av Tonje I. Hanssen | okt 19, 2018 | Business Intelligence
Hvordan reagerer du når du kommer over noe som er utfordrende? For å gi et eksempel, skal vi se på to typer mennesker når det kommer til matte. Noen tror at grunnen til at det er vanskelig med matte er fordi de ikke har en mattehjerne. Mens andre pugger og jobber helt til de finner ut av det. Den første gruppen kan man si har en statisk mentalitet, mens de sistnevnte har en vekst mentalitet. Det er denne vekst mentaliteten som kan hjelpe deg med å skape fordeler i mange områder i livet – inkludert analyse.
Hva er «growth mindset»?
Growth mindset er en vekstorientert tankemåte som fremmer endring.
Ifølge Carol Dweck, psykologen som innførte begrepet, tror personer med vekstmentalitet at deres grunnleggende evner kan utvikles gjennom engasjement og hardt arbeid – og at talent og evner bare er utgangspunktet. Dette perspektivet skaper en positiv tilknytning til læring og pågangsmot som er avgjørende for gode prestasjoner.
Det er ikke bare enkeltpersoner som kan ha en vekstorientert tankemåte, men også organisasjoner. I en Harvard Business Review-artikkel sier Dweck at i bedrifter som omfavner en vekstmentalitet rapporteres det at de ansatte føler seg mer selvsikre og engasjert. I tillegg til at de får langt større organisatorisk støtte til samarbeid og innovasjon. I motsetning til ansatte i bedrifter med statisk mentalitet, hvor det rapporteres om juks og spisse albuer blant ansatte, antagelig for å få en fordel i et konkurransemiljø.
Vekstmentalitet og analyser
Under finner du tre måter for hvordan et vekstorientert tankesett kan være nyttig for personer som jobber med analyser.
Pågangsmot
En av tingene som kjennetegner folk med et vekstorientert tankesett er at de er i stand til å lettere komme seg opp igjen etter motgang. For brukere av analyse betyr dette at det å finne «dårlige nyheter» i dataene ikke er en undergang. For eksempel, la oss si at dataene dine viser dårlige salgstall for kvartalet. Hvordan vil du reagere? En vekstorientert person kan bli skuffet, men vil også ta det som en utfordring å finne ut hvordan man kan forbedre seg for neste kvartal.
Utholdenhet
Vekstorienterte holder fast ved oppgaver, selv når de blir utfordrende. Når det kommer til analyse, kan det være lite motiverende når du ikke får svaret du trenger i dataene. Men utholdenhet lønner seg. En vekstorientert person vil fortsette å dykke i dataene for å komme til riktig svar.
Intelligent utvikling
Personer med en vekstmentalitet tror ikke at ens talenter og evner er satt ved fødsel. De tror de kan utvikle seg over tid. Å ha tilgang til et vell av nye data kan være skremmende i begynnelsen. Hva ser man etter? Hva skal du undersøke? Spørsmålet er om du gir opp eller jobber du med dataene over tid for å få ny innsikt?
Hvordan utvikle en vekstmentalitet
Hvis du finner ut at du har en statisk mentalitet, finnes det måter å endre tankegangen din på og utvikle et mer vekstorientert tankesett.
Still spørsmålet ditt på en ny måte. Har du et spørsmål som du ikke får svaret på i dataene dine? En person med en vekstmentalitet slår ikke bare av pc-en, men hun tenker på hva hun vil ha som sluttresultat og jobber seg bakover for å sikre at hun stiller de riktige spørsmålene.
Bruk litt tid på å se hvor dataene tar deg. Jeg vet – hvem har ledig tid til å bare sitte og leke med dataene? Men selv om det tar litt tid å utforske, kan det hjelpe deg med å få ny innsikt. Begynn med å sette til side en liten del av tiden hver uke for å se hvilke nye funn av informasjon du kan avdekke.
Lag kontinuerlig nye mål. Salgsteamet møtte sine mål for kvartalet. Gratulerer! Men hva er neste? Ved å sette et nytt mål hver gang du når dine gamle, holder du ditt sinn utfordret og åpent for nye måter å tenke på.
