Τι είναι το Business Intelligence;
Η επιχειρηματική ευφυΐα (BI), ένας όρος που σήμερα συνδέεται εγγενώς με την τεχνολογία των πληροφοριών, εξελίσσεται για πάνω από 150 χρόνια. Παρόλο που η προέλευσή του προηγήθηκε της εφεύρεσης των υπολογιστών, μόνο μετά την εξάπλωσή τους, το BI αναπτύχθηκε και η ανάπτυξή του πλέον συνδυάζεται με την εξέλιξη των υπολογιστών και των βάσεων δεδομένων.
BI Χρησιμοποιώντας στυλό και χαρτί
Η πρώτη χρήση του όρου «επιχειρηματική ευφυΐα» αποδίδεται ευρέως στον κ. Richard Miller Devens, στο βιβλίο του Κυκλωπία εμπορικών και επιχειρηματικών ανέκδοτων , δημοσιεύθηκε για πρώτη φορά το 1865. Το χρησιμοποίησε για να περιγράψει πώς ο Sir Henry Furnese, ένας επιτυχημένος τραπεζίτης, επωφελήθηκε από τις πληροφορίες συγκεντρώνοντας ενεργά και ενεργώντας πάνω του πριν από τον διαγωνισμό του. Αυτό επεσήμανε το γεγονός ότι ήταν πιο αξιόπιστο να χρησιμοποιηθούν δεδομένα και εμπειρικά στοιχεία, αντί για ένστικτο του εντέρου, για την ανάπτυξη μιας επιχειρηματικής στρατηγικής. Η ιδέα ενισχύθηκε περαιτέρω από άλλους που είδαν αξία στις πληροφορίες.
Κατά την τελευταία δεκαετία του 1800, Φρέντερικ Τέιλορ εισήγαγε το πρώτο τυποποιημένο σύστημα επιχειρηματικών αναλυτικών στοιχείων στις Ηνωμένες Πολιτείες. Το σύστημά του επιστημονικής διαχείρισης ξεκίνησε με μελέτες χρόνου που ανέλυαν τεχνικές παραγωγής και κινήσεις σώματος των εργαζομένων για να βρουν μεγαλύτερες αποδόσεις που ώθησαν τη βιομηχανική παραγωγή.
Ο Taylor κατέληξε να γίνει σύμβουλος Χενρυ Φορντ , ο οποίος στις αρχές της δεκαετίας του 1900 άρχισε να μετρά το χρόνο που χρειάστηκε να ολοκληρώσει κάθε στοιχείο του Ford Model T στη γραμμή συναρμολόγησης του. Το έργο του και η επιτυχία του έφεραν επανάσταση στη βιομηχανία παραγωγής παγκοσμίως. Ωστόσο, χρησιμοποίησε ακόμα στυλό και χαρτί για αυτό.
Η Επιχειρηματική Νοημοσύνη ενισχύει τους υπολογιστές
Οι ηλεκτρονικοί υπολογιστές ήταν εμβρυϊκοί τη δεκαετία του 1930, αλλά αναπτύχθηκαν γρήγορα κατά τη διάρκεια του Β 'Παγκοσμίου Πολέμου, ως μέρος της προσπάθειας των συμμάχων να σπάσουν τους γερμανικούς κώδικες.
Μέχρι τη δεκαετία του 1950, οι υπολογιστές βασίζονταν κυρίως σε κάρτες διάτρησης ή ταινίες για αποθήκευση δεδομένων. Αυτοί ήταν τεράστιοι σωροί καρτών με μικροσκοπικές τρύπες μέσα τους, οι οποίες θα αποθηκεύσουν τις πληροφορίες που θα υποστούν επεξεργασία από τους υπολογιστές. Το 1956, ωστόσο, η IBM εφηύρε την πρώτη μονάδα σκληρού δίσκου, καθιστώντας δυνατή την αποθήκευση μεγάλων ποσοτήτων πληροφοριών με μεγαλύτερη ευελιξία πρόσβασης.
Λίγο αργότερα, το 1958, ερευνητής της IBM Χανς Πίτερ Λουν δημοσίευσε ένα ιστορικό έγγραφο που ονομάζεται Ένα Σύστημα Επιχειρηματικής Ευφυΐας . Θεώρησε για το δυναμικό ενός συστήματος για «επιλεκτική διάδοση» εγγράφων σε «σημεία δράσης» με βάση «προφίλ ενδιαφέροντος». Η δουλειά του έχει αξιοσημείωτη σημασία ακόμη και μέχρι σήμερα, καθώς προέβλεψε αρκετές τάσεις επιχειρηματικής ευφυΐας που είναι σύγχρονες, όπως η ικανότητα των συστημάτων πληροφοριών να μαθαίνουν και να προβλέπουν με βάση τα ενδιαφέροντα των χρηστών. Σήμερα το ονομάζουμε μηχανική μάθηση. Ο Luhn αναγνωρίζεται ευρέως ως ο πατέρας της επιχειρηματικής ευφυΐας.
