Dataanalys är snabbt på väg att bli den mest centrala it-funktionen på många företag. Det handlar om flera närliggande områden som big data, maskininlärning, djupinlärning (deep learning), ”data science” och, förstås, gammalt hederligt beslutsstöd, samt även traditionell rapportering.
Anledningen till intresset är behovet av att förstå kundbeteenden och it-systems prestanda, att hitta nya intäktskällor och andra aktiviteter som syftar till förbättrad lönsamhet. För att skaffa sig konkurrensfördelar är det så klart lämpligt att bekanta sig med de senaste dataanalystrenderna.
Läs också: 3 steg till att bli ett algoritm-drivet företag
Många av de heta områdena är nischade och tekniskt komplicerade. Men det finns också områden som är tillgängliga för alla, i vissa fall även för personer utan större tekniska insikter.
Här tipsar IDG News om tre heta trender för dataanalys:
1. Självbetjäning för beslutsstöd
Med verktyg som Tableau, Qlik Sense, Microsofts Power BI och Domo kan både dataanalytiker och folk i största allmänhet visualisera affärsinformation när de behöver göra det. Att det är ett hett område visas av den hårda konkurrens som råder inom det.
Visst kan it-personal behöva konfigurera en del saker, samt även göra datakällor tillgängliga, men sedan kan dataanalytiker göra det mesta av arbetet, till exempel ”tvätta” data och bygga analyser. Därefter kan ej specialiserad personal interagera med analyserna. Det kan handla om att använda en kontrollpanel (dashboard) för att hitta produkter eller säljare som presterar dåligt, eller att upptäcka trender som sträcker sig över flera år.
Resultaten av analyserna kan ligga till grund för beslut om vad som ska finnas i lager, vilka produkter man ska satsa extra på att sälja, till och med att bygga en butik, och så vidare.
2. Kontrollpaneler i mobiler
I en tid då många sällan sitter vid sina skrivbord, om de ens har något, så behöver viktiga verktyg vara tillgängliga mobilt. De flesta beslutsstödsverktyg för självbetjäning är det, men det är inte säkert att alla viktiga nyckeltal är tillgängliga i dem. Här finns förbättringspotential.
Läs också: Så kartläggs IS propaganda med dataanalys och AI
Ett exempel kan vara kvalitetsuppföljning inom tillverkande industri. En driftsansvarig behöver veta om en maskin rör sig utanför ramen för godkänd funktion inom några minuter efter att det hänt. Det kan ordnas med en mobilapp som skickar i väg en databasfråga varje minut. Sedan kan data visas som linjediagram eller så kan alarm skickas om något fallerar.
3. Språket R
Dataanalytiker, kallas ofta ”data scientists”, behöver ofta analysera data med hjälp av statistiska metoder. Ett av de bästa och enklaste sätten att göra det är att använda språket R. Till skillnad från med kalkylark så blir det enkelt att modifiera och köra om R-skript.
R i sig och en stor mängd bibliotek som finns till språket erbjuder ett brett utbud av metoder för statistik, datamanipulation och annat. Om det finns en analysmetod så är den med största säkerhet implementerad i R. Ett aktuellt exempel gäller maskininlärning. Eftersom R är gratis och öppet så finns det också tillgängligt i många kommersiella produkter, som Microsofts Azure Machine Learning Studio och SQL Server.
Även om inte alla är lämpade för att bygga R-skript så är det enkelt att göra dem tillgängliga för alla.