وبلاگ vdash

اخبار و مقالات مربوط به vdash، نرم افزار آنالیز اطلاعات و ساخت داشبورد مدیریتی

اطلاعات مصرف کنندگان ، دارایی های استراتژیک کسب و کارهای موفق

یک چالش بزرگ برای CEO ها، به دست آوردن یک بینش یکپارچه از داده های شخصی مشتریانشان برای به کارگیری در کسب و کار است. در حال حاضر ، داده های شخصی بیشتر در موارد ارتباط نزدیک با مشتریان مثل ارائه خدمات (85 درصد از مدیران عامل همیشه یا اغلب با استفاده از داده های مشتری این مورد را بهبود می بخشند ) خرید و فروش (84٪) و بازاریابی (81٪) مورد استفاده قرار می گیرد. این موضوع تنها می تواند به سودهای کوتاه مدت یا صرفه جویی در هزینه ها و بهبود فروش، همچنین آگاهی از فرصت های  استراتژیک دیگر موثر باشد.



به دلیل آن است که بسیاری از سازمان ها هنوز اطلاعات و داده جمع آوری نمی کنند و یا اینکه مدیران ارشد اعتقادی به بررسی کسب و کار از طریق بررسی وضعیت مشتریان ندارند، داده مشتریان هنوز در قسمت های کلیدی کسب و کار مورد استفاده قرار نمی گیرد. مدیران اجرائی می گویند که اطلاعات شخصی برای منابع انسانی، تدارکات و منابع مورد استفاده قرار نمی گیرد.

چاش های داده ها و اطلاعات انبوه برای سازمان ها : 

حجم زیاد داده ها : 
داده های انبوه تقریبا غیر قابل درکی جمع آوری می شوند . سازمان ها چگونه در مورد زمان جمع آوری داده ها تصمیم گیری می کنند ؟ به یاد داشته باشیم که داده انبوه به معنی بینش زیاد و دقیق نیست. 

پارازیت و بینش شفاف :

استخراج ارزش از داده های انبوه مثل پیدا کردن سوزن در یک انبار کاه است . سازمان ها چگونه پارازیت را از بینش دقیق تشخیص می دهند ؟ 

داده های متفاوت ( ساختاریافته و بدون ساختار ) :

سازمان ها چگونه  داده های ساختار یافته ثبتی و بدون ساختار شبکه های اجتماعی مربوط به یک مشتری را معنی دار کرده و آنها را تبدیل به یک بینش یکپارچه می کنند  ؟ 

داده های ناقص : 

طبیعتا خطا و مشکلات کیفیتی داده غیر قابل اجتناب است . سازمان ها چگونه خطا ها را شناسایی می کنند ؟

مشکلات رو به افزایش در زمینه پیش بینی:

اطلاعاتی که امروز جمع آوری می شود ، لزوما جواب نیازها و خواسته ها و سوالات فردای مشتریان نیست . 


تصمیم های بزرگ در 10 دقیقه !




بین هنر شناخت و حدسیات و علم داده ای و آنالیزی تعادل برقرار کنید !

وقتی نوبت به مهم ترین تصمیم های کسب و کار می رسد ، دنیایی از عوامل وجود دارند که باید در نظر گرقته شوند . مدیران شرکت ها معمولا به "حدسیات یا آگاهی هایشان " برای تصمیم گیری اقتدا می کنند که ما اسمش را "هنر" استراتژیک تصمیم گیری گذاشته ایم . ولی طرف علمی معادله چه می شود ؟ "داده و آنالیز"؟

 85% از مدیران عامل اعلام کردند که داده و آنالیز برای سازمان آنها ایجاد ارزش داشته است. *

 سوال این خواهد بود که آنها چطور و کجا متوجه این ارزش شده اند ؟

این ارزش به طور قطع در تصمیم گیری اثبات شده است .

تصمیم گیری برتر بااعتماد به نفس، وضوح، و پویایی -تنها از طریق ترکیب علم آنالیز و هنر حدسیات ممکن است . 

و تعدادی از شرکت ها و فعالان کسب و کار امروز تازه شروع به برقراری این تعادل ظریف کرده اند  :

در مطالعه آنالیز و داده جهانی : تصمیم های مهم در سپتامبر 2014 ،94درصد از مدیران ارشد ** اظهار کردند که در هر لحظه آماده تصمیم گیری های بزرگ بعدی سازمان می باشند . این در حالی است که تنها 38 درصد از آنها با استناد به داده و آنالیز تصمیم گیری می کنند . 

