Τα τελευταία χρόνια γίνεται ολοένα και πιο συχνή η χρήση του όρου analytics. Στον ψηφιακό κόσμο των επιχειρήσεων τα analytics αποτελούν σήμερα κομβικό σημείο για την αποτελεσματικότητα και την ανάπτυξή τους, παρέχοντας σημαντικές πληροφορίες που είναι κρυμμένες σε μεγάλες ποσότητες δεδομένων. Τα analytics όμως αλλάζουν τα πάντα όχι μόνο στον κόσμο των επιχειρήσεων, αλλά και στην επιστήμη, τον αθλητισμό, την υγειονομική περίθαλψη και σχεδόν σε οποιονδήποτε τομέα όπου συλλέγονται τεράστιες ποσότητες δεδομένων.

Γράφει ο Χάρης Ματθαίου

Τα analytics έχουν αναδειχθεί ως γενικός όρος για μια ποικιλία διαφορετικών επιχειρηματικών πληροφοριών και πρωτοβουλιών που σχετίζονται με εφαρμογές. Χρησιμοποιούνται για να περιγράψουν στατιστική και μαθηματική ανάλυση δεδομένων που συγκεντρώνουν τμήματα και βαθμολογίες, ώστε να προβλέπουν ποια σενάρια είναι πιθανότερο να συμβούν. Ανεξάρτητα από τις περιπτώσεις χρήσης, τα analytics έχουν μεταφερθεί βαθύτερα στην επιχειρηματική ορολογία. Συγκεντρώνουν ένα αυξανόμενο ενδιαφέρον από οργανισμούς και επαγγελματίες πληροφορικής που επιθυμούν να εκμεταλλευτούν τεράστιους όγκους παραγόμενων δεδομένων.

Τι σημαίνει ο όρος “Analytics”;

Ο όρος “Analytics” περιγράφει την επιστημονική διαδικασία ανακάλυψης, ερμηνείας και επικοινωνίας των σημαντικών προτύπων που μπορούν να βρεθούν στα δεδομένα. Με απλά λόγια, τα analytics βοηθούν στη λήψη πληροφοριών και σημαντικών δεδομένων που ενδεχομένως να μην ανιχνεύονταν με διαφορετικό τρόπο. Μετατρέπουν τα ακατέργαστα δεδομένα σε γνώση για τη λήψη καλύτερων αποφάσεων που θα βοηθήσουν τους οργανισμούς να αυξήσουν τις πωλήσεις, να μειώσουν το κόστος και να κάνουν διάφορες άλλες επιχειρηματικές βελτιώσεις. Βασίζονται στην εφαρμογή στατιστικών στοιχείων, στον προγραμματισμό υπολογιστών και στην έρευνα λειτουργίας, ώστε να ποσοτικοποιούν και να αποκτούν εικόνα για τις έννοιες των δεδομένων.

Επιχειρηματικά analytics

Τα επιχειρηματικά analytics είναι ευρέως διαδεδομένα, καθώς είναι φυσικό ότι κάθε εταιρεία που θέλει να αποδίδει καλύτερα θα αναλύει δεδομένα για να λαμβάνει καλύτερες αποφάσεις. Οι οργανισμοί επιδιώκουν να αντλούν όσο το δυνατόν περισσότερα στοιχεία από τα analytics, χρησιμοποιώντας μεγαλύτερες ποσότητες δεδομένων για την ταχύτερη προβολή βαθύτερων πληροφοριών, για περισσότερα άτομα. Και για να επιτύχει αυτούς τους στόχους, χρειάζεται μια ισχυρή πλατφόρμα ανάλυσης cloud που να υποστηρίζει ολόκληρη τη διαδικασία ανάλυσης με την ασφάλεια, την ευελιξία και την αξιοπιστία που προσδοκά, αλλά να είναι και εύκολη στη διαχείριση. Με τα επιχειρηματικά analytics και χρησιμοποιώντας εξατομίκευση, μηχανική εκμάθηση και τη βαθιά γνώση του κλάδου στον οποίο ανήκουν, οι εταιρείες μπορούν να αποκτούν σχετικές ενεργές πληροφορίες από δεδομένα σε διάφορες εφαρμογές. Τα επιχειρηματικά analytics πρέπει να είναι μια ολοκληρωμένη διαδικασία που απαιτεί δράση. Και όταν δημιουργείται γνώση από τις πληροφορίες που συλλέγονται, μια επιχείρηση μπορεί στη συνέχεια να επανεκτιμάει, να επανεκτελεί και να αναδιαμορφώνει τις διαδικασίες της.

