In che modo l'intelligenza decisionale può potenziare seriamente il tuo gioco di BI
Pubblicato: 2022-01-29Per la maggior parte di noi, prendere decisioni aziendali basate sui dati è un processo in quattro fasi. Innanzitutto, raccogli i dati. Successivamente, lo "estrai", il che significa solo che una combinazione di strumenti e data scientist cercano modelli e correlazioni tra diversi tipi di dati. In terzo luogo, queste scoperte vengono pompate nei dashboard e nelle visualizzazioni che i manager possono vedere. Da lì, spetta al manager interpretare ciò che la dashboard sta dicendo loro e prendere la decisione.
Il problema è che i dati che hai raccolto e i modelli che i tuoi strumenti e data scientist hanno scoperto ora definiscono le decisioni che puoi prendere. Un esempio semplificato: Say PCMag raccoglie un sacco di dati su quali articoli hanno ottenuto i risultati migliori in termini di numero di clic ricevuti da un particolare articolo o gruppo di articoli. Quindi i nostri motori di database prendono vita, raggruppano i migliori articoli e creano graziose visualizzazioni in modo da poter capire cosa è stato trovato. Quello che stiamo guardando ci permette di vedere gli articoli di maggior successo fino a quel momento. Possiamo quindi lavorare per replicare quel successo in futuro scrivendo più articoli di questo tipo su un dato pivot di dati, come l'argomento, il tipo di articolo o persino l'autore. Quindi quello che stiamo facendo è usare i nostri dati per replicare i nostri successi passati. Sicuramente una pratica efficace.
Ma cosa succederebbe se cambiassimo le cose?
Invece di limitarci ai dati che abbiamo raccolto, cosa accadrebbe se iniziassimo semplicemente ponendo la domanda a cui vogliamo davvero una risposta: che tipo di articoli funzioneranno meglio per noi in futuro? Se iniziamo da lì, abbiamo bisogno di un processo per scoprire non solo le domande che dobbiamo porre per ottenere la risposta, ma anche i dati che dovremo raccogliere per supportare tali domande. Ma quello che otterremmo è un insieme di risposte molto più prezioso con cui prendere le nostre decisioni editoriali.
Questa è una delle nuove metodologie più interessanti che emergono nella prossima generazione di strumenti di analisi aziendale e si chiama "decision intelligence" (DI). Di seguito, descriviamo la DI in modo più dettagliato e discutiamo di ciò che devi sapere per farlo funzionare per la tua organizzazione.
Che cos'è l'intelligenza decisionale?
Cassie Kozyrkov, chief decision scientist di Google, descrive la DI come un modo per aumentare la scienza dei dati con le scienze sociali, la teoria delle decisioni e le scienze manageriali. Questa combinazione è più efficace nell'aiutare le persone a utilizzare effettivamente i dati BI per prendere decisioni migliori. Descrive la differenza tra data science e DI come la differenza tra coloro che producono forni a microonde e i cuochi che li usano.
DI è nata dagli sforzi dell'ingegneria del software per costruire decisioni migliori sulle migliori pratiche e farlo su larga scala. E secondo gli esperti, è abbastanza maturo da iniziare a influenzare anche le piccole e medie imprese (PMI) nella prossima iterazione dei popolari strumenti di cloud BI, come Microsoft PowerBI o Tableau.
"L'intelligenza decisionale collega l'intelligenza artificiale e il processo decisionale umano per trarre conclusioni più intelligenti, che portano a risultati più favorevoli", afferma Jack Zmudzinski, un associato senior di Future Processing, una società di sviluppo software personalizzato. "Quindi, piuttosto che una decisione presa da un essere umano o una decisione presa da un computer, è il meglio di entrambi i mondi."
