ความฉลาดในการตัดสินใจสามารถกระตุ้นเกม BI ของคุณอย่างจริงจังได้อย่างไร
เผยแพร่แล้ว: 2022-01-29สำหรับพวกเราส่วนใหญ่ การตัดสินใจทางธุรกิจที่ขับเคลื่อนด้วยข้อมูลเป็นกระบวนการสี่ขั้นตอน ขั้นแรก คุณรวบรวมข้อมูล ต่อไป คุณ "ขุด" ข้อมูลนั้น ซึ่งหมายความว่าเครื่องมือและนักวิทยาศาสตร์ด้านข้อมูลร่วมกันค้นหารูปแบบและความสัมพันธ์ระหว่างข้อมูลประเภทต่างๆ ประการที่สาม การค้นพบเหล่านั้นจะถูกส่งไปยังแดชบอร์ดและการแสดงภาพที่ผู้จัดการจะได้เห็น จากที่นั่น ผู้จัดการจะตีความสิ่งที่แดชบอร์ดบอกพวกเขาและตัดสินใจ
ปัญหาคือข้อมูลที่คุณได้รวบรวม และรูปแบบที่เครื่องมือและข้อมูลที่นักวิทยาศาสตร์ของคุณค้นพบ ในตอนนี้เป็นตัวกำหนดการตัดสินใจที่คุณสามารถทำได้ ตัวอย่างที่เข้าใจง่าย: สมมติว่า PCMag รวบรวมข้อมูลจำนวนมากว่าบทความใดทำงานได้ดีที่สุดในแง่ของจำนวนคลิกที่บทความหรือกลุ่มบทความได้รับ จากนั้นกลไกฐานข้อมูลของเราจะมีชีวิตชีวาขึ้น จัดกลุ่มบทความที่ดีที่สุดไว้ด้วยกัน และสร้างการแสดงภาพที่สวยงามเพื่อให้เราเข้าใจสิ่งที่พบ สิ่งที่เราดูอยู่ทำให้เราเห็นบทความที่ประสบความสำเร็จมากที่สุดจนถึงจุดนั้น จากนั้นเราสามารถทำงานเพื่อทำซ้ำความสำเร็จนั้นในอนาคตโดยการเขียนบทความดังกล่าวเพิ่มเติมบนเดือยข้อมูลที่กำหนด เช่น หัวข้อ ประเภทของบทความ หรือแม้แต่ผู้เขียน สิ่งที่เรากำลังทำคือการใช้ข้อมูลของเราเพื่อจำลองความสำเร็จในอดีตของเรา แน่นอนการปฏิบัติที่มีประสิทธิภาพ
แต่ถ้าเราหันกลับมาล่ะ?
แทนที่จะจำกัดตัวเองด้วยข้อมูลที่เราได้รวบรวมมา จะเกิดอะไรขึ้นถ้าเราเริ่มด้วยการถามคำถามที่เราต้องการคำตอบจริงๆ: บทความประเภทใดที่จะให้ผลดีที่สุดสำหรับเราในอนาคต หากเราเริ่มต้นจากตรงนั้น เราจำเป็นต้องมีกระบวนการที่ไม่เพียงแต่ค้นพบคำถามที่เราต้องถามเพื่อให้ได้คำตอบเท่านั้น แต่ยังรวมถึงข้อมูลที่เราจะต้องรวบรวมเพื่อสนับสนุนการสืบค้นเหล่านั้นด้วย แต่สิ่งที่เราจะได้คือชุดคำตอบที่มีคุณค่ามากกว่านั้นมากสำหรับการตัดสินใจด้านบรรณาธิการของเรา
นั่นเป็นหนึ่งในวิธีการใหม่ที่น่าตื่นเต้นที่เกิดขึ้นในเครื่องมือวิเคราะห์ธุรกิจรุ่นต่อไป และเรียกว่า "การตัดสินใจอย่างชาญฉลาด" (DI) ด้านล่างนี้ เราจะอธิบายเกี่ยวกับ DI โดยละเอียดและอภิปรายสิ่งที่คุณต้องรู้เพื่อให้ระบบทำงานให้กับองค์กรของคุณ
หน่วยสืบราชการลับในการตัดสินใจคืออะไร?
