Anda mungkin pernah mendengar tentang data besar yang digunakan untuk mencari tahu apa yang ingin Anda beli, baca, dan ikuti. Apa yang Anda mungkin belum pikirkan adalah bagaimana perusahaan Anda mungkin menggunakannya untuk melepaskan produktivitas Anda.
Tetapi Alexander Vorobiev, Penasihat Analisis Lanjutan di TransUnion, telah. Dia jagoan dalam semua hal data besar. Dan sementara perannya terutama berkaitan dengan bagaimana data besar dapat mempengaruhi layanan keuangan, dia tahu aplikasi untuk data besar tidak terbatas. Satu hal seperti itu? Mencari tahu bagaimana perusahaan dapat menggunakan metode analitis untuk meningkatkan produktivitas, dan melihat hasil bisnis yang lebih baik.
Terdengar menarik? Baca terus untuk mengetahui cara melakukannya:
Temukan Hipotesis Anda
Pertama, Anda perlu teori untuk diuji. "Menciptakan program kesehatan di tempat kerja akan meningkatkan produktivitas" mungkin satu. "Mengizinkan karyawan untuk bekerja dari rumah akan membantu mendorong penjualan" bisa jadi yang lain.
Sebagai kepala departemen atau pembuat keputusan, Anda mungkin memiliki naluri tentang bagaimana karyawan Anda bekerja paling baik. Mungkin karena karyawan yang datang dalam satu jam kemudian mengambil istirahat lebih sedikit sepanjang hari, atau jika karyawan menggunakan jam makan siang mereka untuk berolahraga mereka cenderung tidak menyerah pada kemerosotan jam 3 sore. Apa pun asumsinya, inilah hipotesis Anda untuk diuji.
Kumpulkan Data yang Tepat
Bisa dibilang salah satu langkah paling kritis dalam menggunakan data besar. Semua analisis di dunia tidak akan banyak berguna jika Anda tidak mengukur hal-hal yang benar. Ambil hipotesis "bekerja dari rumah meningkatkan produktivitas." Beberapa poin data potensial untuk diukur di sini mungkin termasuk jumlah karyawan telekomunikasi, berapa hari mereka bekerja dari rumah, dan ulasan atasan pada akhir periode yang diperkirakan.
Vorobiev merekomendasikan bahwa perusahaan mempekerjakan insinyur data khusus atau konsultan eksternal untuk melakukan analisis tren tempat kerja dan area lain di mana data besar pasti akan bermanfaat. Para ilmuwan data seperti itu tidak hanya dapat menganalisis hasil akhir, mereka juga dapat menyarankan parameter yang tepat untuk diukur.
Siapkan Sampel untuk Belajar
Perusahaan dapat merekrut karyawan untuk studi dengan menggantung wortel (keanggotaan gym gratis selama satu tahun adalah yang baik) meskipun seseorang harus berhati-hati terhadap sampel yang bias (orang yang mendaftar untuk klub buku, misalnya, mungkin sudah menjadi orang yang suka untuk membaca).
Tetapi rekrutmen dapat terjadi dengan cara lain. Vorobiev menunjuk ke sebuah penelitian di tempat kerja yang dilakukan oleh Bank of America di mana karyawan mengenakan lencana ID dengan tag RFID dan interaksinya satu sama lain dan produktivitas selanjutnya diukur.
Namun, Vorobiev mengakui bahwa privasi adalah penghalang yang sah. Tetapi ada cara yang menyembunyikan informasi karyawan sehingga analis hanya fokus pada tren yang lebih besar. Jawaban gelembung anonim atau survei online adalah cara cepat dan mudah mencari pola tanpa menyebut nama.
Setelah Anda menentukan siapa yang akan dipelajari, survei online adalah cara cepat untuk mengumpulkan data yang dibutuhkan.
Akhirnya, Analisis!
Sekarang setelah Anda mendapatkan hasilnya, data besar dapat menganalisisnya dan mencari tren. Penting untuk diingat bahwa analisis data besar hanyalah studi data reguler tentang steroid. Anda, sebagai karyawan atau pemilik perusahaan, selalu dapat melakukan analisis data. Tetapi big data memproses informasi yang berasal dari sejumlah sumber dan banyak cara berbeda dengan lebih efisien dan cepat.
Hanya saja, jangan tersesat dalam kelumpuhan analisis. "Anda dapat merekayasa berlebihan apa pun, " kata Vorobiev, "Ada pepatah terkenal tentang statistik bahwa dengan tekanan yang cukup data akan mengakui segalanya. Mungkin ide yang bagus untuk menghentikan analisis segera setelah Anda mendapatkan x jumlah input atau hasil dan kemudian lihat apa yang diberitahukan data kepada Anda. "
Efek lampu jalan - di mana seseorang yang kehilangan kuncinya hanya melihat di bawah cahaya karena di situlah paling mudah melakukannya - adalah kekhawatiran yang sah ketika menyangkut analisis data besar. Ingatlah bahwa tren yang paling mengejutkan mungkin bukan di tempat Anda pertama kali berpikir untuk melihat.
Hasil take menurut Vorobiev: “Ada begitu banyak aspek terukur, mudah diabaikan, kehidupan kerja kita yang, jika dipelajari, dapat menghasilkan hasil yang tidak terduga. Dan jika salah satu dari mereka dapat mengarah ke lingkungan yang lebih harmonis dan produktif, ada baiknya dicoba. "
