Как интеллектуальные решения могут серьезно повысить эффективность вашей BI-игры
Опубликовано: 2022-01-29Для большинства из нас принятие бизнес-решений на основе данных состоит из четырех шагов. Сначала вы собираете данные. Затем вы «добываете» его, что просто означает, что некоторая комбинация инструментов и специалистов по данным ищет закономерности и корреляции между различными типами данных. В-третьих, эти открытия передаются на информационные панели и визуализации, которые видят менеджеры. Оттуда менеджер должен интерпретировать то, что говорит ему приборная панель, и принимать решение.
Проблема в том, что данные, которые вы собрали, и закономерности, обнаруженные вашими инструментами и специалистами по данным, теперь определяют решения, которые вы можете принимать. Упрощенный пример: скажем, PCMag собирает множество данных о том, какие статьи были наиболее эффективными с точки зрения того, сколько кликов получила конкретная статья или группа статей. Затем наши механизмы баз данных оживают, группируют лучшие статьи вместе и создают красивые визуализации, чтобы мы могли понять, что было найдено. То, на что мы смотрим, позволяет нам увидеть самые успешные статьи на тот момент. Затем мы можем поработать над тем, чтобы повторить этот успех в будущем, написав больше таких статей по заданному своду данных, например по теме, типу статьи или даже по автору. Итак, что мы делаем, так это используем наши данные, чтобы воспроизвести наши прошлые успехи. Безусловно эффективная практика.
Но что, если мы перевернем это?
Вместо того чтобы ограничивать себя собранными данными, что, если мы просто начнем с вопроса, на который действительно хотим получить ответ: какие статьи принесут нам наибольшую пользу в будущем? Если мы начнем с этого, нам понадобится процесс, который не только найдет вопросы, которые нам нужно задать, чтобы получить ответ, но и данные, которые нам нужно будет собрать для поддержки этих запросов. Но мы получили бы гораздо более ценный набор ответов, на основе которых мы могли бы принимать наши редакционные решения.
Это одна из самых захватывающих новых методологий, появившихся в следующем поколении инструментов бизнес-аналитики, и она называется «аналитика принятия решений» (DI). Ниже мы более подробно опишем DI и обсудим, что вам нужно знать, чтобы заставить его работать в вашей организации.
Что такое интеллект принятия решений?
Кэсси Козырков, главный специалист по принятию решений в Google, описывает DI как способ дополнить науку о данных социальными науками, теорией принятия решений и управленческой наукой. Эта комбинация более эффективно помогает людям использовать данные BI для принятия более взвешенных решений. Она описывает разницу между наукой о данных и DI как разницу между теми, кто делает микроволновые печи, и поварами, которые их используют.
DI вырос из усилий разработчиков программного обеспечения по созданию улучшенных решений на основе передового опыта и сделал это в больших масштабах. И, по мнению экспертов, он достаточно проработан, чтобы начать оказывать влияние даже на предприятия малого и среднего бизнеса (SMB) в следующей итерации популярных облачных инструментов BI, таких как Microsoft PowerBI или Tableau.
«Интеллектуальные решения объединяют искусственный интеллект и процесс принятия решений человеком для формирования более разумных выводов, которые приводят к более благоприятным результатам», — говорит Джек Змудзиньски, старший сотрудник Future Processing, компании по разработке программного обеспечения на заказ. «Таким образом, вместо решения, принятого человеком, или решения, принятого компьютером, это лучшее из обоих миров».
Аналитика принятия решений меняет то, что компании обычно делают со своими данными. При подходе к большим данным инструменты анализа и запросы обычно выбираются в соответствии с данными. При DI искомое решение имеет первостепенное значение; затем строится запрос, и данные выбираются по их релевантности вопросу. Таким образом, данные играют вспомогательную, а не главную роль при принятии решений, основанных на данных.
Эксперты определяют аналитику принятия решений как методологию, но она не имеет единого общего процесса. То, как вы будете использовать DI, будет зависеть от вашего бизнеса, данных, которые вы собираете, а также от возможностей вашего набора аналитических инструментов. Однако основная идея всегда будет одна и та же: использование визуального подхода, который начинается с требуемого решения, а затем работает в обратном направлении, чтобы определить, какие данные требуются и как их получить.
Зачем вам нужен ДИ
Если вы думаете, что все это звучит как проблема большого бизнеса или предприятия, подумайте еще раз. Даже малые предприятия и «индивидуальные предприниматели» скоро будут владеть этими технологиями, и они смогут управлять ими с минимальными усилиями, по разумной цене и с успехом, основанным на их собственных знаниях и талантах. Вывод: в наши дни даже лидеры малого бизнеса используют сложные облачные базы данных, которые содержат большое количество данных и надежную аналитику. Чего им не хватает, так это какого-либо реального руководства о том, как использовать эту информацию для принятия реальных решений. Это особенно верно для небольших компаний, и это именно то, что решает DI.
