#14 Lancement de votre transformation organisationnelle pour devenir axé sur les données.
Subscribe to get the latest
on Wed Aug 19 2020 17:00:00 GMT-0700 (Pacific Daylight Time)
with Darren W Pulsipher, Sarah Kalicin,
L'épisode d'aujourd'hui porte sur la mise en marche de votre organisation pour devenir centrée sur les données et la valeur que cela peut apporter. L'invitée spéciale de Darren est Sarah Kalicin, scientifique des données en chef pour les centres de données chez Intel.
Keywords
Opérationnaliser le système d’analyse.
La première chose à comprendre sur le processus d’opérationnalisation de l’analyse est qu’il est complexe. Certaines personnes pensent que les données sont le nouvel électricité et fonctionnent selon un système similaire. Considérez cet exemple : dans un système électrique simple, il y a une source d’alimentation et des fils qui vont vers une ampoule. Tant qu’il y a la source d’alimentation et que les fils sont de haute intégrité, vous pouvez éteindre la lumière, puis revenir six mois plus tard, basculer l’interrupteur et savoir que l’ampoule s’allumera à nouveau.
Un système analytique ne fonctionne pas de cette manière. Il existe de nombreux types de “court-circuits” et de variables qui peuvent causer des échecs, tels que l’entropie. Il est important d’avoir les bonnes personnes dans vos équipes qui peuvent travailler et comprendre tous les différents types de défauts qui peuvent survenir, sinon vous n’obtiendrez pas de perspectives correctes ou utiles.
Vos données doivent être formatées d’une certaine manière pour les algorithmes d’apprentissage automatique. L’algorithme doit comprendre ce que représentent les données afin de pouvoir examiner le motif de manière appropriée. À moins que les données ne soient soigneusement formatées, il y a un risque de mauvaise sortie à cause d’entrées erronées. C’est là que vos ingénieurs, scientifiques des données et autres architectes de données de soutien sont importants.
Poser les bonnes questions
Une autre partie du système consiste à s’assurer que vous avez les bonnes questions commerciales. Une organisation doit fournir des questions fondamentales sur ce qu’elle essaie d’obtenir des données : De quels insights notre entreprise a-t-elle besoin ? Comment pouvons-nous dresser un tableau plus précis de ce à quoi ressemble réellement notre paysage ? Quelles données nous permettront de le faire ?
De nombreux cadres sont enthousiasmés par l’idée de faire de l’analyse, de l’IA et du big data, mais ne savent pas par où commencer. La première étape consiste pour les cadres à prendre en charge ce qu’ils veulent que les données fassent pour l’organisation. Quelle valeur commerciale va découler des données ? Quel type de données avons-nous déjà ? Quelles données pouvons-nous créer qui donneront une image plus complète de ce qui se passe ? À quoi ressemble le succès ? L’accent doit d’abord être mis sur les fondations organisationnelles.
Collecte de données, préparation et analyses
Après que ces questions sont répondues, l’étape suivante consiste à définir ce qui doit être accompli et commencer à le découper en parties plus petites. Les organisations devraient examiner leurs sources de données actuelles, déterminer leur fiabilité et identifier ce qui manque, suivis de la collecte et de la préparation des données.
Avec les données en main, il est temps de créer le récit. Cela implique non seulement les scientifiques des données, mais aussi les experts du domaine, ainsi que les personnes spécialisées en affaires et en marketing. La contribution de ces différents groupes garantira que les données apportent une réelle valeur à l’entreprise et ne se limitent pas à un simple exercice académique ou à une expérience ponctuelle. À partir de ces données, vous souhaitez obtenir, en fin de compte, des perspectives précieuses et fiables qui vous aideront à améliorer votre entreprise, plutôt que simplement collecter des données pratiques mais non exploitables.
Maintenant que vous avez collecté les données, les avez analysées et avez quelques informations, comment les mettez-vous en œuvre ?
Exemple de réussite en matière d’analyse opérationnelle.
Un exemple dans la fabrication est un bon moyen de montrer comment les données fonctionnent avec succès à travers le pipeline. Commencez par la valeur commerciale fondamentale de maximiser le rendement de votre produit. Quelles sources de données pourraient vous indiquer si vous avez des produits cassés ou défigurés ? Des caméras à la fin des lignes d’assemblage pourraient créer un modèle d’apprentissage approfondi qui détecte ou prédit si un produit est cassé ou défiguré. Un scientifique des données pourrait ensuite entraîner un modèle basé sur un bon produit et un mauvais produit pour améliorer le rendement.
Ce type de données opérationnalisées pourrait être appliqué à plusieurs domaines clés qui ajoutent de la valeur à une organisation. Le contrôle qualité, par exemple, en s’assurant que la matière première répond aux spécifications, en est un exemple. La maintenance prédictive des machines et la conformité réglementaire, comme dans une exigence de poids pour un produit alimentaire, en sont d’autres exemples.
En exploitant en temps réel les données sur les problèmes liés aux produits, à la qualité ou aux réglementations, vous ne faites pas seulement augmenter le rendement du produit, mais vous réduisez également les tâches coûteuses réalisées par des êtres humains, telles que l’inspection en fin de chaîne de montage. Ces employés peuvent être réorientés vers des tâches à plus forte valeur ajoutée. Vous réduisez également les déchets et créez une expérience client plus cohérente. De plus, vous protégez l’entreprise en minimisant les risques réglementaires.
Ceci est une situation gagnant-gagnant. Plus l’organisation sait ce qu’elle souhaite tirer des données, quelles données collecter et comment les utiliser en fonction d’une stratégie commerciale, plus elle sera réussie.
Plus à venir
Voici le premier des six épisodes qui parlent de l’organisation axée sur les données. Nous espérons que vous nous rejoindrez pour ces futurs podcasts. Vous en voulez plus? Consultez le site web de Sarah.