συντάσσετε ένα σύστημα για έναν γραφίστα
Παρόλο που η ιδέα που πρότεινε ο Luhn τράβηξε την προσοχή πολλών ενδιαφερόμενων μερών, η ιδέα θεωρήθηκε πολύ ακριβή εκείνη τη στιγμή για να έχει πρακτική χρήση. Χρειάστηκε περισσότερη τεχνολογική πρόοδος για να καταστεί μια οικονομικά βιώσιμη λύση.
Την επόμενη δεκαετία, η χρήση υπολογιστών εξερράγη, ακόμη και αν θεωρούμε ότι κάθε υπολογιστής ήταν μια γιγαντιαία μηχανή που καταλάμβανε ολόκληρο το πάτωμα ενός κτιρίου και έπρεπε να διαχειρίζεται πολλοί υψηλοί ειδικευμένοι μηχανικοί για να λειτουργήσουν σωστά. Οι ειδικοί αντιμετώπισαν και πάλι την ιδέα της χρήσης υπολογιστών για εξαγωγή συμπερασμάτων από τα δεδομένα, αλλά το κύριο πρόβλημα ήταν ότι δεν υπήρχε κεντρική μέθοδος για τη συγκέντρωση όλων των δεδομένων σε ένα μέρος. Τα δεδομένα από μόνα τους δεν μπορούσαν να δημιουργήσουν πληροφορίες. Για την επίλυση αυτής της πρόκλησης, σχεδιάστηκαν τα πρώτα συστήματα διαχείρισης βάσεων δεδομένων. Αργότερα, θα ονομάζονταν απλώς βάσεις δεδομένων. Αυτή η πρώτη γενιά επέτρεψε τις πρώτες αναζητήσεις βάσης δεδομένων, χρησιμοποιώντας μια στρατηγική του δυαδικά δέντρα . Αυτή η στρατηγική, παρόλο που έλυσε πολλά προβλήματα εκείνη τη στιγμή, θεωρείται πολύ βαριά και αναποτελεσματική στις μέρες μας. Παρόλα αυτά, για εταιρείες που θα μπορούσαν να το αντέξουν οικονομικά, αυτό το νέο εργαλείο παρείχε την αξία του, που χρησιμοποιείται για να καταλήξει τελικά σε συμπεράσματα από τα διαθέσιμα δεδομένα.
Βελτίωση τεχνολογιών BI: Οι μεγάλοι παίκτες εισέρχονται στο πεδίο
Το 1970, ο Edgar Codd από την IBM δημοσίευσε μια εφημερίδα με τίτλο Ένα σχεσιακό μοντέλο δεδομένων για μεγάλες κοινόχρηστες τράπεζες δεδομένων . Άνοιξε το δρόμο για σχεσιακές βάσεις δεδομένων επόμενης γενιάς, επιτρέποντας μια πολύ ευρύτερη ικανότητα αποθήκευσης και χειρισμού δεδομένων. Ωστόσο, σε μια περίεργη κίνηση, η IBM απέφυγε να εφαρμόσει το σχεδιασμό του Codd για τη διατήρηση των εσόδων για τα τρέχοντα συστήματα βάσεων δεδομένων. Μόνο αφού οι ανταγωνιστές άρχισαν να τους εφαρμόζουν, η IBM ακολούθησε το ίδιο.
Μέχρι τότε, υπήρχε αρκετή αγορά για να επιτρέψει την εμφάνιση των πρώτων παρόχων επιχειρηματικών πληροφοριών. Μεταξύ αυτών, υπήρχαν οι SAP, Siebel και JD Edwards. Εκείνη την εποχή, ονομάστηκαν συστήματα υποστήριξης αποφάσεων (DSS).
Το μεγάλο πρόβλημα σε αυτό το σημείο ήταν ότι αυτές οι βάσεις δεδομένων υπέφεραν από προβλήματα «σιλό». Λόγω του ότι είναι πολύ μονοδιάστατη, η ευελιξία της χρήσης τους ήταν πολύ περιορισμένη. Ακόμα και απλά ζητήματα, όπως μια βάση δεδομένων που κωδικοποιεί πόλεις ως 'OH, NJ και NY', ενώ μια άλλη που χρησιμοποιεί το 'Οχάιο, Νιου Τζέρσεϋ και Νέα Υόρκη' έκανε την παραπομπή μια τρομακτική εργασία.
