Berita baru-baru ini tentang Uni Emirat Arab yang mewajibkan wajib militer bagi semua pria Emirat yang berusia antara 18 dan 30 tahun telah mendorong saya untuk berpikir mengapa negara-negara terlepas dari status ekonominya memastikan bahwa warganya siap untuk membela negara.
Orang dapat berargumen bahwa jumlah warga yang terbatas di suatu negara, seringkali memaksa pemerintah untuk mewajibkan dinas militer. Tapi bagaimana dengan China? Ini adalah negara terbesar berdasarkan jumlah penduduk, tetapi juga memastikan warganya yang melanjutkan pendidikan akan menjalani wajib militer. Singkatnya, negara pada dasarnya mempersiapkan diri untuk bertahan jika terjadi konflik dan setiap orang harus bersiap untuk itu. Baik itu tukang listrik, pengusaha, tukang kayu, mereka semua bersatu untuk tujuan yang sama.
Walaupun kedengarannya aneh, orang dapat menarik kesejajaran yang luar biasa antara negara-negara seperti itu dan organisasi saat ini yang ingin tetap kompetitif. Ancaman saat ini atau lebih tepatnya tantangan dalam bentuk Big Data telah mendorong organisasi besar dan kecil untuk menyatukan tenaga kerjanya di berbagai departemen untuk secara umum mengatasinya. Untuk melangkah lebih jauh dalam hal ini, biasanya negara yang memberlakukan wajib militer selalu memiliki kriteria kelayakan, dengan cara yang sama organisasi merasa logis dalam memberikan pelatihan data besar hanya kepada karyawan yang memiliki beberapa bentuk interaksi dengan potongan data yang besar dan diharuskan untuk gunakan Hadoop di setiap titik kontak.
Sama seperti seorang Jenderal Angkatan Darat dalam hubungan dengan pemerintah memutuskan jenis persenjataan dan pelatihan yang akan ditugaskan kepada warga negara pemula yang berubah menjadi rekrutan baru, dengan cara yang sama CTO diharapkan untuk memimpin infrastruktur dan warisan TI sistem yang mendorong inovasi teknologi baru untuk memungkinkan karyawannya bekerja lebih baik. Dengan tujuan bersama untuk menangani big data, mari kita coba memahami secara detail di mana big data digunakan dan mengapa penting untuk melatih rekan Anda di dalamnya.
1. Teknologi Informasi: Meningkatkan produktivitas dengan Pelatihan Big Data
Mungkin di garis depan implementasi data besar, tim TI adalah pusat untuk membawa perubahan ke depan. Pengambil keputusan pelatihan TI yang ingin memberikan pelatihan data besar kepada karyawan harus memulai dengan departemen TI. Mengapa? Karena dalam hal keterlibatan dengan teknologi di setiap tahap aktivitas, para geek di ruang bawah tanah (bahasa gaul populer untuk TI) adalah yang paling dekat. Jadi seberapa relevan itu?
Mari kita lihat laporan yang disampaikan oleh situs populer, CIO, yang menyatakan:
“Menurut survei CompTIA baru-baru ini terhadap 500 eksekutif bisnis dan TI AS, 50 persen perusahaan yang berada di depan kurva dalam meningkatkan data, dan 71 persen perusahaan yang rata-rata atau tertinggal dalam meningkatkan data, merasa bahwa staf mereka sedang atau kurang signifikan dalam pengelolaan data dan keterampilan analisis '
Mengingat fakta bahwa pengelolaan dan penyimpanan data merupakan bagian dari fungsi inti TI, maka diperlukan pendekatan paralel terhadap implementasi platform data besar dan penguatan keterampilan TI dalam data besar. Mendukung fakta tersebut adalah laporan McKinsey yang menyatakan bahwa pada tahun 2018, akan ada kekurangan lebih dari 140,000-190,0000 profesional dengan keahlian teknis dan analitis yang mendalam! Karena semakin banyak profesional teknis yang membutuhkan pelatihan big data, organisasi mencari untuk melatih profesional teknis lebih untuk ROI cepat dan spesialis platform, admin dan insinyur yang bekerja di departemen TI berada di pucuk pimpinannya.
Menggabungkan Trinity dari Fungsi Core IT dengan Big Data
Istilah Tritunggal sering mengingatkan saya pada dua konsep religius: Satu adalah mitologi Hindu tentang pencipta, pemelihara dan perusak dan yang lainnya adalah konsep Kristen tentang ayah, anak dan hantu suci. Keduanya berjuang untuk kemajuan umat manusia. Dengan cara yang sama, ketiga fungsi tim TI ini berjuang untuk kemajuan seluruh organisasi dengan departemen dengan kebutuhan yang berbeda dalam hal teknologi informasi. Terlepas dari fungsi keamanan dan dukungan, departemen TI dapat berhubungan dengan fungsi-fungsi ini dalam hal implementasi data besar.