Feire underveis. Mange mennesker med statiske tankesett har de fordi det er vanskelig å se sluttresultatet. For eksempel, jeg kan ikke forstå dette enkle mattekonseptet i dag – hvordan forventer jeg at jeg skal klare eksamen? Færre butikker tok inn vårt produkt siste kvartal – hvordan kan du nå forvente at vi skal øke distribusjonen? Du kan endre denne tankegangen ved å feire mindre milepæler. Som for eksempel, et lite hopp i kvalitetsrangeringer, eller et nytt distributørforhold. Ved å bryte ned dine større mål i mindre milepæler, øker du drivkraften og motivasjon, og gir innsikt i hvordan du kan nå dine større mål.
Vekstmentalitet er en prosess
Selvfølgelig er det en prosess, og det er en som ikke skjer over natten. Men du vil oppdage at ved å bruke en litt mer vekstorientert tankegang, kan du utvikle din analyse forståelse og suksess.
av Tonje I. Hanssen | okt 11, 2018 | Business Intelligence
Hvordan vurderer du resultatene etter at organisasjonen din har investert i en business intelligence-løsning? Hvordan måler du effektiviteten, og om de avgjørelsene du tar ut fra innsiktene er gode eller dårlige? Business intelligence er en ressurs som gjør informasjon om til et konkurransefortrinn. Derfor er det viktig å avgjøre om BI-løsningen fungerer bra eller om den trenger justeringer.
Forrester Research har sett på disse spørsmålene i en rapport om benchmarking av firmaets business intelligence miljø. Forrester undersøkte over 100 fagfolk som brukte BI i slutten av 2016 og 2014, for å lære hvordan bedrifter vurderer sine BI-løsninger. De fant ut at 86% av bedriftene målte sine BI-løsninger kvantitativt, ved oppfølging og analyser av BI plattformens logger og metadata, systemlogger fra databasestyring og/eller ved undersøkelser.
Måle effektivitet
For å måle effektiviteten av bedriftens BI, foreslår rapporten å stille følgende spørsmål.
Bruker du flere eller færre BI-plattformer enn dine kolleger?
I følge Forrester, distribuerer de fleste store bedrifter minst fem BI-plattformer, hvor noen er bygd inn i økonomi, planlegging, ERP og CRM applikasjoner. I dette tilfellet, er ikke flere nødvendigvis bedre. Dette er fordi hver plattform krever organisering av flere bevegelige deler som kan være vanskelig å integrere og distribuere.
Hvor mange forskjellige rapporter og dashbord produserer du?
Forskning fra Q4 2016 viser at de fleste organisasjoner produserer 25 rapporter/dashbord eller mindre per bruker. 42% produserer også mindre enn 10 per bruker.
Hvor leverer du informasjonen?
PCer er den vanligste plattformen rapportert i både 2014 (94%) og 2016 (87%). Samtidig øker bruken av mobile plattformer, opp fra 44% til 50% i løpet av de to årene. Hos Dimensional Insight har vi også sett en økende interesse for vår mobile løsning – DiveTab.
Analytiske behov kan variere mye på tvers av en organisasjon, og det som anses som «nyttig» kan være avhengig av målgruppe. Derfor anbefaler Forrester også å samle beregninger. Dette inkluderer hvor mye og lite rapporter og dashbord brukes, hvor rask en spørring gir resultater, og hvor mange klikk det tar å lage et spørsmål og få svar. Det å analysere resultatene fra brukere, avdelinger, regioner, forretningsområder og andre attributter vil fremheve trender og skape muligheter for å lære av mer effektive bruksmønstre.
Hvordan bruke Diver til å samle og analysere bruksfrekvens og omfang
Site Stats er et verktøy som tilbys gjennom Diver Platform og Diver Solution som samler den type informasjon som nevnt over og hjelper brukerne med å visualisere og analysere. Site Stats gir en oversikt som inneholder bruksinformasjon og trender som kan være nyttige for en CIO.
Utover oversikten er det mye data om hver side og bruker i et BI-miljø. I hovedsak spores alle dataene i miljøet hver gang det berøres.
Site Stats gir også informasjon om hvor lang tid hver side bruker for å laste. Langsomme tider kan signalisere dårlig utforming av et bestemt dykk inn i dataene. Hvis dette er tilfelle kan vårt tekniske team hjelpe kunden med å designe sider for bedre ytelser og forbedret effektivitet.
