Umjetna inteligencija (AI), Big Data, Data Science su pojmovi koji se najčešće vežu uz pojam analize podataka, što je i logično s obzirom na hype koji se stvara od strane konferencija ili članaka u različitim medijima.
Bio bih u krivu kad bih rekao da je sve čisti hype, međutim iz iskustva znam da su ovo pojmovi koji čine 5 do maksimalno 10 posto projekata s kojim se danas susrećemo. Kroz godine iskustva koje sam stekao kao poslovni/tehnički konzultant na analitičkim projektima, izazovi s kojima se susreću tvrtke su skroz drukčije nego što se prezentira, a oni su:
1. Smisao analize podataka i strategija podataka
Analiza podataka i analitičke tehnologije ne mogu dati rezultate ako se ne zna što se želi postići . U velikom broju slučajeva korisnici analitičkih sustava uopće ne znaju što žele dobiti kao rezultat analize podataka ili nastoje izmisliti poslovne izazove s kojima se konkurencija susreće. Analitiče tehnologije bi trebale olakšati korisnicima dobivanje informacije koja im je potrebna za donošenje kvalitetnih odluka, stoga je unutar tvrtke je potrebno postaviti strategiju podataka tj. čemu podaci uopće služe.
2. Inženjering podataka kao baza analitike
Iako se prevelika težina stavlja na analitiku podataka, to je najmanji dio posla u cjelokupnom procesu analize podataka (cca. 10 – 15%). Većina vremena otpada na definiciju samog podatka (metapodaci), upravljanju podacima, kvalitetu podataka te izradu smislenog skladišta podataka. Skladište podataka kao koncept je osnova svih analitičkih projekata, iako nije vezan uz hype daje najbolje i najbrže rezultate.
3. Podatkovne vještine na tržištu
Ponekad je stvarno teško naći zaposlenika na tržištu rada koje ima višegodišnje iskustvo u implementaciji analitičkih projekata. Iako postoje mnoštvo online edukacija, teško je steći pravo iskustvo, pogotovo na hrvatskom tržištu. Unutar BIRD Academy u kojoj smo obrazovali više desetina konzultanata za analitičke tehnologije, uvijek smo fokus stavljali na metodologije skladišta podataka i izvještajnih sustava, jer je bitno shvatiti cjelokupnu sliku analitike podataka koja nije jednaka onome što volimo pročitati. S tehničke strane znanje SQL upitnog jezika je bilo obavezno, jer osim što znate raditi upite nad analitičkim bazama podataka, također razvijate analitičku logiku tj. kako povezati podatke iz više izvora podataka s različitom strukturom.
4. Izvještavanje u Excelu
Izvještavanje u Excelu jedan je od najvećih izazova s kojim se kompanije susreću. Iako je najbolji prijatelj svakog zaposlenika u području izvještavanja s vremenom postane težak i skup za održavanje. Također, većina zadataka u Excelu koji se rade manualno tj. “na ruke” se možete automatizirati koristeći baze podataka s nekim od self service alata poput Tableau i Power BI.
5. Analitička kultura i donošenje odluka
Za kraj analitička kultura je nešto što fali većini tvrtki s kojima sam se susreo. Gledanje na analizu podataka kao nešto što će donijeti magične rezultate i naglo povećati prihode je zapravo promašeno. Analiza podataka i podatkovna pismenost bi trebala neophodna vještina svakog zaposlenika u digitalnoj ekonomiji. Zasnivanje analitičke kulture na hrpi nepotrebnih tabličnih izvještaja je krivo, stoga je potrebno na visokoj razini inkorporirati analizu podataka kao instrument diskusije i donošenja odluka.
