Che cos’è Operational Analytics e i suoi casi d’uso aziendali?
L’analisi operativa si concentra sul monitoraggio delle operazioni correnti e in tempo reale.
L’analisi delle origini dati all’interno del reparto operativo di un’organizzazione può comportare un aumento della produttività e dell’efficienza e, di conseguenza, della redditività. L’analisi operativa è un tipo di analisi aziendale che si concentra sul monitoraggio delle operazioni correnti e in tempo reale. Utilizza l’analisi dei dati in tempo reale e la business intelligence per aumentare la produttività e semplificare le operazioni quotidiane. Questo articolo sarà incentrato sulla comprensione dell’analisi operativa e sull’impatto del suo utilizzo sul business. Di seguito gli argomenti da trattare.
Sommario
Informazioni sull’analisi operativa
Differenza tra analisi tradizionale e operativa
Funzionante operativo Il lavoro di analisi
Perché l’organizzazione dovrebbe investire in Operational Analytics?
Discutere alcuni casi d’uso
Ogni transazione operativa ha una decisione associata; ogni azione è preceduta da una decisione. Iniziamo con una comprensione di alto livello dell’analisi operativa.
Nell’analisi operativa, le raccomandazioni vengono sviluppate sulla base di approfondimenti derivati dall’applicazione di modelli statistici e analisi a dati futuri esistenti e simulati e quindi implementati in interazioni in tempo reale. L’analisi operativa utilizza il data mining , l’intelligenza artificiale e l’apprendimento automatico per fornire alle organizzazioni maggiore trasparenza e aiutarle a prendere decisioni migliori.
Se la costruzione dei sistemi informativi e di automazione viene eseguita correttamente e la tecnologia viene aggiornata regolarmente, l’analisi dei dati operativi può fornire a un’azienda un vantaggio competitivo. Quando si tratta di analisi dei dati operativi, ci sono centinaia di variabili da considerare. Le piattaforme tecniche disponibili, le capacità e le spese associate a determinate aggiunte influiscono sull’inclusione o meno dell’analisi dei dati operativi. Sebbene rendere operativa l’analisi dei dati possa essere un processo costoso, ci sono diversi vantaggi.
L’analisi operativa ti consente di integrare i dati dal tuo data warehouse direttamente nelle applicazioni in prima linea che il tuo personale utilizza ogni giorno (come Salesforce , Hubspot e Marketo) per guidare l’azione, non semplicemente le informazioni dettagliate. Implica flussi di lavoro più efficienti, una migliore automazione e una migliore comunicazione tra i team interfunzionali.
Stai cercando un repository completo di librerie Python utilizzate nella scienza dei dati, dai un’occhiata qui .
Differenza tra analisi tradizionale e operativa
Analisi tradizionali
Analisi operativa
Dati strutturati
Qualsiasi tipo di dato strutturato, semistrutturato o non strutturato.
L’oggetto dell’analisi è un campione della popolazione conosciuta
L’intera popolazione è oggetto di analisi
Risposte a domande già definite
Scoperte e fatti nuovi e inaspettati
È richiesta la conoscenza delle tecniche e degli strumenti analitici e la conoscenza di base della rendicontazione.
Sono richieste avanzate conoscenze analitiche, matematiche, statistiche e informatiche.
Funzionamento dell’analisi operativa
L’analisi operativa funziona in un processo a ciclo chiuso in cui i dati vengono copiati dall’ambiente operativo e analizzati in Business Intelligence (BI). Vengono derivate le scelte che influenzano l’ambiente operativo e l’output può essere confrontato con quanto previsto. Questo processo a circuito chiuso è suddiviso in cinque fasi principali che sono la raccolta di informazioni, l’analisi approfondita, l’applicazione del modello, l’analisi in tempo reale e il feedback per l’analisi approfondita.
In pratica, le prime tre fasi della BI strategica e tattica procedono lentamente e l’ultimo passaggio di chiusura del ciclo è difficile da completare a causa della più ampia portata delle decisioni prese.