Ωστόσο, όλο και περισσότερες επιτυχημένες περιπτώσεις επικερδούς χρήσης δεδομένων δημιουργήθηκαν. Ένα από τα πιο διάσημα εκείνη την εποχή ήρθε από το Nielsen. Χρησιμοποιήθηκε για μετρήσεις κοινού, το εργαλείο μάρκετινγκ γνωστό ως αξιολόγηση Nielsen χρησιμοποιήθηκε για να μετρήσει πόσα άτομα παρακολουθούσαν μια συγκεκριμένη τηλεοπτική εκπομπή ανά πάσα στιγμή, χρησιμοποιώντας μια συσκευή που ονομάζεται Ωμόμετρο , το οποίο συνδέθηκε με μια τηλεόραση και καταγράφηκε ποιο κανάλι παρακολουθούσε.
Οι αξιολογήσεις Nielsen θεωρήθηκαν η πιο προσεκτική εθνική έκθεση αξιολόγησης στον τηλεοπτικό κλάδο. Ωστόσο, τέσσερις φορές το χρόνο, θα υπήρχαν «μαύρες εβδομάδες» — εβδομάδες όπου δεν αναφέρθηκαν οι βαθμολογίες Nielsen. Δεδομένου ότι δεν υπήρχε σίγουρος τρόπος μέτρησης των αξιολογήσεων σε αυτές τις «μαύρες εβδομάδες», τα τηλεοπτικά δίκτυα γέμισαν τα πρόγραμμά τους με επαναλήψεις.
Τόσο η βιομηχανία όσο και το κοινό είχαν ήδη συνηθίσει να «μαύρες εβδομάδες», αλλά έληξαν τον Σεπτέμβριο του 1973. Η Nielsen παρουσίασε το Storage Instantaneous Audimeter (SIA), συνδέοντας 1.200 νοικοκυριά απευθείας με τον υπολογιστή επιχειρηματικής ευφυΐας της εταιρείας στη Φλόριντα. Θα μπορούσε να παράγει εθνικές βαθμολογίες σε μόλις 36 ώρες, πολύ λιγότερο από μία έως δύο εβδομάδες που χρειάστηκε το παλαιότερο σύστημα της εταιρείας. Οι εθνικές βαθμολογίες θα είναι διαθέσιμες κάθε μέρα της εβδομάδας, κάθε εβδομάδα του έτους. Δεν υπήρχε πλέον ανάγκη για «μαύρες εβδομάδες» και τα δεδομένα ήταν πολύ πιο διαθέσιμα.
Κοντά στα τέλη της δεκαετίας του '70, Λάρι Έλισον και δύο φίλοι κυκλοφόρησαν την πρώτη εμπορική έκδοση της βάσης δεδομένων Oracle. Ήταν η πρώτη αλήθεια σχεσιακό σύστημα διαχείρισης βάσεων δεδομένων στην αγορά, αντικαθιστώντας τις ιδέες που έχουν χρησιμοποιηθεί μέχρι τότε ιεραρχικές βάσεις δεδομένων και βάσεις δεδομένων δικτύου για μια πιο στιβαρή δομή, η οποία επέτρεψε πολύ πιο ευέλικτες αναζητήσεις. Αυτή η τεχνολογία θα υπαγόρευε την ιστορία και τις τάσεις του BI τις επόμενες δεκαετίες.
Η σημασία του BI μεγαλώνει: Χρειαζόμαστε περισσότερο χώρο!
Επιτρέπονται χαμηλότερες τιμές για αποθηκευτικό χώρο και καλύτερες βάσεις δεδομένων για την επόμενη γενιά λύσεων επιχειρηματικής ευφυΐας. Ράλφ Κάμπελ και Μπιλ Ίνμον πρότεινε δύο διαφορετικές αλλά παρόμοιες στρατηγικές με το πρόβλημα της ύπαρξης όλων των δεδομένων της επιχείρησης στο ίδιο μέρος για να είναι σε θέση να τα αναλύσει. Αυτές ήταν αποθήκες δεδομένων (DW). Το Inmon αναγνωρίζεται από πολλούς ως ο πατέρας της αποθήκης δεδομένων.
