Karar Zekası, BI Oyununuzu Nasıl Ciddi Şekilde Artırabilir?
Yayınlanan: 2022-01-29Çoğumuz için veriye dayalı iş kararları vermek dört adımlı bir süreçtir. İlk önce verileri topluyorsunuz. Daha sonra, onu "mayın" yaparsınız, bu da araçların ve veri bilimcilerin bir kombinasyonunun farklı veri türleri arasındaki kalıpları ve korelasyonları aradığı anlamına gelir. Üçüncüsü, bu keşifler, yöneticilerin göreceği panolara ve görselleştirmelere pompalanır. Oradan, gösterge panosunun onlara ne söylediğini yorumlamak ve kararlarını vermek yöneticiye kalmış.
Buradaki sorun şu ki, topladığınız veriler ve araçlarınızın ve veri bilimcilerinizin keşfettiği kalıplar artık yapabileceğiniz kararları tanımlıyor. Basitleştirilmiş bir örnek: Diyelim ki PCMag, belirli bir makalenin veya makale grubunun kaç tıklama aldığı açısından hangi makalelerin en iyi performansı gösterdiğine dair birçok veri toplar. Ardından veritabanı motorlarımız canlanır, en iyi makaleleri bir araya toplar ve ne bulduğunu anlayabilmemiz için güzel görselleştirmeler oluşturur. Baktığımız şey, o noktaya kadar en başarılı makaleleri görmemizi sağlıyor. Daha sonra, konu, makale türü ve hatta yazar gibi belirli bir veri ekseninde bu tür makaleler yazarak gelecekte bu başarıyı çoğaltmak için çalışabiliriz. Yani yaptığımız şey, geçmiş başarılarımızı çoğaltmak için verilerimizi kullanmak. Kesinlikle etkili bir uygulama.
Ama ya bunu tersine çevirirsek?
Topladığımız verilerle kendimizi sınırlamak yerine, gerçekten yanıtlanmasını istediğimiz soruyu sorarak başlasaydık ne olurdu: Gelecekte ne tür makaleler bizim için en iyisini yapacak? Buradan başlarsak, yalnızca yanıtı almak için sormamız gereken soruları keşfetmek için değil, aynı zamanda bu sorguları desteklemek için toplamamız gereken verileri de keşfetmek için bir sürece ihtiyacımız var. Ancak elde edeceğimiz şey, editoryal kararlarımızı vermek için çok daha değerli bir dizi cevap olacaktır.
Bu, yeni nesil iş analitiği araçlarında ortaya çıkan daha heyecan verici yeni metodolojilerden biridir ve buna "karar zekası" (DI) denir. Aşağıda, DI'yi daha ayrıntılı olarak açıklıyoruz ve kuruluşunuz için çalışması için bilmeniz gerekenleri tartışıyoruz.
Karar Zekası Nedir?
Google'da baş karar bilimcisi olan Cassie Kozyrkov, DI'yi veri bilimini sosyal bilim, karar teorisi ve yönetim bilimi ile güçlendirmenin bir yolu olarak tanımlıyor. Bu kombinasyon, insanların daha iyi kararlar almak için BI verilerini gerçekten kullanmalarına yardımcı olmada daha etkilidir. Veri bilimi ve DI arasındaki farkı, mikrodalga fırın yapanlar ile onları kullanan aşçılar arasındaki fark olarak tanımlıyor.
DI, geliştirilmiş en iyi uygulama kararları oluşturmak ve bunu büyük ölçekte yapmak için yazılım mühendisliği çabalarından doğdu. Ve uzmanlara göre, Microsoft PowerBI veya Tableau gibi popüler bulut BI araçlarının bir sonraki yinelemesinde küçük ve orta ölçekli işletmeleri (KOBİ'ler) bile etkilemeye başlayacak kadar olgunlaştı.
Özel bir yazılım geliştirme şirketi olan Future Processing'de kıdemli bir ortak olan Jack Zmudzinski, "Karar zekası, yapay zekayı ve insan karar verme sürecini daha akıllı sonuçlar oluşturmak için birbirine bağlar ve bu da daha olumlu sonuçlara yol açar" diyor. "Yani, bir insan tarafından verilen bir karar veya bir bilgisayar tarafından verilen bir karardan ziyade, her iki dünyanın da en iyisi."