Avslutningsvis, det å måle effektiviteten er et godt sted å begynne for å vurdere BI-løsningen og avgjøre om den trenger justeringer. Divers Site Stats gir en oversiktlig måte å spore og analysere bruken på, samtidig som våre eksperter kan hjelpe kunder med å forbedre effektiviteten.
Helt til slutt, når du vurderer alle BIs kvantifiserbare tiltak, må du ikke overse immaterielle fordeler som forbedret beslutningstaking og bedre innsikt.
Kilder
Benchmark Your BI Environment for Continuous Improvement, by Boris Evelson, Forrester Research, Inc., March 20, 2018
Use Human-Machine Partnerships to Continuously Improve Decisions, by Rowan Curran and Boris Evelson, Forrester, May 2016.
av Tonje I. Hanssen | okt 4, 2018 | Produksjon og supply chain
Kunstig intelligens har blitt så integrert i livene våre, at vi ofte ikke legger merke til det. Vi er både takknemlige og frustrerte på autokorreksjonen i mobilene våre. Vi tar det for gitt når Facebook tagger bildene våre, Amazon anbefaler bøker, og deteksjonsalgoritmer hjelper til med å lese mammografiene våre. Likevel, spår Gartner i den siste rapporten 100 Data and Analytics Predictions Throguh 2022, at det vil bli mye mer kunstig intelligens fremover. Dette gjelder i alle typer forretningsfunksjoner, i ulike industrier. Det vil påvirke daglige oppgaver både privat og profesjonelt, samt positivt påvirke jobber.
Det med at AI vil ha en positiv påvirkning på jobber, synes jeg er interessant. Jeg tror at ideen om at AI vil skape og ikke eliminere jobber er fordi kunstig intelligens i stor grad kompletterer menneskelig intuisjon – men ikke erstatter den. Under ser du tre organisasjoner som bruker AI i 2018 for å forbedre menneskets intuisjon, forbedre fortjenesten og livskvalitet.
Kunstig intelligens og kaffe
Neste gang du kjøper kaffe, kan du tenke på alle måtene big data og kunstig intelligens er med på å forme Starbucks opplevelsen din. Starbucks har estimert 90 millioner transaksjoner per uke, som gir selskapet 90 millioner muligheter til å samle inn og utnytte data. Mer enn 15 millioner mennesker tillater Starbucks å samle inn enda mer detaljerte data om deres kaffevaner, gjennom belønningsprogram og mobil appen. Disse dataene tillater igjen at selskapet kan fokusere på tilpassing, og skape en «bare-for-deg» kundeopplevelse. AI støtter appen sine anbefalinger om nye mat- og drikkevarer, basert på tidligere kjøp, geografi og vær. Alt dette supplerer Starbucks menneskeligbaserte kundeengasjement og lojalitet, inkludert en barista som kjenner til navnet ditt og favorittdrinken.
Oppdage motetrender
I likhet med verdens største kaffekjede, har også verdens største klesmerke benyttet kunstig intelligens for å skape tilpassede butikkopplevelser. H&M benytter 200 data scientists, analytikere og ingeniører for å oppdage trender, forbedre tilbud og etterspørsel og finjustere hvilke varer som er tilgjengelig i sine butikker. Selskapet bruker maskinlæring og språkbehandling for å analysere blogginnlegg, søkeord, sosiale medier og andre kilder, i et forsøk på å oppdage trender opp til åtte måneder i forveien. Denne kvantitative analysen hjelper de med å oppdage nye trender, i tillegg til H&M sine designeres moteinstinkter.
På butikknivå har H&M begynt å bruke algoritmer til å analysere kvitteringer, retur, lojalitetskort og innkjøpsmønstre for individuelle steder. Målet er å bruke disse granulære dataene til å tilpasse varene som er tilgjengelige i hver butikk – en stor forandring fra H&M sin langvarige praksis med å fylle alle butikker med lignende varer. Selskapet rapporterer et forbedret salg i en butikk i Stockholm som justerte varebeholdningen, og de utvider nå programmet globalt.