Cassie Kozyrkov หัวหน้านักวิทยาศาสตร์ด้านการตัดสินใจของ Google อธิบายว่า DI เป็นวิธีการเสริมวิทยาศาสตร์ข้อมูลด้วยสังคมศาสตร์ ทฤษฎีการตัดสินใจ และวิทยาการจัดการ ชุดค่าผสมนี้มีประสิทธิภาพมากขึ้นในการช่วยให้ผู้คนใช้ข้อมูล BI เพื่อตัดสินใจได้ดีขึ้น เธออธิบายถึงความแตกต่างระหว่างวิทยาศาสตร์ข้อมูลและ DI ว่าเป็นความแตกต่างระหว่างผู้ทำเตาไมโครเวฟกับพ่อครัวที่ใช้เตาอบ
DI เติบโตจากความพยายามด้านวิศวกรรมซอฟต์แวร์เพื่อสร้างการตัดสินใจเกี่ยวกับแนวทางปฏิบัติที่ดีที่สุดที่ดีขึ้น และดำเนินการดังกล่าวในวงกว้าง และตามที่ผู้เชี่ยวชาญกล่าว มันครบกำหนดพอที่จะเริ่มส่งผลกระทบต่อธุรกิจขนาดเล็กถึงขนาดกลาง (SMB) ในการทำซ้ำต่อไปของเครื่องมือ BI ยอดนิยมบนระบบคลาวด์ เช่น Microsoft PowerBI หรือ Tableau
Jack Zmudzinski ผู้ช่วยอาวุโสของ Future Processing บริษัทพัฒนาซอฟต์แวร์ที่กำหนดเองกล่าวว่า "ความฉลาดในการตัดสินใจเชื่อมโยง AI กับการตัดสินใจของมนุษย์เข้าด้วยกันเพื่อสร้างข้อสรุปที่ชาญฉลาดยิ่งขึ้น ซึ่งจะนำไปสู่ผลลัพธ์ที่น่าพอใจยิ่งขึ้น “ดังนั้น แทนที่จะเป็นการตัดสินใจของมนุษย์หรือคอมพิวเตอร์ มันเป็นสิ่งที่ดีที่สุดของทั้งสองโลก”
ความฉลาดในการตัดสินใจช่วยยกระดับสิ่งที่ธุรกิจมักทำกับข้อมูลของตน ในแนวทางข้อมูลขนาดใหญ่ เครื่องมือวิเคราะห์และการสืบค้นข้อมูลมักจะถูกเลือกให้เหมาะสมกับข้อมูล สำหรับ DI การตัดสินใจที่แสวงหาเป็นอันดับแรก แบบสอบถามถูกสร้างขึ้นแล้ว และข้อมูลที่เลือกโดยเกี่ยวข้องกับคำถาม ดังนั้นข้อมูลจึงมีบทบาทสนับสนุนมากกว่าบทบาทนำในการตัดสินใจโดยใช้ข้อมูลเป็นหลัก
ผู้เชี่ยวชาญกำหนดความฉลาดในการตัดสินใจว่าเป็นวิธีการหนึ่ง แต่ไม่ใช่กระบวนการที่มีขั้นตอนเดียว วิธีการใช้งาน DI จะขึ้นอยู่กับธุรกิจของคุณ ข้อมูลที่คุณกำลังรวบรวม และความสามารถของชุดเครื่องมือวิเคราะห์ของคุณ อย่างไรก็ตาม แนวคิดพื้นฐานจะเหมือนเดิมเสมอ: ใช้วิธีการที่มองเห็นได้ซึ่งเริ่มต้นด้วยการตัดสินใจที่จำเป็น แล้วย้อนกลับเพื่อกำหนดว่าข้อมูลใดที่จำเป็นและจะทำอย่างไรเพื่อให้ได้มา
ทำไมคุณถึงต้องการDI
