اینکه بگوییم در یک اقتصاد داده زندگی می کنیم، دست کم گرفتن بزرگی است. اکثر سازمان‌ها امروز می‌دانند که داده‌هایی که جمع‌آوری می‌کنند فقط یک ارز نیست، بلکه یکی از با ارزش‌ترین دارایی‌هایشان است، به‌خصوص اگر مایل باشند تا آخرین ذره پتانسیل را از آن خارج کنند.
برای این منظور، بسیاری از کسب‌وکارها به علم داده روی می‌آورند، فناوری‌ای که این توانایی را دارد که به شرکت‌ها کمک کند داده‌های خود را بهتر درک و تجزیه و تحلیل کنند و به نوبه خود، سریع‌تر تصمیم‌های بهتری بگیرند.
Layton Construction یکی از این مشاغل است. این پیمانکار تجاری مستقر در یوتا با پروژه هایی در سراسر کشور اخیراً با اجرای یک راه حل علم داده، نقطه عطف جدیدی را در سفر پیشرو و سه ساله تجزیه و تحلیل داده خود پشت سر گذاشته است. دلیلش هم ساده بود
جف متکالف، معاون سیستم‌های اطلاعاتی شرکت، در طی یک وبینار Get Leverage در اوایل این ماه گفت: «ما قبلاً اطلاعات زیادی را در یک مکان (دومو) داشتیم، و می‌خواستیم ببینیم چه چیزی می‌تواند به ما بدهد. از پیش بینی رویدادهای تجاری.”
تا اینجای کار خیلی خوبه. از زمان انتخاب پیش‌بینی به‌عنوان اولین مورد استفاده از علم داده، Layton Construction چرخه پایان ماه خود را کوتاه کرد و در ساعت‌های انسانی گزارش دهی بی‌شماری صرفه‌جویی کرد.
جف که تقریباً 20 سال در لیتون کار کرده و همچنین از داده‌ها برای کاهش 50 درصدی میزان تصادفات شرکت استفاده کرده است، گفت: “این دو پیروزی واقعاً بزرگ برای ما هستند.”
ویشاخا شنوی، دانشمند داده Domo، گفت که Layton Construction توانست به نتایج سریعی در زمینه علم داده دست یابد، زیرا مورد استفاده آن “همه جعبه ها را بررسی کرد.” “آنها یک سوال تجاری معنی دار، داده های با کیفیت، یک برنامه اقدام عالی و فردی در جف داشتند که هم تجربه تجاری و هم درک درستی از علم داده داشت.”
جف و تیمش از همان ابتدا فهمیدند که باید صبور باشند.
جف گفت: «ما با این طرز فکر وارد نشدیم که «باید تا فلان تاریخ کارمان تمام شود». ما می دانستیم که این یک روند طولانی خواهد بود و باید چندین بار به عقب برگردیم تا مدل را اصلاح کنیم. اوضاع همین طور است. همیشه سوال یا ناهنجاری دیگری برای گزارش وجود دارد.
وقتی هدف خوب باشد، صبر اهمیتی دوچندان دارد تولید یک راه حل علم داده که دقیقا همان چیزی است که Layton Construction به دنبال آن بود.
ویشاخا توضیح داد: «علم داده های معمولی بیشتر در مورد ساخت یک مدل خوب است. از طرف دیگر علم داده های تولیدی در مورد اتوماسیون است. این در مورد ساخت یک مدل علم داده است که نه تنها با داده های آموزشی شما، بلکه با داده های زنده شما نیز مطابقت دارد. و این مستلزم ارتباط بسیار واضحی بین هوش تجاری و تخصص علم داده است. همه اینها زمان می برد.»
برای Layton Construction، نتایج ارزش انتظار را داشت.
جف گفت: «ما اکنون توانایی تجزیه و تحلیل داده‌ها را با سرعت بیشتری در سیستم داریم. ما می‌توانیم یک دکمه را در پایان فرآیند بسته شدن فشار دهیم و این محاسبات پیش‌بینی را انجام دهیم.
“همچنین، مدل در واقع در حین حرکت یاد می گیرد، بنابراین ما مجبور نیستیم آن را دوباره آموزش دهیم. و از آنجایی که پیچیدگی پروژه در طول زمان تغییر می‌کند و ممکن است حوزه‌های کاری متفاوتی اضافه شود یا کسب‌وکارهای مختلفی در شرکت ما ایجاد شود، می‌توانیم بدانیم که این مدل می‌تواند آن را تطبیق دهد و تطبیق دهد.
جف برای کسانی که به دنبال راه‌های Layton Construction هستند – یعنی استفاده از علم داده در تلاش برای حل مشکلات پیچیده و متمایز کردن خود از رقبا، سه توصیه دارد:
- مطمئن شوید که داده هایی برای آموزش مدل خود دارید.
- اطمینان حاصل کنید که تلاش‌های شما راهی معنادار برای بهبود عملکرد سازمان شما فراهم می‌کند.
- اطمینان حاصل کنید که همه افراد درگیر درک می کنند که برای چه چیزی تلاش می کنید.
جف می‌گوید: «بخش دوم واقعاً مهم است، زیرا بسیاری از مواقع مردم بدون اینکه بدانند آیا آب میوه ارزش آن را دارد یا نه، تصمیم می‌گیرند. پروژه های علم داده یک فرآیند هستند. بنابراین، مطمئن شوید که آنچه در پایان این فرآیند به دست می آورید مفید خواهد بود.
برای کسب اطلاعات بیشتر در مورد نحوه استفاده Layton Construction از علم داده و شنیدن اینکه چرا Vishakha تصمیم گرفت یک مدل علی برای جف بسازد، پخش مجدد وبینار را در اینجا تماشا کنید.