Wie Entscheidungsintelligenz Ihr BI-Spiel ernsthaft verbessern kann
Veröffentlicht: 2022-01-29Für die meisten von uns ist das Treffen datengestützter Geschäftsentscheidungen ein vierstufiger Prozess. Zuerst sammelst du die Daten. Als nächstes "minen" Sie es, was einfach bedeutet, dass eine Kombination von Tools und Datenwissenschaftlern nach Mustern und Korrelationen zwischen verschiedenen Arten von Daten suchen. Drittens werden diese Entdeckungen in die Dashboards und Visualisierungen gepumpt, die Manager sehen können. Von dort aus ist es Sache des Managers, zu interpretieren, was das Dashboard ihm sagt, und seine Entscheidung zu treffen.
Das Problem dabei ist, dass die von Ihnen gesammelten Daten und die Muster, die Ihre Tools und Data Scientists entdeckt haben, nun die Entscheidungen definieren, die Sie treffen können. Ein vereinfachtes Beispiel: Sagen Sie, PCMag sammelt jede Menge Daten darüber, welche Artikel im Hinblick darauf, wie viele Klicks ein bestimmter Artikel oder eine Artikelgruppe erhalten hat, am besten abgeschnitten haben. Dann erwachen unsere Datenbank-Engines zum Leben, gruppieren die besten Artikel und erstellen hübsche Visualisierungen, damit wir verstehen können, was gefunden wurde. Was wir uns ansehen, lässt uns die erfolgreichsten Artikel bis zu diesem Zeitpunkt sehen. Wir können dann daran arbeiten, diesen Erfolg in Zukunft zu wiederholen, indem wir mehr solcher Artikel zu einem bestimmten Datenpunkt schreiben, wie zum Beispiel dem Thema, der Art des Artikels oder sogar dem Autor. Wir verwenden also unsere Daten, um unsere vergangenen Erfolge zu replizieren. Sicherlich eine effektive Praxis.
Aber was wäre, wenn wir das umdrehen würden?
Anstatt uns auf die gesammelten Daten zu beschränken, was wäre, wenn wir einfach damit beginnen würden, die Frage zu stellen, die wir wirklich beantworten wollen: Welche Art von Artikeln wird uns in Zukunft am besten tun? Wenn wir dort anfangen, brauchen wir einen Prozess, um nicht nur die Fragen zu entdecken, die wir stellen müssen, um die Antwort zu erhalten, sondern auch die Daten, die wir sammeln müssen, um diese Fragen zu unterstützen. Aber was wir bekommen würden, wäre eine viel wertvollere Reihe von Antworten, mit denen wir unsere redaktionellen Entscheidungen treffen könnten.
Das ist eine der aufregenderen neuen Methodologien, die in der nächsten Generation von Business-Analytics-Tools auftauchen, und sie heißt „Entscheidungsintelligenz“ (DI). Im Folgenden beschreiben wir DI ausführlicher und erörtern, was Sie wissen müssen, damit es für Ihre Organisation funktioniert.
Was ist Entscheidungsintelligenz?
Cassie Kozyrkov, Chief Decision Scientist bei Google, beschreibt DI als eine Möglichkeit, Data Science mit Sozialwissenschaften, Entscheidungstheorie und Managementwissenschaft zu erweitern. Diese Kombination ist effektiver darin, Menschen dabei zu helfen, BI-Daten tatsächlich zu nutzen, um bessere Entscheidungen zu treffen. Sie beschreibt den Unterschied zwischen Data Science und DI als den Unterschied zwischen denen, die Mikrowellen herstellen, und den Köchen, die sie benutzen.
DI entstand aus den Bemühungen der Softwareentwicklung, verbesserte Best-Practice-Entscheidungen zu treffen, und zwar in großem Umfang. Und laut Experten ist es so ausgereift, dass es in der nächsten Iteration beliebter Cloud-BI-Tools wie Microsoft PowerBI oder Tableau sogar kleine und mittelständische Unternehmen (KMU) beeinflussen sollte.
„Entscheidungsintelligenz verbindet KI und menschliche Entscheidungsfindung, um intelligentere Schlussfolgerungen zu ziehen, die zu günstigeren Ergebnissen führen“, sagt Jack Zmudzinski, Senior Associate bei Future Processing, einem Unternehmen für kundenspezifische Softwareentwicklung. „Es ist also eher das Beste aus beiden Welten als eine Entscheidung eines Menschen oder eine Entscheidung eines Computers.“
Entscheidungsintelligenz stellt das auf den Kopf, was Unternehmen normalerweise mit ihren Daten tun. Bei einem Big-Data-Ansatz werden die Analysewerkzeuge und die Abfragen typischerweise passend zu den Daten ausgewählt. Bei DI steht die gesuchte Entscheidung an erster Stelle; Die Abfrage wird dann erstellt und die Daten nach ihrer Relevanz für die Frage ausgewählt. Die Daten spielen also eher eine unterstützende als die Hauptrolle bei datengetriebenen Entscheidungen.