Perencanaan- Aktivitas Perencanaan dalam tim TI berfokus pada memastikan strategi TI organisasi selaras dengan tujuan bisnis. Ini termasuk mengerjakan software kustomisasi, menghadirkan platform baru yang memenuhi kebutuhan departemen bisnis yang berbeda. Dengan kata lain setiap implementasi baru akan selalu dimulai dari IT.
Seri fibonacci di c ++
Jaringan- Ini melibatkan pengembangan jaringan yang memfasilitasi semua bentuk komunikasi antara suara, data, video, dan lalu lintas Internet dan ada berbagai pos pemeriksaan untuk merekam data baik itu interaksi pelanggan, analisis sentimen, dan pembaruan lalu lintas, semuanya mengumpulkan data secara real time! Departemen TI sering memastikan integrasi jaringan yang lancar untuk bekerja bersama dengan tujuan pemrosesan data besar.
Data- Sederhananya, tim TI membawa alat untuk mengumpulkan, menyimpan, mengelola, mengamankan, dan mendistribusikan data kepada karyawan untuk berbagai keputusan strategis dalam organisasi. Semua bentuk data seperti catatan penjualan, catatan keuangan, detail stok disimpan dalam satu pusat data. Hal ini menciptakan tanggung jawab dalam tim TI untuk mengimplementasikan platform untuk data besar yang memungkinkan pengguna yang ditunjuk untuk menyimpan dan mengambil informasi di lokasi data mana pun.
Dalam tim TI mana pun, seseorang membutuhkan campuran anggota yang serba guna dengan tugas berbeda menuju implementasi data besar. Untuk memulainya, ada kebutuhan akan spesialis yang memastikan peralihan yang mulus dari sistem tradisional ke platform data besar. Untuk itu dibutuhkan teknisi untuk fokus pada pemeliharaan platform di seluruh siklus hidupnya di semua departemen. Kemudian muncul kebutuhan akan anggota yang harus terus memantau apakah setiap implementasi teknologi sejalan dengan tujuan organisasi.
2. Pengembangan Produk: Memikirkan kembali inovasi di semua tahap R&D
Mungkin salah satu departemen terpenting dalam hal membawa organisasi ke tingkat inovasi berikutnya! Salah satu keuntungan terbesar dari big data adalah integrasi data di berbagai titik kontak dalam pengembangan produk langsung dari desain produk, manufaktur, kualitas, garansi, diagnostik, kendaraan, dan aplikasi perangkat lunak. Data yang dihasilkan dari titik kontak ini menentukan cara produk dan seberapa sukses produk itu. Ini pada dasarnya membawa pengembang produk, profesional R&D, dan desainer ke pendekatan berbasis data dan analisis data.
Merekayasa Big Data menjadi kenyataan
Dalam hal pengembangan produk, salah satu contoh populer adalah mobil tanpa pengemudi yang dikembangkan dan direncanakan oleh Audi untuk diluncurkan pada 2016. Ya, ada tim pengembangan produk yang memiliki tugas besar untuk memastikan visi inovasi CEO tercapai . Namun di sepanjang jalan, ada berbagai tantangan dan pertanyaan mulai dari pengembangan hingga pengujian yang hanya bisa dijawab oleh data besar. Mari kita lihat alasannya.
Pertimbangkan test-ride yang dipantau dari titik A ke titik B. Berikut adalah jenis data yang dapat dihasilkan:
Sebuah. Data Sensor - Sensor di dalam mobil dapat menyimpan detail tentang jarak yang diukur antara mobil di belakang dan di depannya serta frekuensi kendaraan yang ditemuinya dalam perjalanan.
b. Data Pengemudi - Beberapa tes dengan kelompok usia yang berbeda dapat dilakukan dan rincian tingkat kenyamanan, kinerja dan berapa kali pengemudi perlu mengesampingkan pengemudian otomatis akan dikompresi menjadi kumpulan besar baris dan kolom untuk analisis.
c. Data Demografis - Tes dapat dilakukan di India dan di AS. AI dalam pengemudian otomatis dapat menganalisis halangan yang ditemuinya saat mengemudi di dua negara berbeda. Negara mana yang lebih memungkinkan untuk mengemudi otomatis dan negara mana yang tidak?
d. Data Kinerja Pasar - Setelah produk diluncurkan dan berada di jalan, para insinyur juga dapat memantau keberhasilannya dengan menganalisis data langsung dengan umpan yang disediakan 24 × 7 oleh program mobil yang memberikan wawasan jika pengenalan pengemudian otomatis membantu menjaga jalannya lebih aman?
