डेटा जस्तै स्वीकार गर्नुहोस्: कसरी व्यवसायहरूले ठूलो डेटाबाट लाभ लिन सिक्छन्

ठूला डाटाको विश्लेषण गरेर, कम्पनीहरूले लुकेका ढाँचाहरू उजागर गर्न सिक्छन्, तिनीहरूको व्यापार प्रदर्शन सुधार गर्दछ। दिशा फैशनेबल छ, तर तिनीहरूसँग काम गर्ने संस्कृतिको कमीको कारण सबैले ठूलो डेटाबाट फाइदा लिन सक्दैनन्

"एक व्यक्तिको नाम जति धेरै सामान्य छ, उनीहरूले समयमै तिर्न सक्ने सम्भावना बढी हुन्छ। तपाईंको घरमा जति धेरै तल्लाहरू छन्, त्यति नै तथ्याङ्कीय रूपमा तपाईं राम्रो उधारकर्ता हुनुहुन्छ। राशि चक्रको चिन्हले रकम फिर्ताको सम्भावनामा लगभग कुनै प्रभाव पार्दैन, तर साइकोटाइपले महत्त्वपूर्ण रूपमा गर्छ, "उधारकर्ताहरूको व्यवहारमा अप्रत्याशित ढाँचाहरूको बारेमा होम क्रेडिट बैंकका विश्लेषक स्टानिस्लाभ डुझिन्स्की भन्छन्। उसले यी धेरै ढाँचाहरू व्याख्या गर्ने काम गर्दैन - तिनीहरू कृत्रिम बुद्धिमत्ता द्वारा प्रकट गरिएको थियो, जसले हजारौं ग्राहक प्रोफाइलहरू प्रशोधन गर्यो।

यो ठूलो डाटा एनालिटिक्सको शक्ति हो: ठूलो मात्रामा असंरचित डाटाको विश्लेषण गरेर, कार्यक्रमले धेरै सहसम्बन्धहरू पत्ता लगाउन सक्छ जुन सबैभन्दा बुद्धिमान मानव विश्लेषकलाई पनि थाहा छैन। कुनै पनि कम्पनीसँग धेरै मात्रामा असंरचित डाटा (ठूलो डाटा) हुन्छ - कर्मचारीहरू, ग्राहकहरू, साझेदारहरू, प्रतिस्पर्धीहरूको बारेमा, जुन व्यवसायिक फाइदाको लागि प्रयोग गर्न सकिन्छ: पदोन्नतिको प्रभाव सुधार गर्नुहोस्, बिक्री वृद्धि हासिल गर्नुहोस्, कर्मचारी कारोबार घटाउनुहोस्, आदि।

ठूला डाटासँग काम गर्ने पहिलो व्यक्तिहरू ठूला प्रविधि र दूरसञ्चार कम्पनीहरू, वित्तीय संस्थाहरू र खुद्रा थिए, डेलोइट टेक्नोलोजी एकीकरण समूह, सीआईएसका निर्देशक राफेल मिफ्ताखोभले टिप्पणी गरे। अब धेरै उद्योगहरूमा त्यस्ता समाधानहरूमा चासो छ। कम्पनीहरूले के हासिल गरेका छन्? र के ठूलो डेटा विश्लेषणले सधैं मूल्यवान निष्कर्षमा पुर्‍याउँछ?

बैंकहरूले मुख्यतया ग्राहक अनुभव सुधार गर्न र लागतहरू अनुकूलन गर्न, साथै जोखिम व्यवस्थापन गर्न र धोखाधडीको सामना गर्न ठूलो डेटा एल्गोरिदमहरू प्रयोग गर्छन्। "हालैका वर्षहरूमा, ठूलो डेटा विश्लेषणको क्षेत्रमा वास्तविक क्रान्ति भएको छ," डुझिन्स्की भन्छन्। "मेसिन लर्निङको प्रयोगले हामीलाई ऋण पूर्वनिर्धारितको सम्भावना धेरै सही रूपमा भविष्यवाणी गर्न अनुमति दिन्छ - हाम्रो बैंकमा अपराध मात्र 3,9% छ।" तुलनाको लागि, जनवरी 1, 2019 को रूपमा, व्यक्तिहरूलाई जारी गरिएको ऋणमा 90 दिन भन्दा बढी समयावधि भुक्तानी भएको ऋणको अंश, केन्द्रीय बैंकको अनुसार, 5% थियो।