L'intelligenza decisionale capovolge ciò che le aziende fanno in genere con i propri dati. In un approccio ai big data, gli strumenti di analisi e le query vengono in genere scelti per adattarsi ai dati. Con DI, è la decisione che si cerca ad avere la priorità; la query viene quindi costruita e i dati selezionati in base alla loro rilevanza per la domanda. Quindi i dati assumono un ruolo di supporto piuttosto che il ruolo principale quando si prendono decisioni basate sui dati.
Gli esperti definiscono l'intelligenza decisionale come una metodologia, ma non è quella che ha un unico processo ombrello. Il modo in cui esegui la DI dipenderà dalla tua attività, dai dati che stai raccogliendo e anche dalle capacità del tuo set di strumenti di analisi. Tuttavia, l'idea di base sarà sempre la stessa: utilizzare un approccio visivo che inizia con la decisione richiesta e poi lavora a ritroso per determinare quali dati sono necessari e come ottenerli.
Perché hai bisogno di DI
Se pensi che tutto questo suoni come un grosso problema aziendale o aziendale, ripensaci. Anche le piccole imprese e i "soloimprenditori" utilizzeranno presto queste tecnologie, e saranno in grado di gestirle con pochissimo sforzo, a costi ragionevoli e con successo in base alle proprie conoscenze e talenti. In conclusione: anche i leader delle piccole imprese in questi giorni utilizzano sofisticati database cloud che contengono molti dati e analisi solide. Ciò che manca loro è una guida reale su come utilizzare tali informazioni per prendere decisioni nel mondo reale. Questo è particolarmente vero per le piccole aziende, ed è esattamente ciò a cui si rivolge la DI.
“Algoritmi e dati sono bravi a dirci 'Ecco le osservazioni oi dati e cosa si può concludere.' Non sono bravi a dirci quale decisione deve prendere", ha affermato Gopi Vikranth, un associato principale di ZS Associates, una società globale di consulenza e servizi professionali. Prima di entrare in ZS nel 2019, ha ricoperto ruoli di vicepresidente dei big data e dell'analisi di marketing per Melco Resorts and Entertainment e di vicepresidente dell'analisi di marketing presso Caesars Entertainment.
"L'intelligenza decisionale, d'altra parte, risponde [alla domanda] 'Se dovessi intraprendere l'azione X, quale sarebbe il risultato nel mondo reale?' Questo è fondamentale per le aziende poiché raramente si verifica una situazione con informazioni perfette", ha affermato Vikranth.
Descrive un'impresa di medie dimensioni come un tipico esempio. Supponiamo che questa azienda abbia un programma di fidelizzazione dei clienti. Un'IA ha il compito di migliorare i profitti aziendali, quindi potrebbe trovare matematicamente modi per modificare o rimuovere i vantaggi dei clienti o aumentare i prezzi per ottimizzare tale profitto. Ma mentre queste conclusioni sono oggettivamente "corrette", una tale decisione potrebbe causare un costoso contraccolpo con clienti e influencer, creando in definitiva una perdita di fedeltà a lungo termine e quindi di entrate.
Jason Cotrell, CEO dello studio di software Myplanet, cita quanto segue come potenziali casi d'uso per l'intelligenza decisionale:
Personalizzazione dei componenti front-end del software (interfaccia utente adattiva).
Consigli sui prodotti.
Prevenzione dell'abbandono dei clienti.
Ottimizzazione dei prezzi per attività che richiedono transazioni pesanti, come compagnie aeree o prodotti farmaceutici.
"Invece di dire 'Di quali dati ho bisogno per prendere questa decisione?' dire 'Come faccio a prendere questa decisione? Quali pezzi richiedono l'analisi dei dati e quali pezzi posso automatizzare?' In questo modo, sfrutterai meglio la tua analisi e automazione", spiega James Taylor, autore del libro " Digital Decisioning: Using Decision Management to Deliver Business Impact From AI" e CEO di Decision Management Solutions.
Prossimamente: strumenti di intelligence decisionale
Se sei una piccola azienda che si immerge nei big data, la tua piattaforma attuale potrebbe già disporre degli strumenti necessari per iniziare con la DI. Gli esperti dicono che potresti non averne nemmeno bisogno.