Karar zekası, işletmelerin tipik olarak verileriyle yaptıklarını yükseltir. Büyük veri yaklaşımında, analiz araçları ve sorgular genellikle verilere uyacak şekilde seçilir. DI ile, aranan karar birinci önceliğe sahiptir; sonra sorgu oluşturulur ve veriler soruyla ilgisine göre seçilir. Böylece veriye dayalı kararlar alınırken veriler baş rolden ziyade destekleyici bir rol üstlenir.
Uzmanlar, karar zekasını bir metodoloji olarak tanımlar, ancak tek bir şemsiye süreci olan bir yöntem değildir. DI'yi nasıl kullanacağınız işinize, topladığınız verilere ve ayrıca analitik araç setinizin özelliklerine bağlı olacaktır. Bununla birlikte, temel fikir her zaman aynı olacaktır: gerekli kararla başlayan ve daha sonra hangi verilerin gerekli olduğunu ve nasıl elde edileceğini belirlemek için geriye doğru çalışan görsel bir yaklaşım kullanmak.
Neden DI'ye ihtiyacınız var?
Tüm bunların kulağa büyük bir işletme veya işletme sorunu gibi geldiğini düşünüyorsanız, tekrar düşünün. Küçük işletmeler ve "tek girişimciler" bile yakında bu teknolojileri kullanacak ve bunları çok az çabayla, makul bir maliyetle ve kendi bilgi ve yeteneklerine dayalı bir başarı ile yönetebilecekler. Sonuç: Bugünlerde küçük işletme liderleri bile bol miktarda veri ve sağlam analitik içeren karmaşık bulut veritabanlarını kullanıyor. Eksik olan şey, bu bilgilerin gerçek dünya kararları vermek için nasıl kullanılacağına dair gerçek bir rehberliktir. Bu özellikle küçük şirketler için geçerlidir ve DI'nin hedeflediği şey tam olarak budur.
“Algoritmalar ve veriler bize 'İşte gözlemler veya veriler ve nelerin çıkarılabileceğini' söylemekte iyidir. Küresel bir danışmanlık ve profesyonel hizmetler firması olan ZS Associates'in müdür yardımcısı Gopi Vikranth, "Bize hangi kararın alınması gerektiğini söylemekte iyi değiller" dedi. 2019'da ZS'ye katılmadan önce Melco Resorts and Entertainment'ta büyük veri ve pazarlama analitiğinden sorumlu başkan yardımcısı ve Caesars Entertainment'ta pazarlama analitiğinden sorumlu başkan yardımcısı olarak görev yaptı.
“Öte yandan, karar zekası [soruya] 'X eylemini yapacak olsaydınız, gerçek dünyada sonuç ne olurdu?' Vikranth, nadiren mükemmel bilgiye sahip bir durum olduğu için bu, işletmeler için kritik öneme sahiptir” dedi.
Tipik bir örnek olarak orta ölçekli bir işletmeyi anlatıyor. Diyelim ki bu şirketin bir müşteri sadakat programı var. Bir yapay zeka, ticari kârı artırmakla görevlendirilir, böylece matematiksel olarak müşteri avantajlarını değiştirmenin veya kaldırmanın veya bu karı optimize etmek için fiyatları yükseltmenin yollarını bulabilir. Ancak bu sonuçlar nesnel olarak "doğru" olsa da, böyle bir karar müşteriler ve etkileyiciler arasında maliyetli bir ters tepkiye neden olabilir ve sonuçta uzun vadeli bir sadakat ve dolayısıyla gelir kaybı yaratabilir.
Yazılım stüdyosu Myplanet'in CEO'su Jason Cotrell, karar zekası için potansiyel kullanım örnekleri olarak şunları belirtiyor:
Yazılımın ön uç bileşenlerini kişiselleştirme (uyarlanabilir kullanıcı arayüzü).
Ürün önerileri.
Müşteri kaybını önleme.
Havayolları veya ilaç gibi işlem ağırlıklı işletmeler için fiyat optimizasyonu.
“'Bu kararı vermek için hangi verilere ihtiyacım var?' demek yerine. 'Bu kararı nasıl veririm? Hangi parçalar veri analizi gerektiriyor ve hangi parçaları otomatikleştirebilirim?' " Dijital Karar Verme: Yapay Zekadan İş Etkisi Sağlamak için Karar Yönetimini Kullanmak" kitabının yazarı ve Karar Yönetimi Çözümleri CEO'su James Taylor, bu şekilde, analitik ve otomasyonunuzdan daha iyi yararlanacaksınız," diye açıklıyor.