माइक्रोफाइनान्स संस्थाहरू पनि बिग डाटाको अध्ययनबाट अन्योलमा छन्। "आज ठूला डाटाको विश्लेषण नगरी वित्तीय सेवाहरू प्रदान गर्नु भनेको संख्या बिनाको गणित गर्नु जस्तै हो," वेबब्याङ्किरका सीईओ, एन्ड्री पोनोमारेभ भन्छन्, अनलाइन ऋण दिने प्लेटफर्म। "हामी ग्राहक वा उसको राहदानी नदेखी नै अनलाइन पैसा जारी गर्छौं, र परम्परागत उधारोको विपरीत, हामीले व्यक्तिको सवलताको मूल्याङ्कन मात्र गर्दैन, तर उसको व्यक्तित्व पनि पहिचान गर्नुपर्दछ।"

अब कम्पनीको डाटाबेसले 500 हजार भन्दा बढी ग्राहकहरूको जानकारी भण्डारण गर्दछ। प्रत्येक नयाँ अनुप्रयोगलाई लगभग 800 प्यारामिटरहरूमा यस डेटाको साथ विश्लेषण गरिन्छ। कार्यक्रमले लिङ्ग, उमेर, वैवाहिक स्थिति र क्रेडिट इतिहास मात्र होइन, तर एक व्यक्तिले प्लेटफर्ममा प्रवेश गरेको उपकरण, साइटमा उसले कस्तो व्यवहार गर्‍यो भन्ने कुरालाई पनि ध्यानमा राख्छ। उदाहरणका लागि, यो चिन्ताजनक हुन सक्छ कि सम्भावित उधारकर्ताले ऋण क्यालकुलेटर प्रयोग नगरेको वा ऋणका सर्तहरूको बारेमा सोधपुछ नगरेको। "केही स्टप कारकहरू बाहेक - भन्नुहोस्, हामी 19 वर्ष भन्दा कम उमेरका व्यक्तिहरूलाई ऋण जारी गर्दैनौं - यी मापदण्डहरू मध्ये कुनै पनि ऋण जारी गर्न अस्वीकार वा सहमत हुनुको कारण होइन," पोनोमारेभ बताउँछन्। यो कारकहरूको संयोजन हो जुन महत्त्वपूर्ण छ। 95% केसहरूमा, निर्णय स्वतः बनाइन्छ, अन्डरराइटिङ विभागका विशेषज्ञहरूको सहभागिता बिना।

ठूलो डेटा विश्लेषणले हामीलाई रोचक ढाँचाहरू प्राप्त गर्न अनुमति दिन्छ, Ponomarev साझेदारी। उदाहरण को लागी, आईफोन प्रयोगकर्ताहरु एन्ड्रोइड उपकरणहरु को मालिकहरु को तुलना मा अधिक अनुशासित उधारकर्ताहरु को रूप मा निस्क्यो - पहिले को 1,7 गुणा धेरै पटक आवेदन को अनुमोदन प्राप्त गर्दछ। पोनोमारेभ भन्छन्, "सैनिक कर्मचारीहरूले औसत उधारकर्ताको तुलनामा लगभग एक चौथाइ कम ऋण फिर्ता गर्दैनन् भन्ने तथ्य अचम्मको कुरा होइन।" "तर विद्यार्थीहरू सामान्यतया बाध्य हुने अपेक्षा गरिएको छैन, तर यस बीचमा, क्रेडिट डिफल्टका केसहरू आधारको औसत भन्दा १०% कम सामान्य हुन्छन्।"

ठूला डाटाको अध्ययनले बीमाकर्ताहरूलाई पनि स्कोर गर्न अनुमति दिन्छ। 2016 मा स्थापित, IDX रिमोट पहिचान र कागजातहरूको अनलाइन प्रमाणीकरणमा संलग्न छ। यी सेवाहरू माल ढुवानी बीमाकर्ताहरू बीचको मागमा छन् जो सम्भव भएसम्म कम सामानहरू गुमाउन इच्छुक छन्। सामानको ढुवानी बीमा गर्नु अघि, बीमाकर्ताले चालकको सहमतिमा, विश्वसनीयताको लागि जाँच गर्दछ, IDX का व्यावसायिक निर्देशक जान स्लोका बताउँछन्। सेन्ट पीटर्सबर्ग कम्पनी "रिस्क कन्ट्रोल" - IDX ले एक साझेदारसँग मिलेर चालकको पहिचान, राहदानी डाटा र अधिकारहरू, कार्गोको क्षतिसँग सम्बन्धित घटनाहरूमा भाग लिने, इत्यादिको विश्लेषण गर्न अनुमति दिने सेवा विकास गरेको छ। ड्राइभरहरूको डाटाबेस, कम्पनीले "जोखिम समूह" पहिचान गर्‍यो: प्रायजसो, 30-40 वर्ष उमेरका ड्राइभरहरू बीच कार्गो हराइन्छ, लामो ड्राइभिङ अनुभव, जसले भर्खरै कामहरू परिवर्तन गरेका छन्। यो पनि बाहिरियो कि कार्गो प्रायः कार चालकहरु द्वारा चोरी हुन्छ, जसको सेवा जीवन आठ वर्ष भन्दा बढी छ।

