Jak inteligencja decyzyjna może poważnie wzmocnić twoją grę BI
Opublikowany: 2022-01-29Dla większości z nas podejmowanie decyzji biznesowych opartych na danych to czteroetapowy proces. Najpierw zbierasz dane. Następnie „wydobywasz” go, co oznacza po prostu kombinację narzędzi i analityków danych, poszukujących wzorców i korelacji między różnymi rodzajami danych. Po trzecie, te odkrycia są pompowane do pulpitów nawigacyjnych i wizualizacji, które widzą menedżerowie. Stamtąd to do menedżera należy zinterpretowanie tego, co mówi im pulpit nawigacyjny i podjęcie decyzji.
Problem polega na tym, że zebrane przez Ciebie dane oraz wzorce, które odkryli Twoje narzędzia i naukowcy zajmujący się danymi, definiują teraz decyzje, które możesz podjąć. Uproszczony przykład: Say PCMag zbiera mnóstwo danych o tym, które artykuły osiągnęły najlepsze wyniki pod względem liczby kliknięć, które otrzymał dany artykuł lub grupa artykułów. Następnie nasze silniki baz danych budzą się do życia, grupują najlepsze artykuły i budują ładne wizualizacje, abyśmy mogli zrozumieć, co zostało znalezione. To, na co patrzymy, pozwala nam zobaczyć najbardziej udane artykuły do tego momentu. Możemy następnie pracować nad powtórzeniem tego sukcesu w przyszłości, pisząc więcej takich artykułów na temat danego obrotu danych, takiego jak temat, rodzaj artykułu, a nawet autor. Więc to, co robimy, to wykorzystanie naszych danych do odtworzenia naszych wcześniejszych sukcesów. Z pewnością skuteczna praktyka.
Ale co, gdybyśmy to odwrócili?
Zamiast ograniczać się do zebranych danych, co by było, gdybyśmy po prostu zaczęli od zadania pytania, na które naprawdę chcemy odpowiedzieć: Jakie artykuły będą dla nas najlepsze w przyszłości? Jeśli zaczniemy od tego, potrzebujemy procesu, który nie tylko odkryje pytania, które musimy zadać, aby uzyskać odpowiedź, ale także dane, które będziemy musieli zebrać, aby obsłużyć te zapytania. Ale otrzymalibyśmy znacznie bardziej wartościowy zestaw odpowiedzi, dzięki którym moglibyśmy podejmować nasze redakcyjne decyzje.
Jest to jedna z bardziej ekscytujących nowych metodologii pojawiających się w nowej generacji narzędzi do analizy biznesowej i nazywa się ją „inteligencją decyzyjną” (DI). Poniżej opisujemy bardziej szczegółowo DI i omawiamy, co musisz wiedzieć, aby działało w Twojej organizacji.
Co to jest inteligencja decyzji?
Cassie Kozyrkov, główny badacz ds. decyzji w Google, opisuje DI jako sposób na wzbogacenie nauki o danych o nauki społeczne, teorię decyzji i nauki o zarządzaniu. Ta kombinacja skuteczniej pomaga ludziom faktycznie wykorzystywać dane BI do podejmowania lepszych decyzji. Opisuje różnicę między nauką o danych a DI jako różnicę między tymi, którzy robią kuchenki mikrofalowe, a kucharzami, którzy ich używają.
DI wyrosło z wysiłków inżynierii oprogramowania, aby tworzyć lepsze decyzje dotyczące najlepszych praktyk i robić to na dużą skalę. Według ekspertów jest na tyle dojrzały, że powinien zacząć wpływać nawet na małe i średnie firmy (SMB) w następnej iteracji popularnych narzędzi BI w chmurze, takich jak Microsoft PowerBI czy Tableau.
„Inteligencja decyzyjna łączy sztuczną inteligencję i ludzkie procesy decyzyjne w celu sformułowania bardziej inteligentnych wniosków, które prowadzą do korzystniejszych wyników”, mówi Jack Zmudziński, starszy współpracownik w Future Processing, firmie zajmującej się tworzeniem oprogramowania na zamówienie. „Tak więc, zamiast decyzji podjętej przez człowieka lub decyzji podjętej przez komputer, jest to najlepsze z obu światów”.