Ada sejumlah N kemungkinan data yang dapat dihasilkan dari rekayasa produk. Kami baru mulai mengeksplorasi OEM dari industri otomotif. Pikirkan tentang kemungkinan data besar di berbagai sektor, seperti kedokteran, perawatan kesehatan, elektronik, dan sebagainya. Siapa tahu?
FAKTA MENYENANGKAN: Tahukah Anda bahwa adopsi Big Data dan Analytics Ford menyelamatkannya dari pengalaman hampir mati di tahun 2000-an ketika persaingan ketat dari pembuat mobil Eropa dan Asia!
3. Keuangan: Melatih karyawan pada platform data besar untuk menangani pemodelan keuangan
Kita mungkin sudah sering mendengar istilah uang adalah darah bisnis. Mengurus uang itu adalah tanggung jawab departemen keuangan. Dunia bisnis mendefinisikan fungsi departemen keuangan sebagai biasanya terlibat dalam 'perencanaan, pengorganisasian, audit, akuntansi dan pengendalian keuangan perusahaan bersama dengan menghasilkan keuangan perusahaan.
Karena itu, departemen keuangan secara umum sering menjadi gagasan ketika menangani uang dan perannya meluas ke berbagai aktivitas seperti menghasilkan laporan arus kas, pemodelan biaya, realisasi hadiah, dan kepatuhan untuk beberapa nama. Beberapa dekade yang lalu melakukan semua aktivitas ini dengan sistem dan platform terbatas cukup layak, tetapi di era data besar, dua tantangan yang dihadapi setiap departemen keuangan adalah menjalankan fungsi keuangan reguler dalam skenario yang berubah dan mengumpulkan wawasan untuk masa depan. Mari kita lihat dari perspektif yang lebih dalam.
Dengan informasi yang tersebar di berbagai server, organisasi sering menghadapi tantangan untuk mengkonsolidasikan data tersebut dan melakukan tindakan sesuai kebutuhan bisnis. Fungsi penting di dalamnya adalah audit internal yang mengawasi tata kelola organisasi, manajemen risiko, dan kontrol manajemen, serta melakukan audit kecurangan proaktif untuk mengidentifikasi tindakan curang. Dengan meningkatnya analitik, ada kebutuhan untuk mengintegrasikan audit internal juga. Ini telah memicu metode baru seperti analisis data audit yang membantu menilai risiko, membuat model keuangan dan memberikan gambaran keseluruhan tentang keuangan dalam suatu organisasi.
Pemodelan Biaya & Realisasi Harga
Pemodelan biaya merupakan komponen penting untuk pemanfaatan sumber daya yang efektif. Perusahaan harus mengidentifikasi aktivitas yang mendorong biaya, total bahan langsung dan tenaga kerja yang diperlukan untuk penyelesaian tugas, dan sebagainya. Pemodelan biaya membantu perusahaan untuk secara akurat mengidentifikasi keseluruhan biaya produksi untuk produk di semua aktivitas dalam perusahaan. Di era data besar, menjadi penting untuk melacak setiap aktivitas keuangan yang terjadi di berbagai departemen dalam organisasi yang mengkonsolidasikan informasi itu untuk membangun model biaya yang ideal. Dari pembelian hingga penjualan, semua data disimpan dalam riwayat keuangan dan dasar dasar pengembangan model biaya adalah mengambil potongan besar data dan membuat model yang dapat diterapkan di masa depan.
Meskipun orang dapat memperdebatkan bahwa upaya Realisasi Harga lebih diarahkan pada penjualan untuk meningkatkan profitabilitas, ada peran yang lebih besar yang dimainkan oleh departemen keuangan dalam hal memanfaatkan realisasi harga. Untuk memecahnya menjadi istilah yang lebih sederhana, pertimbangkan outlet ritel yang berencana memberikan diskon untuk mendorong penjualan. Tujuan dasarnya adalah untuk mengurangi kebocoran harga dan meningkatkan harga kantong.