Με τα επιχειρηματικά analytics οι εταιρείες αποκτούν ενεργές πληροφορίες από δεδομένα σε διάφορες εφαρμογές.

Βασικές αρχές των analytics

Τα δεδομένα από μόνα τους δεν έχουν καμία σημασία. Εάν μια επιχείρηση δεν αξιοποιήσει όλη την τεχνολογία που έχει στη διάθεσή της, δεν θα καταγράψει το μέγιστο κέρδος που θα μπορούσε να αποκομίσει από την επένδυσή της. Τα δεδομένα πρέπει να αναλύονται και στη συνέχεια η επιχείρηση πρέπει να αναπτύσσει τα αποτελέσματα της ανάλυσής τους, ώστε να οδηγείται στη λήψη αποφάσεων. Έτσι λοιπόν, το τρίπτυχο δεδομένα – ανακάλυψη – ανάπτυξη δίνει αξία στην επένδυση των analytics.

Το τρίπτυχο δεδομένα – ανακάλυψη – ανάπτυξη δίνει αξία στην επένδυση των analytics.

Η επιχειρηματική αξία των analytics

Ένας νέος τρόπος εργασίας: Η φύση της επιχείρησης αλλάζει και αυτή η αλλαγή φέρνει ένα νέο τρόπο ανταγωνισμού. Η ανταπόκριση στις απαιτήσεις του σημερινού τεχνολογικού ανθρώπινου δυναμικού προϋποθέτει μέθοδο δημιουργίας αξίας και γρήγορης λειτουργίας. Η επιχείρηση προσφέρει ταχύτητα και απλότητα στους χρήστες της, διατηρώντας παράλληλα τα υψηλότερα πρότυπα ποιότητας και ασφάλειας δεδομένων. Μια κεντρική πλατφόρμα analytics, όπου η τεχνολογία της πληροφορικής παίζει καθοριστικό ρόλο, θα πρέπει να αποτελεί θεμελιώδες μέρος της στρατηγικής επιχειρηματικών analytics.

Ανακάλυψη νέων ευκαιριών: Οι εξελίξεις στην τεχνολογία των analytics δημιουργούν νέες ευκαιρίες για την αξιοποίηση των δεδομένων. Τα σύγχρονα analytics είναι προγνωστικά, αυτοδίδακτα και προσαρμόσιμα, ώστε να βοηθούν στην αποκάλυψη κρυφών μοτίβων δεδομένων. Είναι επίσης διαισθητικά, ενσωματώνοντας εκπληκτικές απεικονίσεις που επιτρέπουν στην επιχείρηση να μπορεί να κατανοεί εκατομμύρια σειρές και στήλες δεδομένων σε μια στιγμή. Τα σύγχρονα επιχειρηματικά analytics είναι φορητά και εύκολα στη χρήση, ενώ οδηγούν στη σύνδεση με τα σωστά δεδομένα τη σωστή στιγμή, με ελάχιστη ή καθόλου εκπαίδευση.

