Hvad $ @! er dataopdagelse?

Erhvervslivet brummer om dataopdagelse. På overfladen virker det som et enkelt udtryk, men denne fangstfrase betyder mere end "at finde ting ud." Så hvad er egentlig dataopdagelse? Og hvordan passer det ind i det moderne landskab af mobil, analyse og big data?

Opdagelse af data, der undertiden benævnes data mining, indebærer indsamling og analyse af data og derefter præsentation af resultaterne i læsbare, brugbare formater. I de mest basale termer er dataopdagelse processen med at finde mønstre inden for data og bruge disse mønstre til at opfylde et bestemt forretningsmål.

Der er naturligvis mere dataopdagelse end at matche op point. Organisationer bruger dataopdagelse til en lang række mål og applikationer på forskellige områder - og i en moderne, digital verden er der mere data at opdage end nogensinde.

Hvor kom dataopdagelse fra?

Mens dataopdagelsen er relativt ny i forhold til det "varme" leksikon med digitale forretningsbetingelser, er metoderne og strategierne ikke så nye. Begrebernes forgænger, datamining, blev introduceret i 1990'erne, men virksomheder og organisationer har brugt en form for dataopdagelse siden handelens morgen.

Moderne dataopdagelse som forretningsstrategi skabtes gennem fremkomsten af ​​big data - et opsamlingsterm, der beskriver den relativt nyere, eksponentielle vækst af store, komplekse datasæt, hvor den store mængde information udelukker ved hjælp af traditionelle database- og organisationsværktøjer til udtræk noget nyttigt.

Big data er dog en stor aftale for nutidens virksomheder, fordi blandt alt, at strukturerede og ustrukturerede data er meget nyttige mønstre, der kan bruges til at forbedre markedsføringsstrategier, ROI og overskud. Dataopdagelsesplatforme er derfor designet til at give organisationer lettere måder at finde, analysere og udtrække relevante data.

Hvordan fungerer dataopdagelse

Platformer til dataopdagelse består typisk af flere værktøjer, der er bundtet sammen og arbejder sammen for at udtrække data og præsentere dem på en meningsfuld måde. Der er flere forskellige måder disse værktøjer finder og identificerer relevant information, men de fleste af dem drejer sig om tre grundlæggende analysemetoder:

• Metadata: Alt digitalt indhold indeholder metadata eller "data om data." Denne information er generelt skjult for slutbrugere, men er synlig på bagsiden. Metadata gemmes typisk ved hjælp af tabeller og kolonneattributter - så dataopdagelsesværktøjer, der bruger metadata, ser efter søgeord i kolonnenavn, datastørrelse og datatype.
• Etiketter: I mange tilfælde genereres og grupperes data under etiketter eller tags, der beskriver dataene inden for denne gruppe. Disse tags kan genereres, når dataene oprettes, eller de kan tilføjes til reference og yderligere information. Mærkater eller tags ligner metadata, selvom de er mindre formelle.
• Indhold: Denne strategi analyserer selve dataene i stedet for vedhæftede etiketter eller metadata.

Der vil typisk være langt mere indholdsdata-volumen end tags eller metadata, hvilket betyder, at det tager længere tid at identificere data ved indhold og bruge mere komplekse opdagelsesmetoder. Indholdsanalyse har dog også en tendens til at give rigere og mere nyttige relationelle resultater.

Når dataene er blevet analyseret, kan andre dataopdagelsesværktøjer bruges til at præsentere de opdagede forhold, tendenser eller mønstre i et nyttigt format. Grafer, tabeller og diagrammer er grundlæggende præsentationsværktøjer, der bruges til dataopdagelse, men mere komplekse, men læsbare præsentationer, såsom infografik, vinder fordel hos dataanalytikere.

Hvad kan dataopdagelse gøre?

Med hensyn til praktisk brug er der næsten ubegrænset anvendelse til dataopdagelsesplatforme og -værktøjer. Disse metoder og strategier bruges oftest af forbrugerorienterede organisationer i næsten enhver branche, herunder detailhandel, finansiel, kommunikation og markedsføring, selvom ikke-for-profit, erhverv-til-erhvervsorganisationer og offentlige agenturer også bruger denne teknologi.

Dataopdagelse gør det muligt for en organisation at finde forhold mellem interne faktorer (såsom pris, produktpositionering og medarbejdernes ydeevne) og eksterne faktorer (såsom konkurrencedata, økonomiske indikatorer og kundedemografi). Disse forhold hjælper virksomheder med at illustrere og definere virkningerne af ændringer i en eller flere faktorer på salg, kundetilknytning og overskud.

Værktøjerne, der bruges til dataopdagelse, giver et mere detaljeret billede af indflydelsesrige faktorer og giver virksomhederne mulighed for at finjustere deres marketingstrategier og reklamekampagner med meget målrettet information. Anbefalingsmotoren på den populære streamingvideotjeneste Netflix er et godt eksempel på dataopdagelsesteknologi på arbejdet. Tjenesten bruger eksterne data om kundernes visningshistorik og interne data om medieindholdet i deres database til at fremsætte individualiserede forslag til nye videoer, der sandsynligvis vil interessere deres kunder.

Men den potentielle anvendelse af dataopdagelse går ud over detailforbrugere. Et eksempel er Advanced Scout-software, et program brugt af National Basketball Association (NBA). Den analyserer spillernes bevægelser fra billedoptagelser af basketballspil for at hjælpe trænerne med at udvikle strategier og orkestrere spil.

Når dataopdagelsesplatforme skrider frem og teknologien bliver mere overkommelig, vil flere organisationer kunne bruge disse værktøjer til bedre at forstå deres kunder og levere unikke, tilpassede tilbud, der forbedrer handel for alle.