Οι αποθήκες δεδομένων είναι βάσεις δεδομένων που έχουν σχεδιαστεί για να συγκεντρώνουν πολλά δεδομένα από άλλες πηγές δεδομένων (κυρίως άλλες βάσεις δεδομένων), επιτρέποντας μια πολύ βαθύτερη ανάλυση με τη δυνατότητα παραπομπής αυτών των διαφορετικών πηγών. Ωστόσο, ήταν πάρα πολύ τεχνικό και ακριβό. Οι αναφορές έπρεπε να εκτελεστούν και να συντηρηθούν από πλήθος ακριβών τεχνικών υπαλλήλων πληροφορικής.
Η ανώτατη διοίκηση εκείνη την εποχή θα ζούσε με τα αποτελέσματα των λύσεων BI, όπως το Crystal Reports και η Μικροστρατηγική. Και, φυσικά, υπήρχε το Microsoft Excel (κυκλοφόρησε το 1985). Η επιχειρηματική ευφυΐα ήταν πλέον αναπόσπαστο μέρος των διαθέσιμων εργαλείων για τη διαδικασία λήψης αποφάσεων.
Το 1989, ο Howard Dresdner, του Ομίλου Gartner, συνέβαλε στη διάδοση του όρου «επιχειρηματική ευφυΐα», χρησιμοποιώντας τον ως όρο ομπρέλας για να περιγράψει « έννοιες και μέθοδοι για τη βελτίωση της επιχειρηματικής λήψης αποφάσεων χρησιμοποιώντας συστήματα υποστήριξης βάσει γεγονότων '
Τα στατιστικά της μουσικής βιομηχανίας διαρκούν 10 χρόνια
Επιχειρηματική ευφυΐα 1.0
Στη δεκαετία του '90, το κόστος αποθήκης δεδομένων μειώθηκε καθώς περισσότεροι ανταγωνιστές εισήλθαν στην αγορά και περισσότεροι επαγγελματίες πληροφορικής εξοικειώθηκαν με την τεχνολογία. Αυτή ήταν η περίοδος του «Business Intelligence 1.0».
Τα δεδομένα ήταν πλέον συνήθως προσβάσιμα στο εταιρικό προσωπικό γενικά, όχι μόνο στην ανώτατη διοίκηση. Ωστόσο, το πρόβλημα σε αυτό το σημείο ήταν ότι η υποβολή νέων ερωτήσεων ήταν ακόμα πολύ ακριβή. Μόλις μια ερώτηση «κατασκευάστηκε», η απάντηση θα ήταν διαθέσιμη γρήγορα, αλλά μόνο για αυτήν την ερώτηση.
Για να μειωθεί αυτή η προσπάθεια, αναπτύχθηκαν ορισμένα νέα εργαλεία και «δομικά στοιχεία» για να επιταχυνθεί η διαδικασία διαφορετικών ερωτημάτων:
- ETL (απόσπασμα, μετασχηματισμός και φόρτωση) ήταν ένα σύνολο εργαλείων, παρόμοιο με μια γλώσσα προγραμματισμού, που διευκόλυνε τον σχεδιασμό της ροής δεδομένων σε μια αποθήκη δεδομένων.
- ΟΛΑΠ (διαδικτυακή αναλυτική επεξεργασία) βοήθησε στη δημιουργία διαφορετικών επιλογών οπτικοποίησης για τα ερωτηθέντα δεδομένα, δίνοντας τη δυνατότητα στους αναλυτές να εξαγάγουν καλύτερα συμπεράσματα από τις διαθέσιμες πληροφορίες.
Μέχρι σήμερα, τόσο τα εργαλεία ETL όσο και τα OLAP εξακολουθούν να αποτελούν κρίσιμο μέρος των λύσεων επιχειρηματικής ευφυΐας.
Αυτή ήταν επίσης η περίοδος όπου εταιρικός προγραμματισμός πόρων Τα συστήματα (ERP) έγιναν δημοφιλή. Πρόκειται για τεράστιες πλατφόρμες λογισμικού διαχείρισης που ενσωματώνουν εφαρμογές για τη διαχείριση και την αυτοματοποίηση πτυχών μιας επιχείρησης. Παρείχαν επίσης δομημένα δεδομένα για τις αποθήκες δεδομένων και τα επόμενα χρόνια θα γίνονταν η καρδιά κάθε μεγάλης εταιρείας στον κόσμο.
διαφορά μεταξύ κόμβου js και javascript
Το 1995, Η Microsoft κυκλοφόρησε τα Windows 95 , το πρώτο 'φιλικό προς το χρήστη' λειτουργικό σύστημα - και οι υπολογιστές έγιναν κοινά είδη οικιακής χρήσης. Αυτό θα είχε βαθύ αντίκτυπο στο πώς οι άνθρωποι παρήγαγαν και κατανάλωναν δεδομένα για τις επόμενες δεκαετίες.
