NA KOJI NAČIN VI ANALIZIRATE PODATKE? Milan Listeš, Regional BI Manager, Adacta Group.
Podaci su svuda oko nas – ovu rečenicu svakodnevno čujemo na javnim konferencijama, internetu, poslu, ulici, u liftu – bukvalno svuda. Međutim, šta ona tačno implicira i da li su se naši životi i naše poslovanje zapravo promenili u proteklih nekoliko godina, u smislu načina upravljanja podacima, rekao bih – nažalost, ne! Ako pogledate ova dva grafikona ispod, možete videti da prosečan broj buzzworda, povezanih sa podacima koji se mogu naći na internetu, raste slično kao i količina podataka sama po sebi: napredna analitika, podaci generisani od strane mašina, mobilni BI, self-service analitika, nauka o podacima, analitika u realnom vremenu, pametni podaci i mnogi drugi pojmovi su veoma popularni na IT konferencijama.
[caption id="attachment_26735" align="aligncenter" width="591"]
Milan Listeš, Regional BI Manager, Adacta Group.[/caption]
Ako duže vreme razmišljate o projektima koji se odnose na analizu podataka, videćete da su svi oni, bez obzira na to koliko su orijentisani na korisnike, i dalje u suštini tehnički projekti. Kompleksno tehničko rešenje stoji iza svakog od ovih buzzworda. Pored toga, ako uđete u bilo koju prosečnu kompaniju u regionu, videćete da su sve one još uvek daleko od složenih tema koje smo spomenuli i da se još uvek bore sa ručnom pripremom podataka: copy-paste, Vlookup-om i drugim funkcionalnostima. Glavno pitanje je: zašto? Imamo cool naprednu tehnologiju, pa šta nedostaje?
U Wikipediji pod pojmom buzzwords pronaći ćete jedan zanimljiv pojam, ali ne u delu – Science and Technology, već u delu Education, a pojam je Data Literacy. Ako tražite dalje, naći ćete samo jednu definiciju od strane MIT-a, koji navodi: „Pismenost o podacima uključuje sposobnost čitanja, rada, analize i argumentovanog raspravljanja sa podacima“. Sada se usuđujem da vas izazovem da malo više razmislite o ovome. Svi možemo da tumačimo podatke i svi definitivno radimo sa njima (bar sa Vlookup-om). Neki od nas možda čak i analiziraju podatke, ali svi moramo da priznamo – nismo posebno stručni u tome da se argumentovano raspravljamo koristeći podatke. Zašto je to tako?
Zato što se od nas očekuje da ćemo biti dobri u tome. Naši poslodavci očekuju da ćemo biti dobri sa podacima i da smo u tom smislu pismeni. Ako se vratite u prošlost i razmislite o matematičkim problemima iz osnovne škole, videćete da ste bili dobri u tome (više ili manje). Verovatno ste lako mogli da rešite nekoliko jednačina sa par promenljivih varijabli. Međutim, ti problemi su uključivali malu količinu podataka u poređenju sa današnjim poslovnim problemima.
Prikazani vremenski interval pokazuje gde se nalazimo u današnjem svetu podataka (ikona osobe) u odnosu na alate koje koristimo za rešavanje problema sa podacima (ikona kompasa). Ovi isti alati, koji treba da nam pomognu da budemo pismeniji, malo su zastareli, uglavnom zato što nismo bili spremni da ulažemo u obrazovanje i da učimo kako da radimo sa naprednijim alatima.
Ako se pomerimo korak dalje i stavimo ovu priču u kontekst jednog preduzeća, ona postaje još složenija. Sa jedne strane, imate poslovne korisnike sa svojim zahtevima, a sa druge strane IT sa svojim. Međutim, jedan od tih buzzworda sa početka ove priče može da nam pomogne da rešimo ovaj problem – self-service analitika. Opšta ideja self-service analitike jeste da olakšava i ubrzava donošenje odluka na svim nivoima kompanije. Ova savremena analitička rešenja treba da umanje vreme potrebno za ponavljanje aktivnosti, kao što su ručna priprema podataka, čišćenje itd. I treba da ostave više vremena za korisnike da čitaju podatke na pravi način, rade, analiziraju i barataju podacima, ili drugim rečima – postaju pismeni u čitanju podataka.
I da, to znači da će se uloge sada promeniti. Brend menadžer neće morati da konsoliduje višestruke Excele samo da bi dobio numeričku distribuciju svog brenda, već će imati dovoljno vremena da organizuje i motiviše svoj prodajni tim da radi na promociji brenda. Istovremeno, IT odeljenje neće morati svakodnevno da dodaje nove mere u OLAP kocke (bez znanja zašto), ali će imati dovoljno vremena da kontroliše kvalitet podataka i on će biti siguran da u ponedeljak ujutro svi jednako razumeju šta znači „efikasnost promocije“.