Kebocoran harga terjadi ketika harga suatu produk didiskon jadi lebih sedikit (dalam upaya untuk melakukan penjualan) sehingga mereka berkompromi pada profitabilitas dan harga saku adalah harga jual setelah diskon. Untuk memenuhi upaya realisasi harga yang menguntungkan, tim penjualan bekerja sama dengan departemen keuangan untuk memahami struktur biaya untuk masing-masing produk dan di mana diskon dapat diberikan. Hal ini pada gilirannya membutuhkan departemen keuangan untuk mengembangkan kerangka kerja model realisasi harga di masa depan dan menetapkan batasan dalam aktivitas pemasaran tersebut. Tugas tersebut meliputi mengolah data mulai dari pengadaan, biaya gudang, umur simpan dan kemudian memperkirakan harga pokok penjualan (CGS).
F-12 & Analisis Prediktif
Salah satu aktivitas penting dalam departemen keuangan adalah memantau kesehatan keuangan organisasi. Seperti halnya seorang dokter menggunakan metrik yang berbeda seperti denyut nadi, kehangatan tubuh, atau reaksi rangsangan untuk menilai apakah pasien masih hidup atau sudah meninggal, dengan cara yang sama dunia keuangan memantau 12 metrik untuk mengetahui kemana arah keuangan perusahaan dan apa yang ada di luarnya. . Dari Pertumbuhan Pendapatan Riil, Pertumbuhan Pendapatan Berkelanjutan, Kebijakan Penetapan Harga dan Indeks Harga, Pengendalian Biaya Operasi, Membandingkan EBITDA versus Arus Kas, Arus Kas Bebas Hutang, Kelebihan Kas, Pengembalian Aset, Modal Kerja, Penggunaan Pembiayaan Hutang, Siklus Perdagangan Bersih dan Biaya Modal merupakan komponen penting dalam pelaporan keuangan bagi suatu organisasi sehingga manajemen puncak dapat mengambil keputusan yang tepat.
Sebagai bagian dari tantangan di dunia data besar, memahami rasio ini memerlukan pemrosesan potongan besar informasi yang tersebar di seluruh organisasi untuk membuatnya dalam format standar untuk analisis. Analisis prediktif mulai berperan ketika data ini diproses dari sejarah masa lalu, dibandingkan dengan elemen yang sama di masa sekarang sehingga perkiraan yang akurat dibuat untuk masa depan. Bagian terbaiknya adalah platform analitik prediktif dan metode dibangun untuk memproses data besar sehingga menyederhanakan tugas departemen keuangan.
FAKTA MENYENANGKAN: Tahukah Anda bahwa Oversea-Banking Corporation (OCBC) yang berbasis di Singapura mampu menggunakan big data untuk customer insights yang secara langsung bertanggung jawab atas peningkatan 40% dalam mendapatkan nasabah baru!
4. Sumber Daya Manusia: Mendefinisikan ulang kapabilitas karyawan HR
Membayangkan Big Data dalam Sumber Daya Manusia mungkin sering kali mendorong pembaca untuk menganggap remeh, karena organisasi biasanya tidak terlalu memprioritaskan penerapan teknologi Big Data di departemen SDM karena lebih suka berfokus pada Pemasaran, Operasi, atau Keuangan. Namun pada kenyataannya, departemen Sumber Daya Manusia memainkan peran penting dalam memastikan bahwa bakat yang tepat memasuki organisasi di antara aktivitas lainnya.
Menambahkan lebih banyak gigi ke HR
bagaimana mengubah jalur java
Mungkin yang paling diabaikan di antara semua departemen dalam hal implementasi Big data, tetapi dalam dunia yang berubah dengan cepat saat ini, cara kerja departemen SDM menentukan keberhasilan sebuah organisasi.
Menurut Forbes, rata-rata perusahaan besar memiliki lebih dari 10 aplikasi SDM yang berbeda dan sistem SDM inti mereka sudah lebih dari 6 tahun. Tren ini menyoroti fakta bahwa organisasi membutuhkan sumber daya yang tepat untuk mengumpulkan data ini. Pelatihan dalam Big Data & Analytics menghadirkan keterampilan seperti analisis data, visualisasi, dan pemecahan masalah langsung dari pelaporan operasional hingga analisis strategis.
Departemen SDM secara default diharapkan untuk memberikan operasi SDM dasar, tetapi pelatihan Big Data membawanya ke tingkat yang sama sekali baru. Ketika departemen SDM menjadi lebih analitis dengan alat, itu mengubah pendekatan mereka untuk terlibat dalam aktivitas yang lebih strategis. Pertanyaan kritis seperti bagaimana memiliki lebih banyak faktor retensi karyawan yang mempengaruhi kualitas penjualan jalur kandidat dan mengevaluasi kesenjangan bakat diidentifikasi dan langkah-langkah strategis diambil melalui analisis data yang relevan melaluinya.