BI Disrupt: Έκρηξη δεδομένων στη Νέα Χιλιετία
Μέχρι το 2000, οι λύσεις επιχειρηματικής ευφυΐας είχαν ήδη καθιερωθεί ως «πρέπει να έχουν» για όλες τις μεσαίες έως μεγάλες επιχειρήσεις. Τώρα θεωρείται ευρέως απαίτηση να παραμείνει ανταγωνιστικός.
Από την προοπτική των παρόχων λύσεων, η αφθονία των λύσεων άρχισε να συγκεντρώνεται στα χέρια μερικών μεγάλων ανταγωνιστών, όπως η IBM, η Microsoft, η SAP και η Oracle.
Μερικές νέες έννοιες εμφανίστηκαν κατά τη διάρκεια αυτής της περιόδου. Η δυσκολία να διατηρούν ενημερωμένες τις αποθήκες δεδομένων τους έκαναν ορισμένες εταιρείες να ξανασκεφτούν την προσέγγισή τους, μετατρέποντας το DW τους σε « μοναδική πηγή αλήθειας ' Για ήδη υπάρχοντα δεδομένα, άλλα προγράμματα θα χρησιμοποιούν τις πληροφορίες που παρέχονται από το DW αντί να χρησιμοποιούν τα δικά τους, εξαλείφοντας έτσι τα περισσότερα ζητήματα ασυμβατότητας δεδομένων. Ήταν πιο εύκολο να ειπωθεί παρά να γίνει, παρέχοντας πολλές τεχνικές προκλήσεις. Η ιδέα, ωστόσο, ήταν τόσο χρήσιμη που τα επόμενα χρόνια οι διαθέσιμες λύσεις στην αγορά θα προσαρμόζονταν στην εφαρμογή αυτής της στρατηγικής.
Καθώς τα δεδομένα έγιναν ολοένα και πιο άφθονα, και τα εργαλεία BI απέδειξαν τη χρησιμότητά τους, η αναπτυξιακή προσπάθεια κατευθύνθηκε προς την αύξηση της ταχύτητας με την οποία οι πληροφορίες θα ήταν διαθέσιμες και για τη μείωση της πολυπλοκότητας της πρόσβασης σε αυτές. Τα εργαλεία έγιναν ευκολότερα στη χρήση και τα μη τεχνικά άτομα μπορούσαν πλέον να συλλέγουν δεδομένα και να αποκτήσουν πληροφορίες από μόνα τους, χωρίς τη βοήθεια τεχνικής υποστήριξης.
Στις αρχές της δεκαετίας του 2000, η άνοδος των πλατφορμών κοινωνικής δικτύωσης άνοιξε το δρόμο για να διατίθεται ελεύθερα η γνώμη του κοινού στο Διαδίκτυο, και τα ενδιαφερόμενα μέρη θα μπορούσαν να συλλέξουν (ή «δική μου») τα δεδομένα και να τα αναλύσουν. Μέχρι το 2005, η αυξανόμενη διασύνδεση του επιχειρηματικού κόσμου σήμαινε ότι οι εταιρείες χρειάζονταν πληροφορίες σε πραγματικό χρόνο όπου δεδομένα από γεγονότα θα μπορούσαν να ενσωματωθούν στις αποθήκες δεδομένων όπως συνέβησαν σε πραγματικό χρόνο.
Αυτή είναι η χρονιά που παρουσιάστηκε το Google Analytics, παρέχοντας έναν δωρεάν τρόπο στους χρήστες να αναλύουν τα δεδομένα του ιστότοπού τους. Αυτή είναι επίσης η χρονιά ο όρος μεγάλα δεδομένα χρησιμοποιήθηκε για πρώτη φορά. Ο Roger Magoulas, από την O'Reilly Media, το χρησιμοποίησε για να αναφερθεί σε 'ένα μεγάλο σύνολο δεδομένων που είναι σχεδόν αδύνατο να διαχειριστεί και να επεξεργαστεί χρησιμοποιώντας παραδοσιακά εργαλεία επιχειρηματικής ευφυΐας'.
