Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Primend Ärikonverents - Eelarve 2017 – Kuidas andmete ja Exceliga eelarvestamine lihtsaks teha

136 visualizaciones

Publicado el

Paljud analüütikalahendused eeldavad kalli tarkvara hankimist. Kaarel näitab, kuidas IONO teenuse kasutajad saavad omale tuttavate Exceli ja PowerBI rakendustega mugavalt eelarveid koostada ja ajakohasena hoida. Lisaks näitab Kaarel demos, kuidas saab PowerBI töölauale lihtsalt juurde lisada turu olukorda peegeldavaid graafikuid, et ettevõte omaks alati ajakohast infot ja oleks turu suundumistega kursis.

Esinejad: Toomas Mõttus (Primend), Kaarel Kivistik (Intelex Insight)

Publicado en: Empresariales
  • Sé el primero en comentar

Primend Ärikonverents - Eelarve 2017 – Kuidas andmete ja Exceliga eelarvestamine lihtsaks teha

  1. 1. Eelarve 2017 – Kuidas andmete ja Exceliga eelarvestamine lihtsaks teha Toomas Mõttus (Primend) Kaarel Kivistik (Intelex Insight) Primend Ärikonverents 7. september 2016
  2. 2. ANDMEID ON PALJU, KUID OTSUSTAMISEKS VÄHE
  3. 3. Tulemuse mõõtmine jätab võidu õnne küsimuseks • Töötajat saab kas kiita või laita, kuid sisulist tagasisidet on raske anda • Juhtimiseks on vaja anda suund võimalikult varakult. • Juhtimine finantsandmetele tuginedes ei ole juhtimine, vaid tegelemine tagajärgedega.
  4. 4. IONO Ennustatav müügitulemus Tark mees taskus Õige tootmisvõimsus Iseteenindus Digitaalne turundus
  5. 5. INFOT TARBITAKSE LÄBI „LIITSEADME“ Varem mõeldi infotehnoloogiast kui arvutitest. Nüüd mõeldakse infotehnoloogiast kui teenustest Töövoos kasutatakse hetkel kõige mugavamat seadet, sõltuvalt tegevusest või asukohast. PILVETEENUSED
  6. 6. KIIRE ÜLEVAADE JOOKSU PEALT JA SÜVA- ANALÜÜS SUUREL EKRAANIL
  7. 7. ANDMETE PALJUSUST JA PAINDLIKKU KASUTUST TOETAV ARHITEKTUUR
  8. 8. ANDMETE RIKASTAMINE Avalike andmekogude andmed lingitakse andmelaoga selliselt, et andmetele lisada uut mõõdet ning võrdlusbaasi Andmeladu erinevatest allikatest kogutud ja puhastud andmekogudega Ava-andmed Riiklikud andmebaasid
  9. 9. ÕPPIV PROGNOOSIMINE Erinevatest allikatest kogutud andmed liidetakse ühtsesse andmemudelisse. Andmemudelit kasutades on võimalik oma aruandesse ise valida omale olulisi andmeid ning valida neile sobiv graafiline kuju Prognoosimise mudel õpib ise kogutud andmeid analüüsides Andmeladu erinevatest allikatest kogutud ja puhastud andmekogudega Machine Learning
  10. 10. ÜHTNE TÖÖVOOG JA TUTTAV ISETEENINDUSE KASUTAJALIIDES Ligipääs samadele andmetele nii telefonist kui arvutist Iga ekraani jaoks õige, mugav ja tuttav töövahend. Kui analüüsi saab teha ise, saab vastused uutele küsimustele kiiremini ja omale väärtuslikul kujul Andmeladu erinevatest allikatest kogutud ja puhastud andmekogudega
  11. 11. TULEMUSEKS ON MUGAV ANALÜÜSIKESKKOND, KUS ÜHTSESSE MUDELISSE ON ÜHENDATUD RIKASTATUD ANDMED JA ÕPPIVAD PROGNOOSID Machine Learning Andmemudel Andmeladu erinevatest allikatest kogutud ja puhastud andmekogudega Ava-andmed Riiklikud andmebaasid
  12. 12. MICROSOFT ON TEHNOLOOGIALIIDER
  13. 13. MS JA ANDMEBAASID
  14. 14. EESMÄRKE TOETAV ÕPPIMINE Aruannetele ühtne andmemudel Aruandluse iseteenindus Andmete rikastamine Õppivad prognoosid Eesmärkidest lähtuv soorituse juhtimine Uued prognoosimise ideed Võimalus ise andmeid uurida loob kiiremini uut teadmist. Tekivad uued küsimused Soorituse ja tulemuse pidev võrdlemine loob uut teadmist, mille abil teha täpsemaid prognoose Täpsemad eesmärgid nõuavad uusi teadmisi
  15. 15. JÄRGMISED SAMMUD Analüüsi- vajadus Seame eesmärgid Aastane tegevuskava Arendus- projektid Tulemuste hindamine Soorituse juhtimine Andmete kogumine Aruandlus Juhenda- mine Mõõdikud Andmete allikad Otsustus- mudelid• Ettevõtted on kestvas arengus, nii ka toetavad analüüsisüsteemid • Alustame vajadustest, et saavutada olulisi tulemusi • Pilve mudelis tuleb teenuse eest maksta vaid kasutamisel
  16. 16. KOKKUVÕTE: MIKS IONO? • Vaid siis kui andmetest kujunevad teadmised, on need jõud • Teeme ära keerulise • Andmete kokku toomise • Puhastamise ja normaliseerimise • Ühtsesse andmemudelisse liitmise • Masinõppimine on ressursimahukas. Pilveteenuses saab vajaliku mahu arvutusressurssi arvutamise ajaks. • Õppimine on kestev protsess, mis ei lõpe kunagi. Sellel teekonnal on vaja usaldusväärset tuge, kes toetab uutele küsimustele vastuste otsimisel • Iono teenuse tulemit saab tarbida tuttavate standardsete vahenditega • Alustamiseks ei ole vaja teha suurt alginvesteeringut litsentside ja seadmete ostmiseks
  17. 17. AITÄH!

×