Pergeseran ini akan berpindah dari jumlah karyawan sederhana ke analisis yang lebih prediktif.
Oracle dalam Sumber Daya Manusia
Ada sebuah cerita lucu yang saya ingat dari seorang teman yang bekerja sebagai HR. Dia memiliki pekerjaan pengayauan yang melelahkan sebelum mengirim kandidat ke kepala departemen terkait yang hanya akan mengucapkan kata-kata ajaib: 'Oke, mari kita pekerjakan dia.'
Untuk sementara, semuanya berjalan baik saat dia membawa bakat bagus ke perusahaan. Seiring waktu berlalu, dia semakin percaya diri dalam keterampilan perekrutannya hingga mendorong manajemen atas untuk menambahkan lebih banyak orang ke timnya, menerapkan sistem SDM dan termasuk lebih banyak konsultan pihak ketiga. Bagian yang sulit adalah dia membuat janji yang tinggi kepada manajemen atas dengan kepercayaan dirinya.
Sejarah telah menunjukkan bahwa orang yang mempersiapkan peristiwa masa depan lebih sukses daripada orang yang mengendarai kejayaan masa lalu. Ada saat ketika dia diharapkan untuk mempekerjakan sejumlah besar profesional di domain tempat perusahaan itu berkembang. Dia mulai mengisi lowongan dengan kompromi untuk merekrut profesional berkualitas. Dia mengadopsi pendekatan yang lebih digerakkan oleh target. Hasil? Sebagian besar profesional yang dia pekerjakan meletakkan kertas dengan mengutip berbagai alasan dan dia ditanyai oleh manajemen. Seringkali saya mendengar dia bergumam:
“Saya memburu 1000 Cv, memilih 100 Cv, memanggil 50 kandidat untuk wawancara, menyaring 10 dari penilaian psikometri saya, di antara 10, saya mengambil 5 yang layak, mengirim 5 ke manajemen, mereka membidik 1 dan yang satu orang itu pergi setelah 2 bulan. '
Saya tertawa melihat penderitaannya selain menawarkan simpati saya, tetapi itu membuat saya bertanya-tanya apakah sumber daya manusia dapat membuat penilaian yang lebih baik dengan pengalaman mereka atau apakah ada kebutuhan untuk memiliki pendekatan yang lebih berdasarkan data untuk keseluruhan proses perekrutan ini? Nah, kami memang menggunakan analisis prediktif dari menemukan tim mana yang akan memenangkan piala dunia tetapi mengapa tidak menggunakan teknik yang sama dalam proses perekrutan, terutama ketika kami berhadapan dengan elemen kompleks seperti manusia?
Sekarang, pekerjaan perekrutan belum tentu merupakan pekerjaan yang mudah, ini melibatkan banyak proses dan aturan perekrutan sering berubah sesuai dengan industri dimana SDM dalam peran yang dia rekrut untuk aturan organisasi dan sebagainya.
Jika seseorang mengamati organisasi sukses yang menggunakan analitik prediktif dan memiliki tingkat gesekan yang lebih rendah, ada pola pertama-tama memutuskan karakteristik yang diinginkan dalam seorang kandidat yang memastikan kesuksesan, mengkonsolidasikannya ke dalam profil 'ideal' dan membandingkannya dengan setiap kandidat yang terdekat. ke sana dan kemudian melibatkan mereka dengan penilaian khusus yang mengevaluasi karakteristik kandidat ini.
Hal yang perlu diperhatikan adalah bahwa seluruh industri penilaian psikometri dengan pemain terkemuka seperti Pearsons, Thomas Assessment & SHL bermunculan karena permintaan dari para profesional HR untuk menganalisis profil kandidat dalam kebutuhan mereka untuk proses perekrutan yang sempurna!
Kembali ke analitik prediktif, sebagai bagian dari penerapannya, personel HR harus terlebih dahulu menentukan siapa 'kandidat yang berhasil' menurut organisasi, kemudian dia harus menentukan faktor-faktor yang dapat mendorong efektivitas perekrutan dan pengembangan serta observasi sebagai untuk mengapa beberapa karyawan bekerja lebih baik daripada yang lain dengan hipotesis jika perlu. Berdasarkan hal tersebut, ia dapat membandingkannya dengan data karyawan sukses yang telah lama bekerja di organisasi dan ketiga menggunakan teknik statistik untuk mengukur mengapa beberapa orang bertahan lebih lama.
