Använda datalogiskt tänkande för lösning av affärsproblem

CC: Människor som analyserar data på en digital surfplatta av AlphaT

Datalogiskt tänkande förväxlas ofta med en färdighet som en datavetenskapsexpert bör behärska för att utveckla lösningar via datorkod. Även om det är sant, behöver denna färdighetsuppsättning inte vara begränsad till dem. Att införliva beräkningstänkande i vetenskap, konst, företag etc. ger stora möjligheter och problemlösningsförmåga så att nyare, mer komplexa problem kan hanteras med lätthet. Den moderna arbetsplatsen handlar om problemlösning. Det är den underliggande aspekten av varje företag som i slutändan definierar dess framgång eller misslyckande.

Hur kan jag lära mig mer?

Innan du börjar rekommenderar vi att du bekantar dig med Databaserat tänkande: Vad är det? Hur används det?”. Med en sammanfattning av fyra principer för datalogiskt tänkande så kan vi börja med att lösa de utmaningar som identifierats i fallstudien "Business Challenges".

Läs fallstudien.
Det första steget är "Decomposition" som är processen att bryta ner komplexa problem i mindre och hanterbara delar. Använd "Utgiftslista" i resursavsnittet, skapa ett kalkylblad med kolumner för varje månad och rader för varje utgiftskategori och inkludera en rad för totala månatliga utgifter och genomsnittliga kostnader per kategori. Gå nu igenom de senaste sex månadernas utgifter och identifiera de tre främsta områdena där företaget spenderar mest pengar.
Det andra steget är "mönsterigenkänning". Precis som det låter handlar det om att känna igen mönster. Här vill vi att du undersöker kostnadstrender över tid. Finns det några återkommande toppar i vissa kategorier? För att ta reda på det, använd ett linjediagram för att visualisera utgiftstrender i de identifierade topputgiftsområdena – du kan använda Microsoft Excel, Google-ark eller grafer online.
Det tredje steget är "Abstraktion" även kallad "mönstergeneralisering" som gör det möjligt för oss att identifiera de mönster eller detaljer som är viktiga och som är relevanta för att lösa problemet och att kunna ignorera detaljerna som inte spelar någon roll. Gå tillbaka till diagrammet och bladet och bestäm vilka utgifter som är väsentliga för verksamheten och vilka som potentiellt kan minskas utan att skada verksamheten.
Det sista steget är "Algoritm" som är att kunna ta det man lärt sig för att designa en lösning eller steg som uppnår önskat resultat varje gång. Du skapar en algoritm för kostnadsminskning genom att utveckla en steg-för-steg-plan för att minska utgifterna. Detta kan innebära att omförhandla leverantörskontrakt, hitta mer överkomliga marknadsföringskanaler eller optimera energianvändningen: utarbeta ett förslag till handlingsplan, som beskriver varje steg som detta företag bör ta för att minska kostnaderna inom de identifierade områdena. Denna plan kan innefatta följande avsnitt:
- Inledning: ett kort avsnitt för bakgrundsinformation om analysen.
- Strategier för kostnadsminskning inom de identifierade områdena.
- Slutsats: sammanfattning av föreslagna strategier och förväntade resultat.
- Implementeringstidslinje: En tabell för planering när varje åtgärdssteg ska genomföras.

Testa dig själv

Vad har du lärt dig?

Genomfört en omfattande genomgång av företagets fallstudie för Closets & Blinds.
Gjort stegen dekomposition, mönsterigenkänning, abstraktion och algoritmdesign för att tackla affärsmässiga ekonomiska utmaningar.
Analyserade finansiell data för att skapa en informativ datapanel för utgiftsspårning och trendvisualisering.
Skapade en handlingsplan för kostnadsreduktion och affärsoptimering.
Förklara begreppet och tillämpningen av beräkningstänkande för att lösa affärsproblem.
Förstå betydelsen av steg i datalogiskt tänkande för att bryta ner komplexa problem och fatta strategiska beslut.
Använd datalogiskt tänkande för att identifiera nyckelområden för ett affärsproblem, särskilt kostnadsreduktion och processoptimering.
Skapa algoritmer eller handlingsplaner för att metodiskt minska kostnaderna och öka den operativa effektiviteten.
Utveckla ett analytiskt tänkesätt som utnyttjar strukturerade problemlösningsmetoder.
Främja en kultur av datacentrerat beslutsfattande och samarbete för att driva affärsoptimering och hållbarhet.

Slutsats

I den här omfattande modulen som fokuserar på att tillämpa datalogiskt tänkande för att ta itu med "affärsutmaningar", började du på en strategisk resa, med hjälp av de fyra pelarna för datalogiskt tänkande - nedbrytning, mönsterigenkänning, abstraktion och algoritmdesign - för att dissekera och navigera i komplexa affärsfrågor. Genom att metodiskt bryta ner komplexa finansiella data i hanterbara komponenter, känna igen utgiftsmönster, abstrahera handlingsbara insikter och skapa en detaljerad plan för kostnadsminskning, måste du ha skaffat dig ovärderlig kompetens. Denna process har belyst vikten av ett strukturerat tillvägagångssätt för problemlösning i företag, vilket säkerställer att beslut inte bara är reaktiva, utan proaktiva och informerade av en djup förståelse av de underliggande frågorna.
För att ta dessa färdigheter vidare kan du fördjupa din förståelse för datalogiskt tänkande och tillämpa samma steg på affärsproblemen i verkliga företag på Business Case Studies.