सामग्री
स्रोत: सहेमोग / ड्रीमस्टाइम.कॉम
टेकवे:
लहान डेटापेक्षा मोठ्या डेटाचे विश्लेषण करणे खूप सोपे आणि वेगवान आहे, परंतु तरीही मोठे परिणाम येऊ शकतात. मग हे अधिक व्यवसाय का वापरत नाहीत?
आपण दिवसातून 30 मिनिटांनी आपली उत्पादकता वाढवू इच्छिता? जर आपण फक्त आपल्या कार्यसंघावर आणि संघटनेला सर्वाधिक मूल्य देणा on्या क्रियांवर लक्ष केंद्रित केले तर ते आपल्यासाठी काय करेल? त्याबद्दल विचार करा. आपल्या कामकाजाच्या दिवसात खरोखर काय महत्वाचे आहे आणि आवश्यक काम करण्यासाठी आपण किती वेळ घालवला आहे, परंतु इतर तातडीची कामे? स्वारस्य आहे? मग ते कसे मिळवता येईल? छान, लहान डेटाच्या वापराद्वारे.थांब काय? प्रत्येकजण ज्या डेटाविषयी बोलत आहे त्यामध्ये मोठा डेटा नाही? तो आहे, परंतु कदाचित लहान डेटा संभाषणाचा एक मोठा भाग पात्र आहे. येथे लहान डेटा काय आहे आणि बर्‍याचदा मोठ्या डेटापेक्षा मोठा पंच कसा पॅक करू शकतो यावर एक नजर द्या.
स्मॉल डेटा म्हणजे काय?
लहान डेटा कॅप्चर केलेला डेटा आहे जो मानवी मेंदूद्वारे आकलन करण्याकरिता वेगळा आणि अचूक असतो. सामान्यत: हे एखाद्या संघटनेच्या एकल युनिटसाठी विशिष्ट हेतूसाठी संकलित केले जाते, जसे की कार्यसंघातील व्यक्तींकडून वेगवेगळ्या क्रियाकलापांवर किती प्रत्यक्ष प्रयत्न केले जातात याची नोंद करणे. लहान डेटा गोळा करण्याचे कारण सुरूवातीस स्थापित केले गेले आहे. या प्रकरणात, कार्यसंघ त्याचे मूल्य कसे वितरीत करतो हे अनुकूलित करण्याच्या उद्दीष्टाने ते संकलित केले जाईल.तुलना करून, मोठ्या डेटाचे लक्ष केंद्रित शक्य तितक्या संस्थेमध्ये संबंधित माहिती गोळा करणे आणि नंतर प्रश्नांची उत्तरे कशी मदत करू शकतात हे निर्धारित करण्यासाठी त्याचे विश्लेषण करीत आहे. बाजारातील ट्रेंड आणि विक्रीच्या पुढील संधींबद्दल आमची विक्री आकडेवारी आम्हाला काय सांगते? ग्राहकांचे प्रश्न हाताळण्यात आमची समर्थन कार्यसंघ किती चांगली आहे? अंदाजे अंदाजपत्रकाच्या तुलनेत ओव्हरशूट कमी करण्यासाठी आपली प्रकल्प वितरण प्रक्रिया कोठे सुधारण्याची आवश्यकता आहे?
हे स्पष्ट दिसत आहे, परंतु मोठ्या डेटाला इनपुट म्हणून डेटा आवश्यक आहे आणि त्यापैकी बरेच. सुरुवातीच्या प्रश्नांची उत्तरे पुढे वाढवितात म्हणून बर्‍याचदा मोठ्या डेटाचे समर्थन करण्यासाठी अतिरिक्त लहान डेटा आवश्यक असतो. तसेच, या माहितीचे विश्लेषण करण्यासाठी विक्रेत्यांद्वारे ऑफर केलेली एंटरप्राइझ-स्तरीय साधने आहेत, अशी साधने ज्यांना इन-हाऊसमध्ये आणण्यासाठी महत्त्वपूर्ण गुंतवणूक आणि वेळ आवश्यक आहे, सेट करणे आणि निकाल देणे सुरू करण्यासाठी कॉन्फिगरेशन आवश्यक आहे. हा डेटाच्या सर्व स्त्रोतांसह कनेक्ट होण्यासाठी प्रारंभापासून सिस्टीम एकत्रीकरण प्रकल्प आहे आणि ज्यास व्यवसाय लाभ वितरीत होण्यापूर्वी कित्येक महिने लागू शकतात.
याउलट, छोट्या डेटासाठी थोड्या विश्लेषणाची आवश्यकता असते, बरीच तात्पुरती मार्गाने हस्तगत केली जाऊ शकते - जसे की स्प्रेडशीट, टास्क- आणि वेळ-मागोवा साधने आणि मॅन्युअल लॉग पुस्तके - आणि त्यांचे जलद आणि सहज विश्लेषण केले जाऊ शकते. उत्पादकता गुंतवणुकीच्या प्रारंभाच्या आठवड्यातून किंवा दोन आठवड्यांत लहान डेटामधून फायदे प्राप्त झाल्याचे मी पाहिले आहे. आणि केवळ तेच कारण कच्ची माहिती हस्तगत करण्यात थोडा वेळ लागतो. थोडक्यात, गोळा केलेल्या डेटाच्या फोकसमुळे बदल आणि फायदे लवकर स्पष्ट होतात.
