의사결정 인텔리전스가 BI 게임을 크게 향상시키는 방법
게시 됨: 2022-01-29우리 대부분에게 데이터 기반 비즈니스 의사 결정은 4단계 프로세스입니다. 먼저 데이터를 수집합니다. 다음으로, "마이닝"합니다. 이는 도구와 데이터 과학자의 일부 조합이 서로 다른 종류의 데이터 간의 패턴과 상관 관계를 찾는 것을 의미합니다. 셋째, 이러한 발견은 관리자가 볼 수 있는 대시보드 및 시각화에 펌핑됩니다. 거기에서 대시보드가 말하는 내용을 해석하고 결정을 내리는 것은 관리자의 몫입니다.
문제는 당신이 수집한 데이터와 도구와 데이터 과학자가 발견한 패턴이 이제 당신이 내릴 수 있는 결정을 정의한다는 것입니다. 단순화된 예: PCMag가 특정 기사 또는 기사 그룹이 받은 클릭 수와 관련하여 기사가 가장 잘 수행한 데이터 로드를 수집한다고 가정해 보겠습니다. 그런 다음 데이터베이스 엔진이 활기를 띠고 최고의 기사를 그룹화하고 멋진 시각화를 만들어 우리가 발견한 내용을 이해할 수 있도록 합니다. 우리가 보고 있는 것은 그 시점까지 가장 성공적인 기사를 볼 수 있게 해줍니다. 그런 다음 주제, 기사 유형 또는 작성자와 같은 주어진 데이터 중심에 더 많은 기사를 작성하여 미래에 그 성공을 복제하기 위해 노력할 수 있습니다. 그래서 우리가 하고 있는 일은 데이터를 사용하여 과거의 성공을 복제하는 것입니다. 확실히 효과적인 연습입니다.
그러나 우리가 그것을 뒤집으면 어떻게 될까요?
우리가 수집한 데이터로 우리 자신을 제한하는 대신, 우리가 정말로 대답하고 싶은 질문으로 시작한다면 어떨까요? 어떤 종류의 기사가 미래에 우리에게 가장 도움이 될까요? 거기에서 시작한다면 답을 얻기 위해 물어야 할 질문을 발견할 뿐만 아니라 이러한 쿼리를 지원하기 위해 수집해야 하는 데이터를 찾는 프로세스가 필요합니다. 그러나 우리가 얻을 수 있는 것은 편집 결정을 내리는 데 사용되는 훨씬 더 가치 있는 답변입니다.
이는 차세대 비즈니스 분석 도구에서 등장하는 보다 흥미로운 새로운 방법론 중 하나이며 "의사결정 인텔리전스"(DI)라고 합니다. 아래에서 DI에 대해 더 자세히 설명하고 조직에서 작동하도록 하기 위해 알아야 할 사항에 대해 설명합니다.
의사결정 인텔리전스란 무엇입니까?
Google의 수석 의사 결정 과학자인 Cassie Kozyrkov는 DI를 사회 과학, 의사 결정 이론 및 관리 과학으로 데이터 과학을 보강하는 방법이라고 설명합니다. 이 조합은 사람들이 실제로 BI 데이터를 사용하여 더 나은 결정을 내리도록 돕는 데 더 효과적입니다. 그녀는 데이터 과학과 DI의 차이점을 전자레인지를 만드는 사람과 전자레인지를 사용하는 요리사의 차이로 설명합니다.
DI는 개선된 모범 사례 결정을 내리고 대규모로 수행하기 위한 소프트웨어 엔지니어링 노력에서 비롯되었습니다. 그리고 전문가에 따르면 Microsoft PowerBI 또는 Tableau와 같은 인기 있는 클라우드 BI 도구의 차기 버전에서는 중소기업(SMB)에도 영향을 미치기 시작할 만큼 충분히 성숙했다고 합니다.
맞춤형 소프트웨어 개발 회사인 Future Processing의 선임 어소시에이트 Jack Zmudzinski는 "의사결정 인텔리전스는 AI와 인간의 의사결정을 연결하여 보다 지능적인 결론을 도출함으로써 보다 유리한 결과를 도출합니다."라고 말합니다. "그래서 사람이 내리는 결정이나 컴퓨터가 내리는 결정이 아니라 두 세계의 최고입니다."