در حال حاضر بسیاری از کسب و کارها هنوز از فرصت های اطلاعاتی خود بهره برداری نکرده اند و به سطح مطلوب سرعت و مهارت مورد نیاز در تصمیم گیری دست نیافته اند .  


دوباره فکر کنید :


 چگونه تصمیم می گیرید ؟

1.   چه چیز در انتظار شماست ؟ 

مدیران عامل شرکت ها باید نگاه دقیق تری به تصمیم گیری های استراتژیک داشته باشند : 

تصمیمات بزرگ ، تصمیماتی هستند که جهت استراتژیک کسب و کار را تعیین می کنند یا تغییر می دهند .به صورت میانگین  این تصمیم ها تا 25% روی سودآوری آینده شرکت شما تاثیر گذارند . 


2.   چگونه راه های جدید تصمیم گیری روی کسب و کار شما تاثیر می گذارد ؟


نزدیک به 96% از مدیران داده هایی که متوجه نمی شوند را نادیده می گیرند . از مزیت های بهره برداری از پتانسیل داده ها به منظور راهنمایی یا اعتبارسنجی آن است که باعث اعتماد به نفس و تسریع تصمیم گیری می شود . 


3. آیا نتیجه میدهد؟


مدیران شرکت هایی که روش تصمیم گیری خود را به آنالیز و تحلیل داده ها تغییر دادند 3 برابر بیشتر از دیگر کمپانی ها اعلام بهبود در زمینه تصمیم گیری های استراتژیک نموده اند . 





*18th Annual Global CEO Survey, January 2015

**Global Data & Analytics Survey 2014: Big Decisions™, September 2014.

*

اشتباهات بزرگ در زمینه مصورسازی اطلاعات در فرآیند هوش تجاری در 20 سال گذشته

گرفتن گزارش بر اساس اطلاعات گذشته یک سازمان بخشی از فرآیند هوش تجاری می باشد . انتخاب یک سیستم گزارش گیری با توجه به نیازهای کاربران باید در طراحی فرآیند هوش تجاری سازمان مورد توجه قرار گیرد . پس شاید یک کاربر و در حالت کلی یک سازمان نیاز به طراحی یک فرآیند هوش تجاری مناسب داشته باشد که قسمتی از آن فرآیند گزارش گیری تعریف شود و سیستم مناسب گزارش گیری آنجا جای گیرد و خدمات خود را به کاربر ارائه دهد تا او بتواند تصمیمات دقیق اطلاعات محور اخذ کند و یا اطلاعات کامل تری به مدیران ارشد خود گزارش دهد.

مصورسازی اطلاعات

ولی آیا گزارش هایی که در سطرها و ستون های یک فایل اکسل قرار گرفته است کارآمد است ؟

داده ها برای به سخن درآمدن باید از سطر ها و ستون های داده خام خارج شده و به فرمت مصور دربیایند . باید منابع فرآیند هوش تجاری سازمان خود را گردآوری کرده و آن را وارد فرآیند مصورسازی اطلاعات کنید . گزارشگیری مصور با رنگ ها ، خطوط روند ، کشیدن چارت ها ، نشان دادن سری های زمانی و حتی نقاط پرت به نظارت ، تصمیم گیری ، کاهش هزینه و انرژی، بررسی شاخص های عملکرد سازمان بسیار کمک می کند . نرم افزارهای مصورسازی اطلاعات و داشبوردهای مدیریتی که امکان تعامل با کاربر را دارند دارای کاربری بیشتری و در این زمینه ارزشمندتر می باشند . 

کلمه بازار تداعی کننده شلوغی و هیاهو و صدای فریاد فروشندگانی است که قصد جلب نظر شما را دارند . امروزه در بازار شلوغ ابزار های داده پردازی و مصورسازی داده یک صدا به صورت مشخص و غالب به گوش می رسد : " همه امروزه توانایی تحلیل داده را دارند " ، این جمله شاید برای خیلی ها یادآور خرید های ناموفق ابزارهای   مصورسازی اطلاعات هوش تجاری در گذشته باشد . بسیاری از مدیران و کارشناسان تاکنون حداقل یک بار در مورد این ابزار ها تحقیق کرده اند ، و بعضی نیز در جلسه معرفی آنها شرکت کرده اند.