Οδηγός σχεδίασης διεπαφής χρήστη ios
Για να αντιμετωπίσουν τον πρόσθετο χώρο αποθήκευσης και την υπολογιστική ισχύ που απαιτούνται για τη διαχείριση αυτού του εκθετικά αυξανόμενου όγκου δεδομένων, οι εταιρείες άρχισαν να αναζητούν άλλες λύσεις. Η κατασκευή μεγαλύτερων και γρηγορότερων υπολογιστών δεν ήταν αμφισβητήσιμη, οπότε η χρήση πολλών μηχανών έγινε ταυτόχρονα καλύτερη επιλογή. Αυτός ήταν ο σπόρος του υπολογιστικό νέφος .
Σύγχρονες χρήσεις του BI
Τα τελευταία 10 χρόνια, τα μεγάλα δεδομένα, το cloud computing και η επιστήμη δεδομένων έγιναν λέξεις γνωστές σε σχεδόν όλους. Είναι δύσκολο αυτή τη στιγμή να αναγνωρίσουμε ποιες νέες εξελίξεις είχαν μεγαλύτερη επίδραση τα τελευταία χρόνια. Ωστόσο, υπάρχουν μερικές ενδιαφέρουσες περιπτώσεις που έχουν δείξει την αυξανόμενη δύναμη των σύγχρονων αναλυτικών εργαλείων.
Διαφήμιση, Cookies και AdTech
Το 2012, οι The New York Times δημοσίευσαν ένα άρθρο περιγράφοντας πώς ο Target ανακάλυψε κατά λάθος την εγκυμοσύνη ενός εφήβου γυμνασίου πριν από τους γονείς του. Μέσω των αναλυτικών στοιχείων, εντόπισαν 25 προϊόντα που όταν αγοράστηκαν μαζί δείχνουν ότι μια γυναίκα είναι πιθανό να είναι έγκυος. Η αξία αυτών των πληροφοριών ήταν ότι ο Target θα μπορούσε να στείλει κουπόνια στη έγκυο γυναίκα σε μια περίοδο κατά την οποία οι συνήθειες αγορών μιας γυναίκας ενδέχεται να αλλάξουν.
Ένας εξοργισμένος πατέρας μπήκε σε έναν στόχο έξω από τη Μινεάπολη και ζήτησε να δει τον διευθυντή. Παραπονέθηκε ότι η κόρη της έλαβε κουπόνια για παιδικά ρούχα, παρόλο που ήταν ακόμα στο γυμνάσιο. Ο διευθυντής ζήτησε συγγνώμη βαθιά στο όνομα της εταιρείας, αλλά λίγες μέρες αργότερα ο πατέρας κάλεσε ξανά να ζητήσει συγγνώμη: «Αποδεικνύεται ότι υπήρξαν κάποιες δραστηριότητες στο σπίτι μου για τις οποίες δεν έχω γνωρίσει πλήρως. Είναι έτοιμη τον Αύγουστο. Σου χρωστάω μια συγγνωμη.'
Αυτό το ανεκδοτικό παράδειγμα δείχνει τη σύγχρονη δύναμη της ανάλυσης δεδομένων.
Πολιτική
Η στρατηγική εκστρατείας επανεκλογής του Ομπάμα βασίστηκε σε μεγάλο βαθμό στα αναλυτικά στοιχεία. Πολλοί ειδικοί το επισημαίνουν ως έναν από τους κύριους λόγους επιτυχίας του. Η στρατηγική, που σχεδιάστηκε από τον διευθυντή της εκστρατείας Jim Messina, επικεντρώθηκε στη συλλογή δεδομένων για τους ψηφοφόρους και τη χρησιμοποίησή της για να διασφαλίσει ότι 1) θα εγγραφούν για να ψηφίσουν, 2) θα πείσουν να ψηφίσουν για τον Ομπάμα και 3) θα εμφανιστούν να ψηφίσουν την ημέρα των εκλογών. Περίπου 100 αναλυτές δεδομένων συμμετείχαν στην προσπάθεια, χρησιμοποιώντας ένα περιβάλλον που τρέχει στο HP Vertica και κωδικοποίησε το R και το Stata.
Αρκετές πρωτοβουλίες εφαρμόστηκαν για την επίτευξη αυτών των στόχων, ένας από τους οποίους ήταν η Airwolf. Κατασκευασμένο για να ενσωματώσει τις προσπάθειες του πεδίου και των ψηφιακών ομάδων, εξασφάλισε ότι όταν μια ομάδα ψηφοφόρου ήρθε σε επαφή με έναν ψηφοφόρο σε μια εκστρατεία από πόρτα σε πόρτα, τα ενδιαφέροντά τους θα καταγραφούν, έτσι ώστε να λαμβάνουν συχνά ηλεκτρονικά μηνύματα από τους τοπικούς διοργανωτές ειδικά προσαρμοσμένους στα αγαπημένα θέματα εκστρατείας του καθενός.