खुद्रा विक्रेताहरूसँग फरक कार्य छ - खरिद गर्न तयार भएका ग्राहकहरूलाई पहिचान गर्न, र तिनीहरूलाई साइट वा स्टोरमा ल्याउने सबैभन्दा प्रभावकारी तरिकाहरू निर्धारण गर्न। यस उद्देश्यका लागि, कार्यक्रमहरूले ग्राहकहरूको प्रोफाइल, तिनीहरूको व्यक्तिगत खाताबाट डेटा, खरिदहरूको इतिहास, खोज क्वेरीहरू र बोनस पोइन्टहरूको प्रयोग, इलेक्ट्रोनिक बास्केटहरूको सामग्रीहरू विश्लेषण गर्दछ जुन उनीहरूले भर्न थाले र त्यागे। M.Video-Eldorado समूहको डाटा अफिसका निर्देशक किरिल इभानोभ भन्छन्, डाटा एनालिटिक्सले तपाईंलाई सम्पूर्ण डाटाबेस विभाजन गर्न र विशेष प्रस्तावमा रुचि राख्ने सम्भावित खरीददारहरूको समूह पहिचान गर्न अनुमति दिन्छ।

उदाहरणका लागि, कार्यक्रमले ग्राहकहरूको समूह पहिचान गर्छ, जसमध्ये प्रत्येकले विभिन्न मार्केटिङ उपकरणहरू मन पराउँछन् - ब्याजरहित ऋण, क्यासब्याक, वा छुट प्रोमो कोड। यी खरीददारहरूले सम्बन्धित पदोन्नतिको साथ ईमेल न्यूजलेटर प्राप्त गर्छन्। सम्भाव्यता कि एक व्यक्तिले पत्र खोलेको छ, कम्पनीको वेबसाइटमा जान्छ, यस अवस्थामा, इवानोभ नोटहरू महत्त्वपूर्ण रूपमा बढ्छ।

डाटा विश्लेषणले तपाईंलाई सम्बन्धित उत्पादन र सामानहरूको बिक्री बढाउन पनि अनुमति दिन्छ। प्रणाली, जसले अन्य ग्राहकहरूको अर्डर ईतिहासलाई प्रशोधन गरेको छ, खरिदकर्तालाई चयन गरिएको उत्पादनको साथ के किन्ने बारे सिफारिसहरू दिन्छ। इवानोभका अनुसार कामको यस विधिको परीक्षणले सामानहरूसँग 12% द्वारा अर्डरहरूको संख्यामा वृद्धि र 15% द्वारा सामानहरूको कारोबारमा वृद्धि देखाएको छ।

खुद्रा विक्रेताहरू मात्र सेवाको गुणस्तर सुधार गर्न र बिक्री बढाउन प्रयास गर्ने होइनन्। गत गर्मीमा, मेगाफोनले लाखौं ग्राहकहरूको डेटाको प्रशोधनमा आधारित "स्मार्ट" अफर सेवा सुरु गरेको थियो। तिनीहरूको व्यवहारको अध्ययन गरिसकेपछि, कृत्रिम बुद्धिमत्ताले शुल्कहरू भित्र प्रत्येक ग्राहकको लागि व्यक्तिगत प्रस्तावहरू बनाउन सिकेको छ। उदाहरणका लागि, यदि कार्यक्रमले नोट गर्छ कि एक व्यक्ति सक्रिय रूपमा आफ्नो उपकरणमा भिडियो हेरिरहेको छ, सेवाले उसलाई मोबाइल ट्राफिकको मात्रा विस्तार गर्न प्रस्ताव गर्नेछ। प्रयोगकर्ताहरूको प्राथमिकतालाई ध्यानमा राख्दै, कम्पनीले ग्राहकहरूलाई उनीहरूको मनपर्ने प्रकारको इन्टरनेट फुर्सतको लागि असीमित ट्राफिक प्रदान गर्दछ - उदाहरणका लागि, इन्स्ट्यान्ट मेसेन्जरहरू प्रयोग गर्ने वा स्ट्रिमिङ सेवाहरूमा संगीत सुन्ने, सामाजिक सञ्जालहरूमा च्याट गर्ने वा टिभी कार्यक्रमहरू हेर्ने।