Inteligencja decyzyjna zmienia to, co firmy zwykle robią ze swoimi danymi. W podejściu do analizy dużych zbiorów danych narzędzia analityczne i zapytania są zazwyczaj dobierane tak, aby pasowały do danych. W przypadku DI to decyzja, której się poszukuje, ma pierwszeństwo; zapytanie jest następnie konstruowane, a dane wybierane według ich znaczenia dla pytania. Tak więc dane odgrywają rolę wspierającą, a nie główną, podczas podejmowania decyzji opartych na danych.
Eksperci definiują inteligencję decyzyjną jako metodologię, ale nie jest to taka, która ma jeden wspólny proces. Sposób, w jaki podejdziesz do DI, będzie zależeć od Twojej firmy, gromadzonych danych, a także możliwości zestawu narzędzi analitycznych. Jednak podstawowa idea zawsze będzie taka sama: zastosowanie wizualnego podejścia, które zaczyna się od wymaganej decyzji, a następnie działa wstecz, aby określić, jakie dane są wymagane i jak je zdobyć.
Dlaczego potrzebujesz DI
Jeśli uważasz, że to wszystko brzmi jak problem dużego biznesu lub przedsiębiorstwa, pomyśl jeszcze raz. Nawet małe firmy i „solopreneurs” wkrótce będą władać tymi technologiami i będą w stanie zarządzać nimi przy niewielkim wysiłku, przy rozsądnych kosztach iz sukcesem opartym na własnej wiedzy i talentach. Konkluzja: w dzisiejszych czasach nawet liderzy małych firm korzystają z zaawansowanych baz danych w chmurze, które zawierają mnóstwo danych i solidne analizy. Brakuje im prawdziwych wskazówek, jak wykorzystać te informacje do podejmowania rzeczywistych decyzji. Dotyczy to zwłaszcza małych firm i właśnie tym zajmuje się DI.
„Algorytmy i dane dobrze nam mówią: „Oto obserwacje lub dane oraz wnioski, z których można wyciągnąć wniosek”. Nie są dobrzy w mówieniu nam, jaka decyzja musi zostać podjęta” – powiedział Gopi Vikranth, zastępca dyrektora w ZS Associates, globalnej firmie konsultingowej i usługowej. Przed dołączeniem do ZS w 2019 r. pełnił funkcje wiceprezesa ds. analiz big data i marketingu w Melco Resorts and Entertainment oraz wiceprezesa ds. analiz marketingowych w Caesars Entertainment.
„Z drugiej strony, inteligencja decyzyjna odpowiada [na pytanie] 'Jeśli miałbyś podjąć działanie X, jaki będzie wynik w prawdziwym świecie?' Ma to kluczowe znaczenie dla firm, ponieważ rzadko zdarza się sytuacja z doskonałymi informacjami” – powiedział Vikranth.
Jako typowy przykład opisuje średniej wielkości biznes. Załóżmy, że ta firma ma program lojalnościowy dla klientów. Sztuczna inteligencja ma za zadanie zwiększać zyski biznesowe, dzięki czemu może matematycznie znaleźć sposoby na zmianę lub usunięcie korzyści dla klientów lub podniesienie cen, aby zoptymalizować ten zysk. Ale chociaż te wnioski są obiektywnie „słuszne”, taka decyzja może spowodować kosztowny sprzeciw wśród klientów i wpływowych osób, ostatecznie powodując długoterminową utratę lojalności, a tym samym przychodów.
Jason Cotrell, dyrektor generalny studia programistycznego Myplanet, wymienia następujące potencjalne przypadki użycia do analizy decyzji:
Personalizacja komponentów frontonu oprogramowania (adaptacyjny interfejs użytkownika).
Rekomendacje produktowe.
Zapobieganie rezygnacji klientów.
Optymalizacja cen dla firm intensywnie korzystających z transakcji, takich jak linie lotnicze czy farmaceutyki.
„Zamiast mówić „Jakich danych potrzebuję, aby podjąć tę decyzję?” powiedz „Jak mam podjąć tę decyzję? Które elementy wymagają analizy danych, a które mogę zautomatyzować? W ten sposób lepiej wykorzystasz swoje analizy i automatyzację” — wyjaśnia James Taylor, autor książki „ Digital Decisioning: Using Decision Management to Deliver Business Impact from AI” i dyrektor generalny Decision Management Solutions.