의사결정 인텔리전스는 기업이 일반적으로 데이터로 수행하는 작업을 뒤집습니다. 빅 데이터 접근 방식에서 분석 도구와 쿼리는 일반적으로 데이터에 맞게 선택됩니다. DI의 경우 최우선 순위는 결정을 추구하는 것입니다. 그런 다음 쿼리가 구성되고 질문과의 관련성에 따라 데이터가 선택됩니다. 따라서 데이터 기반 의사 결정을 내릴 때 데이터는 주연 역할보다는 지원 역할을 합니다.
전문가들은 의사결정 인텔리전스를 방법론으로 정의하지만 단일한 포괄적 프로세스가 있는 것은 아닙니다. DI를 진행하는 방법은 비즈니스, 수집하는 데이터 및 분석 도구 세트의 기능에 따라 달라집니다. 그러나 기본 아이디어는 항상 동일합니다. 필요한 결정으로 시작하여 역방향으로 작동하여 필요한 데이터와 가져오는 방법을 결정하는 시각적 접근 방식을 사용하는 것입니다.
DI가 필요한 이유
이 모든 것이 대기업이나 기업의 문제처럼 들린다면 다시 생각해 보십시오. 소규모 기업과 "1인 기업가"도 머지 않아 이러한 기술을 사용하게 될 것이며 매우 적은 노력으로 합리적인 비용으로 자신의 지식과 재능을 바탕으로 성공을 거두고 관리할 수 있게 될 것입니다. 결론: 오늘날의 소규모 비즈니스 리더도 많은 데이터와 견고한 분석을 보유하는 정교한 클라우드 데이터베이스를 사용합니다. 그들에게 부족한 것은 실제 결정을 내리기 위해 해당 정보를 사용하는 방법에 대한 실제 지침입니다. 이는 특히 소규모 회사에 해당되며 DI가 해결하고자 하는 바입니다.
“알고리즘과 데이터는 '여기에 관찰 또는 데이터가 있으며 결론을 내릴 수 있는 내용이 있습니다.' 그들은 어떤 결정을 내려야 하는지 우리에게 잘 알려주지 않습니다.”라고 글로벌 컨설팅 및 전문 서비스 회사인 ZS Associates의 수석 부사장인 Gopi Vikranth가 말했습니다. 2019년 ZS에 합류하기 전에는 Melco Resorts and Entertainment에서 빅 데이터 및 마케팅 분석 담당 부사장, Caesars Entertainment에서 마케팅 분석 담당 부사장으로 근무했습니다.
“반면에 의사결정 지능은 [질문] '액션 X를 취한다면 현실 세계에서 어떤 결과가 나올까요?'라고 답합니다. 완벽한 정보가 있는 상황은 거의 없기 때문에 이는 기업에 매우 중요합니다.”라고 Vikranth가 말했습니다.
그는 중견기업을 전형적인 예로 설명합니다. 이 회사에 고객 충성도 프로그램이 있다고 가정해 보겠습니다. AI는 비즈니스 이익을 개선해야 하므로 고객 특전을 변경 또는 제거하거나 해당 이익을 최적화하기 위해 가격을 인상하는 방법을 수학적으로 찾을 수 있습니다. 그러나 이러한 결론이 객관적으로 "정확"하지만 그러한 결정은 고객과 영향력 있는 사람들에게 값비싼 반발을 불러일으키고 궁극적으로 장기적으로 충성도와 수익 손실을 초래할 수 있습니다.
소프트웨어 스튜디오 Myplanet의 CEO인 Jason Cotrell은 의사결정 인텔리전스의 잠재적 사용 사례로 다음을 인용합니다.
소프트웨어의 프론트 엔드 구성 요소 개인화(적응형 UI).
제품 추천.
고객 이탈 방지.
항공사 또는 제약 회사와 같이 거래가 많은 비즈니스를 위한 가격 최적화.
“'이 결정을 내리려면 어떤 데이터가 필요합니까?'라고 말하는 대신 '이 결정을 어떻게 내리나요? 데이터 분석이 필요한 부분과 자동화할 수 있는 부분은 무엇입니까?' 그렇게 하면 분석 및 자동화를 더 잘 활용할 수 있습니다.”라고 Decision Management Solutions의 CEO이자 " 디지털 의사결정: 의사결정 관리를 사용하여 AI에서 비즈니스 영향 제공"이라는 책의 저자인 James Taylor가 설명합니다.