Raccolta di informazioni
L’integrazione dei dati è stata a lungo al centro della BI. Tradizionalmente, l’attenzione si è concentrata sulla riconciliazione e il consolidamento dei dati da sistemi operativi disparati classici ETL. L’ETL sta per estrarre, trasformare e caricare.
Il passaggio “Estrai” comporta la raccolta di dati dalle sue origini dati. Le righe e le colonne del database analitico verranno create da questi dati. Estrazione significava la raccolta di dati da file Excel e Sistemi di database di gestione relazionale, che erano le principali fonti di dati per le aziende (ad es. ordini di acquisto scritti in Excel).
Il passo “Trasforma” modifica (trasforma) i dati acquisiti durante la fase di estrazione prima di salvarli nel database analitico. Sono disponibili diverse trasformazioni.
La pulizia dei dati implica la ricerca e la correzione o l’eliminazione di dati discutibili. Vengono eseguite operazioni come la rimozione dei dati mancanti, la rimozione dei valori anomali, la codifica, ecc
L’arricchimento dei dati è il processo di aggiunta di informazioni aggiuntive ai dati grezzi ottenuti in precedenza. Vengono eseguite operazioni come la combinazione di informazioni da molte fonti, la deduplicazione, ecc
La fase di “caricamento” include il trasferimento dei dati dalla fase di trasformazione a un datastore di destinazione (database relazionale, datastore NoSQL, data warehouse o data lake), dove possono essere analizzati.
Anche se questo è ancora importante, l’analisi operativa richiede due funzionalità aggiuntive.
Velocità e tempestività nella raccolta dei dati
Fonti al di fuori dei sistemi operativi tipici, come “big data” e fonti all’interno del magazzino stesso.
Analisi dettagliata
Il focus dell’analisi operativa in questa fase è sull’analisi statistica approfondita e sull’interrogazione convenzionale di un’ampia varietà di dati rilevanti. L’idea è di trovare connessioni impreviste tra centinaia, se non migliaia, di aspetti di comportamenti, caratteristiche e attività. Questa fase non dovrebbe essere in tempo reale a causa dell’elevato numero di caratteristiche e in genere di milioni di dati.
Tuttavia, dopo la prima fase di pulizia, preparazione e istruttoria, è ancora necessaria la tempestività. Le operazioni di data mining che durano dall’oggi al domani (o più a lungo) e le frequenti esportazioni/importazioni tra piattaforme non sono più appropriate per continuare la ricerca. A seconda delle caratteristiche dei dati utilizzati e dell’urgenza della domanda analitica, la scalabilità e la tempestività possono essere raggiunte in vari modi. L’utilizzo di una piattaforma basata su Hadoop per la preparazione e la ricerca iniziali è spesso vantaggioso.
Applicazione del modello
La procedura per trasformare al volo le interazioni tra un’organizzazione ei suoi consumatori per migliorare le prestazioni aziendali è un’attività operativa. Si potrebbe affermare che accade al di fuori del sistema BI e si sposta rapidamente in un tipico modo BI. La terminologia analitica operativa, d’altra parte, suggerisce che dobbiamo affrontare questioni sia operative che analitiche. La raffinatezza è divisa in quattro fasi.
Avere un impatto su una procedura manuale. Ad esempio, il coinvolgimento di un rappresentante con un cliente presso un call center è guidato da un modello sviluppato da uno studio precedente del valore totale della vita del cliente, metriche comparabili e previsioni demografiche su quale risposta o offerta dovrebbe essere data. Senza dati in tempo reale, l’applicazione del call center è solo debolmente accoppiata al sistema di analisi tramite dati del modello precaricati. L’agente mantiene un notevole controllo sul fidanzamento.
Gestione di un processo manuale. Simile all’ultimo esempio, ma con un rapporto più stretto tra il call center ei programmi analitici. La fase 4 dell’analisi operativa (analisi in tempo reale) deve essere attivata affinché l’agente disponga sia di dati in tempo reale che di suggerimenti basati su di essi; la flessibilità di interazione dell’agente è limitata.