Pendekatan ini bagus untuk permulaan, tetapi mengimplementasikan analitik prediktif dalam HR mencakup banyak teknik yang dapat dieksplorasi HR dengan gratis. Bagian terbaik dari proses ini adalah pengurangan biaya penggantian karyawan dengan yang baru dan mungkin mendapatkan lebih banyak ROI daripada yang lama.
Pada akhirnya, kombinasi dari intuisi, pengalaman, dan pendekatan berbasis data yang baik sering kali menyempurnakan tidak hanya penilaian SDM tetapi juga penilaian kami.
FAKTA MENYENANGKAN: Tahukah Anda bahwa raksasa Amerika Xerox mengurangi omset call center-nya sebesar 20% dengan menerapkan analitik ke calon kandidat dengan temuan bahwa orang-orang kreatif lebih cenderung untuk tetap bersama perusahaan selama 6 bulan yang diperlukan untuk menutup biaya pelatihan mereka sebesar $ 6.000 daripada ingin tahu orang-orang?
5. Supply Chain & Logistics: Tim pengiriman pelatihan dengan platform data besar
Supply Chain & Logistics pada dasarnya merupakan komponen penting dalam strategi dan tujuan organisasi. Tujuan dari Supply Chain & Logistics adalah untuk menghemat biaya dan meningkatkan kinerja, kecepatan dan ketangkasan. Dalam hal logistik, mereka menangkap dan melacak berbagai bentuk data untuk secara fundamental meningkatkan efisiensi operasional, meningkatkan pengalaman pelanggan, dan model bisnis baru. Faktor-faktor ini seringkali dapat membantu organisasi untuk menghemat sumber daya, membangun nama merek yang lebih baik, dan menciptakan proses sistematis untuk rantai pasokan & logistik.
Melacak Big Data di seluruh dunia
Mari kita ambil contoh raksasa e-commerce yang menggunakan Big Data untuk pengiriman ke pelanggannya. Produk dikirim dari suatu lokasi ke alamat pelanggan. Perangkat di dalam kendaraan transportasi seperti pelacak GPS, mikrofon, sensor memiliki data terstruktur dan tidak terstruktur yang dikirim kembali ke pusat pemantauan untuk pembaruan waktu nyata. Bersamaan dengan itu juga membantu menganalisis efisiensi waktu pengiriman, jalur terpendek dan sumber daya yang digunakan untuk melakukan satu operasi pengiriman dalam daftar jutaan transaksi tersebut. Data tambang emas di berbagai pasar ini dikonsolidasikan oleh organisasi dan kemudian dianalisis untuk membawa perbaikan lebih lanjut dalam proses atau membawa seluruh tingkat inovasi baru!
FAKTA MENYENANGKAN: Tahukah Anda bahwa Big data dalam bentuk pelacakan halaman pelanggan oleh Amazon telah membantunya memposisikan produknya ke gudang terdekat dengan pelanggan untuk meningkatkan kecepatan dan efisiensi pengiriman?
apa kesalahan kunci di python
6. Operasi, Dukungan & Layanan pelanggan: Pelatihan karyawan tentang data besar di setiap interaksi pelanggan
Keberhasilan produk atau layanan apa pun didasarkan pada dukungan purnajual yang diterima pelanggan dan sering kali vendor bersumpah untuk selalu ada untuknya. Ini berasal dari fakta bahwa ketika pelanggan mengambil produk atau layanan, dia membuat 'lompatan-kepercayaan' dengan harapan bahwa vendor tidak mengecewakannya dalam masa pakai produk / layanan. Menyampaikan dari perspektif ini sangat penting untuk kesuksesan organisasi.
Mari kita lihat dukungan pada tingkat yang terperinci. Saya baru-baru ini mendapat kesempatan untuk menonton 'Interstellar' Christopher Nolan yang menjelajahi perjalanan luar angkasa ke ujung luar angkasa. Ini membuat saya berpikir tentang maskapai penerbangan masa depan yang akan menawarkan layanan penerbangan melalui lubang cacing yang membentang jutaan tahun cahaya! Apa tantangannya? Jenis data besar apa yang akan dihasilkan dalam perjalanan yang hampir tidak pernah berakhir ini? Bagaimana tim dalam pesawat memastikan bahwa penumpang menikmati perjalanan selama ini? Untuk memulainya, penyedia layanan harus fokus pada tujuan utama seperti memastikan keamanan udara, melacak jalur penerbangannya, menyampaikan persyaratan pelanggan, dan sebagainya.