Triaging krise samtaler
Andre bedrifter benytter AI for å kunne bedre hjelpe folk i krisetider. Crisis Text Line er en nonprofit organisasjon, som gir gratis støtte 24 i døgnet, med frivillige som reagerer på meldinger om bl.a. depresjon, selvmord, mobbing og parforholdsproblemer. Mens hver melding leses og håndteres av et menneske, er organisasjonen avhengig av data for å gi hjelp raskere og mer nøyaktig. Crisis Text Line bruker maskinlæring og naturlig språkbehandling for å søke gjennom meldingen de mottar – over 65 millioner og dette øker. Systemet identifiserer høyrisiko ord og ordkombinasjoner og flytter deretter de meldingene øverst i køen. Organisasjonen forklarer:
Vårt maskinlæringslag identifiserer 86% av personer med alvorlig risiko for selvmord i sine første samtaler. Modellen, et ensemble av dype nevrale nettverk, lærte å forutsi risikoen for selvmord fra alle samtaler merket med «Selvmord» av kriserådgivere, i en undersøkelse tatt etter samtaler. Samspillet mellom modellforutsetninger og sanntids tilbakemeldinger fra Crisis rådgivere er viktig for forbedring av modellen. Vi er nå posisjonert for å betjene 94% av høyrisiko-meldingene på under 5 minutter.
Crisis Text Line forutsier at når algoritmen øker nøyaktigheten, vil det redusere ventetiden for folk med høyest risiko, spesielt i de travleste nattetidene. I tillegg leser dagens maskinlæringslag bare åpningsmeldingene, men en forbedret modell vil kunne oppdage og justere risiko i løpet av en samtale. Crisis Text Line forventer at maskininnlæringen til slutt vil oppdage selvmordsrisiko 5-10 minutter raskere enn en menneskelig kriserådgiver kunne på egen hånd.
Analyser i sitt beste
Gartner observerer, «den digitale fremtiden for virksomheter, konfronteres med nesten ubegrensede muligheter til å generere verdiskapning gjennom data og analyser.»¹ Dette er bare tre eksempler på organisasjoner som utnytter milliarder av transaksjoner for å bedre kunne betjene sine kunder og klienter. Starbucks og H&M bruker AI til å skape personlige kundeopplevelser, mens AI kobler Crisis Text Line sine frivillige til kriseproblemer raskere enn noensinne. I hvert tilfelle erstatter ikke AI menneskelig berøring, men snarere forsterker den. Det er dataanalyse på sitt aller beste: kombinere datakraft med menneskelig intellekt og instinkter for å gi best mulig beslutningsgrunnlag.
Kilder
¹Gartner, 100 Data and Analytics Predictions Through 2022, May 21, 2018.
“H&M Ramps Up Data Use,” by Saabira Chaudhuri, The Wall Street Journal, May 8, 2018.
av Tonje I. Hanssen | sep 25, 2018 | Business Intelligence
Formålet med visualisering er å effektivt kommunisere informasjon. Dette vil man kunne gjøre på måter som trekker ut trender og mønstre som ikke så lett kan ses ved å bare se på talltabeller. Ideelt sett skal dette også være noe som er visuelt tiltrekkende. Du bør få en positiv følelsesmessig respons når du ser på noen av disse visualiseringene og engasjere brukere, slik at de er villig til å virkelig dykke ned for å analysere data.
I dette innlegget vurderes noen av Dimensional Insight sine Chart Portlet visualiseringer, for å illustrere et bredt spekter av måter å visualisere data på. Jeg tror du vil se med alle de tilgjengelige alternativene, at det er enkelt å kommunisere informasjon på en måte som er både effektiv og behagelig for øyet.
Diagramtyper
Her er en liste over noen forskjellige diagramtyper for visualisering av data.
Noen favoritter
La oss se på noen av våre favoritter av ulike diagrammer, slik at du kan få en bedre forståelse for hvordan de kommuniserer informasjon.
Dette eksemplet viser både gjennomsnitt og median. Man kan klikke på et punkt, for å navigere ned i detaljdata.
Vanligvis brukes både Lysestake-diagrammer og OHLC-diagrammer til å vise økonomiske data. Lysestake-diagrammet bruker hvitt og svart for å vise at en verdi går opp og ned. OHLC-diagrammet bruker grønt og rødt til å vise at en verdi går opp og ned. Grunnen til å bruke en type fremfor en annen er et spørsmål om personlig preferanse.
