Совет №45
Приёмы моделирования интеллектуального капитала
Материал опубликован с разрешения компании
Авторы оригинала: Bill Schmarzo (все
статьи)
Перевод на русский язык: Константин Лисянский
Оригинальный документ располагается здесь.
Одна из больших трудностей во внедрении аналитики - это то, что
результирующий интеллектуальный капитал хоронится в инструментах,
которые используются для построения аналитики. Как только интеллектуальный
капитал замыкается внутри одного из таких инструментов, становится
трудно делиться логикой принятия решений с пользователями, которые
могут использовать другие инструменты business intelligence, инструменты
для выполнения запросов и генерации отчётов.
Я определяю интеллектуальный капитал как лучшие практики организации
в одной из хорошо определённых действий бизнеса. Например, какой
способ является наилучшим для анализа ввода нового расширения линейки
продуктов, такого как новый компонент зубной пасты на рынке товаров
народного потребления? Это включает не только данные и показатели,
но и стандарт нормальной производительности, включая «базовый показатель».
Любые значения производительности за пределами 2 или 3 стандартных
отклонений от базового показателя будет рассматриваться как исключение.
Дальше я бы попробовал понять, какие из ключевых показателей (таких,
как соотношение с ценами конкурентов, сквозные продажи, количество
и качество поддержки розницы, любые показатели нехватки товара на
складе или показатели дистрибуции, остатки, распродажи, купоны)
находились за пределами приемлемых рекомендованных значений.
Успешные организации учатся, как встраивать интеллектуальный капитал
в дизайн своих хранилищ данных, используя общие приёмы многомерного
моделирования, вместо того, чтобы запирать его в инструментах. Эти
организации также используют преимущества 5-шагового аналитического
жизненного цикла в процессе сбора бизнес-требований (публикация
отчётов, идентификация исключений, определение влияющих факторов,
моделирование альтернатив и отслеживание действий) для того, чтобы
выманить свои требования к интеллектуальному капиталу.
На первом этапе, этапе публикации отчётов, построение основы интеллектуального
капитала начинается с того, что вы убеждаетесь в том, что у вас
существуют «правильные» данные с «правильной» степенью детализации.
Этот этап является критическим для построения основы хранилища данных
со стандартными метриками, согласованными измерениями, общими атрибутами
и наиболее атомарной степенью детализации для поддержки общего для
всей организации словаря. Приёмы многомерного моделирования, полезные
на этапе публикации отчётов, включают именованные иерархии, которые
поддерживают стандартную отчётность о «состоянии бизнеса», а также
партиции реального времени для поддержки
отчётов в режиме реального времени.
На этапе исключений интеллектуальный капитал проявляется в богатстве
и надёжности таблиц измерений. К примеру, допустим, что вы пытаетесь
определить специфические сущности бизнеса, которые вызывают проблемы
с производительностью. Приёмы многомерного моделирования, такие
как drill down до атомарных данных, а также drill across при поддержке
шинной архитектуры, позволяют пользователям идентифицировать те
области бизнеса, которые являются источниками исключительной производительности.
На этапе определения влияющих факторов такие методы многомерного
моделирования, как консолидированные витрины и накопительные
снимки помогают понять причины исключительной производительности.
Например, давайте предположим, что мы пытаемся понять причины задержек
в таких процессах, как обработка претензий или отслеживание заказов.
Можно было бы построить приложение с использованием инструментов
анализа данных для извлечения ключевых дат и расчёта временных промежутков.
Но, вместо этого мы бы порекомендовали встроить эту логику непосредственно
в хранилище данных, используя приём накопительных снимков, так что
пользователи смогут видеть конвейер обработки в одном простом формате
базы данных, вне зависимости от инструмента, который они используют.
На этапах оценки альтернатив и отслеживания действий приёмы многомерного
моделирования, такие как мини-измерения, играют роль при сборе и
применении аналитических результатов. Например, давайте предположим,
что ваш аналитический процесс вычисляет показатель склонности клиента
к повторным покупкам, дополнительным покупкам, к покупке товаров
с частной маркой, к мошенничествам с кредитными картами, к посещениям
веб-сайта, ответам на электронные письма, а также склонности к отказу
от продуктов и услуг компании. Мы можем хотеть отслеживать динамику
изменения этих показателей со временем для того, чтобы проанализировать
влияние маркетинговых программ на эти показатели. Мы можем облегчить
задачу отслеживания и совместного использования этого интеллектуального
капитала, встроив эти показатели в дизайн хранилища данных при помощи
мини-измерений, вместо того, чтобы хоронить их в непредсказуемых
местах схемы. Мы также можем использовать такие архитектурные приёмы,
как горячий кэш для быстрого предоставления результатов в среде
операционной работы, таким образом «замыкая аналитический цикл».
Существует много практических приёмов многомерного моделирования,
которые можно использовать для того, чтобы встроить интеллектуальный
капитал, являющийся результатом аналитического жизненного цикла,
в дизайн хранилища данных вместо того, чтобы запирать его в инструментах,
использующихся для построения аналитики. Это драматически улучшает
возможности организации по сбору, совместному и повторному использованию
её интеллектуального капитала.
Если вы нашли в сети интересные ссылки на ресурсы по технологиям
хранилищ данных, OLAP, CRM или data mining, и хотите поделиться
ими с другими, присылайте их.
Я с удовольствием размещу их на этом сайте.
RSS