Çok Yakında: Karar Zekası Araçları
Büyük verilere ayak uyduran daha küçük bir işletmeyseniz, mevcut platformunuz DI'ye başlamak için ihtiyaç duyduğunuz araçlara zaten sahip olabilir. Uzmanlar, buna ihtiyacınız bile olmayabileceğini söylüyor.
Karar zekası öncüsü, makineler için transfer öğreniminin mucidi Lorien Pratt, "Yalnızca kalem ve kağıtla bir DI metodolojisini kullanabilirsiniz veya son zamanlarda işbirlikçi olarak eylemden sonuca diyagramları (CDD'ler) çizmek için Lucidspark uygulamasını kullanıyorum" diyor. ve bir makine öğrenimi ve karar zekası şirketi olan Quantellia'da baş bilim adamı ve kurucu ortak. DI'nin hızla olgunlaştığına ve yakında bu tür veri modellemenin her büyüklükteki işletme için geçerli olacağına inanıyor.
Pratt'e göre, ortak iş zekası platformlarının gelecek yinelemeleri DI'yi destekleyecek. "Bir sonraki gelişmişlik düzeyinde, DI modellerini [Microsoft] Excel veya PowerBI gibi mevcut araçların içine yerleştirebileceksiniz" diyor. Ancak, daha az karmaşık araçlar için, bu kullanıcılar modellerini anında değiştiremeyecekleri için bu süreç muhtemelen sınırlı olacaktır.
Ancak küçük işletmeler bulutta basitleştirilmiş DI platformlarını dört gözle bekleyebilirken, işletmelerin çok daha fazla ateş gücüne ihtiyacı olacak.
Pratt, "En büyük sorun bir yatırım yaklaşımıdır" diyor ve bu, büyük işletmelerin kararları öne ve merkeze koyması gerektiği anlamına geliyor. Bu, büyük kuruluşlarda karmaşıklaşabilir. Yalnızca ne tür kararların alınması gerektiğini değil, aynı zamanda karar vermeniz de gerekir. , aynı zamanda bu gereksinimlerin nasıl karşılanacağı.
Taylor, "Bazı kararlar için mevcut BI yığını yeterli olacaktır" diyor ve ekliyor: "Ancak diğerleri için [işletmeler] tahmine dayalı analitik ve makine öğrenimi araçları gibi daha gelişmiş teknolojilere yatırım yapmaları gerektiğini muhtemelen göreceklerdir." şirketlerin sıklıkla veya hızlı bir şekilde alması gereken kararlar için, Agiloft veya IBM'den alınanlar gibi bir iş kuralları yönetim sistemi devreye almak, süreci otomatikleştirebilir ve makine öğrenimi algoritmalarınızdan daha iyi yararlanabilir.
Daha küçük işletmeler için bu muhtemelen aşırıya kaçıyor. Özellikle yeni nesil bulut analitik hizmetleri, daha az dağıtım ve öğrenme sorunuyla KOBİ'lerin ihtiyaç duyduğu tüm DI gücü sağlamalıdır. Ancak yine de DI üzerinde DIY yapmak istiyorsanız, Taylor tipik bir işletmenin ihtiyaç duyacağını söylediği şey:
Editörlerimiz Tarafından Önerilen
Gereksinim toplama ve veri modelleme yapmak için karar modelleme yazılımı.
Karar kurallarınızı geliştirmek için iş kuralı yönetimi yazılımı (uzun sonuç süreleri için ödeneklerle nispeten az karar almıyorsanız).
İhtiyaç duyacağınız algoritmaları geliştirebileceğiniz bir tür makine öğrenimi yığını.
Hem algoritmalarınızı oluşturmanıza hem de tercihen gerçek zamanlı olarak işlemsel veri dağıtımını yönetmenize olanak tanıyan bir veri platformu.
Bir veri görselleştirme aracı, özellikle nihai kararlarınız hala önemli bir insan unsuruna sahip olacaksa.
Kalıplar ve Sezgi
Makineler, sorunları ve kalıpları açıkça tanımlanmış olarak görür: siyaha karşı beyaz. İnsanlar ise nüansları, olası alternatif anlamları, seçenekleri ve diğer düşüncelere giden köprüleri görürler. Herhangi bir konuda netlik, genellikle akademik eğitimden ziyade sezgisel zekanın bir işlevidir. İnsanlar her ikisini de kullanabilir ve DI bu yetenekleri ölçeklendirmeyi amaçlar.
