Datová generace na vzestupu

Absolventi vysokých škol před deseti lety excelovali v citacích “měkkých” disciplín. Od manažerských soft skills po marketingové poučky, ze kterých se vytratila i ta poslední dávka měřitelnosti. A měkká generace by se měla bát – nová generace je totiž tvrdá. 

Nová generace totiž exceluje spíše v Excelu. Zlatá devadesátá léta plná hojnosti, privatizace na východě a neskutečně jednoduché a přitom výnosné expanze západu na východ nekonečnému povídání o “soft věcech” přála. Současná realita vleklé ekonomické krize je však dramaticky jiná. Zástupy nedočkavých zákazníků, toužících všem dostupné, se proměnily v zástupy obchodníků snažících se přesvědčit řídnoucí skupinky koupě-schopných zákazníků, aby alespoň zaregistrovali existenci jejich zboží. “Měkká povídání” jsou najednou z módy. V kombinaci s elektronizací světa a s ní související jednoduchou dostupností levně skladovatelných dat je v módě analytika. Pojem Big Data se pevně usadil do byznysového slovníčku a není divu, že v oblasti datových analýz vzniká i nepřeberné množství technologických start-upů.

Pro marketéry bude nejbližším projevem tohoto trendu “všehoměřitelnost” marketingu na webu a v sociálních sítích. Odborníci na finanční trhy se vlastně nemají čemu divit a pravděpodobně ani nezvednou oči od tří až pěti širokoúhlých monitorů plných dat. Korporátní plánovači si možná vzpomenou na loňskou velkou akvizici Hewlett Packard, kdy tato serverově – tiskárnová firma koupila britské analytiky Autonomy .

Dnes se však podíváme na toto téma z té lehčí strany. Nejzajímavější charakteristikou nové datové generace je totiž ochota vpustit datovou analytiku do osobního života. Uvědomění si motivačních zpětných vazeb pak vede k přeměně ochoty ve snahu měřit, analyzovat a zvyšovat motivaci k dosahování vlastních cílů. Dnes běžně dostupná komerční řešení umožňují například monitorovat sportovní výkony, stanovovat si cíle a soutěžit s přáteli (Nike Plus, Runkeeper a další), sledovat denní pohyb mimo sportovní aktivity (Fitbit), podrobně analyzovat spánek (například Zeo) či dlouhodobě sledovat hmotnost (Withings a další). To vše s navazující analýzou dat a jejich využití ke změně chování, například dosažení vyšší kvality spánku.
Člověk zvyklý analyzovat svoje vlastní chování a svoji vlastní výkonnost má pak zcela jiný přístup k využití velké datové analytiky v byznysu. Je zběhlejší v kreativním přemýšlení nad daty, podobami analýz a současně nad jejich omezeními.

Vše má samozřejmě své zdravé limity a “datový život” není výjimkou. Není proto pochyb, že ideálním přístupem je kombinace spolehlivé analytiky a byznysové intuice pocházející zejména ze zkušeností. Ty nejlepší poznáme v budoucnu podle toho, jak budou schopni pracovat s těmito dvěma přístupy a kombinovat je tak, aby navzájem vyvažovali omezení a nedostatky obou extrémů.

P.S.: Až zase budete koukat na krásné grafy, zkuste se zamyslet nad tím, odkud jsou data, jak byla analyzována a jaká je relevance prezentovaných srovnávání.