Με τα σωστά εργαλεία και δεδομένα, οι αναλυτές θα μπορούσαν να απαντήσουν σχεδόν σε οποιαδήποτε ερώτηση γρήγορα και εύκολα, ανεξάρτητα από την προέλευση των δεδομένων. Η επιτυχία της καμπάνιας Obama έκανε μεγάλα περιβάλλοντα ανάλυσης δεδομένων ως βασική απαίτηση για κάθε καμπάνια από τότε.
Επιστήμη
Το Human Genome Project ολοκληρώθηκε το 2003, αλλά άφησε πολλές ερωτήσεις αναπάντητες. Παρά τη χαρτογράφηση ολόκληρης της αλληλουχίας των ζευγών βάσεων νουκλεοτιδίων που αποτελούν το ανθρώπινο DNA, για να κατανοήσουμε πραγματικά πώς λειτουργεί η ανθρώπινη γενετική απαιτείται πιο εντατική μελέτη - και ήταν μια τέλεια εφαρμογή για μεγάλα δεδομένα. Ένα τυπικό ανθρώπινο γονιδίωμα περιέχει περισσότερα από 20.000 γονίδια, με το καθένα να αποτελείται από εκατομμύρια ζεύγη βάσεων. Η απλή χαρτογράφηση ενός γονιδιώματος απαιτεί εκατό gigabytes δεδομένων και η αλληλουχία πολλών γονιδιωμάτων και η παρακολούθηση αλληλεπιδράσεων γονιδίων πολλαπλασιάζει αυτόν τον αριθμό πολλές φορές - εκατοντάδες petabytes, σε ορισμένες περιπτώσεις.
Με την εφαρμογή αναλυτικών στοιχείων στο τη μελέτη τους που δημοσιεύθηκε το 2016, επιστήμονες στο Πανεπιστήμιο της Χάιφα μπόρεσαν να παρατηρήσουν αυτό που ονομάζεται «κοινωνικός χαρακτήρας» των γονιδίων. Αυτό που οι επιστήμονες ήθελαν από καιρό να καταλάβουν είναι οι εσωτερικές λειτουργίες των σύνθετων γενετικών επιδράσεων που συμμετέχουν στη δημιουργία σύνθετων ασθενειών. Αυτός ο στόχος ήταν ιδιαίτερα δύσκολος αφού οι γενετικές εκφράσεις ορισμένων ασθενειών προέρχονται συνήθως από το συνδυασμό πολλών γενετικών δεικτών που αλληλεπιδρούν μεταξύ τους. Έτσι, όχι μόνο οι ερευνητές θα πρέπει να χτενίσουν μια ολόκληρη γενετική αλληλουχία, αλλά θα έπρεπε επίσης να παρακολουθούν τις αλληλεπιδράσεις μεταξύ πολλαπλών γονιδίων.
Παρόλο που υπάρχουν ακόμη πολλά δεδομένα για ανάλυση, ο δρόμος ανοίγει για να κατανοήσει και να θεραπεύσει έναν τεράστιο αριθμό γενετικών ελαττωμάτων, μεγάλων και μικρών.
Ο δρόμος μπροστά
Τώρα φτάνουμε σε μια εποχή όπου το Facebook μπορεί να αναγνωρίσει το πρόσωπό σας σε εικόνες, όπου η Google μπορεί να προβλέψει ποιο είδος διαφήμισης ταιριάζει καλύτερα στο προφίλ σας, όπου το Netflix μπορεί να σας δώσει προτάσεις σχετικά με τις εκπομπές που πρέπει να παρακολουθήσετε. Είναι μια στιγμή που μπορείτε να μιλήσετε στο τηλέφωνό σας, όχι μόνο σε κάποιον που βρίσκεται στην άλλη πλευρά της τηλεφωνικής γραμμής. Το να είσαι σε θέση να χειριστείς και να επεξεργαστείς τεράστιους όγκους δεδομένων ήταν ένα πρωταρχικό βήμα για να καταλάβεις πώς έγιναν αυτά τα θαύματα.
Τα μεγάλα δεδομένα εξακολουθούν να αυξάνονται. Σχεδόν το 90% των διαθέσιμων δεδομένων έχει δημιουργηθεί τα τελευταία δύο χρόνια. Στο συνέδριο Techonomy, το 2010, Έρικ Σμιτ δήλωσε ότι «υπήρχαν 5 exabytes πληροφοριών που δημιουργήθηκαν από ολόκληρο τον κόσμο μεταξύ της αυγής του πολιτισμού και του 2003. Τώρα το ίδιο ποσό δημιουργείται κάθε δύο ημέρες».
