Trudno dzisiaj wyobrazić sobie organizację, która nie gromadzi żadnych danych w taki czy inny sposób. Pojawiają się one niejako nieuchronnie i w naturalny sposób w kontekście prowadzonej działalności, służąc głównie do oceny jej bieżących wyników oraz tworzenia planów na przyszłość. Dzieje się tak od wieków i aż do naszych czasów praktycznie nic się tu nie zmieniło.
Natomiast uległ zmianie rodzaj i zakres gromadzonej informacji, gdyż w obszarze zainteresowania znajdują się nie tylko dane księgowe (czy szerzej – finansowe), produkcyjne i sprzedażowe, ale również bliższe dane o naszych kontrahentach. Do tego dochodzą choćby informacje marketingowe, gromadzone w celu pozyskania danych z rynku o potencjalnych klientach, trendach rynkowych, prognozach itd. Jest tego naprawdę dużo i umiejętność ich wykorzystania może stać się kluczowa do uzyskania przewagi konkurencyjnej.
Przetwarzaniem, analizą danych i interpretacją wyników zwykle zajmują się specjaliści – analitycy, wspomagani przez zaawansowane narzędzia dedykowane do właśnie takich zadań. Wyniki ich pracy często są zaskakujące i prowadzą do nieoczekiwanych wniosków, które trudno byłoby wyciągnąć patrząc na „surowe”, w dodatku nie skorelowane ze sobą dane. Osobną sprawą jest, na ile poprawna jest końcowa interpretacja otrzymanych wyników, a przede wszystkim – na ile są one przydatne dla organizacji.
Zbigniew Błaszczyk,
Prezes Zarządu,
Febit Sp. z o.o.
O ile bowiem mogą być interesujące ze statystycznego punktu widzenia, to mogą okazać się trudne, bądź wręcz niemożliwe do wykorzystania w działaniach operacyjnych. Dlatego tak ważne jest określenie celów, od którego zależy dobór odpowiednich zadań – a co za tym idzie, przypisanych do nich zestawów technik umożliwiających rozwiązanie tychże zadań. Przechodząc od problemów biznesowych do zadań eksploracji danych należy dokładnie przemyśleć scenariusz przypadków użycia, zadając sobie pytania takie, jak: co dokładnie chcemy zrobić, i jak chcemy to zrobić? Które elementy scenariusza przypadków użycia tworzą możliwe modele eksploracji danych?
Właściwe sformułowanie tych zagadnień ma daleko idące implikacje dla poszukiwanego rozwiązania. Należy również pamiętać o rozróżnieniu samej eksploracji danych w celu znalezienia wzorców i zbudowania modeli od wykorzystania wyników eksploracji danych. Mylenie tych dwóch procesów zdarza się czasem u menedżerów omawiających analizy biznesowe, podczas gdy wyniki eksploracji danych i ich wykorzystanie oraz sam proces eksploracji danych powinny się przenikać. Należy także nie zapominać o uwarunkowaniach biznesowych problemu, który chcemy rozwiązać. Uwarunkowania te muszą zostać właściwie zrozumiane, co wymaga od analityka dużej kreatywności.
Odpowiednie sformułowanie problemu biznesowego jako jednego lub kilku problemów z zakresu nauki o danych często jest kluczem do sukcesu w rozwiązaniu tego problemu. Dodatkowo, projekty biznesowe zwykle nie są jasno i jednoznacznie zdefiniowane z punktu widzenia eksploracji danych, toteż znajdywanie dla nich rozwiązań nie jest problemem liniowym, lecz iteracyjnym – wymaga wielu cykli, które kolejno przybliżają nas do zadowalającego rezultatu. Wszystko to, co zostało tu do tej pory powiedziane, jest zaledwie „migawką” tak złożonego zagadnienia, jakim jest eksploracja danych. Zainteresowanych tą ciekawą dziedziną można odesłać do ogólnie dostępnej literatury fachowej.
Natomiast bardziej tu chodziło o zasygnalizowanie, jak istotne z punktu widzenia analizy danych jest ich odpowiednie i systematyczne gromadzenie. Co więcej, dane te powinny być możliwie kompletne oraz spójne i dobrej jakości. Co prawda współczesne narzędzia analityczne potrafią sobie radzić z brakującymi danymi, stosując różne techniki wyliczania ich przybliżonej (i prawdopodobnej) wartości, jednakże wprowadza to dodatkowy element „błędu pomiaru”.
Należy o tym pamiętać tak na etapie wyboru nowych komponentów składowych systemów informatycznych w organizacji, jak również przy rozbudowie modernizacji już działających. Również sformalizowanie procesów biznesowych w postaci procedur obowiązujących w
organizacji na pewno wspomoże gromadzenie danych w uporządkowany sposób, zwłaszcza gdy procedury te zostaną zaimplementowane w systemie workflow. Wymusi to standaryzację gromadzenia i przepływu informacji, a jednocześnie zwiększy jej spójność i kompletność.