اگر شما یکی از این افراد هستید می دانید که با نگاه کردن به افراد حاضر در جلسه که مثل شما به دنبال راهکار جالب و کارآمدی برای بهبود کسب و کار و پیشرفت می گردند ، با گوش دادن به حرف هایشان مشخصا می توانید بگویید که حداقل 2 نفر از هر 10 نفر قطعا از این ابزار استفاده نخواهند کرد به دلیل آنکه یا نمی توانند موضوعیت استفاده از نرم افزار را با کار خود تطبیق دهند یا نمی خواهند از ابزاری استفاده کنند که ساعت ها نیاز به آموزش داشته باشد .6 نفر ازجلسه راضی به نظر می رسند و فکر می کنید که به ابزار علاقه مند شده و قصد خرید آن را دارند . ولی بعدها متوجه می شوید که هیچکدام از آنها نیز از ابزار استفاده نکرده اند  چون هنگام بازگشت به کار آنقدر درگیر مشغولیت های روزمره خود بوده اند که زمانی جلسه را به خاطر می آورند نحوه کار با نرم افزار را فراموش کرده اند . 2 نفر باقیمانده نیز به دلیل آنکه نرم افزار شباهت زیادی به اکسل دارد به آن علاقه مند می شوند و کار با آن را شروع می کنند . تولید کنندگان  این نرم افزارها اندک و مصرف کنندگان طیف عظیمی از صنایع و تخصص ها را در بر می گیرند .

داده های بزرگ

در طی سال ها تجربه نشان داده است که یک سناریو در سازمان ها ، صنایع و با سیستم های متفاوت تکرار می شود : 
سازمان یک سیستم گزارشگیری تخصصی تهیه می کند که مدل مشتری / تولید کننده را پشتیبانی می کند ولی کاربر نهایی سیستم مثلا مدیر از عدم انعطاف سیستم بعد از مدت کوتاهی شکایت میکند . سیستم به قدری یک بعدی است که مدیر بدون کمک گرفتن از بخش فناوری اطلاعات سازمان یا تماس با تولید کننده  قادر به پاسخگویی سوالات سطح دو و سه خودش در مورد داده ها نیست . همچنین حتی اگر پاسخگویی به نیاز از طریق کارشناسان مربوطه انجام پذیرد ، آنقدر زمان بر خواهد بود که مدیر از دسترسی نداشتن به اطلاعات در زمان مناسب برای اخذ تصمیم درست برای سازمان شکایت خواهد داشت . 

برای حل این مسئله چاره ای دیگری اندیشه می شود ، سیستم دیگری جایگزین می شود با این قول که کاربر امکان دسترسی به تمام داده های خود را در هر زمانی خواهد داشت . ولی فقط زمانی که برای استفاده از این سیستم آموزش دیده باشد . یادگیری یک سیستم جدید برای کاربر در موقعیت تصمیم گیری معمولا دشوار و زمان گیر است . پس او گروهی را استخدام کرده تا برایش گزارش تهیه کرده و ارائه دهند . بعد از مدت کوتاهی این گروه کوچک به دلیل حجم زیاد گزارشات دچار تاخیر در سرویس دهی به مدیر خود می شوند و چرخه تکرار می شود .

آنالیز اطلاعات

همه ی این موارد از یک سوء تفاهم منشا می گیرد که فروشندگان و تولیدکنندگان نتوانستند تشخیص دهند که سه نوع مصرف کننده سیستم گزارش گیری وجود دارند : دسته ای که  آنالیز می کنند و دسته دوم که نظارت می کنند و دسته سوم که هر دو این کارها را انجام می دهند   . 
درنتیجه  نوسانی که بین این راهکار ها و رویکردها به وجود آمده است منجر به کمبود اطلاعات برای کسانی شده است که در موقعیت و زمان تصمیم گیری هستند . تفاوت بین تصمیم خوب و بد کیفیت داده هایی است که برای گرفتن آن تصمیم مورد استفاده قرار می گیرد . تصمیم هایی اشتباه بر اساس داده های قدیمی و ناقص گرفته می شوند به دلیل آنکه امکان دسترسی به داده ها و یا گسترش آنها در زمان مورد نظر وجود ندارد . 


داده کاوی

برای انجام فرآیند گزارش گیری  و مصورسازی اطلاعات که قسمتی از فرآیند هوش تجاری است بهتر است از سیستمی با خصوصیات زیر استفاده کنیم :
سیستمی که بدون احتیاج به کارشناسان فناوری اطلاعات بتواند به نیازهای کاربرش پاسخ دهد . 
سیستمی ساده که احتیاج به آموزش نداشته باشد . 
سیستمی که قابلیت صحبت به زبان هر صنعتی را داشته باشد . 
سیستمی که با کاربر تعامل کامل داشته باشد . 

