Управление данными охватывает все дисциплины, связанные с обработкой данных как ценного ресурса, это практика управления данными организации таким образом, чтобы их можно было анализировать для принятия решений . [1]
Концепция управления данными возникла в 1980-х годах, когда технологии перешли от последовательной обработки [2] (сначала перфокарты , затем магнитная лента ) к хранению с произвольным доступом .
Поскольку теперь стало возможным хранить отдельные факты и быстро получать к ним доступ с помощью технологии дисков с произвольным доступом , те, кто предполагал, что управление данными важнее управления бизнес-процессами, использовали такие аргументы, как «домашний адрес клиента хранится в 75 (или каком-то другом большом количестве) местах в наших компьютерных системах». [ требуется ссылка ] Однако в этот период обработка с произвольным доступом не была конкурентоспособно быстрой, поэтому те, кто предполагал, что «управление процессами» важнее «управления данными», использовали время пакетной обработки в качестве своего основного аргумента.
По мере того, как прикладное программное обеспечение развивалось в режиме реального времени, интерактивное использование, стало очевидно, что оба процесса управления важны. Если данные не были четко определены, они использовались бы в приложениях неправильно. Если процесс не был четко определен, было бы невозможно удовлетворить потребности пользователей.
Ниже приведены общие шаблоны управления данными: [3]
Темы управления данными включают:
В современном управленческом использовании термин «данные» все чаще заменяется на «информация» или даже «знание» в нетехническом контексте. Таким образом, управление данными превратилось в управление информацией или управление знаниями . Эта тенденция скрывает обработку необработанных данных и делает интерпретацию неявной. Различие между данными и производной стоимостью иллюстрируется информационной лестницей. Однако данные вернулись с популяризацией термина « большие данные» , который относится к сбору и анализу огромных наборов данных. Хотя большие данные являются недавним явлением, потребность в данных для помощи в принятии решений восходит к началу 1970-х годов с появлением систем поддержки принятия решений (DSS). Эти системы можно рассматривать как начальную итерацию управления данными для поддержки принятия решений. [4]
Несколько организаций создали центры управления данными (ЦУД) для своей деятельности. [5]
Маркетологи и маркетинговые организации используют сбор и анализ данных для совершенствования своей деятельности в течение последних нескольких десятилетий. Маркетинговые отделы в организациях и маркетинговых компаниях проводят сбор и анализ данных, собирая данные из разных источников данных и анализируя их для получения полезных данных, которые они могут использовать для принятия стратегических решений (Baier et al., 2012). В современной деловой среде данные превратились в важнейший актив для бизнеса, поскольку компании используют данные в качестве стратегического актива, который регулярно используется для создания конкурентного преимущества и улучшения качества обслуживания клиентов. Среди наиболее значимых форм данных — информация о клиентах, которая является важнейшим активом, используемым для оценки поведения и тенденций клиентов и использования ее для разработки новых стратегий улучшения качества обслуживания клиентов (Ahmed, 2004). Однако данные должны быть высокого качества, чтобы их можно было использовать в качестве бизнес-актива для создания конкурентного преимущества. Таким образом, управление данными является важнейшим элементом сбора и анализа данных, поскольку оно определяет качество данных, в то время как ограничения целостности гарантируют надежность информации, собранной из источников данных. Различные технологии, включая Big Data, используются предприятиями и организациями, чтобы позволить пользователям искать определенную информацию из необработанных данных, группируя ее на основе предпочтительных критериев, которые маркетинговые отделы в организациях могли бы применять для разработки целевых маркетинговых стратегий (Ahmed, 2004). По мере развития технологий в маркетинговых организациях и предприятиях вводятся новые формы данных для целей анализа и классификации. Внедрение новых гаджетов, таких как смартфоны и ПК нового поколения, также представило новые источники данных, из которых организации могут собирать, анализировать и классифицировать данные при разработке маркетинговых стратегий. Розничные предприятия — это категория бизнеса, которая использует данные клиентов со смарт-устройств и веб-сайтов, чтобы понять, как их текущие и целевые клиенты воспринимают их услуги, прежде чем использовать эту информацию для внесения улучшений и повышения удовлетворенности клиентов (Cerchiello and Guidici, 2012). Анализ данных клиентов имеет решающее значение для предприятий, поскольку он позволяет маркетинговым командам понимать поведение и тенденции клиентов, что имеет существенное значение при разработке новых маркетинговых кампаний и стратегий. Ритейлеры, использующие данные о клиентах из различных источников, получают преимущество на рынке, поскольку они могут разрабатывать стратегии на основе данных для привлечения и удержания клиентов в чрезмерно конкурентной деловой среде. На основе информации о преимуществах сбора и анализа данных предлагаются следующие гипотезы: Источники данных, используемые в качестве основы для сбора и анализа данных, оказывают значительное влияние на инструменты анализа данных, используемые для анализа и категоризации данных.