ถ้าคุณคิดว่าทั้งหมดนี้ฟังดูเหมือนปัญหาของธุรกิจหรือองค์กรขนาดใหญ่ ให้คิดใหม่ แม้แต่ธุรกิจขนาดเล็กและ "นักธุรกิจอิสระ" ก็สามารถใช้เทคโนโลยีเหล่านี้ได้ในเร็วๆ นี้ และพวกเขาจะสามารถจัดการได้โดยใช้ความพยายามเพียงเล็กน้อย ในราคาที่เหมาะสม และประสบความสำเร็จตามความรู้และความสามารถของตนเอง บรรทัดล่าง: แม้แต่ผู้นำธุรกิจขนาดเล็กในปัจจุบันก็ใช้ฐานข้อมูลบนคลาวด์ที่ซับซ้อนซึ่งมีข้อมูลมากมายและการวิเคราะห์ที่แข็งแกร่ง สิ่งที่พวกเขาขาดคือคำแนะนำที่แท้จริงเกี่ยวกับวิธีการใช้ข้อมูลนั้นเพื่อตัดสินใจในโลกแห่งความเป็นจริง โดยเฉพาะอย่างยิ่งสำหรับบริษัทขนาดเล็ก และนั่นคือสิ่งที่ DI กำลังพูดถึง
“อัลกอริธึมและข้อมูลสามารถบอกเราได้ดี 'นี่คือการสังเกตหรือข้อมูลและสิ่งที่สามารถสรุปได้' พวกเขาบอกเราได้ไม่ดีว่าต้องตัดสินใจอย่างไร” Gopi Vikranth ผู้ช่วยอาจารย์ใหญ่ของ ZS Associates บริษัทที่ปรึกษาและบริการมืออาชีพระดับโลกกล่าว ก่อนร่วมงานกับ ZS ในปี 2019 เขาเคยดำรงตำแหน่งรองประธานฝ่ายบิ๊กดาต้าและการวิเคราะห์การตลาดของ Melco Resorts and Entertainment และรองประธานฝ่ายวิเคราะห์การตลาดที่ Caesars Entertainment
“ในทางกลับกัน ความฉลาดในการตัดสินใจตอบคำถาม [คำถาม] 'ถ้าคุณต้องดำเนินการ X ผลลัพธ์ในโลกแห่งความเป็นจริงจะเป็นอย่างไร' นี่เป็นสิ่งสำคัญสำหรับธุรกิจ เนื่องจากแทบไม่มีสถานการณ์ที่มีข้อมูลที่สมบูรณ์แบบ” Vikranth กล่าว
เขาอธิบายธุรกิจขนาดกลางเป็นตัวอย่างทั่วไป สมมติว่าบริษัทนี้มีโปรแกรมความภักดีของลูกค้า AI ได้รับมอบหมายให้ปรับปรุงผลกำไรของธุรกิจ ดังนั้นจึงสามารถหาวิธีทางคณิตศาสตร์ในการเปลี่ยนแปลงหรือลบผลประโยชน์ของลูกค้า หรือขึ้นราคาเพื่อเพิ่มประสิทธิภาพผลกำไรนั้นได้ แต่ในขณะที่ข้อสรุปเหล่านั้น "ถูกต้อง" อย่างเป็นกลาง การตัดสินใจดังกล่าวอาจทำให้เกิดการฟันเฟืองที่มีราคาแพงกับลูกค้าและผู้มีอิทธิพล ซึ่งท้ายที่สุดแล้วทำให้เกิดการสูญเสียความจงรักภักดีและรายได้ในระยะยาว
Jason Cotrell ซีอีโอของสตูดิโอซอฟต์แวร์ Myplanet กล่าวถึงกรณีการใช้งานที่เป็นไปได้สำหรับการตัดสินใจอย่างชาญฉลาด:
การปรับแต่งส่วนประกอบส่วนหน้าของซอฟต์แวร์ให้เป็นส่วนตัว (Adaptive UI)
แนะนำสินค้า.