سیستم گزارش گیری مثل یک برنامه موبایل است :

                                                        

تا امروز وضعیت سهام و یا ترافیک  را روی اپلیکیشن موبایل خود بررسی کرده اید ؟ 
کمی فکر کنید ؛ تا امروز چند بار برای یادگیری کار با یک برنامه که روی موبایلتان نصب شده کلاس رفته اید ؟
چند بار برای آموزش برنامه موبایل دفترچه راهنما مطالعه کرده اید ؟
وضعیت آب و هوا را روی موبایل خود چک میکنید ، قیمت ارز و سهام را بررسی می کنید و بسیاری از کارهایی که نرم افزار ها برای شما انجام داده و کار شما را ساده کرده اند . 
چرا برای استفاده از یک سیستم گزارش گیری شما باید آموزش ببینید ؟  

طراحان ابزارها پاسخ می دهند : "کاربران نمی دانند چه اطلاعاتی مد نظرشان است"
این پاسخی است که در جواب آن سوال همیشه دریافت می کنم ! اشتباه استسیستم باید به حدی ساده باشد که شما برای کار با آن نیاز به صرف زمان و تمرین نداشته باشید . 

به سیستم اطلاعات بیماران نگاه کنید . این سیستم ها به دقت با نیاز پزشکان تطبیق داده شده اند . پزشک نام بیمارش را جستجو می کند و تمام اطلاعات مربوط به او مثل جواب آزمایشات قبلی ، عکس های رادیوگرافی و... را مشاهده می کند . کدام کاربر سیستم اطلاعاتی قرار است کاری پیچیده تر از کار یک پزشک انجام دهد ؟ اگر برای پزشکان می شود سیستمی طراحی کرد که به نیازهایشان پاسخ دهد برای باقی افراد نیز می توان این کار را با پبچیدگی های خاص خود انجام داد . 
مسئله این است که نمی توانیم نیاز کاربران را آشکار کنیم . دغدغه های یک فرد در موقعیت تصمیم گیری برای کسب و کار و سازمان خود بسیار زیاد و حساس هستند . که متاسفانه اولویت کاربر و نیاز او که دقت ،سرعت و سادگی است تا امروز برای اکثر طراحان سیستم ها و نرم افزار های گزارش گیری و مصورسازی داده ها اهمیتی نداشته است.
امروز ما به این نکته دست یافتیم که در کنار شناخت دغدغه ها ، ایجاد دید نظارتی و پاسخ به نیازهای کاربران که اغلب مدیران ، کارشناسان فروش ، مهندسان ، مشاوران و... هستند و دارای تفکرات خاص خود در چارچوب اصطلاحات و فرآیندهای تعریف شده کسب و کار خود می باشند .باید امکانی را برای آنالیز داده  به صورت مصور فراهم کنیم که این افراد و دیگر بخش های سازمان  در مواجهه با موارد خاص و ویژه ، آنها را بررسی کرده و به پرسش های خود پاسخ دهند . 

آنالیز اطلاعات با داشبورد مدیریتی

» چنانچه با خواندن این مقاله به موضوع هوش تجاری علاقه مند شدید، خواندن مطالب زیر را به شما پیشنهاد می کنیم:
هوش تجاری داده کاوی
چرا شرکت ها به هوش تجاری نیاز دارند داده ها با شما حرف می زنند !