Już wkrótce: narzędzia do analizy decyzji
Jeśli jesteś mniejszą firmą, która zagłębia się w big data, Twoja obecna platforma może już mieć narzędzia potrzebne do rozpoczęcia pracy z DI. Eksperci twierdzą, że możesz nawet tego nie potrzebować.
„Można użyć metodologii DI za pomocą ołówka i papieru, a ostatnio używam aplikacji Lucidspark do wspólnego rysowania diagramów od działań do wyników (CDD)” – mówi Lorien Pratt, wynalazca uczenia transferu dla maszyn, pionier w zakresie inteligencji decyzyjnej oraz główny naukowiec i współzałożyciel Quantellia, firmy zajmującej się uczeniem maszynowym i analizą decyzji. Wierzy, że DI szybko dojrzewa i że już niedługo ten rodzaj modelowania danych będzie dostępny dla każdej wielkości firmy.
Według Pratta, nadchodzące iteracje wspólnych platform Business Intelligence będą wspierać DI. „Na wyższym poziomie zaawansowania będziesz mógł osadzić modele DI w istniejących narzędziach, takich jak [Microsoft] Excel lub PowerBI”, mówi. Jednak w przypadku mniej zaawansowanych narzędzi proces ten będzie prawdopodobnie ograniczony, ponieważ ci użytkownicy nie będą mogli zmieniać swoich modeli w locie.
Jednak podczas gdy małe firmy mogą oczekiwać uproszczonych platform DI w chmurze, przedsiębiorstwa będą potrzebować znacznie większej siły ognia.
„Największym problemem jest podejście inwestycyjne”, mówi Pratt, co oznacza, że duże firmy muszą stawiać decyzje na pierwszym planie. W dużych organizacjach może to się komplikować. Musisz dowiedzieć się nie tylko, jakie decyzje należy podejmować , ale także jak uchwycić te wymagania.
„W przypadku niektórych decyzji wystarczy istniejący stos BI”, mówi Taylor. „Ale w przypadku innych [przedsiębiorstwa] prawdopodobnie będą musiały zainwestować w bardziej zaawansowane technologie, takie jak analiza predykcyjna i narzędzia do uczenia maszynowego”. Ponadto doradza że w przypadku decyzji, które firmy muszą podejmować często lub szybko, wdrożenie systemu zarządzania regułami biznesowymi, takiego jak systemy Agiloft lub IBM, może zautomatyzować proces i lepiej wykorzystać algorytmy uczenia maszynowego.
Dla mniejszych firm to prawdopodobnie przesada. Zwłaszcza, że usługi analizy w chmurze nowej generacji powinny zapewnić wszystkie potrzeby małych i średnich firm w zakresie DI, przy mniejszej liczbie problemów związanych z wdrażaniem i nauką. Ale jeśli nadal chcesz przejść na DIY w DI, oto, co Taylor mówi, że typowe przedsiębiorstwo będzie potrzebować:
Polecane przez naszych redaktorów
Oprogramowanie do modelowania decyzji do zbierania wymagań i modelowania danych.
Oprogramowanie do zarządzania regułami biznesowymi do opracowywania reguł decyzyjnych (chyba że podejmujesz stosunkowo niewiele decyzji z uwzględnieniem długich czasów uzyskiwania wyników).
Jakiś stos uczenia maszynowego, za pomocą którego można opracować potrzebne algorytmy.
Platforma danych, która pozwoli Ci zarówno tworzyć algorytmy, jak i zarządzać dostarczaniem danych transakcyjnych, najlepiej w czasie rzeczywistym.
Narzędzie do wizualizacji danych, zwłaszcza jeśli Twoje ostateczne decyzje nadal będą zawierały istotny element ludzki.
Wzorce a intuicja
Maszyny postrzegają problemy i wzorce jako wyraźnie określone: czerń kontra biel. Z drugiej strony ludzie widzą niuanse, potencjalne alternatywne znaczenia, opcje i pomosty do innych myśli. Przejrzystość w każdej kwestii jest często funkcją intuicyjnej inteligencji, a nie wykształcenia akademickiego. Ludzie mogą używać obu, a DI ma na celu skalowanie tych umiejętności.