"हामी ग्राहकहरूको व्यवहारको विश्लेषण गर्छौं र उनीहरूको रुचिहरू कसरी परिवर्तन भइरहेको छ भनेर बुझ्छौं," मेगाफोनका बिग डाटा एनालिटिक्सका निर्देशक भिटाली शेरबाकोभ बताउँछन्। "उदाहरणका लागि, यस वर्ष, AliExpress ट्राफिक गत वर्षको तुलनामा 1,5 गुणा बढेको छ, र सामान्यतया, अनलाइन कपडा पसलहरूमा भ्रमणहरूको संख्या बढ्दै गएको छ: 1,2-2 गुणा, विशिष्ट स्रोतको आधारमा।"

ठूलो डाटाको साथ अपरेटरको कामको अर्को उदाहरण हराइरहेको बच्चाहरू र वयस्कहरूको खोजी गर्न मेगाफोन पोइस्क प्लेटफर्म हो। प्रणालीले बेपत्ता व्यक्तिको स्थान नजिक कुन-कुन व्यक्तिहरू हुन सक्छन् भन्ने विश्लेषण गर्छ र हराइरहेको व्यक्तिको फोटो र चिन्हसहितको जानकारी पठाउँछ। अपरेटरले आन्तरिक मामिला मन्त्रालय र लिसा अलर्ट संगठनसँग मिलेर प्रणालीको विकास र परीक्षण गर्‍यो: हराएको व्यक्तिलाई अभिमुखीकरणको दुई मिनेट भित्र, २ हजार भन्दा बढी सदस्यहरू प्राप्त हुन्छन्, जसले सफल खोज परिणामको सम्भावनालाई उल्लेखनीय रूपमा बढाउँदछ।

बिग डाटा विश्लेषणले पनि उद्योगमा आवेदन फेला पारेको छ। यहाँ यसले तपाईंलाई माग र योजना बिक्री पूर्वानुमान गर्न अनुमति दिन्छ। त्यसोभए, कम्पनीहरूको चेर्किजोभो समूहमा, तीन वर्ष पहिले, SAP BW मा आधारित समाधान लागू गरिएको थियो, जसले तपाईंलाई सबै बिक्री जानकारी भण्डारण र प्रशोधन गर्न अनुमति दिन्छ: मूल्यहरू, वर्गीकरण, उत्पादनको मात्रा, पदोन्नति, वितरण च्यानलहरू, भ्लादिस्लाव बेल्याएभ, CIO भन्छन्। समूह "चेर्किजोवो। संचित 2 TB जानकारीको विश्लेषणले प्रभावकारी रूपमा वर्गीकरण बनाउन र उत्पादन पोर्टफोलियोलाई अनुकूलन गर्न मात्र सम्भव बनाएको छैन, तर कर्मचारीहरूको कामलाई पनि सहज बनायो। उदाहरणका लागि, दैनिक बिक्री रिपोर्ट तयार गर्न धेरै विश्लेषकहरूको एक दिनको काम आवश्यक पर्दछ - प्रत्येक उत्पादन खण्डको लागि दुई। अब यो रिपोर्ट रोबोटले तयार पारेको छ, सबै खण्डहरूमा मात्र 30 मिनेट खर्च गरेर।

"उद्योगमा, ठूलो डाटाले चीजहरूको इन्टरनेटसँग संयोजनमा प्रभावकारी रूपमा काम गर्दछ," अम्ब्रेला आईटीका सीईओ स्टानिस्लाभ मेस्कोभ भन्छन्। "उपकरणले सुसज्जित सेन्सरहरूबाट डेटाको विश्लेषणको आधारमा, यसको सञ्चालनमा विचलनहरू पहिचान गर्न र ब्रेकडाउनहरू रोक्न, र कार्यसम्पादनको भविष्यवाणी गर्न सम्भव छ।"

