυτές οι εμπειρίες υπογραμμίζουν μια κρίσιμη εικόνα: σε μεγάλους οργανισμούς, πολλοί χρήστες σε διαφορετικούς τομείς συχνά αντιμετωπίζουν παρόμοια προβλήματα χωρίς να το συνειδητοποιούν. Εντοπίζοντας έγκαιρα αυτές τις συνέργειες, μπορούμε να δημιουργήσουμε πιο ολοκληρωμένες, πολύτιμες λύσεις και να δημιουργήσουμε ισχυρότερες περιπτώσεις για εφαρμογή.

Ο κίνδυνος ερπυσμού του πεδίου εφαρμογής

Ενώ η διεύρυνση της πελατειακής βάσης ενισχύει τον αντίκτυπο του μοντέλου, αυξάνει επίσης τον κίνδυνο ερπυσμού του εύρους. Αυτό συμβαίνει όταν ένα έργο προσπαθεί να φιλοξενήσει πάρα πολλούς ενδιαφερόμενους φορείς, υποσχόμενος υπερβολική ή υπερβολικά πολύπλοκη λειτουργικότητα, δυνητικά διακυβεύοντας τον προϋπολογισμό και το χρονοδιάγραμμα. Ο ιδιοκτήτης και η ομάδα του προϊόντος πρέπει να κατανοήσουν σαφώς τους πόρους και τις ρεαλιστικές δυνατότητες παράδοσης εντός του συμφωνημένου χρονικού πλαισίου.

Για τον μετριασμό αυτού του κινδύνου:

1. Προβλέψτε κάποιες εργασίες σχεδιασμού κατά τη φάση της οριοθέτησης.
2. Αξιολογήστε εάν νέες απαιτήσεις μπορούν να ικανοποιηθούν με υπάρχουσες πηγές δεδομένων ή απαιτούν την απόκτηση νέων.
3. Θέστε σαφείς, ρεαλιστικές προσδοκίες με τη διαχείριση πελατών σχετικά με το εύρος και τη σκοπιμότητα.
4. Δημιουργήστε μια χειροκίνητη μακέτα του τελικού προϊόντος κατά την οριοθέτηση του εύρους για να διευκρινιστούν οι απαιτήσεις για την πηγή δεδομένων και να δώσετε στους τελικούς χρήστες μια απτή προεπισκόπηση του αποτελέσματος.
5. Χρησιμοποιήστε πραγματικά υποσύνολα δεδομένων σε μακέτες αντί για εικονικά δεδομένα, καθώς οι χρήστες σχετίζονται καλύτερα με γνωστές πληροφορίες.

Οι προκλήσεις που σχετίζονται με τα δεδομένα PDF

Αρκετά έργα τόνισαν προκλήσεις στη λήψη δεδομένων PDF. Οι χρήστες συχνά ζητούσαν λεπτομέρειες από τιμολόγια και καταστάσεις πωλητών τρίτων που δεν είναι διαθέσιμα στα χρηματοοικονομικά μας συστήματα. Ενώ οι λογιστικές ομάδες συνήθως κρατούν συνοπτικές εκδόσεις, οι χρήστες χρειάζονταν λεπτομέρειες στοιχείων γραμμής για αναλυτικά στοιχεία.

Η εξαγωγή δεδομένων από αρχεία PDF απαιτεί τη θέσπιση κανόνων και λογικής για κάθε στοιχείο δεδομένων, μια σημαντική προσπάθεια που αξίζει τον κόπο μόνο για πολλά PDF με παρόμοιες δομές. Ωστόσο, όταν ασχολούμαστε με έγγραφα από χιλιάδες προμηθευτές με διαφορετικές μορφές που μπορεί να αλλάξουν με την πάροδο του χρόνου, η ανάπτυξη κανόνων χαρτογράφησης γίνεται τεράστια εργασία.