Οπτικοποίηση των δεδομένων: Για μια επιχείρηση που θέλει να βλέπει σήματα δεδομένων πριν από τους ανταγωνιστές της, τα analytics της παρέχουν μια υψηλής ευκρίνειας οπτική εικόνα του επιχειρηματικού τοπίου. Συγκεντρώνοντας προσωπικά, εταιρικά και μεγάλα δεδομένα, μπορεί να καταλαβαίνει γρήγορα την αξία των δεδομένων, να μοιράζεται την ιστορία των δεδομένων της με συναδέλφους και να τα κάνει όλα μέσα σε λίγα μόνο λεπτά.

Τάσεις των analytics

Η συνεχώς εξελισσόμενη αγορά των analytics δημιουργεί μια νέα πραγματικότητα, όπου η επιχείρηση και η τεχνολογία της πληροφορικής μοιράζονται τις πρωτοβουλίες των αποφάσεων. Δεν υπάρχει καμία αμφιβολία ότι τα analytics αποτελούν σήμερα στρατηγική για τους περισσότερους οργανισμούς, φέρνοντας νέους πελάτες και νέες προσδοκίες. Αυτό που έχει αλλάξει είναι ο τρόπος με τον οποίο οι αποφάσεις πρέπει να λαμβάνονται σε πραγματικό χρόνο και να μοιράζονται με ένα ευρύ κοινό. Το ανθρώπινο δυναμικό αλλάζει και αυτή η αλλαγή φέρνει έναν νέο τρόπο εργασίας. Αποτελούν παρελθόν οι μέρες εκείνες όπου τα εγχειρίδια κατάρτισης ήταν κάτι συνηθισμένο, καθώς το σημερινό ανθρώπινο δυναμικό λειτουργεί γρήγορα μέσα από ένα εύκολο και διαισθητικό περιβάλλον. Επιπλέον, ενώ η ταχύτητα και η απλότητα είναι βασικά στοιχεία, οι επικεφαλής των επιχειρήσεων εξακολουθούν να έχουν υψηλές προσδοκίες σχετικά με την ποιότητα και την ασφάλεια των δεδομένων. Μια κεντρική πλατφόρμα analytics όπου η τεχνολογία της πληροφορικής παίζει καθοριστικό ρόλο, εξακολουθεί να αποτελεί θεμελιώδες μέρος οποιασδήποτε στρατηγικής ανάλυσης. Σύμφωνα με εκτιμήσεις ειδικών, η τοποθέτηση analytics στο cloud είναι κάτι πολύ περισσότερο από μια απλή επιλογή ανάπτυξης, καθώς αφαιρεί τα εμπόδια μεταξύ ατόμων, τοποθεσιών, δεδομένων και συστημάτων, για να αλλάξει ριζικά τον τρόπο με τον οποίο οι άνθρωποι αλληλεπιδρούν με την πληροφορία και την τεχνολογία.

Ιστορία των analytics

Η σύγκριση στατιστικών στοιχείων και η ανάλυση δεδομένων προηγούνται χρονικά στην ιστορία, υπάρχουν όμως μερικά σημαντικά ορόσημα που βοήθησαν να εξελιχτούν τα analytics στη διαδικασία που γνωρίζουμε σήμερα.

Το 1785, ο William Playfair παρουσίασε την έννοια ενός ραβδογράμματος, το οποίο είναι ένα από τα βασικά (και ευρέως χρησιμοποιούμενα) χαρακτηριστικά οπτικοποίησης δεδομένων. Η ιστορία λέει ότι το ραβδόγραμμα εφευρέθηκε για να δείξει μερικές δεκάδες σημεία δεδομένων.

Το 1812, ο χαρτογράφος Charles Joseph Minard σχεδίασε τις απώλειες που υπέστη ο στρατός του Ναπολέοντα στην πορεία του προς τη Μόσχα. Ξεκινώντας από τα σύνορα Πολωνίας-Ρωσίας, δημιούργησε έναν γραμμικό χάρτη με χοντρές και λεπτές γραμμές που έδειχναν πώς οι απώλειες συνδέονταν με το βαρύ χειμώνα και το χρονικό διάστημα όπου ο στρατός ήταν μακριά από τις γραμμές προμήθειας.