Big Data saat bepergian 24 × 7
Ide untuk perjalanan antarbintang mungkin menjadi impian yang jauh untuk 100 tahun ke depan (bersikap optimis!), Tetapi itu tidak menghentikan kami untuk melihat data yang dihasilkan oleh layanan serupa yang saat ini beroperasi sekarang yang akan menjelaskan lebih banyak tentang bagaimana pelanggan layanan & dukungan dilakukan dalam skenario 'purna jual' dan bagaimana organisasi dapat terlibat dalam meningkatkan upaya mereka dalam waktu nyata.
Sebagai permulaan, Southwest Airlines adalah salah satu maskapai penerbangan paling terkenal yang memanfaatkan Big data untuk meningkatkan pengalaman pelanggannya. Dalam upayanya untuk meningkatkan keselamatan udara, Southwest Airlines berkolaborasi dengan NASA untuk terlibat dalam eksperimen data besar guna meningkatkan pengalaman penerbangan secara keseluruhan. Ini termasuk mengirim ping ke satelit NASA dengan informasi tentang jalur penerbangan, laporan dari pilot dan informasi lalu lintas udara lainnya. Di puncak teknik inovatif tersebut, terdapat konsep big data dasar yang disebut 'text data-mining' yang mengubah informasi tekstual yang tidak terstruktur menjadi teks yang bermakna untuk wawasan. Jadi menurut Anda, penambangan data teks berakhir di sana?
Tentu saja tidak, bahkan konsep sederhana dalam data besar seperti penambangan data teks jauh melampaui itu. Kita semua tahu bahwa umpan balik pelanggan adalah komponen penting dalam memahami kesalahan organisasi di setiap titik interaksi pelanggan. Penambangan data teks juga membantu layanan pelanggan dengan menganalisis respons survei terbuka. Alih-alih membatasi pelanggan pada opsi umum seperti opsi A, opsi B, opsi C, pertanyaan terbuka memberikan lebih banyak wawasan, tetapi mengklasifikasikan mereka dan mencatat tanggapan mungkin menjadi masalah utama. Di situlah penambangan data teks berperan di mana ia mengelompokkan kumpulan kata-kata tertentu dan menggabungkannya untuk wawasan!
Melihat lebih dari itu, kita semua harus mengakui bahwa tidak ada organisasi yang sempurna dan setiap dari mereka memiliki sekelompok kecil pelanggan yang mungkin tidak senang dengan layanan ini. Hasil? Basis data yang dibanjiri email, pesan, tweet dari pelanggan yang melaporkan keluhan atau tips 'bidang perbaikan' untuk membuatnya lebih lembut. Penambangan data teks selangkah lebih maju dari filter email tradisional dan dapat mengklasifikasikan email sesuai prioritas dan mengalihkannya ke departemen yang bersangkutan.
FAKTA MENYENANGKAN: Tahukah Anda bahwa Southwest Airlines, sebagai bagian dari upayanya untuk meningkatkan layanan pelanggan, telah menerapkan analisis data dengan fitur yang disebut 'analisis-ucapan' yang merekam interaksi antara pelanggan dan personel untuk mendapatkan wawasan!
7. Pemasaran: Melatih karyawan tentang pendekatan pemasaran sistematis dengan data besar
Pemasaran sebagai suatu aktivitas adalah tentang angka-angka hari ini. Dengan lonjakan pemasaran digital, sekarang kami dapat mengukur secara akurat respons iklan, rasio klik-tayang, tayangan, ROI, dan sebagainya. Untuk profesional non-pemasaran, metrik seperti itu mungkin Yunani, tetapi bagi mereka yang memasarkan data ini adalah tambang emas. Selanjutnya, bersama dengan metrik, sejumlah besar data dihasilkan di setiap titik interaksi pelanggan, media sosial & penjualan. Terserah profesional pemasaran untuk melacak data tersebut dan menggunakannya untuk mendorong produk seseorang secara lebih efektif. Pelatihan dalam Big Data memainkan peran penting di sini karena platform seperti Hadoop & R membantu memenuhi tujuan tersebut.
Kedua, profesional pemasaran dari waktu ke waktu sering kali memanjakan diri dengan retrospeksi merek mereka. Pertanyaan seperti:
Bagaimana merek saya lebih baik dari yang lain?
Apa yang ditawarkan merek lain?
Fitur apa yang dimiliki pesaing saya pada produk yang sama?