Pittsburgh Üniversitesi Swanson Mühendislik Okulu'nda elektrik ve bilgisayar mühendisliği ve akıllı sistemler doçenti olan Ervin Sejdic, “Karar zekası, insan benzeri kararları taklit eden gerçekçi yaklaşımları birleştirmeye çalışmak fikrine dayanmaktadır” diyor. AI, temelde makine öğrenimi için kuralları belirlersiniz: eğer kırmızıysa, bu ve maviyse, odur."
Sejdic örnek olarak bir araba satın alımını gösteriyor. “Bir araba alıyorsanız ve galon başına mil veya belirli bir marka gibi belirli kriterler belirlerseniz, bir algoritma sizin için bir araba bulur. Ama arabayı test ediyoruz ve nasıl hissettiğini ve sürdüğünü görüyoruz ve bunlar sabit kod için zor olan yumuşak girdiler" diye açıklıyor. "Bu nedenlerle, karar zekası verdiğimiz daha yumuşak kararları kodlamaya çalışır ve bu şeyler tipik yapay zekanızdan farklıdır."
Sejdic, başarılı olması durumunda DI'nin her şeye uygulanabileceğini belirtiyor. Bunu nerede kullanacağınıza karar vermenin yolu, hangi eylemin sizin için en iyi olacağını bilmek istediğiniz alanları bulmaktır.
“Analizlerin ve iş zekasının çoğu açıklayıcıdır. Olanları kaydedersiniz ve sonra sayıları bir çizelgeye çizersiniz. Anlamaya çalışabilmeniz için size az önce olanları anlatır. Diğer formlar öngörücüdür. Hava tahmini gibiler. Sana olacakları söylüyorlar." Endüstriyel operasyonları ve tedarik zincirlerini hedefleyen bir yapay zeka şirketi olan Pathmind'in CEO'su Chris Nicholson açıkladı.
ZS Associates'ten Vikranth, “Karar istihbaratının nicel ve nitel bir yanı vardır ve işletmelerin her ikisini de hesaba katması gerekir” diyor. Nicel tarafta, veri toplama, üçgenleme ve mühendislik, yapay zeka ve veri bilimi altyapısı ve programlama yeteneği olduğunu açıklıyor. Bu taraftaki anahtar doğru verilerdir. Her büyüklükteki işletmenin, performans göstergelerini tanımlamak ve doğru verileri topladıklarından ve bunların DI yığınları tarafından kullanılabilecek şekilde depolandığından emin olmak için zaman ve çaba harcaması gerekecektir.
Nitel açıdan Vikranth, işletmelerin içgörüleri, sonuçları veya çıktıları kararlara ve eylemlere dönüştürmek için doğru yeteneğe ihtiyacı olduğunu söylüyor. Bunlar, işleri için bağlamsallaştırılmalıdır. Ne olur ve test et ve öğren araçları bu sürece büyük ölçüde yardımcı olabilir.
Vikranth, "Her iki taraf da birleştirilmiş karar zekasıdır" diyor. "Bu şekilde, yapay zeka insanları denklemden çıkarmaz." Vikranth bunun önemli olduğuna inanıyor çünkü matematiksel algoritmalar, özellikle de kusurlu veriler üzerinde çalışıyorlarsa, yapamazlar. her türlü optimal karara varmak.
Veri Bilimcisi Evrimi
Eski veri tabanı yöneticileri, iş zekası analistlerine ve geleneksel veri bilimine yol açtı. DI, bu disiplini yeni ve çok daha etkili bir role, yani veri bilimi çevirmenlerine dönüştürmeye yardımcı oluyor. Vikranth gibi uzmanlara göre, bu insanlar bir işletmenin ne olabilir senaryolarını almak için DI'yi kullanacak ve işletmenin hangi eylemleri gerçekleştirmesi gerektiğini ve bu eylemlerin ne tür sonuçları sağlayabileceğini anlamak için bir yapay zeka yığını üzerinden çalışacaklar.
Karar zekası, teknolojinin ve insanların her birinin en iyi yaptıkları şeyi yapmalarını sağlar. Analitik ve yapay zeka gibi teknolojiler, devasa veri havuzlarındaki bağlantıları ve kalıpları hızla bulur, ancak bu yolculuğun yalnızca yarısıdır. DI bu bilgiyi kullanabilir ve sezgisel zeka, yaratıcılık, deneyim ve nüanslar arasında başarılı bir şekilde gezinme yeteneği gibi daha soyut insan faktörlerini uygulamanıza yardımcı olabilir. Bu, DI'yi küçük kuruluşlar için bile güçlü ve yeni bir hibrit analiz modeli yapar ve özellikle ölçekte etkili bir modeldir.