Как ИИ помещает аналитику данных в контекст

Достижения в области искусственного интеллекта и расширенной аналитики означают, что корпоративные команды могут более эффективно анализировать свои данные в контексте.

Есть проблема, которая разочаровывала бизнес-лидеров и специалистов по данным еще до того, как большие данные стали модным словом. Это отсутствие контекста в аналитике.

Посмотрите, звучит ли этот вариант использования знакомо. Сначала бизнес-лидер попросил провести анализ того, почему региональные продажи упали, и аналитик данных пару месяцев усердно работал над построением модели, извлечением данных и подготовкой отчета для бизнеса.

Проблема

Когда пришли результаты, они оказались разочаровывающе одномерными и никогда не подтверждали истинное «почему» замедления продаж. В отчете может быть указано проскальзывание для определенной линейки продуктов или, возможно, для конкретной группы продаж. Но не оба.

Чего не хватало, так это контекста. Не было никакого способа обнаружить настоящие, глубинные причины проскальзывания. Был ли это кадровый вопрос, компенсация или текучесть кадров? Действительно ли это была проблема с цепочкой поставок? Мог ли это быть новый конкурент? Или это было что-то вроде повышения цен? Было ли это все? Эти вопросы были бы естественным продолжением любого анализа продаж.

Но без глубокого понимания различных потенциальных причин бизнес-лидер и специалист по данным часто уходили, обвиняя друг друга в трате времени и ресурсов.

Эволюция расширенной аналитики

Чтобы найти контекст, упомянутый выше, некоторые предприятия сегодня обращаются к ИИ. Они сообщают об успехе благодаря способности ИИ обнаруживать отношения и зависимости между множеством отделов, приложений и процессов. Существование этих отношений проявляется в новых типах данных, не перечисленных в электронных таблицах или традиционных базах данных, и, конечно, не в корпоративных организационных диаграммах.

Гуру аналитики и информационных технологий Том Дэвенпорт из Babson College исследовал эти новые типы данных в недавней статье HarvardBusiness Review, в соавторстве с Джоуи Фиттсом, вице-президентом по стратегии продуктов Oracle для аналитики.

«ИИ позволяет аналитикам автоматически включать и обрабатывать важный контекст из широкого спектра источников, многие из которых ранее требовали от аналитиков навигации по разрозненным и плохо поддерживаемым каталогам», — пишут они.

Они добавили:«Инновации основаны на искусственном интеллекте и автоматизации, соединениях между существующими информационными системами и предположениях на основе ролей о том, какие решения будут приниматься на основе данных и аналитики. В конце концов, они могут подготовить информацию и рекомендации, которые могут быть переданы непосредственно лицам, принимающим решения, без предварительной подготовки аналитиком».

По словам Давенпорта и Фиттса, поиск нужных данных для аналитического проекта слишком часто является ручным упражнением.

Они писали:«Это требовало обширных знаний о том, какие данные подходят для вашего анализа и где их можно найти, а многим аналитикам не хватало знаний о более широком контексте. Тем не менее, аналитика и даже приложения ИИ могут все чаще предоставлять контекст. И эти возможности теперь регулярно включаются ключевыми поставщиками в свои предложения транзакционных систем, таких как планирование ресурсов предприятия (ERP) и управление взаимоотношениями с клиентами (CRM)».

Эта возможность добавления контекста частично зависит от автоматизации с помощью ИИ с использованием «интеллектуального обнаружения данных» и расширенной аналитики.

В 2017 году компания Gartner определила расширенную аналитику как «использование передовых технологий, таких как машинное обучение и искусственный интеллект, для помощи в подготовке данных, генерации и объяснении выводов, чтобы улучшить то, как люди изучают и анализируют данные на платформах аналитики и бизнес-аналитики».

Футурист Бернард Марр добавляет:«Расширенная аналитика описывает процесс, при котором данные автоматически берутся из необработанных источников данных, беспристрастно очищаются и анализируются, а затем представляются в отчете с использованием обработки естественного языка, понятной людям».

Войдите в Citizen Data Scientist

Давенпорт и Фиттс привели пример того, как этот новый подход к аналитике был реализован крупной страховой компанией. Они сказали, что новая система человеческого капитала «включала в себя ключевые показатели эффективности человеческих ресурсов, контрольные показатели передового опыта и возможность отслеживать тенденции в области управления персоналом, такие как разнообразие и уровни убыли. Новый корпоративный инструмент отчетности с такими возможностями был внедрен в компании всего за восемь недель».

Эта эволюция искусственного интеллекта и аналитики, похоже, прокладывает путь для нового поколения гражданских специалистов по данным.

Если этот последний термин звучит знакомо, то это потому, что концепция предоставления нетехническим специалистам в области расширенных аналитических возможностей витала в воздухе уже пять лет.

В то время гражданская наука о данных встретила сопротивление со стороны некоторых профессионалов в области аналитики, которые не доверяют бизнес-пользователям свои инструменты, даже если бизнес-пользователи прошли обучение в области науки о данных в середине своей карьеры. Первоначальная концепция также вряд ли могла быть масштабирована на предприятие с тысячами приложений.

Но эта новая версия гражданской науки о данных, похоже, использует преимущества «новых типов данных», которые обсуждает Дэвенпорт. Тяжелая работа по обнаружению и использованию взаимосвязей между отделами, процессами и типами данных обещает быть в значительной степени выполненной с помощью моделей ИИ. Эти модели по-прежнему будут создаваться специалистами по обработке и анализу данных. Тогда «граждане» смогут делать то, что у них получается лучше всего, — задавать деловые вопросы, на которые AI, возможно, лучше ответит.