مشکل بزرگ داده‌های بزرگ: چکار کنیم تا در دنیای واقعی‌ کاربرد داشته باشند




داستانهای موفق زیادی از داده‌های بزرگ وجود ندارد که بتواند این حجم استفاده را توجیه کند. در اینجا با استفاده از تجربه کارشناسان، به نکاتی‌ که شرکتها نیاز به تجدید نظر دارند، اشاره می‌کنیم.
شبهه و تردید درباره ارزش داده بزرگ زیاد است. عبارتی که به شعار پذیرفته شده دنیای بازاریابی در بسیاری از ابزار و فناوری تبدیل شده است، شروع به خراب شدن در زیر فشار انتظارات غیر واقعی، کرده است.
اینکه به اصطلاح کارشناسان می‌گویند که یک انقلاب اطلاعاتی در حال تغییر طبیعت محل کار �� خود کارها هست، کمک خاصی‌ نمیکند. پروژه‌های داده‌های بزرگ می توانند یک تغییر بزرگ در فرایند کلی‌ کسب و کارها ایجاد کنند. با این‎حال شواهد گسترش عظیم رهبری دانش محور در دنیای امروز هنوز کم است، به جای آن‌ به نظر می‌رسد که سازمانهای بزرگ در حال غرق شدن در دریای اطلاعات می باشند. 
پس چگونه سازمان‎ها میتوانند از هوش به یک بینش و دانش صحیح برسند و مدیران فناوری اطلاعات چگونه میتوانند بقیه افراد درگیر در کسب و کار را تشویق به خرید پروژه‌های با داده بزرگ نمایند.
تعریف نقش رهبر IT در عصر اطلاعات و داده‌ها
اندرو مارکس، مدیر سابق فناوری اطلاعات شرکت نفتی‌ Tullow ،در طول زندگی‌ حرفه‌ای خود، طیف گسترده‌ای از طرح‌های هوش تجاری را دیده است. او معتقد است که بسیاری از پروژه‌ها بر نوعی از تجزیه تحلیل تکیه میکنند که در بهترین حالت، ساده است. او می‌گوید حتی در جهانی‌ از داده‌های بزرگ، واقعا مثال‎های کافی‌ از شرکت‎هایی که مالکیت داده را هم گرفته باشند، وجود ندارد.
او معتقد است که رهبران IT میتوانند نقش بسیار مهمی‌ در شناسایی و ارائه ابزارهای مربوط به داده‌های بزرگ، بازی‌ کنند. او همچنین معتقد است که در حال حاضر، تأکید بیش از حدی بر روی مدیران فناوری اطلاعات میشود، به خصوص در رابطه با ساخت بخش عظیمی‌ از دانش. مارکس می‌گوید، ایجاد بینش درست از هوش تجاری، باید یک تلاش مشترک باشد.
او می‌گوید، فناوری به این خاطر وجود دارد که بتواند کارهای خاص و شگفت‎انگیز با داده‌ها انجام دهد، به خصوص در رابطه با گردهم آوردن اطلاعات از مناطق به نظر نامربوط تجارت. افراد منابع انسانی‌ و مالی‌، از IT انتظار دارند که از ابزار داده‌های بزرگ، برای تجزیه تحلیل اطلاعات استفاده کنند. آنها همواره مدیر فناوری اطلاعات و تیم‌ او را دنبال میکنند. بسیاری از مدیران هنوز هم فکر می کنند که این مسئولیت مدیر فناوری اطلاعات است.
با این‌حال مشکل اینجاست که مدیران فناوری اطلاعات مجهز یا موظف به دستکاری داده‌ها نیستند. هم زمان، کسب و کار نیز لزوماً مهارت اینکه معین کند که چه نوع بینشی از داده‌ها می‌خواهد را ندارد. چیزی که شما از دست می‌دهید، یک مهارت است، چرا که بسیاری از مدیران IT نمی خواهند، یا نمی‌تواند، که فقط روی دانش داده‌ها بر اساس یک برنامه روزانه تمرکز کنند.
مارکس می‌گوید، کسب وکار باید برای بررسی‌ اینکه چه نوع بینشی نه‌ ایجاد تفاوت در خروجی های شرکت کمک می‌کند، وقت بگذرد. مدیران فناوری اطلاعات و مدیران باید بر روی اهداف هسته‌ای کسب و کار تمرکز کنند. او می‌گوید در مناطقی که می تواند یک مزیت رقابتی ایجاد کند یا آن‌ مهارتها را گسترش دهد، تمرکز کنید.
مارک فولشام، به عنوان یک مدیر IT دیگر در گروه فناوری اطلاعات بیمه‌ Esure، معتقد است که ارزش داده‌های بزرگ، از یک رویکرد یکپارچه می‎آید. او می‌گوید ابزار تجزیه تحلیل میتواند به کسب و کار او کمک کند تا بفهمد مشتریان چگونه از کانال‎های آنلاین استفاده میکنند، مانند آمار استفاده از وب. این دانش زمانی‌ میتواند ارزشمند باشد که دیگر مدیران کسب و کار، مثل کسانی‌ که در بخش بازاریابی هستند، از آن‌ برای ایجاد یک بینش عمیق‎تر در تجربه مشتری مداری، استفاده کنند.