Experten definieren Entscheidungsintelligenz als eine Methodik, aber es ist keine, die einen einzigen übergeordneten Prozess hat. Wie Sie mit DI umgehen, hängt von Ihrem Unternehmen, den Daten, die Sie sammeln, und auch von den Fähigkeiten Ihres Analyse-Toolsets ab. Die Grundidee wird jedoch immer dieselbe sein: Verwenden eines visuellen Ansatzes, der mit der erforderlichen Entscheidung beginnt und dann rückwärts arbeitet, um festzustellen, welche Daten benötigt werden und wie man sie erhält.
Warum Sie DI brauchen
Wenn Sie denken, dass dies alles nach einem großen Geschäfts- oder Unternehmensproblem klingt, denken Sie noch einmal darüber nach. Auch kleine Unternehmen und „Solopreneurs“ werden bald über diese Technologien verfügen und sie mit geringem Aufwand, zu vertretbaren Kosten und mit Erfolg auf der Grundlage ihrer eigenen Kenntnisse und Fähigkeiten verwalten können. Fazit: Heutzutage verwenden selbst kleine Unternehmensführer ausgeklügelte Cloud-Datenbanken, die viele Daten und solide Analysen enthalten. Was ihnen fehlt, ist eine echte Anleitung, wie diese Informationen verwendet werden können, um Entscheidungen in der realen Welt zu treffen. Das gilt insbesondere für kleine Unternehmen, und genau darauf zielt DI ab.
„Algorithmen und Daten sind gut darin, uns zu sagen ‚Hier sind die Beobachtungen oder Daten und was daraus geschlossen werden kann.' Sie sind nicht gut darin, uns zu sagen, welche Entscheidung getroffen werden muss“, sagte Gopi Vikranth, Associate Principal bei ZS Associates, einem globalen Beratungs- und Dienstleistungsunternehmen. Bevor er 2019 zu ZS kam, war er Vice President of Big Data and Marketing Analytics bei Melco Resorts and Entertainment und Vice President of Marketing Analytics bei Caesars Entertainment.
„Entscheidungsintelligenz hingegen beantwortet [die Frage] ‚Wenn Sie Aktion X ergreifen würden, was wäre das Ergebnis in der realen Welt?' Dies ist für Unternehmen von entscheidender Bedeutung, da es selten Situationen mit perfekten Informationen gibt“, sagte Vikranth.
Als typisches Beispiel nennt er ein mittelständisches Unternehmen. Angenommen, dieses Unternehmen hat ein Kundenbindungsprogramm. Eine KI hat die Aufgabe, den Geschäftsgewinn zu verbessern, sodass sie mathematisch Wege finden könnte, Kundenvergünstigungen zu ändern oder zu entfernen oder die Preise zu erhöhen, um diesen Gewinn zu optimieren. Aber obwohl diese Schlussfolgerungen objektiv „richtig“ sind, könnte eine solche Entscheidung sehr wohl zu einer kostspieligen Gegenreaktion bei Kunden und Influencern führen und letztendlich zu einem langfristigen Loyalitäts- und damit Umsatzverlust führen.
Jason Cotrell, CEO des Softwarestudios Myplanet, nennt die folgenden potenziellen Anwendungsfälle für Entscheidungsintelligenz:
Personalisierung der Front-End-Komponenten der Software (adaptive UI).
Produktempfehlungen.
Kundenabwanderung verhindern.
Preisoptimierung für transaktionsintensive Unternehmen wie Fluggesellschaften oder Pharmazeutika.
„Anstatt zu sagen ‚Welche Daten brauche ich, um diese Entscheidung zu treffen?' sagen: „Wie treffe ich diese Entscheidung? Welche Teile erfordern eine Datenanalyse und welche Teile kann ich automatisieren?' Auf diese Weise können Sie Ihre Analysen und Automatisierung besser nutzen“, erklärt James Taylor, Autor des Buches „ Digital Decisioning: Using Decision Management to Deliver Business Impact From AI“ und CEO von Decision Management Solutions.