छोटे डेटास मोठे फायदे
कोचिंग आणि टीम व्यवस्थापित करण्याच्या माझ्या अनुभवावरून, व्यक्ती आणि कार्यसंघांच्या छोट्या डेटामुळे पुढील फायद्यांचा परिणाम होतो:- जागरूकता
छोट्या माहितीमुळे व्यक्ती खरोखर आपला वेळ आणि शक्ती यावर लक्ष केंद्रित करते की त्यापेक्षा अधिक मूल्य काय देऊ शकते याची जाणीव प्रदान करू शकते. बहुतेकदा जेव्हा लोक लहान डेटा घेण्यास सुरुवात करतात तेव्हा त्यांना काय सापडते याचे महत्त्व पटकन लक्षात येते. - सबलीकरण
छोट्या डेटाद्वारे, व्यक्ती त्यांनी केलेल्या क्रियेत बदल करू शकतात आणि कार्यसंघाच्या अन्य सदस्यांद्वारे त्यास समर्थित केल्या जाऊ शकतात. कार्यसंघ सदस्य जबाबदार ठरतात आणि स्वतःच्या बदलास कारणीभूत ठरतात. - व्यस्तता
प्राप्त झालेल्या सकारात्मक बदलांसाठी मोजमाप करणे आणि ओळखणे हे परस्पर समंजसपणाची योग्य किंमत आणि संबंध निर्माण करू शकते.
लहान डेटा कसा मिळवला जातो
सॉफ्टवेअर डेव्हलपमेंट विभागातील, मोठा डेटा प्रकल्प योजनेच्या माहितीचे विश्लेषण करू शकतो, ज्यामुळे लोकांची संख्या, कालावधी आणि विविध प्रकारचे प्रकल्प वितरीत करण्यासाठी आवश्यक असलेल्या प्रयत्नांचे विश्लेषण करणे शक्य होते. काय हरवत आहे ते म्हणजे प्रत्येक व्यक्ती दररोज दिवसाची प्रत्यक्षात त्यांची कामे कशी करतात. हा छोटासा डेटा कॅप्चर करून, आम्ही प्रकल्प, तिचे कार्यसंघ आणि त्यांचे कामकाजाचे दिवस कसे तयार करावे ते शिकणे सुरू करू शकतो. प्रत्येक व्यक्ती कोणत्या प्रकारच्या कार्यांचा आनंद घेतो आणि चांगल्या प्रकारे करतो? त्यांना प्रतिनिधीत्व करण्यास किंवा सोडण्यास काय आवडेल? कोणत्या प्रकारचे संप्रेषण कोणाबरोबर चांगले कार्य करते? कोणत्या स्तरातील लोकांना मार्गदर्शन आणि मार्गदर्शनाची आवश्यकता आहे?ते कसे बदलून, आम्ही मोठ्या डेटा स्तरावर दृश्यमान असलेले फायदे मिळवितो, परंतु यामुळे होणारे बदल नाहीत. मोठ्या डेटाचे विश्लेषण केल्याने बहुतेक वेळा सामान्यीकृत मॉडेल उद्भवू शकते, उदाहरणार्थ, असे मानल्यास प्रत्येक व्यक्तीचे कौशल्य आणि अनुभव पातळी समान असते. केवळ प्रत्येक व्यक्ती या प्रकल्पासाठी कार्य कसे करते आणि त्याचे योगदान कसे देते याबद्दलची लहान माहिती वैशिष्ट्ये पाहताच या प्रकारचे फायदे मिळू शकतात.
जेथे लहान डेटा वापरला जातो
मोठा डेटा वापरुन मिळवण्याचे निश्चितच मूल्य आहे, परंतु बाजारपेठेची अलीकडील पुनरावलोकने आणि उत्पादनांच्या ऑफरिंगमध्ये उत्कृष्ट सराव आणि अंमलबजावणीतून उत्कृष्ट मूल्य कसे मिळवायचे याबद्दल संभ्रम सापडतो. गार्टनर यांनी नुकत्याच केलेल्या आढावामध्ये असे आढळले आहे की सर्वेक्षण केलेल्या केवळ 8% कंपन्यांनी मोठे डेटा ticsनालिटिक्स लागू केले आहेत आणि 57% अद्याप संशोधन आणि नियोजन टप्प्यात आहेत.कोणत्याही डेटा विश्लेषणासाठी, आपल्याकडे असलेला सर्व डेटा खेचणे आणि नंतर विशिष्ट प्रश्नांची उत्तरे देण्यास मदत करणार्या डेटाचा वापर करणे आणि त्यासाठी मूल्य शोधण्याचा प्रयत्न करणे हे महत्त्वाचे नाही. आणि येथेच दोन महत्वाच्या कारणांसाठी लहान डेटा जिंकला:
- डेटा संकलित करण्यासाठी इच्छित मूल्य आणि कारण समोरील बाजूने समजून घेतले पाहिजे.
- लहान डेटा दोन्ही गुणात्मक आणि परिमाणवाचक उत्तरे देतो, तंतोतंत बदल करणे सक्षम करते. दुस words्या शब्दांत, लहान डेटामध्ये सामान्य जनतेचे अनुमान कमी केले गेले आहेत.
शेवटी, लहान डेटा मोठा डेटा पुनर्स्थित करणार नाही, परंतु असे बरेच काही आहे की दोन्ही दृष्टिकोनांतून उत्कृष्ट कसे मिळवावे याबद्दल एक लहान डेटा प्रतिबद्धता मोठा डेटा शिकवू शकते. कोणत्याही मोठ्या डेटा अंमलबजावणीचा विचार करताना, स्वतःस विचारा की कोणते लहान डेटा प्रश्न आपल्याला मूल्य मिळविण्यात मदत करतात. आपल्या परिणामी धोरणात त्यापेक्षा जास्त पंच पॅक करण्यास हे मदत करू शकेल. (व्यवसायातील मोठ्या डेटाच्या मूल्याबद्दल आणखी एक दृष्टीकोन वाचा बिग डेटा ticsनालिटिक्स व्यवसाय बुद्धिमत्ता गॅप बंद करू शकेल?)