Her er noe som kanskje er mer interessant. Dette diagrammet er spesialisert for transport industrien. Det viser sammenhenger mellom punkter i et transportsystem, slik at du kan få en idé om rutesammenhenger. Hvis du markere en bue eller destinasjon, dukker det opp et informasjonsvindu som viser forskjellige type informasjon, eksempelvis antall turer som går frem og tilbake. I Arc-diagrammet er det mange visningsalternativer.
Waterfall diagrammet fungerer bra for å spore en prosess over tid. Dette eksemplet viser en verdi som startet på null på mandag, og som gikk opp til nesten 40. Så på tirsdag falt den (stolpen er rød) helt ned til nesten negativ 20. På onsdag fortsatt den å falle videre. På torsdag steg det. På fredag steg den igjen. På slutten av uken viser diagrammet en enkelt stolpe (blå) hvor verdien endte. Waterfall diagrammet gir en detaljert måte å spore noe over tid – i dette tilfelle ned til dager.
Dual Axis-diagram kan være greit å bruke når du sammenligner to datasett eller to kolonneverdier som – selv om de ikke har samme skala – har vanlige mønstre du vil se. Her ser vi på antall salg kontra omsetning. Selv om dataverdiene ikke er av samme størrelsesorden, er det visse mønstre mellom de to som er verdt å vurdere.
Det finnes en rekke måter å kombinere ulike diagram typer for å analysere forholdet mellom to sett med data. Dette diagrammet kombinerer stolper og linjer samtidig, i tillegg til en dobbel akse.
Dette MultiTab-diagrammet viser dimensjonen for salgsområdet langs bunnen av diagrammet, og deretter produktfamilie-dimensjonen som unike farger. (Det er egentlig et diagram i et diagram.)
Dette varmekartet viser dager i uken på den vertikale aksen og klokkeslett på den horisontale akse. Hver celle representerer «on-time» prosentandelen av et bestemt transportsystem som analyseres. Det er også en skala til høyre som viser at grønn er bra og rød er dårlig.
Dette er bare et utdrag av hva som kan gjøres med de ulike diagramtyper. Bruk av riktig visualisering og diagramtyper kan gjøre det enkelt å kommunisere informasjon på en måte som er både effektiv og behagelig for øyet.
Om du ønsker, kan du laste ned en eBook om visualisering for fremtidig referanse.
av Tonje I. Hanssen | aug 8, 2018 | Produksjon
I dette innlegget ser vi på tre høyteknologiske trender som er klare for å endre produksjonsprosessen.
Automatisering
Automatisering innen produksjon har vært vanlig siden 1970-tallet, men utviklingen av robotteknikk akselerer innovasjonen i fabrikkene. Ta klesindustrien for eksempel. Deler av industrien har blitt mekanisert siden symaskinens debut under den industrielle revolusjonen, men stoffet er fremdeles vanskelig å jobbe med og har vanligvis krevd menneskelig kompetanse for den siste monteringen. I dag har teknologien blitt så avansert at maskiner kan håndtere elastiske stoffer, sømfester og feste hemper. Noen eksempler. Software Automation som er basert i Atlanta, har patentert «sewbots» som lager klær og fottøy på helautomatiserte arbeidslinjer. Adidas har nylig åpnet «Speedfacory» som er et produksjonsanlegg av sko som bruker datastyrte strikkemaskiner i USA og Tyskland.
I tillegg til «sewbots» har teknologiske forbedringer ført oss til «cobots», dette er roboter som samarbeider med mennesker. Disse robotene er ofte mobile, fleksible og utstyrt med sensorer. De kan håndtere flere oppgaver som «plukke og plassere» operasjoner, noe som gjør fabrikkarbeidet mindre repeterende og fysisk utfordrende for mennesker. En bedrift som ligger helt i front med automatiseringen er Amazon. I slutten av 2017 ble det anslått at de allerede hadde over 100 000 roboter i arbeid. Dette inkluderer mobile hyller og mekaniske armer som hjelper mennesker med å forbedre selskapets lagereffektivitet.