La procedura per fare un’offerta è stata automatizzata. Le percezioni dei clienti sull’offerta del sito web al dettaglio, ad esempio, sono state prodotte automaticamente utilizzando modelli basati sulle interazioni precedenti e sul flusso di clic attuale. L’ambiente analitico è strettamente legato al sistema operativo e l’analisi in tempo reale viene eseguita in un circuito chiuso.
Modellare e offrire procedure integrate. Più modelli possono essere eseguiti contemporaneamente per vari clienti e autoregolarsi in base ai risultati in un sistema integrato, consentendo analisi in tempo reale e azioni operative. Le operazioni e le analisi in tempo reale sono quasi indistinguibili.
Analisi in tempo reale
Il push o il pull dei dati nel sistema è il modo in cui funziona l’analisi dei dati in tempo reale. Lo streaming deve essere attivo per l’invio di enormi quantità di dati a un sistema. Lo streaming potrebbe utilizzare molte risorse e potrebbe essere proibitivo per alcune applicazioni. Invece, pianifica i dati da recuperare in momenti diversi, che vanno da secondi a ore. I seguenti componenti sono inclusi nell’analisi dei dati in tempo reale.
L’ aggregatore raccoglie e analizza i dati in tempo reale da una varietà di fonti.
Durante l’analisi, il motore di analisi confronta i valori dei dati e li trasmette insieme.
Crea disponibilità dei dati agendo da broker .
Il processore di flusso riceve e invia i dati per eseguire la logica ed eseguire analisi in tempo reale.
Feedback per un’analisi approfondita
Tecnicamente, il quinto passaggio dell’analisi operativa è piuttosto semplice: basta aggiornare i dati utilizzati nell’analisi approfondita con dati freschi e risultati acquisiti in tempo reale. Questa fase, tuttavia, non dovrebbe essere trascurata; alla fine chiude il cerchio tra gli sforzi operativi e quelli informativi. A causa delle incompatibilità nella progettazione e nella proprietà tra i due domini, è stato a lungo un ostacolo nei sistemi di BI.
Rivista di analisi dell’India
Perché le organizzazioni dovrebbero investire in Operational Analytics?
I vantaggi dell’analisi sono innegabili. Le organizzazioni possono aggiornare e ristrutturare le proprie operazioni per competere nelle economie digitali adottando l’analisi. Ecco alcuni dei motivi elencati.
Facilitare il processo decisionale
Le organizzazioni che analizzano e reagiscono ai dati dei clienti in tempo reale possono fare scelte migliori più velocemente. Le aziende sarebbero consapevoli di eventuali errori evidenti nelle loro operazioni solo sulla base di statistiche trimestrali o annuali nel vecchio stile di lavoro e, nel momento in cui apportano modifiche alle loro operazioni in modo reattivo, c’è sempre il rischio che non siano in grado di affrontare questi problemi in tempo.
Le aziende che adottano l’analisi operativa, d’altra parte, possono apportare le modifiche necessarie ai processi e ai flussi di lavoro in tempo reale o quasi, consentendo loro di aumentare la redditività e ridurre al minimo gli sprechi. Ciò li aiuterebbe anche a rilevare e rispondere tempestivamente a guasti e inefficienze.
Alta efficienza
Le aziende possono utilizzare l’analisi operativa per semplificare le proprie operazioni identificando le inefficienze nei propri processi e apportando le modifiche richieste. Ad esempio, sulla base dei dati di analisi operativa, un’azienda ha scoperto che esiste un problema con il processo del proprio sistema di fatturazione a causa del quale è aumentato il tempo medio di attesa dei clienti. Queste informazioni possono indurre l’azienda a ripensare il processo riducendo il numero di approvazioni e snellendo il processo, con conseguente riduzione dei tempi di risposta.
Fedeltà del cliente
L’analisi operativa può migliorare l’esperienza del cliente consentendo alle aziende di reagire in tempo reale alle situazioni aziendali. Ad esempio, l’abbandono temporaneo di un portale di ordinazione alimentare che utilizza analisi operative è aumentato negli ultimi mesi nonostante sia stato offerto uno sconto.