การป้องกันการปั่นป่วนของลูกค้า
การเพิ่มประสิทธิภาพราคาสำหรับธุรกิจที่มีการทำธุรกรรมจำนวนมาก เช่น สายการบินหรือเภสัชกรรม
“แทนที่จะพูดว่า 'ฉันต้องมีข้อมูลอะไรบ้างในการตัดสินใจครั้งนี้' พูดว่า 'ฉันจะตัดสินใจได้อย่างไร? ส่วนใดที่ต้องใช้การวิเคราะห์ข้อมูลและส่วนใดที่ฉันสามารถทำให้เป็นอัตโนมัติได้' ด้วยวิธีนี้ คุณจะใช้ประโยชน์จากการวิเคราะห์และระบบอัตโนมัติได้ดีขึ้น” James Taylor ผู้เขียนหนังสือเรื่อง " Digital Decisioning: Use Decision Management to Deliver Business Impact From AI" และ CEO ของ Decision Management Solutions อธิบาย
เร็วๆ นี้: เครื่องมือข่าวกรองการตัดสินใจ
หากคุณเป็นธุรกิจขนาดเล็กที่กำลังมองหาข้อมูลขนาดใหญ่ แพลตฟอร์มปัจจุบันของคุณอาจมีเครื่องมือที่จำเป็นในการเริ่มต้นใช้งาน DI ผู้เชี่ยวชาญกล่าวว่าคุณอาจไม่ต้องการสิ่งนั้นด้วยซ้ำ
"คุณสามารถใช้วิธีการ DI ได้ด้วยดินสอและกระดาษ หรือเมื่อเร็วๆ นี้ ฉันใช้แอป Lucidspark เพื่อร่วมกันวาดไดอะแกรมการดำเนินการกับผลลัพธ์ (CDD)" Lorien Pratt ผู้ประดิษฐ์การถ่ายโอนการเรียนรู้สำหรับเครื่องจักร ผู้บุกเบิกข่าวกรองด้านการตัดสินใจกล่าว และหัวหน้านักวิทยาศาสตร์และผู้ร่วมก่อตั้ง Quantellia บริษัทการเรียนรู้ด้วยเครื่องและการตัดสินใจ เธอเชื่อว่า DI กำลังเติบโตอย่างรวดเร็ว และในไม่ช้า การสร้างแบบจำลองข้อมูลประเภทนี้จะพร้อมใช้งานสำหรับธุรกิจทุกขนาด
จากข้อมูลของ Pratt การทำซ้ำของแพลตฟอร์มข่าวกรองธุรกิจทั่วไปที่กำลังจะเกิดขึ้นจะสนับสนุน DI "ในระดับต่อไปของความซับซ้อน คุณจะสามารถฝังโมเดล DI ไว้ในเครื่องมือที่มีอยู่ได้ เช่น [Microsoft] Excel หรือ PowerBI" เธอกล่าว อย่างไรก็ตาม สำหรับเครื่องมือที่ไม่ค่อยซับซ้อน กระบวนการนี้น่าจะมีจำกัด เนื่องจากผู้ใช้เหล่านั้นจะไม่สามารถเปลี่ยนแบบจำลองได้ทันที
แต่ในขณะที่ธุรกิจขนาดเล็กสามารถตั้งตารอที่จะได้เห็นแพลตฟอร์ม DI แบบง่ายในคลาวด์ องค์กรต่างๆ ก็ต้องการพลังยิงที่มากขึ้น
“ปัญหาที่ใหญ่ที่สุดคือแนวทางการลงทุน” Pratt กล่าว ซึ่งหมายความว่าธุรกิจขนาดใหญ่จำเป็นต้องตัดสินใจเป็นอันดับแรก ซึ่งอาจมีความซับซ้อนในองค์กรขนาดใหญ่ คุณจะต้องคิดให้ออกว่าไม่เพียงแต่ต้องตัดสินใจประเภทใด แต่ยังรวมถึงวิธีการบันทึกข้อกำหนดเหล่านั้นด้วย
"สำหรับการตัดสินใจบางอย่าง BI stack ที่มีอยู่ก็เพียงพอแล้ว" เทย์เลอร์กล่าว "แต่สำหรับบริษัทอื่นๆ [องค์กร] มีแนวโน้มที่จะพบว่าพวกเขาจำเป็นต้องลงทุนในเทคโนโลยีขั้นสูง เช่น การวิเคราะห์เชิงคาดการณ์และเครื่องมือการเรียนรู้ของเครื่อง" นอกจากนี้ เขาแนะนำ สำหรับการตัดสินใจที่บริษัทจำเป็นต้องทำบ่อยครั้งหรือรวดเร็ว การปรับใช้ระบบการจัดการกฎเกณฑ์ทางธุรกิจ เช่น จาก Agiloft หรือ IBM สามารถทำให้กระบวนการเป็นไปโดยอัตโนมัติและใช้ประโยชน์จากอัลกอริธึมการเรียนรู้ของเครื่องได้ดีขึ้น