출시 예정: 의사결정 인텔리전스 도구
빅 데이터에 발을 담그고 있는 소규모 비즈니스라면 현재 플랫폼에 DI를 시작하는 데 필요한 도구가 이미 있을 수 있습니다. 전문가들은 그것이 필요하지 않을 수도 있다고 말합니다.
"연필과 종이만으로 DI 방법론을 사용할 수 있습니다. 또는 최근에는 Lucidspark 앱을 사용하여 CDD(action-to-outcome diagram)를 공동으로 그립니다. , 그리고 기계 학습 및 의사 결정 인텔리전스 회사인 Quantellia의 수석 과학자이자 공동 설립자입니다. 그녀는 DI가 빠르게 성숙해지고 있으며 곧 이러한 유형의 데이터 모델링이 모든 규모의 비즈니스에서 사용할 수 있을 것이라고 믿습니다.
Pratt에 따르면 공통 비즈니스 인텔리전스 플랫폼의 향후 반복은 DI를 지원할 것입니다. "다음 단계의 정교함에서는 [Microsoft] Excel 또는 PowerBI와 같은 기존 도구에 DI 모델을 포함할 수 있습니다."라고 그녀는 말합니다. 그러나 덜 정교한 도구의 경우 이러한 사용자가 모델을 즉석에서 변경할 수 없기 때문에 이 프로세스가 제한될 수 있습니다.
그러나 소규모 기업은 클라우드에서 간소화된 DI 플랫폼을 기대할 수 있지만 기업은 훨씬 더 많은 화력이 필요합니다.
Pratt는 "가장 큰 문제는 투자 접근 방식"이라고 말합니다. 즉, 대기업은 의사 결정을 최우선으로 해야 합니다. 이는 대규모 조직에서는 복잡해질 수 있습니다. 어떤 종류의 결정을 내려야 하는지 뿐만 아니라 파악해야 합니다. , 뿐만 아니라 이러한 요구 사항을 캡처하는 방법도 있습니다.
Taylor는 "일부 결정의 경우 기존 BI 스택으로 충분할 것입니다. 그러나 다른 결정의 경우 [기업]이 예측 분석 및 기계 학습 도구와 같은 고급 기술에 투자해야 할 필요가 있음을 알게 될 것입니다."라고 조언합니다. 기업이 자주 또는 신속하게 결정해야 하는 경우 Agiloft 또는 IBM과 같은 비즈니스 규칙 관리 시스템을 배포하면 프로세스를 자동화하고 기계 학습 알고리즘을 더 잘 활용할 수 있습니다.
소규모 기업의 경우 이는 아마도 과잉입니다. 특히 차세대 클라우드 분석 서비스는 배포 및 학습 문제가 적은 SMB에 필요한 모든 DI 근육을 제공해야 하기 때문에 특히 그렇습니다. 그러나 여전히 DI에서 DIY를 하고 싶다면 Taylor가 말하는 일반적인 기업에는 다음이 필요합니다.
편집자 추천
요구 사항 수집 및 데이터 모델링을 수행하는 의사 결정 모델링 소프트웨어.
의사 결정 규칙을 개발하기 위한 비즈니스 규칙 관리 소프트웨어(긴 결과 시간에 대해 상대적으로 적은 수의 결정을 내리는 경우 제외).
필요한 알고리즘을 개발하는 데 사용되는 일종의 기계 학습 스택입니다.
알고리즘을 생성하고 트랜잭션 데이터 전달을 가급적 실시간으로 관리할 수 있는 데이터 플랫폼입니다.
데이터 시각화 도구, 특히 최종 결정에 여전히 중요한 인적 요소가 있는 경우.
패턴 대 직관
기계는 문제와 패턴을 검은색 대 흰색으로 명확하게 정의된 것으로 봅니다. 반면에 사람들은 뉘앙스, 잠재적인 대안적 의미, 옵션 및 다른 생각에 대한 다리를 봅니다. 모든 문제에 대한 명료성은 종종 학문적 훈련보다는 직관적 지능의 기능입니다. 인간은 둘 다 사용할 수 있으며 DI는 이러한 능력을 확장하는 것을 목표로 합니다.
"의사결정 지능은 인간과 같은 결정을 모방하는 현실적인 접근 방식을 통합하려는 아이디어를 기반으로 합니다."라고 피츠버그 스완슨 공과대학의 전기 및 컴퓨터 공학 및 지능형 시스템 부교수인 Ervin Sejdic이 말했습니다. AI, 기본적으로 기계 학습에 대한 규칙을 설정하면 됩니다. 빨간색이면 이것이고 파란색이면 저입니다.”