Το 1890, ο Herman Hollerith εφηύρε μια “μηχανή πίνακα”, η οποία κατέγραφε δεδομένα σε διάτρητες κάρτες. Αυτό επέτρεψε την ταχύτερη ανάλυση των δεδομένων, επιταχύνοντας έτσι τη διαδικασία καταμέτρησης της απογραφής των ΗΠΑ από τα 7 χρόνια στους 18 μήνες. Αυτό καθιέρωσε μια επιχειρηματική απαίτηση για συνεχή βελτίωση της συλλογής και της ανάλυσης δεδομένων, η οποία τηρείται ακόμη και σήμερα.

Οι εφαρμογές αναλύουν δεδομένα για να προβλέπουν μελλοντικά αποτελέσματα μέσω μηχανικής μάθησης.

Τα analytics σήμερα

Τη δεκαετία του 1970 και του 1980 δημιουργήθηκαν τα λογισμικά RDB (Relational Database) και SQL (Standard Query Language) που θα χρησιμοποιούνταν για ανάλυση δεδομένων κατά παραγγελία.

Στα τέλη της δεκαετίας του 1980, ο William H. Inmon, πρότεινε την ιδέα της «αποθήκης δεδομένων», όπου οι πληροφορίες θα μπορούσαν να δέχονται γρήγορη και επανειλημμένη προσπέλαση. Επιπλέον, ο αναλυτής της Gartner Howard Dresner τη χαρακτήρισε ως “επιχειρηματική ευφυΐα”, η οποία άνοιξε το δρόμο για μια βιομηχανική ώθηση προς ανάλυση δεδομένων με σκοπό την καλύτερη κατανόηση των επιχειρηματικών διαδικασιών.

Στη δεκαετία του 1990, η ιδέα της εξόρυξης δεδομένων επέτρεψε στις επιχειρήσεις να αναλύσουν και να ανακαλύψουν μοτίβα σε εξαιρετικά μεγάλα μεγέθη δεδομένων. Αναλυτές δεδομένων και επιστήμονες δεδομένων επικεντρώθηκαν σε γλώσσες προγραμματισμού (όπως R και Python) για να αναπτύξουν αλγόριθμους μηχανικής μάθησης, να εργαστούν με μεγάλα σύνολα δεδομένων και να δημιουργήσουν πολύπλοκες οπτικοποιήσεις δεδομένων.

Στη δεκαετία του 2000, οι καινοτομίες στη διαδικτυακή αναζήτηση επέτρεψαν την ανάπτυξη των MapReduce, Apache Hadoop και Apache Cassandra για να βοηθήσουν στην ανακάλυψη, την προετοιμασία και την παρουσίαση πληροφοριών.

Ένα πρόγραμμα διαχείρισης δεδομένων μπορεί να καλύψει όλα τα τμήματα του οργανισμού.

Analytics επόμενης γενιάς

Καθώς το ενδιαφέρον των επιχειρήσεων έχει πλέον μετατοπιστεί από την απλή απόκτηση ορατότητας δεδομένων στην απαίτηση περισσότερων πληροφοριών, τα εργαλεία και οι δυνατότητές τους έχουν επίσης εξελιχτεί. Τα πρώτα σύνολα εργαλείων analytics βασίστηκαν στα σημασιολογικά μοντέλα που δημιουργήθηκαν από λογισμικό επιχειρηματικής νοημοσύνης. Αυτά βοήθησαν στη δημιουργία ισχυρής διακυβέρνησης, ανάλυσης δεδομένων και ευθυγράμμισης μεταξύ των λειτουργιών. Ένα μειονέκτημα ήταν ότι οι αναφορές δεν ήταν πάντα έγκαιρες. Οι υπεύθυνοι λήψης επιχειρηματικών αποφάσεων μερικές φορές δεν ήταν σίγουροι ότι τα αποτελέσματα ευθυγραμμίστηκαν με το αρχικό ερώτημά τους. Από τεχνικής άποψης, τα μοντέλα αυτά χρησιμοποιούνται κυρίως στις εγκαταστάσεις, καθιστώντας τες οικονομικά αποδοτικές.

