Bagaimana Kecerdasan Keputusan Secara Serius Dapat Meningkatkan Game BI Anda
Diterbitkan: 2022-01-29Bagi kebanyakan dari kita, membuat keputusan bisnis berdasarkan data adalah proses empat langkah. Pertama, Anda mengumpulkan data. Selanjutnya, Anda "menambang", yang berarti beberapa kombinasi alat dan ilmuwan data mencari pola dan korelasi antara berbagai jenis data. Ketiga, penemuan-penemuan itu dipompa ke dasbor dan visualisasi yang dapat dilihat manajer. Dari sana, terserah kepada manajer untuk menafsirkan apa yang dikatakan dasbor kepada mereka dan membuat keputusan.
Masalahnya adalah data yang telah Anda kumpulkan, dan pola yang ditemukan oleh alat dan ilmuwan data Anda, sekarang menentukan keputusan yang dapat Anda buat. Contoh sederhana: Katakanlah PCMag mengumpulkan banyak data tentang artikel mana yang berkinerja terbaik dalam hal berapa banyak klik yang diterima artikel atau grup artikel tertentu. Kemudian mesin basis data kami hidup kembali, mengelompokkan artikel terbaik bersama-sama, dan membangun visualisasi yang cantik sehingga kami dapat memahami apa yang ditemukan. Apa yang kami lihat memungkinkan kami melihat artikel paling sukses hingga saat itu. Kami kemudian dapat bekerja untuk mereplikasi kesuksesan itu di masa depan dengan menulis lebih banyak artikel seperti itu pada poros data tertentu, seperti topik, jenis artikel, atau bahkan penulisnya. Jadi yang kami lakukan adalah menggunakan data kami untuk mereplikasi kesuksesan kami di masa lalu. Tentu saja praktik yang efektif.
Tapi bagaimana jika kita membalikkannya?
Daripada membatasi diri dengan data yang telah kita kumpulkan, bagaimana jika kita mulai dengan mengajukan pertanyaan yang benar-benar ingin kita jawab: Artikel macam apa yang akan memberikan yang terbaik untuk kita di masa depan? Jika kita mulai dari sana, kita memerlukan proses untuk tidak hanya menemukan pertanyaan yang perlu kita ajukan untuk mendapatkan jawabannya, tetapi juga data yang perlu kita kumpulkan untuk mendukung pertanyaan tersebut. Tapi apa yang akan kami dapatkan adalah serangkaian jawaban yang jauh lebih berharga untuk membuat keputusan editorial kami.
Itu adalah salah satu metodologi baru yang lebih menarik yang muncul di alat analisis bisnis generasi berikutnya, dan ini disebut "decision intelligence" (DI). Di bawah ini, kami menjelaskan DI secara lebih rinci dan mendiskusikan apa yang perlu Anda ketahui untuk membuatnya bekerja untuk organisasi Anda.
Apa itu Kecerdasan Keputusan?
Cassie Kozyrkov, kepala ilmuwan keputusan di Google, menggambarkan DI sebagai cara untuk menambah ilmu data dengan ilmu sosial, teori keputusan, dan ilmu manajerial. Kombinasi ini lebih efektif dalam membantu orang benar-benar menggunakan data BI untuk membuat keputusan yang lebih baik. Dia menjelaskan perbedaan antara ilmu data dan DI sebagai perbedaan antara mereka yang membuat oven microwave dan juru masak yang menggunakannya.
DI tumbuh dari upaya rekayasa perangkat lunak untuk membangun keputusan praktik terbaik yang lebih baik dan melakukannya dalam skala besar. Dan menurut para ahli, ini sudah cukup matang sehingga harus mulai berdampak bahkan pada usaha kecil hingga menengah (UKM) dalam iterasi berikutnya dari alat cloud BI populer, seperti Microsoft PowerBI atau Tableau.
“Kecerdasan keputusan menghubungkan AI dan pengambilan keputusan manusia untuk membentuk kesimpulan yang lebih cerdas, yang mengarah pada hasil yang lebih menguntungkan,” kata Jack Zmudzinski, rekan senior di Future Processing, sebuah perusahaan pengembangan perangkat lunak khusus. "Jadi, daripada keputusan yang dibuat oleh manusia atau keputusan yang dibuat oleh komputer, ini adalah yang terbaik dari kedua dunia."