مارک می‌گوید، اگر تیم‌ بازاریابی می‌خواهد بداند که دقیقا چه زمانی‌ مشتری مارا ترک کرده است، نیاز به یک فناوری درست دارد، و اینجاست که تیم‌ IT میتواند به آنها کمک کند. کارکنان بازاریابی میتوانند به مساله از دیدگاه تجربه مشتری مداری نگاه کنند و مجموعه IT میتواند از دیدگاه عملکرد وارد شود و یک ابزار شناسایی خوب برای کمک به تعریف بینش تجارت ایجاد کند.
 بهترین تمرین برای غلبه بر مقاومت کارکنان
آدام جرارد، مدیر فناوری Yodel می‌گوید، رهبران IT که به دنبال به دست آوردن بینش واقعی‌ از داده‌های بزرگ میباشند، باید به صورت دوجانبه حمله کنند، هم از بالا به پائین و هم از پائین به بالا. جرارد می‌گوید، از دیدگاه هیئت مدیره، بسیار مهم است که مدیر فناوری اطلاعات، چگونه می تواند با سرعت، پروژه را از ابتدا تا رسیدن به نتایج بسازد. او می‌گوید، دریافت یک نسخه واحد از واقعیت، ایجاد یک مخزن واحد از اطلاعات برای کل کسب و کار است.
جرارد می‌گوید، این نمای واحد، از دیدگاه پائین به بالا، فروش راحت‎تری می‌سازد. شما باید با مردم همراه شوید، ابزار را به آنها نشان دهید و انواع مزیت‎هایی که از این فناوری به دست می‎آو‌رند را، برایشان توضیح دهید.
لزوما هر پروژه داده بزرگ، بازپرداخت فوری فراهم نمیکند، بنابراین شما مجبور هستید که با ابتکار عمل کار کنید. اگر بتوانید به مردم در سراسر کسب و کار، نشان دهید که چگونه اطلاعات در زمان واقعی‌ میتواند باعث پیشرفت روزانه تجارت آنها شود، فروختن پروژه داده بزرگ بسیار آسان‌تر میشود.
جیم اننگ، مسئول داده و تحلیل گاز بریتانیا، یکی‌ دیگر از مدیرانی است که برای اثبات ارزش اطلاعات، تلاش کرده است. این شرکت یک واحد متخصص است که برای بررسی‌ استفاده از داده‌های بزرگ و تکنولوژی هوشمند، راه اندازی شده است. او می‌گوید، ما یک پلت فرم ایجاد کردیم، که داده‌ها را از سراسر محصولات ما به دست می‌آ‌ورد و به ما اجازه می دهد تا از آن اطلاعات برای بینش مشتریان ارزشمند خود و بهبود محصولات، استفاده کنیم. او می‌گوید این شرکت تیمی بر پایه چهار شایستگی ساخته است: تجزیه تحلیل (استخراج داده‌ها)، دانش داده (توسعه الگوریتم برای ارائه به مشتریان)، مهندسی‌ داده (اجرا و مدیریت خطوط داده‎ای) و‌ عملیات داده (حصول اطمینان از قابل اعتماد و در دسترس بودن سیستم).
او می‌گوید، این تأکید می‌کند که داده بزرگ چقدر برای ما به عنوان یک سازمان، مهم است. ما واقعا به دنبال جایگزین کردن آنچه افراد میتوانند انجام دهند، با ماشین‎های هوشمند نیستیم. کار خوب با داده‌های بزرگ، نیازمند ترکیبی‌ از قدرت ابزار و مغز انسان است.
او اضافه می‌کند این بسیار دشوار است که تا زمانی‌ که تجارت شروع به تولید نتایج نکرده است، بشود روی داده‌ها ارزش پولی گذاشت. او معتقد است که شرکت آنها بسیار خوش شانس بوده که از طرف بالا پشتیبانی‌ میشود. او همچنین میداند که دیگر مدیران IT اینقدر خوش شانس نیستند، به خصوص اینکه همیشه حساسیت اطراف داده‌های بزرگ بسیار بالاست.
همچنین اننگ می‌گوید، صحبت کردن با افراد ارشد در سازمان که با ارزش بالقوه داده‌ها مواجه بوده اند، بسیار روحیه بخش است. آنها فعالانه و در سراسر کسب و کار، به دنبال راه‎های برای بهبود آنچه که ما با دانش و مهندسی‌ داده برای مشتریان انجام می دهیم، هستند.

منبع

ZDNET