Bakit ang automation ay ang bagong katotohanan sa malaking pagkukusa ng data

Ang self-service analytics software ay naging kalakaran sa pagbuo ng software sa loob ng ilang oras. Malinaw na, hindi gaanong kababalaghan tungkol dito, bagaman - ang paglilingkod sa sarili bilang isang konsepto ay naipatupad sa mga mabilis na kasukasuan ng pagkain, mga serbisyo sa pananalapi at iba pang mga industriya, at ang domain ng software ay pinapasadya lamang nito ayon sa natatanging pangangailangan nito.

Ang self-service analytics ay partikular na naglalayong sa mga gumagamit ng negosyo na kailangang madaling manipulahin ang data at lumikha ng mga analytics nang hindi kinakailangang umasa sa mga kwalipikadong mga tauhan ng data tulad ng mga siyentipiko ng data. May isang paniniwala na ang self-service analytics ay upang mabawasan ang pag-asa sa mga siyentipiko ng data. Mayroon ding isang pangkat ng mga eksperto na naniniwala na ang ganap na pagpasa ng analytics sa mga kamay ng mga gumagamit ng negosyo ay maaaring makompromiso ang pamamahala at ang mga gumagamit ng negosyo ay nangangailangan ng kalidad na pagsasanay. Ang parehong mga pananaw ay may sangkap. Habang ang mga pagtataya sa merkado ng self-service analytics ay positibo, mahalagang sanayin ang mga gumagamit na magamit nang maayos ang software. Maraming saklaw para sa mga gumagamit ng negosyo upang malaman ang mga naturang tool sa software. (Upang matuto nang higit pa tungkol sa katalinuhan at analytics ng negosyo, tingnan ang Maaari bang Malapit ang Big Data Analytics ng Gap para sa Intelligence ng Negosyo?)

Self-Service sa Konteksto ng Big Data at Business Intelligence (BI)

Isipin ang kasong ito sa paggamit: Sa isang samahan, ang customer o tauhan na nakaharap sa merkado ay nakasalalay nang mahigpit sa data upang makagawa ng mga pagpapasya. Ngayon, ang pagkuha ng na-customize na analytics ay hindi madali dahil ang dami ng data ay malaki at nagmula sa maraming mapagkukunan; nangangailangan ng mga tiyak na kasanayan upang manipulahin ang data at makabuo ng analytics sa isang maiintindihan na format. Kaya, ang mga siyentipiko ng data at iba pang mga teknikal na tao ay kailangang kasangkot. Lumilikha ito ng maraming problema. Halimbawa, ang bandwidth ng mga teknikal na tauhan at mga siyentipiko ng data ay nahahati at labis na pag-asa sa mga tauhang teknikal ay maaaring mag-antala sa pagkuha ng analytics, na maaaring mapahamak ang paggawa ng desisyon.