Kecerdasan keputusan meningkatkan apa yang biasanya dilakukan bisnis dengan data mereka. Dalam pendekatan data besar, alat analisis dan kueri biasanya dipilih agar sesuai dengan data. Dengan DI, keputusan yang dicarilah yang diprioritaskan; kueri kemudian dibangun, dan data dipilih berdasarkan relevansinya dengan pertanyaan. Jadi data mengambil peran pendukung daripada peran utama saat membuat keputusan berdasarkan data.
Para ahli mendefinisikan kecerdasan keputusan sebagai sebuah metodologi, tapi itu bukan salah satu yang memiliki proses payung tunggal. Bagaimana Anda menjalani DI akan bergantung pada bisnis Anda, data yang Anda kumpulkan, dan juga kemampuan perangkat analitik Anda. Namun, ide dasarnya akan selalu sama: menggunakan pendekatan visual yang dimulai dengan keputusan yang diperlukan dan kemudian bekerja mundur untuk menentukan data apa yang diperlukan dan bagaimana cara mendapatkannya.
Mengapa Anda Membutuhkan DI
Jika menurut Anda ini semua terdengar seperti masalah bisnis atau perusahaan besar, pikirkan lagi. Bahkan bisnis kecil dan "solopreneur" akan segera menggunakan teknologi ini, dan mereka akan dapat mengelolanya dengan sedikit usaha, dengan biaya yang masuk akal, dan dengan sukses berdasarkan pengetahuan dan bakat mereka sendiri. Intinya: bahkan para pemimpin bisnis kecil saat ini menggunakan database cloud canggih yang menyimpan banyak data dan analitik yang solid. Apa yang tidak mereka miliki adalah panduan nyata tentang bagaimana menggunakan informasi itu untuk membuat keputusan dunia nyata. Itu terutama berlaku untuk perusahaan kecil, dan itulah yang sedang ditangani oleh DI.
“Algoritma dan data bagus dalam memberi tahu kita 'Berikut adalah pengamatan atau data dan apa yang dapat disimpulkan.' Mereka tidak pandai memberi tahu kami keputusan apa yang perlu dilakukan,” kata Gopi Vikranth, associate principal di ZS Associates, perusahaan konsultan dan layanan profesional global. Sebelum bergabung dengan ZS pada tahun 2019, ia menjabat sebagai wakil presiden analisis data dan pemasaran besar untuk Melco Resorts and Entertainment, dan wakil presiden analisis pemasaran di Caesars Entertainment.
“Kecerdasan keputusan, di sisi lain, menjawab [pertanyaan] 'Jika Anda mengambil tindakan X, apa hasilnya di dunia nyata?' Ini penting untuk bisnis karena jarang ada situasi dengan informasi yang sempurna,” kata Vikranth.
Dia menggambarkan bisnis menengah sebagai contoh khas. Katakanlah perusahaan ini memiliki program loyalitas pelanggan. AI ditugaskan untuk meningkatkan keuntungan bisnis, sehingga secara matematis dapat menemukan cara untuk mengubah atau menghapus fasilitas pelanggan atau menaikkan harga untuk mengoptimalkan keuntungan itu. Tetapi sementara kesimpulan tersebut secara objektif “benar”, keputusan seperti itu dapat menyebabkan reaksi yang merugikan bagi pelanggan dan pemberi pengaruh, yang pada akhirnya menciptakan hilangnya loyalitas jangka panjang dan oleh karena itu pendapatan.
Jason Cotrell, CEO studio perangkat lunak Myplanet, mengutip hal berikut sebagai kasus penggunaan potensial untuk intelijen keputusan:
Personalisasi komponen front-end perangkat lunak (UI adaptif).
Rekomendasi produk.
Pencegahan churn pelanggan.
Optimalisasi harga untuk bisnis yang banyak melakukan transaksi, seperti maskapai penerbangan atau obat-obatan.
“Daripada mengatakan 'Data apa yang saya perlukan untuk membuat keputusan ini?' mengatakan 'Bagaimana saya membuat keputusan ini? Bagian mana yang memerlukan analisis data dan bagian mana yang dapat saya otomatisasi?' Dengan begitu, Anda akan lebih memanfaatkan analitik dan otomatisasi Anda,” jelas James Taylor, penulis buku “ Digital Decisioning: Using Decision Management to Deliver Business Impact From AI” dan CEO of Decision Management Solutions.