Организации используют различные инструменты анализа данных для обнаружения неизвестной информации и идей из огромных баз данных; это позволяет организациям обнаруживать новые закономерности, которые им не были известны, или извлекать скрытую информацию перед ее использованием для разработки новых закономерностей и взаимосвязей (Ahmed, 2004). Существует 2 основные категории инструментов анализа данных: инструменты добычи данных и инструменты профилирования данных. Кроме того, большинство коммерческих инструментов анализа данных используются организациями для извлечения, преобразования и загрузки ETL для хранилищ данных таким образом, чтобы гарантировать, что ни один элемент не будет упущен в ходе процесса (Turban et al., 2008). Таким образом, инструменты анализа данных используются для поддержки 3 V в больших данных : объема, разнообразия и скорости. Фактор скорости появился в 1980-х годах как одна из важнейших процедур в инструментах анализа данных, которая широко использовалась организациями для исследования рынка. Инструменты, используемые для выбора основных переменных из данных, которые были собраны из различных источников, и их анализа; если бы объем данных был слишком велик для понимания людьми с помощью ручного наблюдения, был бы введен факторный анализ для различения качественных и количественных данных (Stewart, 1981). Организации собирают данные из многочисленных источников, включая веб-сайты, электронные письма и устройства клиентов, прежде чем проводить анализ данных. Сбор данных из многочисленных источников и их анализ с использованием различных инструментов анализа данных имеет свои преимущества, включая преодоление риска смещения метода; использование данных из различных источников и их анализ с использованием нескольких методов анализа гарантирует предприятиям и организациям надежные и достоверные выводы, которые они могут использовать при принятии решений. С другой стороны, исследователи используют современные технологии для анализа и группировки данных, собранных от респондентов в виде изображений, аудио- и видеофайлов, применяя алгоритмы и другое программное обеспечение для анализа (Berry et al., 1997). Затем исследователи и маркетологи могут использовать информацию, полученную с помощью инструментов и методов анализа нового поколения для прогнозирования, поддержки принятия решений и составления оценок для принятия решений. Например, информация из различных источников данных о прогнозах спроса может помочь розничному бизнесу определить объем запасов, необходимых в предстоящем сезоне, в зависимости от данных за предыдущие сезоны. Анализ может позволить организациям принимать решения на основе данных для получения конкурентного преимущества в эпоху, когда все предприятия и организации извлекают выгоду из новых технологий и инструментов бизнес-аналитики для получения конкурентных преимуществ. Хотя на рынке существует множество инструментов анализа, аналитика больших данных является наиболее распространенной и передовой технологией, которая привела к следующей гипотезе: инструменты анализа данных, используемые для анализа данных, собранных из многочисленных источников данных, определяют качество и надежность анализа данных.
В то время как организациям необходимо использовать качественные инструменты сбора и анализа данных, чтобы гарантировать качество и надежность собираемых ими данных о клиентах, они должны внедрять стратегии безопасности и конфиденциальности для защиты данных и информации о клиентах от утечек конфиденциальности (Van Till, 2013). Исследование, проведенное PWC, показало, что более двух третей розничных клиентов предпочитают приобретать продукты и услуги у компаний, у которых есть планы защиты данных и конфиденциальности для защиты информации о клиентах. Кроме того, исследование показало, что клиенты доверяют компаниям, которые могут доказать, что они не могут использовать данные клиентов в каких-либо других целях, кроме маркетинга. Поскольку технологии и Интернет продолжают совершенствоваться, успех компаний, использующих его в качестве платформы для маркетинга своих продуктов, будет зависеть от того, насколько эффективно они смогут завоевать и сохранить доверие клиентов и пользователей. Поэтому компаниям придется внедрять и внедрять эффективные стратегии защиты данных и конфиденциальности для защиты бизнес-данных и конфиденциальности клиентов. Хотя развитие доверия между клиентами и компаниями влияет на намерения клиентов покупать, оно также оказывает значительное влияние на долгосрочное покупательское поведение, включая частоту покупок клиентов, что может повлиять на прибыльность бизнеса в долгосрочной перспективе. Таким образом, вышеизложенная информация приводит к следующей гипотезе: реализация планов по обеспечению безопасности и конфиденциальности данных оказывает положительное влияние на экономические и финансовые результаты.
Исследования показывают, что транзакции клиентов составляют 40% прироста данных, собираемых ежегодно, что означает, что финансовые данные оказывают значительное влияние на бизнес-решения. Поэтому современные организации используют аналитику больших данных для выявления 5–10 новых источников данных, которые могут помочь им собирать и анализировать данные для улучшения принятия решений. Йонсен (2013) объясняет, что организации, использующие средние аналитические технологии, на 20% чаще получают более высокую прибыль по сравнению с их конкурентами, которые не внедрили никаких аналитических возможностей в свою деятельность. Кроме того, IRI сообщил, что розничная отрасль может испытывать рост более чем на 10 миллиардов долларов каждый год в результате внедрения современных аналитических технологий. Поэтому можно предложить следующую гипотезу: экономические и финансовые результаты могут влиять на то, как организации используют инструменты аналитики данных.
4.4 Центр управления данными (DMC)[:] Центр управления данными — это центр обработки данных для всех развернутых сетей кластера. Через DMC LMF позволяет пользователю перечислять службы в любом члене кластера, принадлежащем любому кластеру [...].
Медиа, связанные с управлением данными на Wikimedia Commons