สำหรับธุรกิจขนาดเล็ก นั่นอาจเกินความสามารถ โดยเฉพาะอย่างยิ่ง เนื่องจากบริการวิเคราะห์ระบบคลาวด์ยุคหน้าควรให้ DI ที่จำเป็นสำหรับ SMB ที่มีกล้ามเนื้อ DI โดยที่การใช้งานน้อยลงและปวดหัวในการเรียนรู้ แต่ถ้าคุณยังต้องการทำ DIY บน DI นี่คือสิ่งที่ Taylor กล่าวว่าองค์กรทั่วไปจะต้อง:
แนะนำโดยบรรณาธิการของเรา
ซอฟต์แวร์สร้างแบบจำลองการตัดสินใจเพื่อรวบรวมความต้องการและการสร้างแบบจำลองข้อมูล
ซอฟต์แวร์การจัดการกฎธุรกิจเพื่อพัฒนากฎการตัดสินใจของคุณ (เว้นแต่คุณจะทำการตัดสินใจค่อนข้างน้อยโดยมีค่าเผื่อเวลาสำหรับผลลัพธ์ที่ยาวนาน)
สแต็กแมชชีนเลิร์นนิงบางประเภทที่ใช้พัฒนาอัลกอริทึมที่คุณต้องการ
แพลตฟอร์มข้อมูลที่จะให้คุณสร้างอัลกอริธึมและจัดการการส่งข้อมูลทางธุรกรรมได้ โดยเฉพาะแบบเรียลไทม์
เครื่องมือสร้างภาพข้อมูล โดยเฉพาะอย่างยิ่งหากการตัดสินใจขั้นสุดท้ายของคุณยังคงมีองค์ประกอบที่สำคัญของมนุษย์อยู่
รูปแบบเทียบกับสัญชาตญาณ
เครื่องมองเห็นปัญหาและรูปแบบตามที่กำหนดไว้อย่างชัดเจน: สีดำกับสีขาว ในทางกลับกัน ผู้คนมองเห็นความแตกต่าง ความหมายทางเลือกที่เป็นไปได้ ทางเลือก และสะพานเชื่อมไปสู่ความคิดอื่นๆ ความชัดเจนในประเด็นใด ๆ มักจะเป็นหน้าที่ของปัญญาโดยสัญชาตญาณมากกว่าการฝึกอบรมทางวิชาการ มนุษย์สามารถใช้ได้ทั้งสองอย่าง และ DI ตั้งเป้าที่จะขยายความสามารถเหล่านั้น
Ervin Sejdic รองศาสตราจารย์ด้านวิศวกรรมไฟฟ้าและคอมพิวเตอร์และระบบอัจฉริยะของ University of Pittsburgh Swanson School of Engineering กล่าวว่า "ความฉลาดในการตัดสินใจขึ้นอยู่กับแนวคิดในการพยายามรวมเอาวิธีการที่เป็นจริงซึ่งเลียนแบบการตัดสินใจของมนุษย์" "ในขณะที่โดยทั่วไป AI โดยพื้นฐานแล้ว คุณเพิ่งตั้งกฎสำหรับแมชชีนเลิร์นนิง หากเป็นสีแดง ก็คือสิ่งนี้ และหากเป็นสีน้ำเงิน แสดงว่าเป็นเช่นนั้น”
Sejdic อ้างถึงการซื้อรถยนต์เป็นตัวอย่าง “หากคุณกำลังซื้อรถยนต์ และคุณกำหนดเกณฑ์บางอย่าง เช่น ไมล์ต่อแกลลอนหรือยี่ห้อใดยี่ห้อหนึ่ง อัลกอริทึมจะค้นหารถให้คุณ แต่เราทดลองขับรถยนต์และดูว่ามันให้ความรู้สึกและการขับขี่อย่างไร และสิ่งเหล่านี้คือปัจจัยการผลิตที่ยากต่อการฮาร์ดโค้ด” เขาอธิบาย “ด้วยเหตุผลเหล่านี้ ความฉลาดในการตัดสินใจจึงพยายามเข้ารหัสการตัดสินใจที่นุ่มนวลกว่าที่เราทำ และสิ่งเหล่านั้นต่างจาก AI ทั่วไปของคุณ”
Sejdic ตั้งข้อสังเกตว่าหากประสบความสำเร็จ DI สามารถนำไปใช้กับอะไรก็ได้ วิธีตัดสินใจว่าจะใช้ที่ใดคือค้นหาพื้นที่ที่คุณต้องการทราบว่าการดำเนินการใดดีที่สุดสำหรับคุณ