Sejdic은 자동차 구매를 예로 들었습니다. “당신이 차를 살 때 갤런당 마일이나 특정 제조사와 같은 특정 기준을 설정하면 알고리즘이 당신을 위한 차를 찾을 것입니다. 그러나 우리는 자동차를 시승하고 느낌과 주행을 확인합니다. 하드 코딩하기 어려운 소프트 입력입니다.”라고 그는 설명합니다. "이러한 이유로 의사 결정 인텔리전스는 우리가 내리는 더 부드러운 결정을 인코딩하려고 시도하며 이러한 것들은 일반적인 AI와 다릅니다."
Sejdic은 성공하면 DI를 무엇이든 적용할 수 있다고 말합니다. 그것을 사용할 위치를 결정하는 방법은 어떤 조치를 취하는 것이 가장 좋은지 알고 싶은 영역을 찾는 것입니다.
“대부분의 분석 및 비즈니스 인텔리전스는 설명적입니다. 무슨 일이 일어나는지 기록한 다음 차트에 숫자를 표시합니다. 그것은 당신이 이해하려고 노력할 수 있도록 방금 일어난 일을 알려줍니다. 다른 형태는 예측적입니다. 그들은 일기 예보와 같습니다. 그들은 앞으로 일어날 일을 알려줍니다.” 산업 운영 및 공급망을 목표로 하는 AI 회사인 Pathmind의 CEO인 Chris Nicholson은 설명했습니다.
ZS Associates의 Vikranth는 “결정 인텔리전스에는 양적 및 질적 측면이 있으며 기업에서는 두 가지를 모두 고려해야 합니다. 양적 측면에서 그는 데이터 수집, 삼각 측량 및 엔지니어링, AI 및 데이터 과학 인프라, 프로그래밍 재능이라고 설명합니다. 이 측면에서 핵심은 정확한 데이터입니다. 모든 규모의 기업은 성과 지표를 정의하고 올바른 데이터를 수집하고 DI 스택에서 사용할 수 있는 방식으로 저장되도록 시간과 노력을 투자해야 합니다.
질적 측면에서 Vikranth는 기업이 통찰력, 결론 또는 결과를 결정과 행동으로 전환하기 위해 적합한 인재가 필요하다고 말합니다. 비즈니스에 맞게 상황화해야 합니다. What-if 및 테스트 및 학습 도구는 이 프로세스에 큰 도움이 될 수 있습니다.
Vikranth는 "양측이 결합된 것은 의사결정 지능입니다. 이런 식으로 AI는 인간을 방정식에서 제외하지 않습니다."라고 Vikranth는 수학 알고리즘, 특히 불완전한 데이터에 대해 작업하는 경우에는 불가능하기 때문에 이것이 중요하다고 생각합니다. 어떤 종류의 최적의 결정에 도달합니다.
데이터 과학자의 진화
고대의 데이터베이스 관리자는 비즈니스 인텔리전스 분석가와 전통적인 데이터 과학을 탄생시켰습니다. DI는 해당 분야를 새롭고 훨씬 더 효과적인 역할, 즉 데이터 과학 번역가의 역할로 발전시키는 데 도움을 주고 있습니다. Vikranth와 같은 전문가에 따르면 이러한 사람들은 DI를 사용하여 비즈니스의 가상 시나리오를 취하고 AI 스택을 통해 작업하여 비즈니스가 취해야 하는 조치와 이러한 조치가 제공할 수 있는 결과의 종류를 이해합니다.
의사결정 인텔리전스는 기술과 사람들이 각자 자신이 가장 잘하는 일을 할 수 있도록 합니다. 분석 및 AI와 같은 기술은 방대한 데이터 풀에서 연결과 패턴을 빠르게 찾지만 이는 여정의 절반에 불과합니다. DI는 해당 정보를 사용하여 직관적 지능, 창의성, 경험 및 뉘앙스를 성공적으로 탐색하는 능력과 같은 무형의 인적 요소를 적용하는 데 도움을 줄 수 있습니다. 따라서 DI는 소규모 조직에서도 강력하고 새로운 하이브리드 분석 모델이 되며 특히 대규모로 효과적입니다.