Προτού συμπεριλάβω την εξαγωγή PDF σε ένα αντικείμενο έργου, τώρα χρειάζομαι μια λεπτομερή κατανόηση των εγγράφων που εμπλέκονται και διασφαλίζω ότι ο οργανισμός του τελικού χρήστη κατανοεί πλήρως τις σχετικές προκλήσεις. Αυτή η προσέγγιση οδήγησε συχνά σε επαναπροσδιορισμό του εύρους του έργου, καθώς τα οφέλη μπορεί να μην δικαιολογούν το κόστος και μπορεί να υπάρχουν εναλλακτικά μέσα για την επίτευξη των επιθυμητών γνώσεων.

Σχεδιασμός φάσης και επιδόσεων

Η φάση του σχεδιασμού περιλαμβάνει την ανάλυση στοιχείων εύρους, τον εντοπισμό πηγών δεδομένων, την αξιολόγηση των βέλτιστων μεθόδων διεπαφής δεδομένων, τον καθορισμό βημάτων επιμέλειας και υπολογισμού και τεκμηρίωση του συνολικού μοντέλου δεδομένων. Περιλαμβάνει επίσης αποφάσεις σχετικά με τη φιλοξενία μοντέλων δεδομένων, εφαρμογές λογισμικού για μεταφορά και οπτικοποίηση δεδομένων, μοντέλα ασφαλείας και συχνότητα ροής δεδομένων. Οι βασικές απαιτήσεις σχεδιασμού περιλαμβάνουν συνήθως την ευαισθησία δεδομένων, την αξιοπιστία, την ευελιξία, την προσβασιμότητα, τον αυτοματισμό και την απόδοση/ταχύτητα.

Η απόδοση είναι ζωτικής σημασίας, καθώς οι χρήστες αναμένουν αποκρίσεις σχεδόν σε πραγματικό χρόνο. Τα αργά μοντέλα, ανεξάρτητα από τις γνώσεις τους, βλέπουν συχνά περιορισμένη χρήση. Οι συνήθεις μέθοδοι βελτίωσης της απόδοσης περιλαμβάνουν την υλοποίηση του τελικού συνόλου δεδομένων για την αποφυγή υπολογισμών που βασίζονται στην κρυφή μνήμη. Η επιλογή εργαλείου οπτικοποίησης επηρεάζει επίσης σημαντικά την απόδοση. Η δοκιμή διαφόρων εργαλείων κατά τη φάση του σχεδιασμού και ο χρονισμός κάθε βήματος μοντέλου συμβάλλει στην ενημέρωση της επιλογής εργαλείου. Η επιλογή εργαλείου μπορεί να επηρεάσει το σχεδιασμό, καθώς κάθε εργαλείο έχει προτιμώμενες δομές δεδομένων, αν και η εταιρική στρατηγική και οι εκτιμήσεις κόστους μπορεί τελικά να οδηγήσουν στην απόφαση.

Μελλοντικές τάσεις

Οι αναδυόμενες τάσεις αναδιαμορφώνουν το τοπίο της ανάλυσης δεδομένων. Τα εργαλεία προετοιμασίας και ανάλυσης δεδομένων επιτρέπουν πλέον σε μη προγραμματιστές να δημιουργούν μοντέλα δεδομένων χρησιμοποιώντας έξυπνες γραφικές διεπαφές με λειτουργία μεταφοράς και απόθεσης. Οι χρήστες μπορούν να προσομοιώσουν και να οπτικοποιήσουν κάθε βήμα, επιτρέποντας την άμεση αντιμετώπιση προβλημάτων. Αυτός ο εκδημοκρατισμός της μοντελοποίησης δεδομένων επεκτείνει την τάση ανάλυσης αυτοεξυπηρέτησης, δίνοντας τη δυνατότητα στους χρήστες να δημιουργήσουν τα δικά τους μοντέλα δεδομένων.