Demnächst erhältlich: Entscheidungsintelligenz-Tools
Wenn Sie ein kleineres Unternehmen sind, das sich mit Big Data beschäftigt, verfügt Ihre aktuelle Plattform möglicherweise bereits über die Tools, die Sie für den Einstieg in DI benötigen. Experten sagen, dass Sie das vielleicht nicht einmal brauchen.
„Sie können eine DI-Methodik nur mit Bleistift und Papier verwenden, oder neuerdings verwende ich die Lucidspark-App, um gemeinsam Aktions-zu-Ergebnis-Diagramme (CDDs) zu zeichnen“, sagt Lorien Pratt, der Erfinder des Transfer-Lernens für Maschinen, ein Pionier der Entscheidungsintelligenz , und Chefwissenschaftler und Mitbegründer von Quantellia, einem Unternehmen für maschinelles Lernen und Entscheidungsintelligenz. Sie glaubt, dass DI schnell ausgereift ist und dass diese Art der Datenmodellierung bald für Unternehmen jeder Größe verfügbar sein wird.
Laut Pratt werden kommende Iterationen gängiger Business-Intelligence-Plattformen DI unterstützen. „Auf der nächsten Entwicklungsstufe können Sie DI-Modelle in vorhandene Tools wie [Microsoft] Excel oder PowerBI einbetten“, sagt sie. Bei weniger ausgefeilten Tools ist dieser Prozess jedoch wahrscheinlich eingeschränkt, da diese Benutzer ihre Modelle nicht im laufenden Betrieb ändern können.
Aber während sich kleine Unternehmen auf vereinfachte DI-Plattformen in der Cloud freuen können, werden Unternehmen viel mehr Feuerkraft benötigen.
„Das größte Problem ist ein Investitionsansatz“, sagt Pratt, was bedeutet, dass große Unternehmen Entscheidungen in den Mittelpunkt stellen müssen. Das kann in großen Organisationen kompliziert werden. Sie müssen nicht nur herausfinden, welche Arten von Entscheidungen getroffen werden müssen , sondern auch, wie diese Anforderungen erfasst werden können.
„Für einige Entscheidungen wird der vorhandene BI-Stack ausreichen“, sagt Taylor. „Aber für andere werden [Unternehmen] wahrscheinlich feststellen, dass sie in fortschrittlichere Technologien wie Predictive Analytics und Tools für maschinelles Lernen investieren müssen.“ Außerdem rät er dass für die Entscheidungen, die Unternehmen häufig oder schnell treffen müssen, der Einsatz eines Business Rules Management Systems, wie das von Agiloft oder IBM, den Prozess automatisieren und Ihre maschinellen Lernalgorithmen besser nutzen kann.
Für kleinere Unternehmen ist das wahrscheinlich übertrieben. Zumal Cloud-Analysedienste der nächsten Generation alle DI-Muskeln bieten sollten, die KMU benötigen, nur mit weniger Bereitstellungs- und Lernkopfschmerzen. Aber wenn Sie immer noch DIY auf DI machen wollen, ist hier, was laut Taylor ein typisches Unternehmen braucht:
Von unseren Redakteuren empfohlen
Entscheidungsmodellierungssoftware zur Erfassung von Anforderungen und Datenmodellierung.
Geschäftsregelverwaltungssoftware zur Entwicklung Ihrer Entscheidungsregeln (es sei denn, Sie treffen relativ wenige Entscheidungen mit Berücksichtigung langer Ergebniszeiten).
Eine Art Machine-Learning-Stack, mit dem Sie die benötigten Algorithmen entwickeln können.
Eine Datenplattform, mit der Sie sowohl Ihre Algorithmen erstellen als auch die Transaktionsdatenlieferung verwalten können, vorzugsweise in Echtzeit.
Ein Datenvisualisierungstool, insbesondere wenn Ihre endgültigen Entscheidungen immer noch ein bedeutendes menschliches Element enthalten.
Muster vs. Intuition
Maschinen sehen Probleme und Muster als klar definiert: schwarz vs. weiß. Menschen hingegen sehen Nuancen, mögliche alternative Bedeutungen, Optionen und Brücken zu anderen Gedanken. Klarheit in jeder Frage ist oft eher eine Funktion intuitiver Intelligenz als akademischer Ausbildung. Menschen können beides nutzen, und DI zielt darauf ab, diese Fähigkeiten zu skalieren.
