Hva $ @! er data funn?

Næringslivet surrer om dataoppdagelse. På overflaten virker det som et enkelt begrep, men denne fangstfrasen betyr mer enn "å finne ting ut." Så hva er dataoppdagelse, egentlig? Og hvordan passer det inn i det moderne landskapet med mobil, analyse og big data?

Dataoppdagelse, som noen ganger blir referert til som data mining, innebærer å samle og analysere data, og deretter presentere funnene i lesbare, brukbare formater. I de mest grunnleggende vilkår er dataoppdagelse prosessen med å finne mønstre innen data og bruke disse mønstrene for å oppfylle et bestemt forretningsmål.

Selvfølgelig er det mer å oppdage data enn å samle opp poeng. Organisasjoner bruker dataoppdagelse for et bredt spekter av mål og applikasjoner på forskjellige områder - og i en moderne, digital verden er det mer data å oppdage enn noen gang.

Hvor kom dataoppdagelsen fra?

Mens dataoppdagelsen er relativt ny i forhold til det "varme" leksikonet med digitale forretningsbetingelser, er metodene og strategiene ikke så nye. Begrepet forgjenger, data mining, ble introdusert på 1990-tallet, men bedrifter og organisasjoner har brukt en form for dataoppdagelse siden handelens begynnelse.

Moderne dataoppdagelse som en forretningsstrategi ble til gjennom fremveksten av big data - et fangstbegrep som beskriver den relativt nylige eksponentielle veksten av store, komplekse datasett der det store informasjonsvolumet utelukker å bruke tradisjonelle database- og organisasjonsverktøy for å trekke ut noe nyttig.

Imidlertid er big data en stor avtale for dagens virksomheter, fordi blant alle strukturerte og ustrukturerte data er svært nyttige mønstre som kan brukes til å forbedre markedsføringsstrategier, avkastning og fortjeneste. Dataoppdagelsesplattformer er derfor designet for å gi organisasjoner enklere måter å kartlegge, analysere og trekke ut relevante data.

Hvordan fungerer oppdagelse av data

Plattformer for dataoppdagelse består vanligvis av flere verktøy som er satt sammen og fungerer sammen for å trekke ut data og presentere dem på en meningsfull måte. Det er flere forskjellige måter disse verktøyene finner og identifiserer relevant informasjon, men de fleste av dem dreier seg om tre grunnleggende analysemetoder:

• Metadata: Alt digitalt innhold inneholder metadata, eller "data om data." Denne informasjonen er vanligvis skjult for sluttbrukere, men er synlig på baksiden. Metadata lagres vanligvis ved bruk av tabeller og kolonneattributter - slik at dataoppdagelsesverktøy som bruker metadata vil se etter treff i kolonnenavn, datastørrelse og datatype.
• Etiketter: I mange tilfeller genereres og grupperes data under etiketter, eller tagger, som beskriver dataene i den gruppen. Disse kodene kan genereres når dataene opprettes, eller kan legges til for referanse og tilleggsinformasjon. Etiketter eller tagger ligner metadata, selv om de er mindre formelle.
• Innhold: Denne strategien analyserer selve dataene, i stedet for vedlagte etiketter eller metadata.

Vanligvis vil det være langt mer innholdsdatavolum enn tagger eller metadata, noe som betyr at det tar lengre tid å identifisere data etter innhold og bruke mer komplekse oppdagelsesmetoder. Innholdsanalyse har imidlertid også en tendens til å gi rikere og mer nyttige relasjonsresultater.

Når dataene er blitt analysert, kan andre verktøy for dataoppdagelse brukes til å presentere de oppdagede relasjoner, trender eller mønstre i et nyttig format. Grafer, tabeller og diagrammer er grunnleggende presentasjonsverktøy som brukes i dataoppdagelse, men mer komplekse, men leselige presentasjoner, for eksempel infografikk, vinner fordel hos dataanalytikere.

Hva kan dataoppdagelse gjøre?

Når det gjelder praktisk bruk, er det nesten ubegrenset bruk av plattformer og verktøy for dataoppdagelse. Disse metodene og strategiene brukes ofte av forbrukervendte organisasjoner i nesten alle bransjer, inkludert detaljhandel, finans, kommunikasjon og markedsføring, selv om ikke-for-profit, organisasjoner fra næringsliv og myndigheter også bruker denne teknologien.

Oppdagelse av data gjør det mulig for en organisasjon å finne sammenhenger mellom interne faktorer (for eksempel pris, produktposisjonering og ansattes ytelse) og eksterne faktorer (for eksempel konkurransedata, økonomiske indikatorer og kundedemografi). Disse forholdene hjelper virksomheter med å illustrere og definere virkningene av endringer i en eller flere faktorer på salg, kundeengasjement og fortjeneste.

Verktøyene som brukes i dataoppdagelsen gir et mer detaljert bilde av innflytelsesrike faktorer, og lar selskaper finjustere sine markedsføringsstrategier og reklamekampanjer med svært målrettet informasjon. Anbefalingsmotoren på den populære streamingvideotjenesten Netflix er et godt eksempel på dataoppdagelsesteknologi på jobb. Tjenesten bruker eksterne data om kundenes visningshistorikk og interne data om medieinnholdet i databasen deres for å komme med individuelle forslag til nye videoer som sannsynligvis vil interessere kundene sine.

Men den potensielle anvendelsen av dataoppdagelse går utover detaljhandelskonsumenter. Et eksempel er Advanced Scout-programvare, et program brukt av National Basketball Association (NBA). Den analyserer spillernes bevegelser fra bildeopptak av basketballspill for å hjelpe trenere med å utvikle strategier og orkestrere skuespill.

Når dataoppdagelsesplattformene går fremover og teknologien blir rimeligere, vil flere organisasjoner kunne bruke disse verktøyene for å bedre forstå kundene sine og levere unike, tilpassede tilbud som forbedrer handelen for alle.