Következő képzések

Adatelemzés Data Science

Adatvagyon hasznosítása miért nehéz ügy?

Amikor adatvagyon hasznosításról beszélünk, akkor elsődlegesen adatelemzésre, BI riportokra vagy MI (Mesterséges Intelligencia) alapú robotokra gondolunk. Valójában az adatvagyon hasznosítás ennél többről szól, legalább ennyire fontos (ha nem fontosabb), hogy a cég milyen mértékben képes az elemzési eredményeket üzletileg hasznosítani (hogyan tudja “felszívni” vállalati működésébe).  

Az eredmények hasznosítása is jelenthet több dolgot:

  • vállalat szakemberei/menedzserei döntéseik során mennyire támaszkodnak az adatelemzések eredményeire?
  • vállalat milyen mértékeben digitalizálta folyamatait? 

Az alábbi ábra, az adatvagyon hasznosításnak egy tipikus helyzetét írja le. 

Minden cég esetében van egy elméleti plafonja az adatokból kinyerhető információk mennyiségnek. A középső oszlop azt a triviális tényt mutatja, hogy a cégek ezt az elméleti plafont soha nem érhetik el, valahol a 0 és a maximum között vannak. Azonban ezen információk egy része soha nem kerül hasznosításra, jobb oldali  oszlop ezt ábrázolja. Hogy elehetséges ez? Néhány, talán az olvasón számára sem ismeretlen “élethelyzet”:  

–         BI riportok és dashboardok, amiket gyakorlatilag senki se használ

–         “fiókban porosodó” vezetői prezentációk

–         lefejlesztett, de nem élesített prediktív vagy csalásdetektáló rendszerek.

Rengeteg a be nem fejezett data science projekt. Egy tanulságos cikk szerint a data science projekteknek mindössze 5%-a jut el a hasznosításig, de úgyis fogalmazhatunk, hogy

a projektek 95%-ában gyakorlatilag feleslegesen dolgoznak azok az adatelemzők, akikből amúgy óriási hiány van.

Milyen okokra vezethetők vissza az adathasznosítás kudarcai?

  • bizonyos kutatások szerint szervezeteken belül az emberek 70-90%-a nem képes táblázatokat, diagramokat értelmezni, és ezáltal hasznosítani (adatolvasási készség hiánya)
  • adatelemzési projekteknek nincs folytatása – az üzleti célú hasznosítás IT költségei parkolópályára állítják a projektet 
  • szakértői ellenállás – 20-30 éves tudásukat nem akarják megosztani, ellenben az elemzési eredményeket kritikusan fogadják

(és a sor végtelenségig sorolható)

Amikor egy cég eldönti, hogy stratégiát készít az adatvagyon hasznosítására, első lépésként érdemes a fenti diagramot elkészíteni. A felmérés segíthet priorizálni a célokat. Nézzünk két lehetséges esetet:

Az első esetben a vállalat jelentős erőforrásokat áldozhatott egy magas szintű adatelemzési infrastruktúra kialakítására. Elkészültek jó minőségű adatbázisok, adattárházak, ezekből különböző elemző technológiával rengeteg értékes információ került kinyerésre. A gond az, hogy a menedzsereket, döntéshozókat nem készítették fel ezek hasznosítására, illetve nem került sor a folyamatok adatalapú automatizálására. Egy ilyen cég esetében újabb adatelemzési projektek indítása teljesen indokolatlan, hiszen a meglévő elemzéseket sem képes hasznosítani a cég. 

A második esetben a vállalat még az adatelemzési infrastruktúra kiépítésének elején jár.

Az elmúlt évtizedek egyik fájdalmas tanulsága, hogy ilyenkor TILOS ún. „big data” projekteket indítani.

Itt a „big data” fogalma alatt olyan projekteket értek, amikor egy cég rövid idő alatt akar óriásit ugrani az adatinfrastruktúra kialakításában és ennek hasznosításában.  Az ambiciózus terveket általában bukott projektek sora követi. Célravezetőbb kisebb, de üzletileg rögtön hasznosuló projektekkel kezdeni, melyek elvezethetnek később komplex adatvezérelt folyamatok kialakításához.

(Szerző Data Literay coach és a Láncrekació podcast alapító tagja)