„Entscheidungsintelligenz basiert auf dieser Idee, realistische Ansätze zu integrieren, die menschenähnliche Entscheidungen nachahmen“, sagt Ervin Sejdic, außerordentlicher Professor für Elektro- und Computertechnik und intelligente Systeme an der Swanson School of Engineering der University of Pittsburgh KI, Sie stellen im Grunde nur die Regeln für maschinelles Lernen auf: Wenn es rot ist, ist es dies, und wenn es blau ist, ist es das.“
Als Beispiel nennt Sejdic einen Autokauf. „Wenn Sie ein Auto kaufen und bestimmte Kriterien wie Meilen pro Gallone oder eine bestimmte Marke festlegen, würde ein Algorithmus ein Auto für Sie finden. Aber wir testen das Auto und sehen, wie es sich anfühlt und fährt, und das sind die weichen Eingaben, die schwer fest zu codieren sind“, erklärt er. „Aus diesen Gründen versucht die Entscheidungsintelligenz, die weicheren Entscheidungen, die wir treffen, zu codieren, und diese Dinge unterscheiden sich von Ihrer typischen KI.“
Sejdic merkt an, dass DI bei Erfolg auf alles angewendet werden kann. Um zu entscheiden, wo Sie es verwenden möchten, müssen Sie Bereiche finden, in denen Sie wissen möchten, welche Maßnahmen für Sie am besten geeignet sind.
„Die meisten Analysen und Business Intelligence sind beschreibend. Sie zeichnen auf, was passiert, und tragen die Zahlen dann in ein Diagramm ein. Es sagt Ihnen, was gerade passiert ist, damit Sie versuchen können, es zu verstehen. Andere Formen sind prädiktiv. Sie sind wie Wettervorhersagen. Sie sagen dir, was passieren wird.“ erklärte Chris Nicholson, CEO von Pathmind, einem KI-Unternehmen, das auf Industriebetriebe und Lieferketten abzielt.
„Entscheidungsintelligenz hat eine quantitative und eine qualitative Seite, und Unternehmen müssen beides berücksichtigen“, sagt Vikranth von ZS Associates. Auf der quantitativen Seite, erklärt er, geht es um Datenerfassung, Triangulation und Engineering, KI- und Data-Science-Infrastruktur sowie Programmiertalent. Der Schlüssel auf dieser Seite sind genaue Daten. Unternehmen jeder Größe müssen Zeit und Mühe investieren, um Leistungsindikatoren zu definieren und sicherzustellen, dass sie die richtigen Daten sammeln und diese so speichern, dass sie von ihrem DI-Stack verwendet werden können.
Auf der qualitativen Seite sagt Vikranth, dass Unternehmen die richtigen Talente brauchen, um Erkenntnisse, Schlussfolgerungen oder Ergebnisse in Entscheidungen und Maßnahmen umzuwandeln. Diese müssen für ihr Geschäft kontextualisiert werden. Was-wäre-wenn- und Test-and-Learn-Tools können diesen Prozess erheblich unterstützen.
„Beide Seiten zusammen sind Entscheidungsintelligenz“, sagt Vikranth. „Auf diese Weise nimmt die KI den Menschen nicht aus der Gleichung heraus.“ Vikranth glaubt, dass dies wichtig ist, da mathematische Algorithmen, insbesondere wenn sie mit unvollständigen Daten arbeiten, dies nicht können zu irgendeiner optimalen Entscheidung kommen.
Die Evolution des Datenwissenschaftlers
Aus alten Datenbankadministratoren entstanden Business-Intelligence-Analysten und traditionelle Datenwissenschaft. DI trägt dazu bei, diese Disziplin zu einer neuen und viel effektiveren Rolle zu entwickeln, nämlich der von Data-Science-Übersetzern. Laut Experten wie Vikranth werden diese Leute DI verwenden, um die Was-wäre-wenn-Szenarien eines Unternehmens zu nehmen und sie durch einen KI-Stack zu arbeiten, um zu verstehen, welche Maßnahmen das Unternehmen ergreifen muss und welche Art von Ergebnissen diese Maßnahmen liefern können.
Entscheidungsintelligenz lässt Technologie und Menschen das tun, was sie am besten können. Technologien wie Analytik und KI finden schnell die Verbindungen und Muster in riesigen Datenpools, aber das ist nur die halbe Reise. DI kann diese Informationen nutzen und Ihnen helfen, die weniger greifbaren menschlichen Faktoren wie intuitive Intelligenz, Kreativität, Erfahrung und die Fähigkeit, erfolgreich durch Nuancen zu navigieren, anzuwenden. Das macht DI selbst für kleine Organisationen zu einem leistungsstarken neuen hybriden Analysemodell, das im großen Maßstab besonders effektiv ist.