"Puoi utilizzare una metodologia DI solo con carta e matita, oppure ultimamente utilizzo l'app Lucidspark per disegnare in modo collaborativo diagrammi azione-risultato (CDD)", afferma Lorien Pratt, l'inventore del transfer learning per le macchine, un pioniere dell'intelligence decisionale , e capo scienziato e cofondatore di Quantellia, una società di machine learning e intelligence decisionale. Crede che la DI stia maturando rapidamente e che presto questo tipo di modellazione dei dati sarà disponibile per aziende di qualsiasi dimensione.
Secondo Pratt, le prossime iterazioni di piattaforme comuni di business intelligence supporteranno DI. "Al livello successivo di sofisticatezza, sarai in grado di incorporare modelli DI all'interno di strumenti esistenti, come [Microsoft] Excel o PowerBI", afferma. Tuttavia, per strumenti meno sofisticati, questo processo sarà probabilmente limitato, poiché quegli utenti non saranno in grado di cambiare i loro modelli al volo.
Ma mentre le piccole imprese possono aspettarsi piattaforme DI semplificate nel cloud, le aziende avranno bisogno di molta più potenza di fuoco.
"Il problema più grande è un approccio di investimento", afferma Pratt, il che significa che le grandi aziende devono mettere le decisioni in primo piano. Nelle grandi organizzazioni questo può diventare complicato. Dovrai capire non solo quali tipi di decisioni devono essere prese , ma anche come acquisire tali requisiti.
"Per alcune decisioni, lo stack di BI esistente sarà sufficiente", afferma Taylor. "Ma per altre, [le imprese] probabilmente scopriranno di dover investire in tecnologie più avanzate, come l'analisi predittiva e gli strumenti di apprendimento automatico". che per le decisioni che le aziende devono prendere spesso o rapidamente, l'implementazione di un sistema di gestione delle regole di business, come quelli di Agiloft o IBM, può automatizzare il processo e sfruttare al meglio i tuoi algoritmi di machine learning.
Per le piccole imprese, probabilmente è eccessivo. Soprattutto perché i servizi di analisi del cloud di prossima generazione dovrebbero fornire tutto il muscolo DI di cui le PMI hanno bisogno, solo con meno problemi di implementazione e apprendimento. Ma se vuoi ancora dedicarti al fai-da-te su DI, ecco cosa Taylor dice che una tipica impresa avrà bisogno:
Consigliato dai nostri editori
Software di modellazione decisionale per la raccolta dei requisiti e la modellazione dei dati.
Software di gestione delle regole aziendali per sviluppare le tue regole decisionali (a meno che tu non stia prendendo relativamente poche decisioni con indennità per tempi di risultato lunghi).
Una sorta di stack di apprendimento automatico con cui sviluppare gli algoritmi di cui avrai bisogno.
Una piattaforma dati che ti consentirà sia di creare i tuoi algoritmi sia di gestire la consegna dei dati transazionali, preferibilmente in tempo reale.
Uno strumento di visualizzazione dei dati, soprattutto se le tue decisioni finali avranno ancora un elemento umano significativo.
Modelli contro intuizione
Le macchine vedono problemi e schemi come chiaramente definiti: nero vs bianco. Le persone, d'altra parte, vedono sfumature, potenziali significati alternativi, opzioni e ponti verso altri pensieri. La chiarezza su qualsiasi questione è spesso una funzione dell'intelligenza intuitiva piuttosto che della formazione accademica. Gli esseri umani possono utilizzare entrambi e DI mira a scalare queste abilità.
"L'intelligenza decisionale si basa su questa idea di cercare di incorporare approcci realistici che imitano decisioni simili a quelle umane", afferma Ervin Sejdic, professore associato di ingegneria elettrica e informatica e sistemi intelligenti presso l'Università di Pittsburgh Swanson School of Engineering. "Mentre in tipico Intelligenza artificiale, in pratica hai appena impostato le regole per l'apprendimento automatico: se è rosso, è questo, e se è blu, è quello".