«Алгоритмы и данные хорошо говорят нам: «Вот наблюдения или данные и какие выводы можно сделать». Они не умеют говорить нам, какое решение должно быть принято», — сказал Гопи Викрант, заместитель директора ZS Associates, международной фирмы, предоставляющей консалтинговые и профессиональные услуги. До прихода в ZS в 2019 году он занимал должности вице-президента по большим данным и маркетинговой аналитике в Melco Resorts and Entertainment и вице-президента по маркетинговой аналитике в Caesars Entertainment.
«Интеллект принятия решений, с другой стороны, отвечает [на вопрос]: «Если бы вы предприняли действие X, каков был бы результат в реальном мире?» Это имеет решающее значение для бизнеса, поскольку ситуация с идеальной информацией редко бывает», — сказал Викрант.
В качестве типичного примера он описывает средний бизнес. Допустим, у этой компании есть программа лояльности клиентов. Перед ИИ поставлена задача повысить прибыль бизнеса, поэтому он может математически найти способы изменить или отменить льготы для клиентов или повысить цены для оптимизации этой прибыли. Но хотя эти выводы объективно «верны», такое решение вполне может вызвать дорогостоящую негативную реакцию со стороны клиентов и влиятельных лиц, что в конечном итоге приведет к долгосрочной потере лояльности и, следовательно, доходов.
Джейсон Котрелл, генеральный директор студии программного обеспечения Myplanet, называет следующие возможные варианты использования интеллектуального анализа решений:
Персонализация интерфейсных компонентов программного обеспечения (адаптивный пользовательский интерфейс).
Рекомендации продукта.
Предотвращение оттока клиентов.
Оптимизация цен для предприятий с большим количеством транзакций, таких как авиакомпании или фармацевтика.
«Вместо того, чтобы говорить: «Какие данные мне нужны, чтобы принять это решение?» сказать: «Как мне принять это решение? Какие элементы требуют анализа данных, а какие можно автоматизировать?» Таким образом, вы сможете лучше использовать свою аналитику и автоматизацию», — объясняет Джеймс Тейлор, автор книги « Цифровое принятие решений: использование управления решениями для обеспечения влияния ИИ на бизнес» и генеральный директор Decision Management Solutions.
Скоро: инструменты принятия решений
Если вы представляете небольшой бизнес, активно работающий с большими данными, ваша текущая платформа может уже иметь инструменты, необходимые для начала работы с DI. Эксперты говорят, что вам это может и не понадобиться.
«Вы можете использовать методологию DI, используя только карандаш и бумагу, или в последнее время я использую приложение Lucidspark для совместного рисования диаграмм «действие-результат» (CDD)», — говорит Лориен Пратт, изобретатель трансферного обучения для машин, пионер в области принятия решений. , а также главный научный сотрудник и соучредитель Quantellia, компании, занимающейся машинным обучением и анализом решений. Она считает, что DI быстро развивается и скоро этот тип моделирования данных будет доступен для бизнеса любого размера.
По словам Пратта, будущие версии распространенных платформ бизнес-аналитики будут поддерживать DI. «На следующем уровне сложности вы сможете встраивать модели DI в существующие инструменты, такие как [Microsoft] Excel или PowerBI», — говорит она. Однако для менее сложных инструментов этот процесс, скорее всего, будет ограничен, поскольку эти пользователи не смогут изменять свои модели на лету.
Но в то время как малые предприятия могут рассчитывать на упрощенные платформы DI в облаке, предприятиям потребуется гораздо больше огневой мощи.
«Самая большая проблема — это подход к инвестированию», — говорит Пратт, а это означает, что крупный бизнес должен ставить решения в центр внимания. В крупных организациях это может быть сложно. Вам нужно будет выяснить не только, какие решения необходимо принимать , но и как зафиксировать эти требования.
«Для некоторых решений существующего стека бизнес-аналитики будет достаточно, — говорит Тейлор. — Но для других [предприятия], скорее всего, обнаружат, что им необходимо инвестировать в более продвинутые технологии, такие как прогнозная аналитика и инструменты машинного обучения». Кроме того, он советует. что для решений, которые компании должны принимать часто или быстро, развертывание системы управления бизнес-правилами, например, от Agiloft или IBM, может автоматизировать процесс и лучше использовать ваши алгоритмы машинного обучения.
Для малого бизнеса это, вероятно, излишество. Тем более, что сервисы облачной аналитики следующего поколения должны предоставить все необходимые малым и средним предприятиям DI-мощности, только с меньшими головными болями при развертывании и обучении. Но если вы все еще хотите заняться внедрением зависимостей своими руками, вот что, по словам Тейлора, потребуется типичному предприятию:
Рекомендовано нашими редакторами
Программное обеспечение для моделирования решений для сбора требований и моделирования данных.
