#14 Kickstarting Ihre organisatorische Transformation zur datenzentrierten Ausrichtung
Subscribe to get the latest
on Wed Aug 19 2020 17:00:00 GMT-0700 (Pacific Daylight Time)
with Darren W Pulsipher, Sarah Kalicin,
Die heutige Folge dreht sich ganz um den Beginn der Datenzentrierung in Ihrer Organisation und den Mehrwert, den dies bringen kann. Darrens besonderer Gast ist Sarah Kalicin, führende Datenwissenschaftlerin für Rechenzentren bei Intel.
Keywords
Operationalisierung des Analytiksystems
Das erste, was man über den Prozess der Operationalisierung von Analysen verstehen muss, ist, dass er komplex ist. Einige Leute denken, dass Daten die neue Elektrizität sind und in einem ähnlichen System funktionieren. Betrachten wir dieses Beispiel: In einem einfachen elektrischen System gibt es eine Stromquelle und einige Drähte, die zu einer Glühbirne führen. Solange es die Stromquelle gibt und die Drähte von hoher Integrität sind, kann man das Licht ausschalten und dann sechs Monate später wiederkommen, den Schalter umlegen und wissen, dass die Glühbirne wieder angeht.
Ein analytisches System funktioniert nicht auf diese Weise. Es gibt viele Arten von “Kurzschlüssen” und Variablen, die zum Versagen führen können, wie beispielsweise Entropie. Es ist wichtig, die richtigen Personen in Ihrem Team zu haben, die sich mit allen verschiedenen Arten von Fehlern auskennen und durch sie hindurcharbeiten können, sonst erhalten Sie keine korrekten oder nützlichen Erkenntnisse.
Ihr Daten müssen in bestimmter Art und Weise für maschinelles Lernen formatiert sein. Der Algorithmus muss verstehen, was die Daten repräsentieren, um das Muster angemessen zu betrachten. Falls die Daten nicht sorgfältig formatiert sind, besteht ein “Müll rein/Müll raus”-Risiko. Hier sind Ihre Ingenieure, Datenwissenschaftler und andere unterstützende Datenarchitekten wichtig.
Die richtigen Fragen stellen
Ein weiterer Teil des Systems besteht darin, sicherzustellen, dass Sie die richtigen geschäftlichen Fragen haben. Eine Organisation muss grundlegende Fragen liefern, was sie aus den Daten herausbekommen möchten: Welche Erkenntnisse benötigt unser Unternehmen? Wie können wir ein besseres Bild von unserer tatsächlichen Landschaft zeichnen? Welche Daten ermöglichen uns das?
Viele Führungskräfte lieben die Idee der Datenanalyse, Künstlichen Intelligenz und Big Data, wissen jedoch nicht, wie sie beginnen sollen. Der erste Schritt besteht darin, dass Führungskräfte Verantwortung für das übernehmen, was sie wollen, dass die Daten für die Organisation tun. Welchen geschäftlichen Wert wird die Datenanalyse bringen? Welche Art von Daten haben wir bereits? Welche Daten können wir generieren, um ein vollständigeres Bild von dem zu bekommen, was passiert? Wie sieht der Erfolg aus? Der Fokus sollte zunächst auf dem organisatorischen Fundament liegen.
Daten Sammlung, Aufbereitung und Erkenntnisse
Nachdem diese Fragen beantwortet sind, ist der nächste Schritt, zu skizzieren, was erreicht werden muss, und damit anzufangen, es in kleinere Teile aufzuteilen. Organisationen sollten ihre aktuellen Datenquellen betrachten, ihre Zuverlässigkeit bestimmen und feststellen, was fehlt. Darauf folgen Datenbeschaffung und -vorbereitung.
Mit den vorliegenden Daten ist es an der Zeit, die Geschichte zu schaffen. Dies erfordert nicht nur Datenwissenschaftler, sondern auch Fachexperten, Geschäfts- und Marketingleute. Die Beiträge dieser unterschiedlichen Gruppen werden sicherstellen, dass die Daten einen Mehrwert für das Unternehmen darstellen und nicht nur eine akademische Übung oder ein einmaliges Experiment sind. Letztendlich möchten Sie aus den Daten wertvolle und zuverlässige Erkenntnisse gewinnen, die dazu beitragen, Ihr Unternehmen zu verbessern, anstatt einfach nur bequeme, aber nicht handlungsorientierte Datensammlung zu betreiben.
Jetzt, wo Sie die Daten gesammelt, analysiert und einige Erkenntnisse gewonnen haben, wie können Sie sie operationalisieren?
Operational Analytics Beispiel für Erfolg
Ein Beispiel aus der Fertigung ist eine gute Möglichkeit, zu zeigen, wie die Daten erfolgreich durch die Pipeline arbeiten. Beginnen Sie mit dem grundlegenden Geschäftswert, Ihre Produktausbeute zu maximieren. Welche Datenquellen könnten Ihnen sagen, ob Sie defekte oder verformte Produkte haben? Kameras am Ende der Montagelinien könnten ein Deep-Learning-Modell erstellen, das erkennt oder vorhersagt, ob ein Produkt defekt oder verformt ist. Ein Datenwissenschaftler könnte dann ein Modell anhand guter und schlechter Produkte trainieren, um die Ausbeute zu verbessern.
Dieser Art von operationalisierten Daten könnte in mehreren Schlüsselbereichen angewendet werden, die einem Unternehmen Mehrwert bieten. Qualitätskontrolle, wie zum Beispiel sicherzustellen, dass Rohmaterial den Spezifikationen entspricht, ist ein Beispiel. Vorbeugende Wartung von Maschinen und regulatorische Konformität, wie beispielsweise bei einem Gewichtsanforderung für ein Lebensmittelprodukt, sind weitere Beispiele.
Durch die Echtzeitnutzung von Daten zu Produkten, Qualität oder regulatorischen Themen schaffen Sie nicht nur eine höhere Produktionsausbeute, sondern minimieren auch kostspielige manuelle Aufgaben wie die Inspektion am Ende einer Montagelinie. Diese Mitarbeiter können auf wertvollere Aufgaben umgeleitet werden. Sie minimieren auch Verschwendung und schaffen eine konsistentere Verbrauchererfahrung. Darüber hinaus schützen Sie das Unternehmen, indem Sie regulatorische Risiken minimieren.
Dies ist eine Win-Win-Situation. Je mehr die Organisation weiß, was sie aus Daten gewinnen möchten, welche Daten sie sammeln soll und wie sie diese basierend auf einer Geschäftsstrategie nutzen kann, desto erfolgreicher wird sie sein.
Mehr kommt noch
Dies ist die erste von sechs Folgen, die sich mit der datenzentrierten Organisation befassen. Wir hoffen, dass Sie uns auch bei zukünftigen Podcasts begleiten werden. Möchten Sie mehr? Besuchen Sie Sarahs Webseite.