Studi ini lebih dalam dari ini. Dari menganalisis produk pesaing berdasarkan 4P (Produk, Harga, Tempat, Pemosisian) hingga memahami konten produk mana yang disajikan di halaman web pesaing, jumlah data yang dihasilkan sangat besar dan rumit. Seperti yang diceritakan sebelumnya, memanfaatkan penambangan teks dapat membantu pemasar melakukan analisis pesaing hanya dengan merayapi situs web pesaing. Fungsi sederhana dalam domain data besar ini dapat memberikan gambaran yang terkonsolidasi tentang apa yang dilakukan pesaing dan produk apa yang mereka miliki untuk pasar, sehingga memberikan keunggulan bagi pemasar yang merangkul big data!
Mempersenjatai Materi Kreatif
Misalnya, seorang ahli strategi media sosial ingin mengetahui tentang persepsi merek organisasinya di seluruh platform media sosial, maka mungkin terlibat dalam analisis sentimen di R & Hadoop akan membantu mencapai tujuan ini. Dengan cara yang sama, penggunaan alat Big Data membantu pemasaran di berbagai aktivitas seperti penetapan harga, pemosisian produk, dan sebagainya.
Contoh lain adalah manajer pemasaran di gerai ritel yang ingin memaksimalkan penjualan. Semua orang akan tahu contoh Walmart yang mampu memposisikan bir dan susu secara berdampingan di lorong berdasarkan riwayat pembelian pelanggan sebelumnya dengan mengambil potongan besar data yang mencakup jutaan pelanggan dalam jangka waktu tertentu!
FAKTA MENYENANGKAN: Tahukah Anda bahwa General Motors dengan anggaran pemasaran tahunannya $ 2 Miliar per tahun menggunakan Big Data Analytics untuk membuat profil pelanggan yang terperinci dan menggabungkan analitik data spasial dengan informasi demografi / pelanggan terperinci untuk pemasaran yang lebih dipersonalisasi!
Mengapa perusahaan beralih ke platform Big Data
Biasanya, organisasi yang menggunakan sistem lama memiliki data yang tersebar di banyak sistem. Karena penyebaran data di lokasi yang berbeda, kecepatan pemrosesan menurun seiring dengan keakuratan analisis data. Ini membutuhkan konsolidasi data dalam hub data perusahaan yang menciptakan akses data lebih cepat sehingga menghasilkan analitik yang lebih dalam. Salah satu tujuan penting departemen TI di organisasi mana pun adalah menyediakan data yang akurat dengan cepat untuk semua departemen dalam organisasi jika diminta.
Dengan data yang dikumpulkan, penting untuk menyatukan sumber data yang tidak terstruktur, terstruktur, dan semi-terstruktur ke dalam satu platform untuk melakukan analisis mendalam dan pada dasarnya membantu pengambilan keputusan bisnis. Fitur Hadoop ini membawa lebih banyak orang ke dalam organisasi karena ada karyawan yang berinteraksi dengan data di berbagai titik kontak dalam operasi sehari-hari. Selain itu, ETL tradisional dan proses batch dapat memakan waktu lama, sedangkan Hadoop dengan pemrosesan batch bervolume tinggi mempercepatnya hingga 10 kali lipat.
Arti penting Hadoop tidak selalu berarti bahwa setiap karyawan dalam suatu organisasi perlu dilatih tentang platform Big Data yang mungkin tidak dapat dilakukan dalam banyak kasus. Tetapi akan menjadi keuntungan strategis bagi CTO untuk mengidentifikasi dan melatih para profesional yang selalu berinteraksi dengan data.
Setelah membahas penyimpanan, pemrosesan, pengambilan data melalui platform Hadoop yang populer, fenomena penting lainnya yang merupakan bagian dari perkembangan alami adalah analitik Big Data. Sederhananya, organisasi membutuhkan banyak perspektif dari berbagai profesional dalam suatu organisasi.
Angka '6' dapat dilihat sebagai angka '9' dari sisi lain tabel. Dengan kata lain, kesimpulan dari mengamati data berbeda dari orang ke orang.
Organisasi mengetahui hal ini dan sering kali terlibat dalam pelatihan karyawan di platform serupa sehingga orang-orang dari departemen berbeda yang saling berhubungan dengan aktivitas yang sama berdiskusi, terlibat, dan berbagi wawasan untuk pengambilan keputusan yang tepat. Jadi, saya yakin akan aman untuk mendefinisikan pelatihan Big Data sebagai peluang bagi setiap karyawan untuk berada di halaman yang sama dan membawa organisasi ke level berikutnya!
Ada pertanyaan untuk kami? Sebutkan mereka di bagian komentar dan kami akan menghubungi Anda kembali.
Posting terkait: