Anda mungkin pernah mendengar tentang data besar yang digunakan untuk memikirkan apa yang anda suka untuk dibeli, dibaca, dan diikuti. Apa yang anda mungkin tidak fikirkan ialah bagaimana syarikat anda mungkin menggunakannya untuk melepaskan produktiviti anda.
Tetapi Alexander Vorobiev, penasihat Analytics Lanjutan di TransUnion, mempunyai. Dia seorang peminat di semua perkara besar data. Dan sementara peranannya terutama berurusan dengan seberapa besar data dapat memberi kesan terhadap perkhidmatan kewangan, dia tahu aplikasi untuk data besar tidak akan berakhir. Satu perkara seperti itu? Memikirkan bagaimana syarikat boleh menggunakan kaedah analisis untuk meningkatkan produktiviti, dan melihat hasil perniagaan yang lebih baik.
Bunyi menarik? Baca terus untuk mengetahui bagaimana ia dilakukan:
Cari Hipotesis Anda
Pertama anda memerlukan teori untuk diuji. "Mencipta program kesihatan tempat kerja akan meningkatkan produktiviti" mungkin satu. "Membolehkan pekerja bekerja dari rumah akan membantu memacu jualan" boleh jadi yang lain.
Sebagai ketua jabatan atau pembuat keputusan, anda mungkin mempunyai naluri usus tentang bagaimana pekerja anda bekerja dengan lebih baik. Mungkin pekerja yang datang dalam masa satu jam kemudian mengambil masa rehat yang lebih sedikit sepanjang hari, atau jika pekerja menggunakan jam makan tengah hari untuk bersenam, mereka cenderung tidak menyerah kepada kemerosotan pada 3 petang. Walau apa pun punian andaian, inilah hipotesis anda yang akan diuji.
Kumpulkan Data Yang Benar
Boleh dikatakan salah satu langkah paling kritikal dalam menggunakan data besar. Semua analisis di dunia tidak akan banyak digunakan jika anda tidak mengukur perkara yang betul. Mengambil hipotesis "bekerja dari rumah meningkatkan produktiviti." Beberapa data yang berpotensi untuk diukur di sini mungkin termasuk bilangan pekerja telekomunikasi, berapa hari mereka bekerja dari rumah, dan ulasan penyelia pada akhir tempoh yang dianggarkan.
Vorobiev mengesyorkan bahawa syarikat-syarikat mengupah jurutera data khusus atau perunding luar untuk menjalankan analisis trend tempat kerja dan kawasan lain di mana data besar pasti digunakan. Para saintis data sedemikian tidak boleh hanya menganalisis hasil akhir, mereka juga boleh mencadangkan parameter yang betul untuk diukur.
Sediakan Contoh untuk Kajian
Syarikat boleh merekrut pekerja untuk belajar dengan mengaitkan lobak merah (keahlian gim percuma untuk setahun adalah yang baik) walaupun seseorang perlu menonton sampel yang berat sebelah (orang yang mendaftar untuk sebuah kelab buku, misalnya, mungkin sudah menjadi yang suka untuk membaca).
Tetapi pengambilan boleh dilakukan dengan cara lain. Vorobiev menunjuk kepada kajian tempat kerja yang dijalankan oleh Bank of America di mana pekerja memakai lencana ID dengan tag RFID dan interaksi mereka antara satu sama lain dan produktiviti seterusnya diukur.
Walau bagaimanapun, Vorobiev mengakui bahawa privasi adalah penghalang yang sah. Tetapi ada cara yang menyembunyikan maklumat pekerja supaya penganalisis hanya memberi tumpuan kepada trend yang lebih besar. Jawapan gelembung tanpa nama atau kaji selidik dalam talian adalah cara yang cepat dan mudah mencari corak tanpa nama penamaan.
Sebaik sahaja anda mengetahui siapa yang hendak belajar, tinjauan dalam talian adalah cara cepat untuk mengumpulkan data yang diperlukan.
Akhir sekali, Analyze!
Sekarang bahawa anda mendapat hasil, data besar boleh menganalisis dan mencari trend. Penting untuk diingat bahawa analisis data yang besar adalah kajian data biasa mengenai steroid. Anda, sebagai pekerja atau pemilik syarikat, sentiasa boleh menjalankan analisis data. Tetapi data besar memproses maklumat yang berasal dari sejumlah sumber dan banyak cara yang berbeda dengan lebih efisien dan cepat.
Hanya hilang dalam lumpuh analisis. "Anda boleh melakukan lebih dari apa-apa jurutera, " kata Vorobiev, "Ada kata-kata terkenal tentang statistik bahawa dengan tekanan yang cukup data akan mengakui segala-galanya. Mungkin idea yang baik untuk berhenti analisis secepat anda mendapat bilangan input atau hasil x dan kemudian lihat apa data yang memberitahu anda. "
Kesan lampu jalan - di mana orang yang telah kehilangan kekuncinya kelihatan hanya di bawah cahaya kerana di mana ia paling mudah untuk melakukannya-adalah kebimbangan yang sah apabila ia berkaitan dengan analisis data yang besar. Ingat bahawa trend yang paling mengejutkan mungkin bukan di mana anda mula berfikir.
Takeaway mengikut Vorobiev: "Terdapat banyak aspek yang boleh diukur, mudah diabaikan, aspek kehidupan kerja kita yang, jika dikaji, boleh menghasilkan hasil yang tidak dijangka. Dan jika salah seorang daripada mereka boleh membawa kepada persekitaran yang lebih harmoni dan produktif, ia patut dicuba. "