Программное обеспечение для управления бизнес-правилами для разработки ваших правил принятия решений (если только вы не принимаете относительно мало решений с поправкой на длительное время получения результата).
Какой-то стек машинного обучения, с помощью которого можно разрабатывать алгоритмы, которые вам понадобятся.
Платформа данных, которая позволит вам создавать свои алгоритмы, а также управлять доставкой транзакционных данных, предпочтительно в режиме реального времени.
Инструмент визуализации данных, особенно если ваши окончательные решения по-прежнему будут иметь значительный человеческий фактор.
Шаблоны против интуиции
Машины видят проблемы и шаблоны четко определенными: черное против белого. Люди, с другой стороны, видят нюансы, потенциальные альтернативные значения, варианты и мосты к другим мыслям. Ясность в любом вопросе часто является функцией интуитивного интеллекта, а не академической подготовки. Люди могут использовать и то, и другое, и DI стремится масштабировать эти способности.
«Интеллектуальное принятие решений основано на идее попытки включить реалистичные подходы, которые имитируют человеческие решения, — говорит Эрвин Сейдик, доцент кафедры электротехники, вычислительной техники и интеллектуальных систем инженерной школы Суонсона Университета Питтсбурга. ИИ, вы просто устанавливаете правила для машинного обучения: если это красное, то это, а если синее, это то».
В качестве примера Сейдич приводит покупку автомобиля. «Если вы покупаете машину и устанавливаете определенные критерии, такие как количество миль на галлон или определенную марку, алгоритм найдет для вас машину. Но мы тестируем автомобиль и смотрим, как он себя чувствует и как он едет, и это программные входные данные, которые сложно жестко запрограммировать», — объясняет он. «По этим причинам интеллект принятия решений пытается кодировать более мягкие решения, которые мы принимаем, и эти вещи отличаются от вашего типичного ИИ».
Сейдич отмечает, что в случае успеха DI можно применить к чему угодно. Способ решить, где его использовать, состоит в том, чтобы найти области, в которых вы хотите знать, какое действие было бы лучше для вас предпринять.
«Большая часть аналитики и бизнес-аналитики носит описательный характер. Вы записываете, что происходит, а затем наносите числа на график. Он рассказывает вам, что только что произошло, чтобы вы могли попытаться понять. Другие формы являются прогностическими. Они как прогноз погоды. Они говорят вам, что вот-вот произойдет». объяснил Крис Николсон, генеральный директор Pathmind, компании, занимающейся искусственным интеллектом, которая занимается промышленными операциями и цепочками поставок.
«Существует количественная и качественная стороны анализа решений, и предприятия должны принимать во внимание и то, и другое», — говорит Викрант из ZS Associates. С количественной стороны, объясняет он, это сбор данных, триангуляция и инженерия, инфраструктура искусственного интеллекта и науки о данных, а также талант программиста. Ключ на этой стороне - точные данные. Предприятиям любого размера потребуется потратить время и усилия, чтобы определить показатели эффективности и убедиться, что они собирают правильные данные и хранят их таким образом, чтобы их можно было использовать в их стеке внедрения зависимостей.
С качественной стороны, говорит Викрант, компаниям нужны подходящие таланты, чтобы преобразовывать идеи, выводы или результаты в решения и действия. Они должны быть контекстуализированы для их бизнеса. Инструменты «что, если» и «тестируй и учись» могут значительно помочь в этом процессе.
«Объединение обеих сторон — это интеллект для принятия решений, — говорит Викрант. — Таким образом, ИИ не исключает людей из уравнения». Викрант считает, что это важно, поскольку математические алгоритмы, особенно если они работают с несовершенными данными, не могут прийти к какому-либо оптимальному решению.
Эволюция специалистов по данным
Администраторы баз данных прошлого породили аналитиков бизнес-аналитики и традиционную науку о данных. DI помогает превратить эту дисциплину в новую и гораздо более эффективную роль, а именно в роль переводчиков науки о данных. По словам таких экспертов, как Викрант, эти люди будут использовать DI, чтобы брать бизнес-сценарии «что, если» и обрабатывать их с помощью стека ИИ, чтобы понять, какие действия необходимо предпринять бизнесу, и какие результаты могут дать эти действия.
Интеллектуальные решения позволяют технологиям и людям делать то, что они умеют лучше всего. Такие технологии, как аналитика и искусственный интеллект, быстро находят связи и закономерности в огромных массивах данных, но это только половина пути. DI может использовать эту информацию и помочь вам применить более нематериальные человеческие факторы, такие как интуитивный интеллект, креативность, опыт и способность успешно ориентироваться в нюансах. Это делает DI мощной новой гибридной моделью анализа даже для небольших организаций, особенно эффективной в больших масштабах.