这些缺陷是什么？Excel和传统的BI工具是用于企业分析的糟糕解决方案

但是它们的使用仍然无处不在，因为当今大多数组织中的整个分析过程都是脱节的，并且每个数据接收者都使用他们喜欢的工具来寻找见解。要使某人获得分析见解，需要执行以下多个步骤和技术：从管理数据，向数据中添加上下文和含义，开发查询和模型的迭代到在可共享的报告，可视化和活动的“故事板”中呈现或显示发现。” 多一步，多一种工具，多一位专家依靠来推动分析过程，这似乎不是一种牺牲。除非您没有必要。

 

软件营销使我们一团糟

消费品市场营销恰好是购买产品的好处，救济或声誉。软件营销为您提供功能和技术。倒退了 当然，供应商确实解决了利益问题，但是他们从来没有解决这个问题。我认为，当今从数字转换（或任何您想称呼的数字化）中获取价值的紧迫的需求是解决数据问题，弄清分布式源，多个协议，嵌入式语义甚至时序问题（当来自多个数据时源在不同的时间到达不同的值）。但是，如果您查看攻击问题不同方面的供应商的内容，则他们的技术与缓解痛苦之间就没有清晰的界限。

 

从80/20到20/80

在大数据行业中，人们相信分析师和数据科学家花费80％的时间来准备数据，而只花费20％的时间来进行实际分析。确实没有办法证明这些数字的准确性，但是它们已经存在约十年之久了，这证明了数据“准备”时间很长的事实。实际上，这就是它的意思。

 

问题的根源在于，数据太多，对于旧的手动电子表格或数据整理方法或旧有数据仓库来清理和协调数据而言，到达时间太快

数据协调是一种智能的机器学习方法，用于准备和混合来自各种来源的数据，而无需传统数据建模的复杂性或依赖IT专家的帮助。即使是经过验证的ETL工具也不够用，因为它们仍然基于将数据与现有模型保持一致，而不是让分析师灵活地使用动态按需模型。

 

但请想象一下：这种能力可以使分析从头到尾“循环”，而无需交出任何交接，等待状态，错误以及对IT人员的持续要求

取而代之的是通过人工智能和机器学习，您可以从复杂的数据中获得持续的洞察力，并将其直接转化为具有业务环境的可视洞察力，机器会发现大量数据和维度中的每一个细节和关系。企业可以单击任何信息并发现不受约束的新见解，并在上下文中进行协作，以结束有关数据是否在驱动正确的业务决策的辩论。

 

制造公司的一个有趣的观点是，他们的客户不是购买（或选择不购买）其产品的终客户

一些公司例如化妆品或工具制造商，与客户（例如百货商店）之间的关系如此密切，以至于共享有关“销售”（实际上是在零售店出售）的信息是很普遍的，但是对于大多数制造商而言，他们几乎完全靠自己来了解终客户，并努力找出如何影响他们，同时又将许多跃点从消费者手中剔除。

 

此类公司常追求的三项分析是产品亲和力（也称为市场篮分析）

对促销的响应，基于微细分的客户细分以及充分满足店内和在线需求的库存权调整大小，为了解决这些分析问题，公司需要收集其营销数据，销售数据，人口统计数据，在线点击流数据，销售和供应链异常以及竞争信息，为此他们添加了数据以及外部社交媒体和品牌响应数据。

 

跨供应链源，营销，销售，分销和零售商的数据源集合

通过AI驱动的分析得以协调，实现了持续的洞察力，而无需花费较长的IT周期来准备数据，建模，将其整合到仪表板中-所有这些其中没有什么只是后视镜报告，在当今竞争激烈的环境中，该报告不会让您快速获得更多的销售额和更多的市场份额，取而代之的是，由AI和机器学习提供支持的更好的解决方案不断向业务涉众揭示见解，因此他们可以每天利用产品在每个销售地点的机会进行投资。

 客服热线：400-050-6600

商业联合会数据分析专业委员会

• 随着AI扩展其潜力，财务会有哪些风险？
• 业务用户可以在一夜之间成为数据分析师吗？

返回列表