Использование ИИ для контекстуализации аналитики данных и получения бизнес-инсайтов

Прогресс в ИИ и расширенной аналитике означает, что корпоративные команды могут эффективнее контекстуализировать свои данные.

Существует проблема, которая фрустрировала бизнес-лидеров и данных профессионалов практически с тех пор, как большие данные стали модным словом. Это отсутствие контекста в аналитике.

Посмотрите, знаком ли вам этот вариант использования. Бизнес-лидер изначально просил анализ того, почему региональные продажи падали, и аналитик данных усердно работал пару месяцев, создавая модель, собирая данные и разрабатывая отчет для бизнес-стороны.

Проблема

Когда результаты вернулись, они были разочаровывающими одноразмерными, никогда не подтверждая реальное «почему» за этим замедлением продаж. Отчет мог выявить падение для определенной продуктовой линейки или, может быть, конкретной команды продаж. Но не оба сразу.

Чего не хватало, так это контекста. Не было способа выявить реальные, скрытые причины замедления. Это была проблема персонала, компенсации или текучести кадров? На самом деле это была проблема цепочки поставок? Могло ли это быть новым конкурентом? Или что-то вроде повышения цен? Было ли это все сразу? Эти вопросы были бы естественным продолжением любого анализа продаж.

Но без глубокого взгляда на разнообразные потенциальные причины, бизнес-лидер и специалист по данным часто уходили, виня друг друга в потере времени и ресурсов.

Эволюция расширенной аналитики

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

Гуру аналитики и ИТ Том Давенпорт из колледжа Бабсон изучил эти новые типы данных в недавней статье Harvard Business Review, соавтором которой был Джоуи Фиттс, вице-президент по стратегии аналитического продукта в Oracle.

«ИИ делает возможным для аналитики автоматически включать и обрабатывать важный контекст из широкого массива источников — многие из которых ранее требовали от аналитиков навигации по силосам и плохо поддерживаемым каталогам», написали они.

Они добавили: «Инновации опираются на ИИ и автоматизацию, связи через существующие информационные системы и основанные на ролях предположения о том, какие решения будут приниматься на основе данных и аналитики. В конце концов, они могут подготовить инсайты и рекомендации, которые могут быть доставлены непосредственно лицам, принимающим решения, без необходимости заранее готовить их аналитиком».

Поиск правильных данных для аналитического проекта слишком часто был ручным упражнением, согласно Давенпорту и Фиттс.

Они написали: «Это требовало обширных знаний о том, какие данные подходят для вашего анализа и где их можно найти, и многие аналитики не имели знаний о более широком контексте. Однако аналитика и даже приложения ИИ все чаще могут предоставлять контекст. И эти возможности теперь регулярно включаются ключевыми поставщиками в их предложения транзакционных систем, таких как системы планирования ресурсов предприятия (ERP) и управления отношениями с клиентами (CRM)».

Эта способность добавлять контекст частично опирается на автоматизацию через ИИ с использованием «умного обнаружения данных» и расширенной аналитики.

В 2017 году Gartner определил расширенную аналитику как «использование технологий-помощников, таких как машинное обучение и ИИ, для помощи в подготовке данных, генерации инсайтов и объяснении инсайтов для усиления того, как люди исследуют и анализируют данные в аналитических и BI-платформах».

Футуролог Бернард Марр добавляет: «Расширенная аналитика описывает процесс, где данные автоматически берутся из сырьевых источников, очищаются и анализируются беспристрастным образом, и сообщаются в отчете с использованием обработки естественного языка, который люди могут понять».

Появление гражданских данных ученых

Давенпорт и Фиттс привели пример того, как этот новый подход к аналитике был реализован в большой страховой компании. Они сказали, что новая система управления человеческим капиталом «включала KPI по HR, эталонные лучшие практики и возможность мониторинга HR-трендов, таких как уровни разнообразия и оттока кадров. Новый инструмент корпоративной отчетности с этими возможностями был внедрен по всей компании всего за восемь недель».

Эта эволюция ИИ и аналитики, кажется, проложила путь для нового поколения гражданских данных ученых.

Если этот термин звучит знакомо, это потому, что концепция предоставления нетехническим бизнес-профессионалам расширенных аналитических возможностей существует уже пять лет.

За это время гражданская наука о данных встречала сопротивление у некоторых аналитиков, которые не доверяют бизнес-пользователям свои инструменты, даже если бизнес-пользователи прошли среднекарьерное обучение в науке о данных. Оригинальная концепция также была маловероятна для масштабирования по предприятию с тысячами приложений.

Но эта новая версия гражданской науки о данных, кажется, использует преимущество «новых типов данных», которые обсуждает Давенпорт. Тяжелая работа по обнаружению и использованию отношений между отделами, процессами и типами данных обещает быть выполнена в значительной степени моделями ИИ. Эти модели все еще будут создаваться данными учеными. «Граждане» тогда могут делать то, что они делают лучше всего — задавать бизнес-вопросы, на которые ИИ может быть лучше в ответах.