Sisältö
- Mikä on Dark Data?
- Ero isojen ja tummien tietojen välillä
- Syyt Yritykset rakentavat tummaa tietokantaa
- Tumma tietopotentiaali
- Ennusta kysyntää ja ratkaise ongelmat
- Rakenna älykkäämpi toimitusketju
- Tuotteen laadun parantaminen asiakaspalautteen avulla
- johtopäätös
Lähde: Agsandrew / Dreamstime.com
Ottaa mukaan:
Tumma tieto on tietoa, jota koskaan ei nähdä päivänvalossa, mutta tästä kauan ohitetusta tiedosta voi olla hyötyä organisaatioille.
Pimeän datan vaikutusta isojen tietojen maailmaan voidaan tarkastella kahdella tavalla:
- Kuten mahdollisuudet piilotettu big data
- Koska riskit tummat tiedot aiheuttavat
Lähes kaikki yritykset tallentavat tummaa dataa vaihtelevana ajanjaksona ilman analyysejä. Kun he tekevät niin, he menettävät mahdollisuuden saada käsityksen, jonka yksimieliset tiedot olisivat voineet paljastaa. Pimeän tiedon säilyttämisessä niin pitkään on myös useita riskejä, kuten juridinen, taloudellinen, maine ja kilpailuedun menetys. Yritysten on käytettävä paremmin pimeää tietovarastoaan paitsi liiketoiminnan parantamiseksi myös riskien minimoimiseksi.
Mikä on Dark Data?
Lähes jokainen yritys kerää valtavia määriä dataa tarkoituksenaan saada enemmän näkemyksiä esimerkiksi asiakaskäyttäytymisestä, ohjelmistokehitysprosesseista, kokousaikoista ja tuottavuudesta sekä verkkosivujen käytettävyydestä. Nämä oivallukset auttavat yrityksiä vastaamaan toimittamaan parempia tuotteita ja palveluita. Voi kuitenkin olla yllättävää, että suuri osa tiedoista on käyttämättä pitkiä aikoja. Yritykset vain tallentavat sen tekemättä mitään analyysejä. Tätä tietoryhmää kutsutaan tummaksi dataksi, ja tämän luokan koko on valtava. IDC arvioi, että 90% koko tuotetusta tiedosta on tummaa dataa - se on merkittävä havainto. Gartner määrittelee tumman datan seuraavasti:
Millaisia tietoja ei ole analysoitu? Seuraavat tietoryhmät on todettu kelpoisiksi tumman datan luokkaan:
- Raaka tutkimuspanokset
- Asiakastiedot
- Aikaisemmat työntekijän tiedot
- Tilinpäätös
- keskustelut
- Chat-tekstikirjoitukset
- Puhelinkeskuksen kopioita
- Tilitiedot
Ero isojen ja tummien tietojen välillä
Tumma tieto on osa suurta dataa. Joten, kerättyä suurta tietoa on kaksi osaa: analysoitu ja analysoimaton. Analysoimaton data on tummaa tietoa. Mielenkiintoista on, että analysoimaton data muodostaa suurimman osan suurista tiedoista.
Syyt Yritykset rakentavat tummaa tietokantaa
Edellä annettu tietotyyppiluettelo voi tarjota yritykselle paljon arvoa. Silti on yllättävää, että he ovat valvomatta. Tähän on useita syitä, mutta tärkein näyttää olevan investointien puute. Alla on muutamia syitä, joiden vuoksi pimeä tietokanta kasvaa.
Et voi parantaa ohjelmointitaitojasi, kun kukaan ei välitä ohjelmiston laadusta.
Tämä syy liittyy investointien puuttumiseen. Jos tiedonkeruu tapahtuu tekniikoilla, jotka eivät ole vuorovaikutuksessa keskenään, tämä estää organisaatiota luomasta kattava datakäytäntö. Monet organisaatiot, joilla on vanhentunut tekniikka, kamppailevat integroidakseen eri lähteistä kerättyjä tietoja, kuten puhelinkeskuksen keskustelutiedot, verkkosivustojen napsautustiedot ja videoneuvottelutiedot. Eri muotojen käsittelyyn ja integrointiin tarvitaan asianmukainen tekniikka.
Tumma tietopotentiaali
Ei tarvitse nero ymmärtää, että jos 90% suurista tiedoista on pimeää tietoa, se on potentiaalisesti maa, jota ei löydy, laiminlyötyjä mahdollisuuksia. Kuten edellä esitetyt syyt korostavat, yritykset eivät käytä pimeää tietoa, koska niillä on vähän arvoa, vaan yritysten omien rajoitusten takia. Joten on todettu, että tummalla datalla on paljon potentiaalia. Yritetään ymmärtää tämä potentiaali valmistusalan avulla.
Frost & Sullivan -tutkimuksen mukaan ”esineiden Internet, palveluiden Internet, big data ja integroitu teollisuus jättävät ratkaisevan vaikutuksen kaikissa valmistusarvon ketjun osissa.” Valmistusteollisuus saa arvokasta tietoa seuraavista:
- Koneen lokit
- Laite-anturit
- Tuotetelematiikka
- Kuluttajan napsautusvirta
- Sosiaalinen media
Ennusta kysyntää ja ratkaise ongelmat
Analysoimalla tarkasti asiakkaiden napsautustiedot ja hankkimalla tuotetelematiikan, yritykset voivat ennustaa kysyntää tarkasti ja vastata asianmukaisesti optimoimalla tavaroiden tarjonnan. Yritykset voivat myös ratkaista ongelmat eristämällä ne antureiden ja telematiikan tuottaman tumman datan avulla.
Rakenna älykkäämpi toimitusketju
Yritykset tarvitsevat älykkään ja vankan toimitusketjun voidakseen tietää tarkkaan kysynnän ajan ja määrän ja vastata vaatimuksiin asianmukaisesti. Yksi tapa saada tämä on saada rakeista tietoa toimitusketjun yksittäisistä komponenteista. Rakeisen tiedon avulla yritykset voivat saavuttaa laadun sekä oikea-aikaisen toimituksen. Ja vain pimeät tiedot voivat tarjota yksityiskohtaisia tietoja toimitusketjusta.
Tuotteen laadun parantaminen asiakaspalautteen avulla
Näinä muuttuvina aikoina asiakas ei ole enää joku, joka vain kuluttaa tuotteita. Asiakas on tietyssä suhteessa brändin suurlähettiläs, joka voi mainostaa tuotetta suusanallisesti, viittausten ja sosiaalisen median kautta. Tuotehallinnon, suunnittelun ja suunnittelutiimien on erittäin tärkeää hyödyntää asiakaspalautetta ja parantaa tuotteiden laatua. Tumma tieto voi auttaa valmistusyrityksiä tarjoamalla 360 asteen kuvan tuotteesta ja sen näyttämisestä markkinoilla. Joten mitä yritys voi tehdä?
- Sinulla on hyvin suunniteltu analytiikkakehys, joka hyödyntää pimeää tietoa ja tarjoaa pääsyn puitteille kaikille sidosryhmille.
- Vähennä suunnittelemattomia, ennakoimattomia tuotekehityskatkoksia anturitietojen ja telematiikan avulla, jotka voivat ennakoida toimintahäiriöitä tai tuotevirheitä.
- Integroi telematiikka sosiaaliseen mediaan, jotta asiakaspalaute voidaan vangita reaaliajassa ja tiedot siirretään kyseiselle osastolle.
- Käytä tietoja tuotteiden ominaisuuksien parantamiseen ketterästi.
johtopäätös
Pimeän tiedon potentiaali on kiistaton. Yritysten on myös pidettävä mielessä riskit, jotka liittyvät rajoittamattomaan varastointiin ja pimeän tiedon huonoon käsittelyyn. Tumma tieto voi sisältää arkaluontoista tietoa, ja tietojen tahaton tai tahallinen vuotaminen voi tarkoittaa ongelmia. Yrityksillä on oltava hyvä tietojen merkintä- ja jäsentämistekniikka, jotta data voidaan tunnistaa ja luokitella. Tämä on välttämätöntä, vaikka he eivät aio analysoida sitä liiketoimintaansa varten. Muutoin pian voi seurata taloudellisia, sääntelyä, kilpailuedun menettämistä ja oikeudellisia ongelmia.