Segera Hadir: Alat Kecerdasan Keputusan
Jika Anda adalah bisnis kecil yang terjun ke data besar, platform Anda saat ini mungkin sudah memiliki alat yang Anda butuhkan untuk memulai DI. Para ahli mengatakan Anda bahkan mungkin tidak membutuhkannya.
“Anda dapat menggunakan metodologi DI hanya dengan pensil dan kertas, atau akhir-akhir ini saya menggunakan aplikasi Lucidspark untuk secara kolaboratif menggambar diagram aksi-ke-hasil (CDD),” kata Lorien Pratt, penemu pembelajaran transfer untuk mesin, pelopor intelijen keputusan , dan kepala ilmuwan dan salah satu pendiri di Quantellia, sebuah perusahaan pembelajaran mesin dan intelijen keputusan. Dia percaya bahwa DI berkembang pesat dan segera jenis pemodelan data ini akan tersedia untuk bisnis ukuran apa pun.
Menurut Pratt, iterasi mendatang dari platform intelijen bisnis umum akan mendukung DI. “Pada tingkat kecanggihan berikutnya, Anda akan dapat menyematkan model DI di dalam alat yang ada, seperti [Microsoft] Excel atau PowerBI,” katanya. Namun, untuk alat yang kurang canggih, proses ini kemungkinan akan terbatas, karena pengguna tersebut tidak akan dapat mengubah model mereka dengan cepat.
Tetapi sementara usaha kecil dapat menantikan platform DI yang disederhanakan di cloud, perusahaan akan membutuhkan lebih banyak daya tembak.
"Masalah terbesar adalah pendekatan investasi," kata Pratt, yang berarti bisnis besar perlu menempatkan keputusan di depan dan di tengah. Itu bisa menjadi rumit di organisasi besar. Anda harus mencari tahu tidak hanya jenis keputusan apa yang perlu dibuat , tetapi juga cara menangkap persyaratan tersebut.
"Untuk beberapa keputusan, tumpukan BI yang ada sudah cukup," kata Taylor. "Tetapi untuk yang lain, [perusahaan] kemungkinan akan merasa perlu berinvestasi dalam teknologi yang lebih maju, seperti analitik prediktif dan alat pembelajaran mesin." Selain itu, ia menyarankan bahwa untuk keputusan yang perlu dibuat perusahaan dengan sering atau cepat, menerapkan sistem manajemen aturan bisnis, seperti yang dari Agiloft atau IBM, dapat mengotomatiskan proses dan memanfaatkan algoritme pembelajaran mesin Anda dengan lebih baik.
Untuk bisnis kecil, itu mungkin berlebihan. Terutama karena layanan analitik cloud generasi berikutnya harus menyediakan semua kebutuhan otot DI UKM, hanya dengan lebih sedikit penerapan dan kesulitan belajar. Tetapi jika Anda masih ingin membuat DIY di DI, inilah yang menurut Taylor dibutuhkan oleh perusahaan biasa:
Direkomendasikan oleh Editor Kami
Perangkat lunak pemodelan keputusan untuk melakukan pengumpulan kebutuhan dan pemodelan data.
Perangkat lunak manajemen aturan bisnis untuk mengembangkan aturan keputusan Anda (kecuali jika Anda membuat keputusan yang relatif sedikit dengan kelonggaran untuk waktu hasil yang lama).
Semacam tumpukan pembelajaran mesin yang dapat digunakan untuk mengembangkan algoritme yang Anda perlukan.
Platform data yang memungkinkan Anda berdua membuat algoritme dan juga mengelola pengiriman data transaksional, lebih disukai secara real time.
Alat visualisasi data, terutama jika keputusan akhir Anda masih memiliki elemen manusia yang signifikan.
Pola vs. Intuisi
Mesin melihat masalah dan pola sebagai definisi yang jelas: hitam vs putih. Orang, di sisi lain, melihat nuansa, makna alternatif potensial, pilihan, dan jembatan ke pemikiran lain. Kejelasan tentang masalah apa pun sering kali merupakan fungsi kecerdasan intuitif daripada pelatihan akademis. Manusia dapat menggunakan keduanya, dan DI bertujuan untuk meningkatkan kemampuan tersebut.