Sejdic cita l'acquisto di un'auto come esempio. “Se stai acquistando un'auto e imposti determinati criteri come miglia per gallone o una certa marca, un algoritmo troverebbe un'auto per te. Ma testiamo l'auto e vediamo come ci si sente e guida, e questi sono gli input morbidi che sono difficili da codificare", spiega. "Per questi motivi, l'intelligenza decisionale cerca di codificare le decisioni più morbide che prendiamo e queste cose sono diverse dalla tua tipica IA".
Sejdic osserva che se ha successo, DI può essere applicato a qualsiasi cosa. Il modo per decidere dove usarlo è trovare le aree in cui vuoi sapere quale azione sarebbe meglio per te.
“La maggior parte dell'analisi e della business intelligence è descrittiva. Registra ciò che accade e poi traccia i numeri in un grafico. Ti dice cosa è appena successo in modo che tu possa provare a capire. Altre forme sono predittive. Sono come le previsioni del tempo. Ti dicono cosa sta per succedere". ha spiegato Chris Nicholson, CEO di Pathmind, una società di intelligenza artificiale che si rivolge alle operazioni industriali e alle catene di approvvigionamento.
"C'è un lato quantitativo e qualitativo nell'intelligence decisionale e le aziende devono tenerne conto entrambi", afferma Vikranth di ZS Associates. Dal lato quantitativo, spiega, c'è la raccolta di dati, la triangolazione e l'ingegneria, l'intelligenza artificiale e l'infrastruttura della scienza dei dati e il talento di programmazione. La chiave su questo lato sono dati accurati. Le aziende di qualsiasi dimensione dovranno investire tempo e sforzi per definire gli indicatori di prestazione e assicurarsi di raccogliere i dati giusti e che siano archiviati in modo da essere utilizzabili dal loro stack DI.
Dal punto di vista qualitativo, Vikranth afferma che le aziende hanno bisogno del talento giusto per convertire intuizioni, conclusioni o risultati in decisioni e azioni. Questi devono essere contestualizzati per il loro business. Gli strumenti What-if e test-and-learn possono aiutare notevolmente questo processo.
"Entrambe le parti unite sono l'intelligenza decisionale", afferma Vikranth. "In questo modo, l'IA non toglie gli esseri umani dall'equazione". Vikranth ritiene che questo sia importante poiché gli algoritmi matematici, specialmente se stanno lavorando su dati imperfetti, non possono giungere a qualsiasi tipo di decisione ottimale.
L'evoluzione dello scienziato dei dati
I vecchi amministratori di database hanno dato vita agli analisti di business intelligence e alla scienza dei dati tradizionale. DI sta aiutando a far evolvere quella disciplina in un ruolo nuovo e molto più efficace, vale a dire quello dei traduttori di scienza dei dati. Secondo esperti come Vikranth, queste persone utilizzeranno la DI per prendere scenari ipotetici di un'azienda e li elaboreranno attraverso uno stack di intelligenza artificiale per capire quali azioni deve intraprendere l'azienda e il tipo di risultati che tali azioni possono fornire.
L'intelligenza decisionale consente alla tecnologia e alle persone di fare ciò che sanno fare meglio. Le tecnologie, come l'analisi e l'intelligenza artificiale, trovano rapidamente le connessioni e i modelli in enormi pool di dati, ma questo è solo metà del viaggio. DI può utilizzare tali informazioni e aiutarti ad applicare i fattori umani più immateriali, come l'intelligenza intuitiva, la creatività, l'esperienza e la capacità di navigare con successo attraverso le sfumature. Ciò rende DI un nuovo potente modello di analisi ibrida anche per le piccole organizzazioni, particolarmente efficace su larga scala.