„Inteligencja decyzyjna opiera się na pomyśle włączenia realistycznych podejść, które naśladują ludzkie decyzje” – mówi Ervin Sejdic, profesor nadzwyczajny inżynierii elektrycznej i komputerowej oraz inteligentnych systemów na University of Pittsburgh Swanson School of Engineering. AI, po prostu ustalasz zasady uczenia maszynowego: jeśli jest czerwony, to jest to, a jeśli jest niebieski, to tak”.
Sejdic podaje jako przykład zakup samochodu. „Jeśli kupujesz samochód i ustalasz pewne kryteria, takie jak mile na galon lub konkretna marka, algorytm znajdzie dla ciebie samochód. Ale testujemy samochód i widzimy, jak się czuje i jeździ, a to są miękkie dane wejściowe, które są trudne do zakodowania” – wyjaśnia. „Z tych powodów inteligencja decyzji próbuje zakodować łagodniejsze decyzje, które podejmujemy, a te rzeczy różnią się od typowej sztucznej inteligencji”.
Sejdic zauważa, że jeśli się powiedzie, DI można zastosować do wszystkiego. Sposobem na podjęcie decyzji, gdzie go użyć, jest znalezienie obszarów, w których chcesz wiedzieć, jakie działanie byłoby dla Ciebie najlepsze.
„Większość analiz i analiz biznesowych ma charakter opisowy. Rejestrujesz, co się dzieje, a następnie wykreślasz liczby na wykresie. Mówi ci, co się właśnie wydarzyło, abyś mógł spróbować zrozumieć. Inne formy są przewidywalne. Są jak prognozowanie pogody. Mówią ci, co ma się wydarzyć. wyjaśnił Chris Nicholson, dyrektor generalny Pathmind, firmy zajmującej się sztuczną inteligencją, której celem jest działalność przemysłowa i łańcuchy dostaw.
„Istnieje ilościowa i jakościowa strona analizy decyzji, a firmy muszą brać pod uwagę obie te cechy” – mówi Vikranth z ZS Associates. Po stronie ilościowej, wyjaśnia, jest gromadzenie danych, triangulacja i inżynieria, infrastruktura AI i nauki o danych oraz talent programistyczny. Kluczem po tej stronie są dokładne dane. Firmy dowolnej wielkości będą musiały zainwestować czas i wysiłek w zdefiniowanie wskaźników wydajności i upewnienie się, że gromadzą właściwe dane oraz że są one przechowywane w sposób, który jest użyteczny dla ich stosu DI.
Jeśli chodzi o jakość, Vikranth twierdzi, że firmy potrzebują odpowiedniego talentu, aby przekształcać spostrzeżenia, wnioski lub wyniki w decyzje i działania. Muszą być kontekstualizowane dla ich działalności. Narzędzia typu „co, jeśli” oraz „testuj i ucz się” mogą znacznie wspomóc ten proces.
„Połączone obie strony to inteligencja decyzyjna”, mówi Vikranth. „W ten sposób sztuczna inteligencja nie wyłącza ludzi z równania”. Vikranth uważa, że jest to ważne, ponieważ algorytmy matematyczne, zwłaszcza jeśli pracują na niedoskonałych danych, nie mogą podjąć jakąkolwiek optymalną decyzję.
Ewolucja naukowców zajmujących się danymi
Dawni administratorzy baz danych dali początek analitykom business intelligence i tradycyjnej data science. DI pomaga rozwinąć tę dyscyplinę w nową i znacznie bardziej efektywną rolę, a mianowicie rolę tłumaczy nauki o danych. Według ekspertów, takich jak Vikranth, osoby te będą wykorzystywać DI do opracowywania biznesowych scenariuszy „co, jeśli” i przepracowywania ich przez stos sztucznej inteligencji, aby zrozumieć, jakie działania musi podjąć firma i jakie wyniki te działania mogą zapewnić.
Inteligencja decyzyjna pozwala technologii i ludziom robić to, co potrafią najlepiej. Technologie, takie jak analityka i sztuczna inteligencja, szybko znajdują połączenia i wzorce w ogromnych pulach danych, ale to tylko połowa drogi. DI może wykorzystać te informacje i pomóc w zastosowaniu bardziej niematerialnych czynników ludzkich, takich jak intuicyjna inteligencja, kreatywność, doświadczenie i umiejętność skutecznego poruszania się po niuansach. To sprawia, że DI jest nowym, potężnym hybrydowym modelem analizy nawet dla małych organizacji, który jest szczególnie skuteczny na dużą skalę.