“Kecerdasan keputusan didasarkan pada gagasan mencoba menggabungkan pendekatan realistis yang meniru keputusan seperti manusia,” kata Ervin Sejdic, profesor teknik listrik dan komputer dan sistem cerdas di Fakultas Teknik Universitas Pittsburgh Swanson. AI, pada dasarnya Anda hanya mengatur aturan untuk pembelajaran mesin: jika merah, ini, dan jika biru, itu itu.
Sejdic mengutip pembelian mobil sebagai contoh. “Jika Anda membeli mobil, dan Anda menetapkan kriteria tertentu seperti mil per galon atau merek tertentu, algoritme akan menemukan mobil untuk Anda. Tapi kami menguji drive mobil dan melihat bagaimana rasanya dan mengemudi, dan itu adalah input lunak yang sulit untuk kode keras, ”jelasnya. “Untuk alasan itu, intelijen keputusan mencoba untuk menyandikan keputusan yang lebih lembut yang kami buat, dan hal-hal itu berbeda dari AI khas Anda.”
Sejdic mencatat bahwa jika berhasil, DI dapat diterapkan pada apa saja. Cara untuk memutuskan di mana menggunakannya adalah dengan menemukan area di mana Anda ingin tahu tindakan apa yang terbaik untuk Anda ambil.
“Sebagian besar analitik dan intelijen bisnis bersifat deskriptif. Anda merekam apa yang terjadi dan kemudian Anda memplot angka-angka dalam bagan. Ini memberitahu Anda apa yang baru saja terjadi sehingga Anda dapat mencoba untuk memahami. Bentuk lain bersifat prediktif. Mereka seperti ramalan cuaca. Mereka memberi tahu Anda apa yang akan terjadi.” jelas Chris Nicholson, CEO Pathmind, sebuah perusahaan AI yang menargetkan operasi industri dan rantai pasokan.
“Ada sisi kuantitatif dan kualitatif dalam kecerdasan keputusan, dan bisnis perlu mempertimbangkan keduanya,” kata Vikranth dari ZS Associates. Di sisi kuantitatif, jelasnya, adalah pengumpulan data, triangulasi dan rekayasa, infrastruktur AI dan ilmu data, dan bakat pemrograman. Kunci di sisi ini adalah data yang akurat. Bisnis dengan ukuran apa pun perlu menginvestasikan waktu dan upaya untuk menentukan indikator kinerja dan memastikan bahwa mereka mengumpulkan data yang benar dan disimpan dengan cara yang dapat digunakan oleh tumpukan DI mereka.
Di sisi kualitatif, Vikranth mengatakan bisnis membutuhkan bakat yang tepat untuk mengubah wawasan, kesimpulan, atau keluaran menjadi keputusan dan tindakan. Ini perlu dikontekstualisasikan untuk bisnis mereka. Alat bagaimana-jika dan uji-dan-belajar dapat sangat membantu proses ini.
"Kedua sisi digabungkan adalah kecerdasan keputusan," kata Vikranth. "Dengan cara ini, AI tidak mengeluarkan manusia dari persamaan." Vikranth percaya ini penting karena algoritme matematika, terutama jika mereka mengerjakan data yang tidak sempurna, tidak bisa datang ke setiap jenis keputusan yang optimal.
Evolusi Ilmuwan Data
Administrator database lama memunculkan analis intelijen bisnis dan ilmu data tradisional. DI membantu mengembangkan disiplin tersebut menjadi peran baru dan jauh lebih efektif, yaitu sebagai penerjemah ilmu data. Menurut para ahli seperti Vikranth, orang-orang ini akan menggunakan DI untuk mengambil skenario bagaimana-jika bisnis dan mengerjakannya melalui tumpukan AI untuk memahami tindakan apa yang perlu diambil bisnis dan jenis hasil yang dapat diberikan tindakan tersebut.
Kecerdasan keputusan memungkinkan teknologi dan orang masing-masing melakukan yang terbaik. Teknologi, seperti analitik dan AI, dengan cepat menemukan koneksi dan pola dalam kumpulan data yang sangat besar, tetapi itu hanya separuh perjalanan. DI dapat menggunakan informasi itu dan membantu Anda menerapkan faktor manusia yang lebih tidak berwujud, seperti kecerdasan intuitif, kreativitas, pengalaman, dan kemampuan untuk berhasil menavigasi melalui nuansa. Itu membuat DI menjadi model analisis hybrid baru yang kuat bahkan untuk organisasi kecil, dan salah satu yang sangat efektif dalam skala.