Ο χειρισμός ενός τόσο μεγάλου όγκου δεδομένων εξακολουθεί να παρουσιάζει πολλές προκλήσεις. Η ποιότητα των δεδομένων, ένας από τους πρώτους και παλαιότερους πονοκέφαλους της επιχειρηματικής ευφυΐας, εξακολουθεί να είναι απαιτητικός τομέας. Το Analytics, η απαραίτητη δεξιότητα που βοηθάει να κατανοήσει κανείς τον υψηλό σωρό των δεδομένων που συλλέγουν οι εταιρείες, έχει επίσης μεγάλη ζήτηση. Υπάρχουν τώρα πολλές γεύσεις αναλυτικών στοιχείων: περιγραφικά αναλυτικά, προγνωστικά αναλυτικά, προδιαγραφικά αναλυτικά, ροή αναλυτικών στοιχείων, αυτοματοποιημένα αναλυτικά στοιχεία κ.λπ. Το Analytics χρησιμοποιεί αρκετές τεχνολογίες αιχμής για να εξαγάγει πληροφορίες από δεδομένα, όπως τεχνητή νοημοσύνη, μηχανική εκμάθηση και πολλά στατιστικά στοιχεία μοντέλα. Είναι τελικά μια στιγμή που είναι ωραίο να είσαι μαθηματικός.
Τα εργαλεία BI σχεδιάζονται πλέον συχνά με γνώμονα μια συγκεκριμένη βιομηχανία, είτε πρόκειται για υγειονομική περίθαλψη, για την επιβολή του νόμου, κ.λπ. Τώρα λειτουργεί σε πολλές συσκευές και χρησιμοποιεί πολλά εργαλεία οπτικοποίησης, επιτρέποντας σε οποιονδήποτε να εφαρμόζει συλλογιστική στα δεδομένα μέσω διαδραστικών οπτικών διεπαφών. Το Mobile BI είναι πλέον πραγματικότητα.
Συνδυάζοντας τις δυνατότητες των μεγάλων δεδομένων, της μηχανικής μάθησης και των αναλυτικών στοιχείων, η ζωή σας μπορεί να είναι πολύ διαφορετική στο μέλλον. Ίσως να μην χρειάζεται να πάτε πια στο μανάβικο - το ψυγείο σας θα παραγγείλει αυτό που πιθανότατα θα χρειαστείτε, με βάση τις διατροφικές σας συνήθειες. Πιθανότητα, δεν θα καλέσετε το γιατρό σας για να πει ότι είστε άρρωστοι, επειδή θα σας καλέσουν ακόμη και πριν αρχίσετε να αισθάνεστε τα πρώτα συμπτώματα.
Η ανθρωπότητα ζει τώρα στην εποχή της πληροφορίας και η επιχειρηματική ευφυΐα είναι ένα κρίσιμο χαρακτηριστικό της εποχής μας, βοηθώντας μας να κατανοήσουμε τα πάντα. Το Business analytics είναι τώρα ακόμη και πρόγραμμα πτυχίων σε πολλά πανεπιστήμια. Η ιστορία της επιχειρηματικής ευφυΐας είναι αρκετά πρόσφατη, αλλά επιταχύνεται και γίνεται πιο πυκνή μέρα με τη μέρα. Οι καλύτερες μέρες του BI είναι ακόμα μπροστά μας.
Κατανόηση των βασικών
Γιατί απαιτείται επιχειρηματική ευφυΐα;
Η επιχειρηματική ευφυΐα βοηθά τις εταιρείες να λαμβάνουν ενημερωμένες αποφάσεις για επιχειρηματικά θέματα Η επισκόπηση ιστορικών δεδομένων παρέχει πληροφορίες και καθοδηγεί τις ενέργειες. Οι περισσότερες εταιρείες χρησιμοποιούν BI, οπότε έχει γίνει απαίτηση να παραμείνουν ανταγωνιστικοί.
Σε τι χρησιμοποιείται η επιχειρηματική ευφυΐα;
Η επιχειρηματική ευφυΐα χρησιμοποιείται για την καθοδήγηση της επιχειρηματικής λήψης αποφάσεων. Το BI μπορεί να παρέχει ιστορικά δεδομένα, διαγράμματα, ανάλυση αγοράς και στοιχεία βάσει στοιχείων για να υποστηρίξει τη διαδικασία λήψης αποφάσεων.
τι είναι ένα αρχείο cpp