Severstal मा, ठूला डाटाको सहयोगमा, तिनीहरूले पनि गैर-तुच्छ कार्यहरू समाधान गर्ने प्रयास गरिरहेका छन् - उदाहरणका लागि, चोटपटक घटाउन। 2019 मा, कम्पनीले श्रम सुरक्षा सुधार गर्न उपायहरूको लागि लगभग 1,1 बिलियन RUB विनियोजन गर्यो। Severstal ले 2025 (50 को तुलनामा) द्वारा 2017% ले चोट दर घटाउने अपेक्षा गरेको छ। "यदि एक लाइन प्रबन्धक - फोरम्यान, साइट प्रबन्धक, पसल प्रबन्धक - एक कर्मचारीले असुरक्षित रूपमा केहि अपरेशनहरू गर्दछ (औद्योगिक साइटमा सीढीहरू चढ्दा ह्यान्ड्राइलमा समात्दैन वा सबै व्यक्तिगत सुरक्षा उपकरणहरू लगाउँदैन) याद गरे भने, उनी लेख्छन्। उहाँको लागि विशेष नोट - PAB ("व्यवहार सुरक्षा लेखा" बाट), कम्पनीको डाटा विश्लेषण विभागका प्रमुख बोरिस भोस्क्रेसेन्स्की भन्छन्।

एक डिभिजनमा PAB को संख्यामा डेटा विश्लेषण गरेपछि, कम्पनीका विशेषज्ञहरूले पत्ता लगाए कि सुरक्षा नियमहरू प्रायः प्रायः ती व्यक्तिहरूले उल्लङ्घन गरेका थिए जसले पहिले नै पहिले नै धेरै टिप्पणी गरिसकेका थिए, साथै बिरामी बिदामा वा केही समय अघि छुट्टीमा रहेकाहरूद्वारा। घटना। छुट्टी वा बिरामी बिदाबाट फर्केपछि पहिलो हप्तामा उल्लङ्घनहरू पछिको अवधिको तुलनामा दोब्बर उच्च थिए: १ बनाम ०,५५%। तर रातको सिफ्टमा काम गर्दा, यो बाहिरियो, PAB को तथ्याङ्कलाई असर गर्दैन।

ठूला डाटा प्रशोधनका लागि एल्गोरिदमहरू सिर्जना गर्नु कामको सबैभन्दा गाह्रो भाग होइन, कम्पनीका प्रतिनिधिहरू भन्छन्। प्रत्येक विशिष्ट व्यवसायको सन्दर्भमा यी प्रविधिहरू कसरी लागू गर्न सकिन्छ भनेर बुझ्न धेरै गाह्रो छ। यो जहाँ कम्पनी विश्लेषकहरू र बाहिरी प्रदायकहरूको अचिलिस एड़ी निहित छ, जसले ठूलो डाटाको क्षेत्रमा विशेषज्ञता संचित गरेको देखिन्छ।

"मैले प्रायः ठूला डाटा विश्लेषकहरूलाई भेटें जो उत्कृष्ट गणितज्ञ थिए, तर व्यवसाय प्रक्रियाहरूको आवश्यक बुझाइ थिएन," गुड्सफोरकास्टका विकास निर्देशक सर्गेई कोटिक भन्छन्। उनले दुई वर्षअघि कसरी फेडरल रिटेल चेनको लागि माग पूर्वानुमान प्रतियोगितामा भाग लिने अवसर पाएको सम्झाउँछन्। एक पायलट क्षेत्र छनोट गरिएको थियो, सबै सामान र स्टोरहरूको लागि जसको सहभागीहरूले भविष्यवाणी गरेका थिए। भविष्यवाणीहरू त्यसपछि वास्तविक बिक्रीसँग तुलना गरियो। पहिलो स्थान रूसी इन्टरनेट दिग्गजहरू मध्ये एक द्वारा लिइएको थियो, मेसिन लर्निंग र डेटा विश्लेषणमा यसको विशेषज्ञताको लागि परिचित: यसको पूर्वानुमानमा, यसले वास्तविक बिक्रीबाट न्यूनतम विचलन देखायो।