“การวิเคราะห์และข้อมูลทางธุรกิจส่วนใหญ่เป็นคำอธิบาย คุณบันทึกสิ่งที่เกิดขึ้นแล้วพล็อตตัวเลขในแผนภูมิ มันบอกคุณว่าเกิดอะไรขึ้นเพื่อให้คุณสามารถพยายามทำความเข้าใจ รูปแบบอื่นเป็นการทำนาย มันเหมือนกับการพยากรณ์อากาศ พวกเขาบอกคุณว่าจะเกิดอะไรขึ้น” Chris Nicholson ซีอีโอของ Pathmind ซึ่งเป็นบริษัท AI ที่กำหนดเป้าหมายการดำเนินงานทางอุตสาหกรรมและซัพพลายเชน
Vikranth จาก ZS Associates กล่าวว่า "ข้อมูลการตัดสินใจมีทั้งเชิงปริมาณและเชิงคุณภาพ และธุรกิจจำเป็นต้องคำนึงถึงทั้งสองสิ่งนี้ด้วย ในด้านปริมาณ เขาอธิบายว่าเป็นการรวบรวมข้อมูล การวิเคราะห์สามเหลี่ยมและวิศวกรรม โครงสร้างพื้นฐานด้าน AI และวิทยาศาสตร์ข้อมูล และความสามารถด้านการเขียนโปรแกรม กุญแจด้านนี้คือข้อมูลที่ถูกต้อง ธุรกิจทุกขนาดจะต้องลงทุนเวลาและความพยายามในการกำหนดตัวบ่งชี้ประสิทธิภาพ และทำให้แน่ใจว่าพวกเขากำลังรวบรวมข้อมูลที่ถูกต้อง และจัดเก็บในลักษณะที่สแต็ก DI ของพวกเขาใช้งานได้
ในด้านคุณภาพ Vikranth กล่าวว่าธุรกิจต่างๆ จำเป็นต้องมีพรสวรรค์ที่เหมาะสมในการแปลงข้อมูลเชิงลึก ข้อสรุป หรือผลลัพธ์ให้เป็นการตัดสินใจและการดำเนินการ สิ่งเหล่านี้จำเป็นต้องได้รับบริบทสำหรับธุรกิจของพวกเขา เครื่องมือ What-if และทดสอบและเรียนรู้สามารถช่วยกระบวนการนี้ได้อย่างมาก
Vikranth กล่าวว่า "ทั้งสองฝ่ายรวมกันเป็นความฉลาดในการตัดสินใจ" "ด้วยวิธีนี้ AI จะไม่นำมนุษย์ออกจากสมการ" Vikranth เชื่อว่าสิ่งนี้มีความสำคัญเนื่องจากอัลกอริธึมทางคณิตศาสตร์โดยเฉพาะอย่างยิ่งหากพวกเขากำลังทำงานกับข้อมูลที่ไม่สมบูรณ์ มาสู่การตัดสินใจที่เหมาะสมที่สุด
วิวัฒนาการของนักวิทยาศาสตร์ข้อมูล
ผู้ดูแลระบบฐานข้อมูลแบบเก่าก่อให้เกิดนักวิเคราะห์ข่าวกรองธุรกิจและวิทยาศาสตร์ข้อมูลแบบดั้งเดิม DI กำลังช่วยพัฒนาวินัยนั้นให้กลายเป็นบทบาทใหม่และมีประสิทธิภาพมากขึ้น กล่าวคือ นักแปลวิทยาศาสตร์ข้อมูล ตามที่ผู้เชี่ยวชาญเช่น Vikranth คนเหล่านี้จะใช้ DI เพื่อสร้างสถานการณ์แบบ what-if ของธุรกิจและทำงานผ่านสแต็ก AI เพื่อทำความเข้าใจว่าการดำเนินการใดที่ธุรกิจต้องดำเนินการและประเภทของผลลัพธ์ที่การกระทำเหล่านั้นสามารถให้ได้
ความฉลาดในการตัดสินใจช่วยให้เทคโนโลยีและผู้คนต่างทำในสิ่งที่พวกเขาทำได้ดีที่สุด เทคโนโลยี เช่น การวิเคราะห์และ AI ค้นหาการเชื่อมต่อและรูปแบบได้อย่างรวดเร็วในกลุ่มข้อมูลขนาดใหญ่ แต่นั่นเป็นเพียงครึ่งทางของการเดินทาง DI สามารถใช้ข้อมูลดังกล่าวและช่วยให้คุณนำปัจจัยมนุษย์ที่จับต้องไม่ได้มาใช้ เช่น สติปัญญาที่เป็นธรรมชาติ ความคิดสร้างสรรค์ ประสบการณ์ และความสามารถในการนำทางผ่านความแตกต่างต่างๆ ได้สำเร็จ นั่นทำให้ DI เป็นรูปแบบการวิเคราะห์แบบไฮบริดที่มีประสิทธิภาพแม้กระทั่งสำหรับองค์กรขนาดเล็ก และมีประสิทธิภาพโดยเฉพาะในวงกว้าง