Ενώ υπάρχουν όρια στην πολυπλοκότητα των προϊόντων δεδομένων που δημιουργούνται από τον τελικό χρήστη και οι οργανισμοί μπορεί να προτιμούν τα εταιρικά σύνολα δεδομένων που διαχειρίζονται σε κεντρικό επίπεδο για ευρέως χρησιμοποιούμενα δεδομένα, αυτά τα εργαλεία επεκτείνουν τις δυνατότητες μοντελοποίησης δεδομένων πέρα από τους επαγγελματίες πληροφορικής.

Μια προσωπική εμπειρία δείχνει τον αντίκτυπο αυτής της τάσης: Κατά τη διάρκεια της φάσης οριοθέτησης ενός έργου, αντιμετωπίζοντας την πιθανή απώλεια ενός προγραμματιστή, περάσαμε από ένα προγραμματισμένο μοντέλο SQL στο Alteryx. Ο ιδιοκτήτης του προϊόντος δημιούργησε με επιτυχία το μοντέλο δεδομένων με ελάχιστη υποστήριξη πληροφορικής, ενισχύοντας τόσο τις τεχνικές του δεξιότητες όσο και την ικανοποίηση από την εργασία.

Η κοινωνικοποίηση της δημιουργίας σύνθετων αναλυτικών εργαλείων προσφέρει σημαντικά οφέλη. Οι εταιρείες θα πρέπει να εξετάσουν το ενδεχόμενο παροχής προγραμμάτων κατάρτισης για να μεγιστοποιήσουν την αξία αυτών των εφαρμογών. Επιπλέον, οι βοηθοί τεχνητής νοημοσύνης μπορούν να προτείνουν ή να διορθώσουν κώδικα, επιταχύνοντας περαιτέρω την υιοθέτηση αυτών των εργαλείων. Αυτή η μετατόπιση μπορεί να μετατρέψει κάθε εργαζόμενο σε επαγγελματία δεδομένων, εξάγοντας τη μέγιστη αξία από τα δεδομένα της εταιρείας χωρίς εκτεταμένη υποστήριξη πληροφορικής.

Ξεκλειδώστε την τιμή των δεδομένων

Η λήψη αποφάσεων με γνώμονα τα δεδομένα γνωρίζει ταχεία ανάπτυξη σε όλους τους κλάδους. Για να ξεκλειδώσετε την αξία των δεδομένων, πρέπει να μετατραπούν σε δομημένες, λειτουργικές πληροφορίες. Τα έργα ανάλυσης δεδομένων στοχεύουν στην ενοποίηση δεδομένων από διάφορες πηγές σε ένα κεντρικό, εναρμονισμένο σύνολο δεδομένων έτοιμο για κατανάλωση από τον τελικό χρήστη.

Αυτά τα έργα περιλαμβάνουν διάφορες φάσεις – εύρος εφαρμογής, σχεδιασμός, κατασκευή, υλοποίηση και υποστήριξη – το καθένα με μοναδικές προκλήσεις και ευκαιρίες. Η φάση του πεδίου εφαρμογής είναι ιδιαίτερα κρίσιμη, καθώς οι αποφάσεις που λαμβάνονται εδώ επηρεάζουν βαθιά ολόκληρο τον κύκλο ζωής του έργου.

Το παραδοσιακό μοντέλο της στήριξης σε ειδικούς προγραμματιστές IT εξελίσσεται με την εμφάνιση φιλικών προς τον χρήστη εργαλείων προετοιμασίας και ανάλυσης δεδομένων, που συμπληρώνονται από βοηθούς τεχνητής νοημοσύνης. Αυτή η εξέλιξη μειώνει το εμπόδιο στη δημιουργία αναλυτικών μοντέλων, επιτρέποντας σε ένα ευρύτερο φάσμα τελικών χρηστών να συμμετάσχουν στη διαδικασία. Τελικά, αυτός ο εκδημοκρατισμός της ανάλυσης δεδομένων θα ενισχύσει περαιτέρω τον αντίκτυπό της στη λήψη εταιρικών αποφάσεων, οδηγώντας την καινοτομία και την αποτελεσματικότητα σε όλους τους οργανισμούς.