Virtuell virkelighet
Virtuell eller utvidet virkelighet (VR / AR) er en annen fremtidsrettet teknologi som allerede er på plass i dag. Mer enn en av tre amerikanske produsenter bruker allerede eller planlegger å bruke VR / AR-teknologi innen 2018, ifølge en PwC-undersøkelse. Bilprodusenten Ford er tidlig ute, og bruker virtuell virkelighet gjennom design, utvikling og produksjonsprosesser. For eksempel i produksjonen, benytter Ford VR og bevegelsessensorer for å fange opp hvordan arbeidere beveger seg og forenkler utformingen av effektive og ergonomiske sikre produksjonslinjer.
Mange andre selskaper bruker virtuelle virkemidler som bistand til opplæring, montering og reparasjoner. VR / AR kan hjelpe nye medarbeidere ved å gi de grundigere og fordypende opplæring. Komplekse monteringer er letter for ansatte med trinnvise instruksjoner og illustrasjoner i dere synsfelt. De ansatte kan fortsette med oppgavene deres i stedet for å gå bort for å finne en bruksanvisning. På samme måte kan VR / AR fremskynde en rekke vedlikeholdsarbeid. For eksempel, selskapet som kjører Bostons pendeltog, gir AR smarte briller til feltmekanikere. Slik at de kan dele informasjon og samarbeide med ekspertteknikere i det sentrale vedlikeholdsanlegget.
Additiv produksjon
Additiv produksjon – den industrielle versjonen av 3D-printing – kan hjelpe bedrifter med å lage prototyper, deler og reparasjoner både raskt og mindre kostnadskrevende. Teknologien er utbredt, alt fra små selskaper til de store. GE, Ford og US Navy har alle tillitten til additiv produksjon og benytte det til å produsere deler til presise spesifikasjoner. Ford fortalte nylig The Wall Street Journal at de har brukt 3D-printing for å produsere mer enn 700 000 deler de siste fem årene, noe som resulterer i estimert 200 millioner dollar i besparelser.
Genererer og utnytter mer data
Det er en økning i investeringer i automatisering, VR / AR, additiv produksjon og annen teknologi, som hver krever en digital plattform og setter IT til bruk i hele produksjonsprosessen. Produsenter som moderniserer, skaper muligheter til å samle inn og utnytte data gjennom hele produksjonsperioden. Ved å analysere dataene, kan det gi større innsikt til å forbedre kvaliteten, effektiviteten og gjennomstrømningen. Det kan også bidra til å maksimere produksjonshastigheten og redusere driftskostnadene. Disse høyteknologiske trendene er ikke lenger bare en hype.
Les mer om utnyttelse av data og business intelligence for produksjon her.
Kilder
- “The Robots Are Coming for Garment Workers,” by Jon Emont, The Wall Street Journal, February 16, 2018.
- “Tax Incentives Put More Robots on Factory Floors,” by Andrew Tangel and Patrick McGroaty, The Wall Street Journal, January 26, 2018.
- “What Can Augmented Reality Do for Manufacturing,” by Ian Wright, engineering.com, May 2017.
av Tonje I. Hanssen | jul 26, 2018 | Business Intelligence
Prediktiv analyse
Prediktiv analyse er et tema som har fått mye fokus i flere ulike bransjer. I tråd med at dette er et begrep som blir mer og mer vanlig, er det viktig å huske at prediktiv analyse ikke er definert som en teknologi eller teknikk. Allikevel, kan prediktiv analyse grovt deles inn i to tilnærminger, mønstergjenkjenning og simulering. Mønstergjenkjenning er den vanligste tilnærmingen, og er grunnlaget for maskinlære og kunstig intelligens. Simulering benytter en mer menneskelig vinkling til å forstå forretningsproblemer, forutse trender og anbefale optimale beslutninger. Den grunnleggende forskjellen mellom de to tilnærmingene er at mønstergjenkjenning er avhengig av korrelasjon, mens simulering er avhengig av menneskelig kunnskap om kausale forhold.
Forskjeller mellom mønstergjenkjenning og simulering
Mønstergjenkjenning er datasentrisk. Du setter sammen en mengde data med en algoritme, den finner mønstre i dataene og kartlegger fremtidige trender. Dette blir sett på som ryggraden for Data Mining, maskinlære og AI. Store datamengder er svært ønskelig, for desto større datasettet er, desto større er presisjonens nøyaktighet.