Con l’aiuto dei dati di analisi operativa, l’azienda proprietaria del portale scopre un bug nel software che colpisce gli utenti di un determinato sistema operativo. Gli alimenti non vengono aggiunti al carrello quando gli utenti li aggiungono al carrello e di conseguenza l’applicazione si arresta in modo anomalo. Il bug viene risolto rapidamente e il Portale non perde clienti. Questo tipo di esperienza utente comporterebbe la fidelizzazione del cliente.
Discutere alcuni casi d’uso
Fornitori di servizi
L’analisi operativa viene utilizzata da fornitori di servizi di mobilità come Uber per offrire esperienze di viaggio impeccabili ai propri consumatori, dalla selezione dei punti di prelievo passeggeri più convenienti alla proiezione dei percorsi più brevi.
Commercianti online
L’analisi operativa viene utilizzata dai commercianti online per valutare quali merci sono più popolari nei loro negozi e modificare gli inventari in modo appropriato. Hanno anche accesso a dati in tempo reale sulle ricerche dei clienti e sulle tendenze più importanti.
Medico
L’analisi operativa viene utilizzata dagli ospedali per prevedere il numero di pazienti del pronto soccorso che vedranno ogni giorno. Gli infermieri possono utilizzare queste informazioni per preparare le prescrizioni in anticipo.
Finanza
L’analisi operativa viene utilizzata da banche e istituti finanziari per rilevare frodi e rischi di liquidità. Hanno il compito di analizzare i modelli di spesa dei clienti e di classificarli in base al rischio di credito e ad altri fattori. Queste informazioni vengono utilizzate per abbinare i clienti agli elementi appropriati per le loro esigenze.
Produzione
Nell’industria manifatturiera, l’analisi operativa viene utilizzata per la manutenzione preventiva. Le aziende manifatturiere utilizzano l’analisi operativa per avviare la manutenzione preventiva di macchine, componenti di macchine e altre risorse per rilevare possibili problemi prima che si verifichino. Il produttore può essere informato quando è necessaria la manutenzione utilizzando queste informazioni.
Gestione della catena di approvvigionamento
Se il Fornitore non è in grado di consegnare gli articoli concordati in un giorno specifico per le attività che non sono collegate digitalmente, richiederà sforzi amministrativi da parte di tutte le parti interessate, inclusi il Fornitore, il pianificatore, il personale responsabile dell’entrata merci, il sistema di pianificazione delle risorse aziendali , e così via. L’assenza di un’analisi approfondita delle condizioni di consumo, stock e fornitura è la causa di questo lavoro manuale aggiuntivo. L’utilizzo dell’analisi operativa nella Supply Chain fornisce ai dipendenti dashboard ben strutturati contenenti dati vitali, che possono analizzare e concordare tempestivamente una consegna supplementare con il Fornitore.
Marketing
Un responsabile marketing o un altro esperto di sistemi di dati può utilizzare l’analisi operativa per eseguire numerosi esperimenti contemporaneamente, raccogliere risultati sotto forma di dati, terminare prove improduttive e coltivare quelle che hanno successo, il tutto utilizzando sistemi software basati sui dati. Più prove possono eseguire e più velocemente possono ottenere risultati, più efficaci saranno nella vendita del loro prodotto.
Ottimizzazione dei prodotti
Un product manager esamina i registri di utilizzo del prodotto forniti dall’analisi operativa per determinare quali funzionalità del prodotto piacciono ai suoi utenti, quali le rallentano e quali non piacciono ai suoi utenti. Il product manager può quindi trovare le risposte necessarie interrogando i dati che registrano i modelli di utilizzo dalla base di utenti del prodotto e restituendo queste informazioni per migliorare il prodotto.
Conclusione
Operational Analytics affronta il problema sincronizzando i dati in tempo reale dal tuo magazzino con gli strumenti di BI. Ciò garantisce che le routine e i sistemi operativi vengano utilizzati in modo efficiente. Utilizzando l’analisi operativa, l’organizzazione mette la potenza della Business Intelligence in tempo reale nelle mani dei dipendenti in prima linea, consentendo loro di dare il massimo valore all’azienda. Con questo articolo abbiamo compreso l’analisi operativa e il suo impatto sulle aziende.
Di Sourabh Mehta da analyticsindiamag.com