तर जब सञ्जालले आफ्नो पूर्वानुमानलाई थप विवरणमा अध्ययन गर्न थाल्यो, यो बाहिरियो कि व्यापारिक दृष्टिकोणबाट, तिनीहरू बिल्कुल अस्वीकार्य छन्। कम्पनीले एक मोडेल प्रस्तुत गर्‍यो जसले बिक्री योजनाहरू व्यवस्थित रूपमा अधोरेखित गरी उत्पादन गर्‍यो। कार्यक्रमले भविष्यवाणीमा त्रुटिहरूको सम्भावनालाई कसरी कम गर्ने भनेर पत्ता लगायो: बिक्रीलाई कम अनुमान गर्न सुरक्षित छ, किनकि अधिकतम त्रुटि १००% हुन सक्छ (त्यहाँ कुनै नकारात्मक बिक्री छैन), तर अधिक पूर्वानुमानको दिशामा, यो मनमानी रूपमा ठूलो हुन सक्छ, कोटिक बताउँछन्। अर्को शब्दमा, कम्पनीले एक आदर्श गणितीय मोडेल प्रस्तुत गर्‍यो, जसले वास्तविक परिस्थितिमा आधा-खाली स्टोरहरू र अन्डरसेल्सबाट ठूलो घाटा निम्त्याउँछ। नतिजाको रूपमा, अर्को कम्पनीले प्रतियोगिता जित्यो, जसको गणना अभ्यासमा राख्न सकिन्छ।

ठूला डाटा प्रविधिहरू धेरै उद्योगहरूको लागि सान्दर्भिक छन्, तर तिनीहरूको सक्रिय कार्यान्वयन सबै ठाउँमा हुँदैन, मेश्कोभले टिप्पणी गर्दछ। उदाहरणका लागि, स्वास्थ्य सेवामा डाटा भण्डारणमा समस्या छ: धेरै जानकारी सञ्चित गरिएको छ र यसलाई नियमित रूपमा अद्यावधिक गरिएको छ, तर अधिकांश भागको लागि यो डाटा अझै डिजिटाइज गरिएको छैन। सरकारी एजेन्सीहरूमा पनि धेरै डाटा छन्, तर ती साझा क्लस्टरमा जोडिएका छैनन्। नेशनल डाटा म्यानेजमेन्ट सिस्टम (NCMS) को एक एकीकृत सूचना प्लेटफर्मको विकास यो समस्या समाधान गर्ने उद्देश्य हो, विशेषज्ञ भन्छन्।

यद्यपि, हाम्रो देश एक मात्र देशबाट टाढा छ जहाँ धेरै संस्थाहरूमा महत्त्वपूर्ण निर्णयहरू अन्तर्ज्ञानको आधारमा गरिन्छ, न कि ठूलो डाटाको विश्लेषण। गत वर्ष अप्रिलमा, डेलोइटले ठूला अमेरिकी कम्पनीका एक हजारभन्दा बढी नेताहरू (५०० वा सोभन्दा बढी कर्मचारीसहित) माझ एउटा सर्वेक्षण गरेको र सर्वेक्षणमा सहभागीहरूमध्ये ६३% ठूला डाटा प्रविधिहरूसँग परिचित छन्, तर आवश्यक सबै कुराहरू छैनन्। तिनीहरूलाई प्रयोग गर्न पूर्वाधार। यसैबीच, उच्च स्तरको विश्लेषणात्मक परिपक्वता भएका 500% कम्पनीहरू मध्ये, झन्डै आधाले विगत १२ महिनामा व्यापार लक्ष्यहरू उल्लेखनीय रूपमा पार गरेका छन्।

अध्ययनले पत्ता लगायो कि नयाँ प्राविधिक समाधानहरू लागू गर्न कठिनाइको अतिरिक्त, कम्पनीहरूमा एक महत्त्वपूर्ण समस्या डाटासँग काम गर्ने संस्कृतिको कमी हो। ठूला डाटाका आधारमा गरिएका निर्णयहरूको जिम्मेवारी कम्पनीका विश्लेषकहरूलाई मात्र दिइएको छ, र सम्पूर्ण कम्पनीलाई होइन भने तपाईंले राम्रो नतिजाको आशा गर्नु हुँदैन। "अब कम्पनीहरूले ठूलो डाटाको लागि रोचक प्रयोग केसहरू खोजिरहेका छन्," मिफ्ताखोभ भन्छन्। "एकै समयमा, केहि परिदृश्यहरूको कार्यान्वयनले पहिले विश्लेषण नगरिएको अतिरिक्त डेटाको सङ्कलन, प्रशोधन र गुणस्तर नियन्त्रणको लागि प्रणालीहरूमा लगानी आवश्यक छ।" काश, "विश्लेषण अझै एक टोली खेल होइन," अध्ययनका लेखकहरू स्वीकार्छन्।