Simulering derimot er modellsentrisk. Du starter med å bruke menneskelig kunnskap om årsak og effekt, for å lage en modell av systemet der problemet ligger. Deretter kobler du dataene dine sammen med modellen for å få fremtidige prediksjoner. Til eksempel, for å forutse fremtidige salg, modellerer du de viktigste årsaksfaktorene (som for eksempel salgserfaringer, produktkvalitet, ulike markedsfaktorer) og hvordan disse forholder seg til hverandre. Desto større menneskeekspertise, desto større er presisjonens nøyaktighet.
Fordeler ved simulering
Selv om både mønstergjenkjenning og simulering kan være effektive tilnærminger til prediktiv analyse, er det tre hovedfordeler ved simuleringsmetoden.
1. Simulering integrerer faktorer som mangler i dataene
Ofte mangler dataene dine viktig årsaksfaktorer. Som for eksempel faktorer som tidspress, moral og omdømme. Disse kan ha en betydelig effekt på ønskede resultater, men blir sjeldent fanget opp av informasjonssystemer. Ved simulering kan alt som er kjent om de manglende faktorene inkluderes i modellen, og ukjente faktorer kan estimeres. De resulterende prediksjonene vil ta hensyn til disse faktorene og kvantifisere graden av usikkerhet.
2. Simulering har relativt lave datainnsamlings- og prosesskostnader
I motsetning til mønstergjenkjenning, som bygger på store mengder data av høy kvalitet, bruker simulering dataene som er tilgjengelige og supplerer den med kunnskap. Ved simulering kreves det heller ikke at all data som kan være relatert til problemet må være med, for å kunne se etter meningsfylte korrelasjoner. Årsakene til problemet er allerede bygget inn i modellen. Derfor har simulering ofte en mindre tidkrevende og kostbar datainnsamlingsprosess.
3. Nøyaktigheten av simuleringsprediksjoner er svært pålitelige
En av utfordringene med mønstergjenkjenning er at korrelasjonen ikke alltid reflekterer kausale forhold. Ofte med store dataanalyser, vil data inneholde korrelasjoner som kan virke som årsaker, men som faktisk ikke er det. Slike falske korrelasjoner fører til mislykkede prediksjoner. Simulering starter med ekspertforståelse av årsak og effekt, som er grunnlaget i vitenskapelig kunnskap, og som gir pålitelige resultater. Simulering benytter også en modelltesting og justeringsfase som er med på å forbedre prediktiv nøyaktighet og forbedrer vår forståelse av årsak og effekt.
Med slike klare fordeler kan du kanskje lure på hvorfor simuleringen har fått så lite oppmerksomhet under denne trendbølgen rundt prediktiv analyse. Hittil har de største tilhengere av simulering vært akademikere og spesialiserte konsulentfirmaer, som har implementert applikasjoner i et bredt spekter av bransjer. Dimensional Insight ser den prediktive styrken ved simulering og ser på muligheten for å bygge applikasjoner basert på dette.
Er du interessert i å lære mer om prediktiv analyse og simulering, last ned vår eBok om simulering her.
av Tonje I. Hanssen | jun 25, 2018 | Business Intelligence
2018 Wisdom of Crowds® Business Intelligence Market Study er nå tilgjengelig, noe som gir BI-brukere et innblikk i «BI-tilstanden». Brukere blir stilt spørsmål om deres nåværende og fremtidige bruk, slik at andre kan forutse viktige trender i bransjen. Rapporten gir noen interessante data om business intelligence bransjen i sin helhet, i tillegg til brukerens rangeringer av leverandører.
Hvordan vi måler suksessen med BI
Overveldende mange organisasjoner måler suksessen med BI gjennom tilbakemeldinger/tilfredshet (78%) eller tilbakemeldinger fra kunder (52%). Kun 41% av organisasjonene måler BI suksessen gjennom avkastning. Det er viktig at organisasjoner tenker på hvordan de måler suksessen til BI-implementeringer. Jeg mener man burde legge vekt på klare beregninger, som avkastning – for å enkelt kunne se nytteverdien av BI.