Ako želite nešto da ponesete iz ovog članka, neka to budu tri stvari:
Milan Listeš, Regional BI Manager, Adacta Group.[/caption]
Ako duže vreme razmišljate o projektima koji se odnose na analizu podataka, videćete da su svi oni, bez obzira na to koliko su orijentisani na korisnike, i dalje u suštini tehnički projekti. Kompleksno tehničko rešenje stoji iza svakog od ovih buzzworda. Pored toga, ako uđete u bilo koju prosečnu kompaniju u regionu, videćete da su sve one još uvek daleko od složenih tema koje smo spomenuli i da se još uvek bore sa ručnom pripremom podataka: copy-paste, Vlookup-om i drugim funkcionalnostima. Glavno pitanje je: zašto? Imamo cool naprednu tehnologiju, pa šta nedostaje?
U Wikipediji pod pojmom buzzwords pronaći ćete jedan zanimljiv pojam, ali ne u delu – Science and Technology, već u delu Education, a pojam je Data Literacy. Ako tražite dalje, naći ćete samo jednu definiciju od strane MIT-a, koji navodi: „Pismenost o podacima uključuje sposobnost čitanja, rada, analize i argumentovanog raspravljanja sa podacima“. Sada se usuđujem da vas izazovem da malo više razmislite o ovome. Svi možemo da tumačimo podatke i svi definitivno radimo sa njima (bar sa Vlookup-om). Neki od nas možda čak i analiziraju podatke, ali svi moramo da priznamo – nismo posebno stručni u tome da se argumentovano raspravljamo koristeći podatke. Zašto je to tako?
Zato što se od nas očekuje da ćemo biti dobri u tome. Naši poslodavci očekuju da ćemo biti dobri sa podacima i da smo u tom smislu pismeni. Ako se vratite u prošlost i razmislite o matematičkim problemima iz osnovne škole, videćete da ste bili dobri u tome (više ili manje). Verovatno ste lako mogli da rešite nekoliko jednačina sa par promenljivih varijabli. Međutim, ti problemi su uključivali malu količinu podataka u poređenju sa današnjim poslovnim problemima.
Prikazani vremenski interval pokazuje gde se nalazimo u današnjem svetu podataka (ikona osobe) u odnosu na alate koje koristimo za rešavanje problema sa podacima (ikona kompasa). Ovi isti alati, koji treba da nam pomognu da budemo pismeniji, malo su zastareli, uglavnom zato što nismo bili spremni da ulažemo u obrazovanje i da učimo kako da radimo sa naprednijim alatima.
Ako se pomerimo korak dalje i stavimo ovu priču u kontekst jednog preduzeća, ona postaje još složenija. Sa jedne strane, imate poslovne korisnike sa svojim zahtevima, a sa druge strane IT sa svojim. Međutim, jedan od tih buzzworda sa početka ove priče može da nam pomogne da rešimo ovaj problem – self-service analitika. Opšta ideja self-service analitike jeste da olakšava i ubrzava donošenje odluka na svim nivoima kompanije. Ova savremena analitička rešenja treba da umanje vreme potrebno za ponavljanje aktivnosti, kao što su ručna priprema podataka, čišćenje itd. I treba da ostave više vremena za korisnike da čitaju podatke na pravi način, rade, analiziraju i barataju podacima, ili drugim rečima – postaju pismeni u čitanju podataka.
I da, to znači da će se uloge sada promeniti. Brend menadžer neće morati da konsoliduje višestruke Excele samo da bi dobio numeričku distribuciju svog brenda, već će imati dovoljno vremena da organizuje i motiviše svoj prodajni tim da radi na promociji brenda. Istovremeno, IT odeljenje neće morati svakodnevno da dodaje nove mere u OLAP kocke (bez znanja zašto), ali će imati dovoljno vremena da kontroliše kvalitet podataka i on će biti siguran da u ponedeljak ujutro svi jednako razumeju šta znači „efikasnost promocije“.
Ako želite nešto da ponesete iz ovog članka, neka to budu tri stvari:
- prestanite da sanjate o podacima koje nemate i počnite da koristite one koje trenutno imate
- analizirajte podatke (nemojte samo izveštavati) i
- nemojte da se bojite da promenite opis trenutnog posla.
Tekst je preuzet iz Controlling magazina #14. Ceo magazin možete pročitati na ovom linku.
Još zanimljivih tekstova možete pročitati na ovom linku.