Στη συνέχεια, η εξέλιξη των εργαλείων αυτοεξυπηρέτησης οδήγησε τα analytics σε ένα ευρύτερο κοινό, δεδομένου ότι δεν απαιτούσαν ειδικές δεξιότητες. Αυτά τα εργαλεία analytics για επιτραπέζιους υπολογιστές επιχειρήσεων έχουν αποκτήσει μεγάλη δημοτικότητα τα τελευταία χρόνια, κυρίως στο cloud. Ενώ όμως η ευκολία χρήσης τους είναι ελκυστική, ο συνδυασμός δεδομένων και η δημιουργία μιας “ενιαίας έκδοσης της αλήθειας” γίνεται όλο και πιο περίπλοκη υπόθεση. Από την άλλη μεριά, τα analytics επιτραπέζιων υπολογιστών δεν είναι πάντα επεκτάσιμα σε μεγαλύτερες ομάδες, ενώ είναι επίσης ευαίσθητα σε ασυνεπείς ορισμούς.

Πιο πρόσφατα, τα εργαλεία των analytics έχουν επιτρέψει έναν ευρύτερο μετασχηματισμό επιχειρηματικών πληροφοριών, με τη βοήθεια εργαλείων που αναβαθμίζουν και αυτοματοποιούν την ανακάλυψη, τον καθαρισμό και τη δημοσίευση των δεδομένων. Οι επιχειρηματικοί χρήστες μπορούν να συνεργάζονται με οποιαδήποτε συσκευή με περιεχόμενο, να αξιοποιούν τις πληροφορίες σε πραγματικό χρόνο και να οδηγούν σε αποτελέσματα.

Σήμερα, οι άνθρωποι εξακολουθούν να κάνουν το μεγαλύτερο μέρος της δουλειάς, όμως ο αυτοματισμός κερδίζει συνεχώς έδαφος. Τα δεδομένα από υπάρχουσες πηγές μπορούν να συνδυάζονται εύκολα. Ο πελάτης εργάζεται υποβάλλοντας ερωτήματα και στη συνέχεια αποκτάει γνώσεις αλληλεπιδρώντας με οπτικές αναπαραστάσεις των δεδομένων, ενώ δημιουργεί μοντέλα για την πρόβλεψη μελλοντικών τάσεων ή αποτελεσμάτων. Όλα αυτά διαχειρίζονται και ελέγχονται από άτομα εξειδικευμένου επιπέδου. Η ενσωμάτωση της συλλογής δεδομένων, της ανακάλυψης δεδομένων και της μηχανικής μάθησης, παρέχει στον τελικό χρήστη περισσότερες επιλογές σε πιο γρήγορους χρόνους από ποτέ.

Η προγνωστική ανάλυση μπορεί να προβλέπει το μελλοντικό αποτέλεσμα οποιουδήποτε συμβάντος.

Τεχνολογίες data analytics

Μερικές από τις τεχνολογίες data analytics που χρησιμοποιούνται από τις επιχειρήσεις είναι οι εξής:

Μηχανική μάθηση (ML-Machine Learning): Το πεδίο της τεχνητής νοημοσύνης (AI-Artificial Intelligence) αναπτύσσεται συνεχώς και οι επιχειρήσεις το χρησιμοποιούν για διάφορους σκοπούς. Προσομοιώνουν την ανθρώπινη νοημοσύνη για να ολοκληρώσουν τις απαραίτητες εργασίες. Η μηχανική μάθηση είναι ένα υποσύνολο της AI που περιλαμβάνει αλγόριθμους στατιστικών. Οι μηχανές μπορούν να μαθαίνουν από μόνες τους. Οι εφαρμογές μπορούν να λαμβάνουν δεδομένα ως είσοδο και να τα αναλύουν για να προβλέπουν μελλοντικά αποτελέσματα μέσω ML, χωρίς σαφή προγραμματισμό. Οι αλγόριθμοι ML μπορούν να χρησιμοποιούνται για εκπαίδευση ακόμη και με ένα μικρό δείγμα δεδομένων, ενώ το σύστημα θα συνεχίσει να μαθαίνει από μόνο του, καθώς θα συλλέγει με μεγαλύτερη ακρίβεια περισσότερα δεδομένα.

Διαχείριση δεδομένων: Πριν από την ανάλυση, τα δεδομένα θα πρέπει να διατηρούνται οργανωμένα. Επιπλέον, πρέπει να είναι υψηλής ποιότητας και να μπορούν να συλλέγονται από οποιαδήποτε κεντρική πλατφόρμα διαχείρισης δεδομένων, όπου ο καθένας να μπορεί να τα χρησιμοποιήσει όποτε απαιτείται. Ωστόσο, ένα πρόγραμμα διαχείρισης δεδομένων μπορεί να καλύψει όλα τα τμήματα του οργανισμού.

Εξόρυξη δεδομένων: Η εξόρυξη δεδομένων βοηθάει στη σύνδεση πολλών σημείων δεδομένων και ανακαλύπτει τις σχετικές πληροφορίες για τη διεξαγωγή αναλύσεων και τη λήψη ενημερωμένων αποφάσεων. Οι εργασίες μπορούν να ολοκληρώνονται γρήγορα και εξαιρετικά με τη χρήση τεχνολογιών εξόρυξης δεδομένων.

Προγνωστική ανάλυση: Για την ανάλυση των ιστορικών δεδομένων, οι επιστήμονες χρησιμοποιούν κυρίως αυτήν την τεχνολογία. Μπορούν να προβλέπουν το μελλοντικό αποτέλεσμα οποιουδήποτε συμβάντος και την πιθανότητα εμφάνισης οποιουδήποτε γεγονότος στο μέλλον. Συνήθως, οι αλγόριθμοι στατιστικής και μηχανικής μάθησης χρησιμοποιούνται για την προγνωστική ανάλυση. Οι ακριβείς προβλέψεις βοηθούν επίσης τις επιχειρήσεις να λαμβάνουν καλύτερες αποφάσεις και να προχωρούν σε έναν ανταγωνιστικό κόσμο με επιτυχία. Μπορούν να προβλέπουν τη μελλοντική τάση, τη συμπεριφορά των πελατών και να παραμένουν μπροστά στην αγορά.

Ανάλυση προοπτικής: Η ανάλυση προοπτικής βοηθά στον καθορισμό της σωστής πορείας δράσης και επιπλέον, βοηθάει τον οργανισμό και τους μελλοντικούς πελάτες του.

Συμπέρασμα

Οι επιχειρήσεις λαμβάνουν πολύτιμες πληροφορίες για τα πάντα που αφορούν τους πελάτες τους, χρησιμοποιώντας τα analytics για την επεξεργασία τους. Οι πληροφορίες συμβάλλουν στη βελτίωση των στόχων και της απόδοσης της καμπάνιας τους, βοηθώντας τους οργανισμούς να παρέχουν εξατομικευμένες υπηρεσίες. Τα δεδομένα και τα αναλυτικά στοιχεία έχουν πλέον γίνει ουσιαστικό μέρος κάθε επιχείρησης, ειδικά εκείνων που θέλουν να γνωρίζουν τις απαιτήσεις των πελατών τους, ακόμη και προτού εκείνοι το συνειδητοποιήσουν.