Mest lovende utsikter: BI budsjettene øker
Over halvparten av alle respondentene i undersøkelsen (54%) øker sine BI-budsjetter fra i fjor, sammenlignet med 50% som sa det samme i fjor. Jeg vet at dette er gode nyheter for meg som BI-leverandør, men jeg synes også det er bra for brukere, siden det betyr at de er håpefulle om innsikten de kan få.
Outlook på prediktive analyser
Statistikken fra Wisdom of Crowds rapporten viser at prediktiv (oppført med data mining og avanserte algoritmer) er for tiden listet på åttende plass blant 36 teknologiprioriteter. Det er ganske slående. Imidlertid har interessen for prediktiv kun økt med 9%, som er rangert 23 ut av alle prioriteringene. De som leder når det gjelder «endring i teknologiprioriteter» er «edge comupting» på 32% og videoanalyse på 31%.
Beste leverandøren i Wisdom of Crowds:
Dimensional Insight
For niende år på rad har Dimensional Insight, produsenten av Diver Platform, fått topprangeringer i denne undersøkelsen. Bedriften er plassert øverst i høyre hjørne av begge markedsmodellene som er inkludert i rapporten, for både kundeservice og leverandørens troverdighet. Markedsmodellen for kundeservice måler «salg og service» mot «kundeopplevelse». Troverdighetsmodellen for leverandørene måler «verdi for pris betalt» opp mot «tillit».
Leverandørene er rangert på 33 forskjellige kriterier, inkludert salgs- / kjøpserfaring, verdi for pris, kvalitet og brukervennlighet, kvalitet på teknisk support, kvalitet og verdi av konsulenttjenester, integritet, og om leverandøren anbefales. Rapporten bemerker at Dimensional Insight scorer godt over gjennomsnittet, og er best på et flertall av måleindikatorene på tvers av alle kategorier i målingene.
Grunnlegger og sjefsforsker i Dresner Advisory Services, Howard Dresner, sier “We congratulate Dimensional Insight for its 9th straight year of high scores in the report. Year after year, Dimensional Insight continues to demonstrate the highest level of user feedback.”
For mer informasjon, last ned Dresner rapporten her
av Tonje I. Hanssen | jun 6, 2018 | Business Intelligence
Dimensional Insight Norway
Infotool Norge har endret navn til Dimensional Insight Norway. Dette er en naturlig følge av at Infotool Norge AS ble kjøpt opp av Dimensional Insight Inc, Boston, USA i fjerde kvartal 2017. Oppkjøpet er et ledd i en strategi, hvor Dimensional Insight ønsker å satse sterkere i Europa. For våre kunder vil dette bety tilgang til flere ressurser og mer spisskompetanse. Vi vil utvide våre løsninger innenfor Data Management og Business Intelligence.
DI Europe
Det norske kontoret blir det tredje europeiske kontoret til Dimensional Insight, sammen med kontoret i Nederland og Tyskland. I Nederland ligger også hovedkontoret for Dimensional Insight Europe. Dimensional Insight Norway vil bli ledet av Inge Hanssen, som har vært CEO for Infotool Norge.
Ledende leverandør av BI
Dimensional Insight er en ledende leverandør av business intelligence (BI) løsninger. Selskapet tilbyr en komplett portefølje av BI-funksjoner som spenner fra Data Management til Business Intelligence. Dimensional Insight ble grunnlagt i 1989 og har tusenvis av kunder over hele verden. Dimensional Insight sin Diver Platform™ er rangert på topp gjennom mange år, av kunder og bransjeanalytikere i sine kjernemarkeder.
Ny profil
Med et nytt navn følger også en ny merkevare og profil. Websiden vår har blitt fornyet, du kan finne den på www.dimins.no. Naturligvis, vil også våre e-mail adresser endres fra @infotool.no til @dimins.no. Du kan også finne oss på Facebook og LinkedIn under navnet Dimensional Insight Norway.
Tettere samarbeid
Gjennom et tettere samarbeid med våre kollegaer i Europa og USA, vil det åpne nye muligheter gjennom et større nettverk og tilgang til en større kunnskapsbase, samt økt nytteverdi gjennom ny informasjonsteknologi. På denne bakgrunn, møter vi fremtiden offensivt, sammen med våre kunder, partnere og ansatte.
Siste kommentarer