Pro většinu z nás je rozhodování založené na datech procesem čtyř kroků.Nejprve shromáždíte data.Dále je „dolujete“, což znamená, že nějaká kombinace nástrojů a datových vědců hledá vzory a korelace mezi různými druhy dat.Za třetí, tyto objevy se napumpují do řídicích panelů a vizualizací, které manažeři uvidí.Odtud je na manažerovi, aby interpretoval, co mu řídicí panel říká, a rozhodl se.
Problém je v tom, že data, která jste shromáždili, a vzorce, které objevili vaše nástroje a datoví vědci, nyní definují rozhodnutí, která můžete učinit.Zjednodušený příklad: Řekněme, že PCMag shromažďuje spoustu dat o tom, které články si vedly nejlépe, pokud jde o počet kliknutí, které určitý článek nebo skupina článků zaznamenala.Pak naše databázové stroje ožívají, seskupují nejlepší články dohromady a vytvářejí pěkné vizualizace, abychom pochopili, co bylo nalezeno.To, na co se díváme, nám umožňuje vidět dosud nejúspěšnější články.Tento úspěch pak můžeme v budoucnu zopakovat tím, že napíšeme více takových článků pro daný datový klíč, jako je téma, typ článku nebo dokonce autor.Takže to, co děláme, je použití našich dat k replikaci našich minulých úspěchů.Určitě účinná praxe.
Ale co kdybychom to otočili?
Namísto toho, abychom se omezovali nashromážděnými údaji, co kdybychom jednoduše začali tím, že si položíme otázku, na kterou skutečně chceme odpověď: Jaké druhy článků pro nás budou v budoucnu nejlepší?Pokud začneme tam, potřebujeme proces, abychom nejen objevili otázky, které si musíme položit, abychom dostali odpověď, ale také data, která budeme muset shromáždit, abychom tyto dotazy podpořili.Ale získali bychom mnohem cennější sadu odpovědí, se kterými bychom mohli činit naše redakční rozhodnutí.
Jedná se o jednu z nejzajímavějších nových metodologií, které se objevují v nové generaci nástrojů obchodní analýzy a nazývá se „rozhodovací inteligence“ (DI). Níže popisujeme DI podrobněji a diskutujeme o tom, co potřebujete vědět, aby fungovalo pro vaši organizaci.
Co je rozhodovací inteligence?
Cassie Kozyrkov, hlavní vědecký pracovník v oblasti rozhodování ve společnosti Google, popisuje DI jako způsob, jak rozšířit datovou vědu o sociální vědu, teorii rozhodování a manažerskou vědu.Tato kombinace efektivněji pomáhá lidem skutečně používat data BI k lepším rozhodnutím.Popisuje rozdíl mezi datovou vědou a DI jako rozdíl mezi těmi, kdo vyrábějí mikrovlnné trouby, a kuchaři, kteří je používají.
DI vyrostlo ze snah softwarového inženýrství vytvořit vylepšená rozhodnutí o nejlepších postupech, a to ve velkém měřítku.A podle odborníků je dostatečně vyzrálý, že by měl začít ovlivňovat i malé až středně velké podniky (SMB) v další iteraci oblíbených cloudových nástrojů BI, jako je Microsoft PowerBI nebo Tableau.
„Rozhodovací inteligence propojuje AI a lidské rozhodování a vytváří inteligentnější závěry, které vedou k příznivějším výsledkům,“ říká Jack Zmudzinski, senior spolupracovník společnosti Future Processing (otevře se v novém okně), společnosti zabývající se vývojem softwaru na zakázku. "Takže spíše než rozhodnutí učiněné člověkem nebo rozhodnutí učiněné počítačem je to nejlepší z obou světů."
(Zdroj: Quantellia)
Rozhodovací inteligence mění to, co firmy obvykle dělají se svými daty.V přístupu k velkým datům se analytické nástroje a dotazy obvykle vybírají tak, aby odpovídaly datům.U DI je to hledané rozhodnutí, které má první prioritu; dotaz je poté vytvořen a data jsou vybrána podle jejich relevance k otázce.Data tedy při rozhodování na základě dat hrají spíše podpůrnou než hlavní roli.
Odborníci definují rozhodovací inteligenci jako metodologii, ale není to ta, která má jediný zastřešující proces.Jak budete postupovat v oblasti DI, bude záviset na vaší firmě, datech, která shromažďujete, a také na možnostech vaší sady analytických nástrojů.Základní myšlenka však bude vždy stejná: použití vizuálního přístupu, který začíná požadovaným rozhodnutím a poté zpětně určuje, jaká data jsou požadována a jak je získat.
Proč potřebujete DI
Pokud si myslíte, že to všechno zní jako velký obchodní nebo podnikový problém, zamyslete se znovu.Dokonce i malé podniky a „solopreneurs“ budou brzy ovládat tyto technologie a budou je moci spravovat s velmi malým úsilím, za rozumnou cenu as úspěchem založeným na vlastních znalostech a talentu.Sečteno a podtrženo: i lídři malých firem v dnešní době používají sofistikované cloudové databáze, které obsahují spoustu dat a solidní analýzy.To, co jim chybí, je skutečný návod, jak tyto informace používat k rozhodování v reálném světě.To platí zejména pro malé společnosti a to je přesně to, co DI řeší.
„Algoritmy a data nám dobře říkají: ‚Tady jsou pozorování nebo data a co lze dospět k závěru.‘ Nejsou dobré na to, aby nám řekly, jaké rozhodnutí se musí stát,“ řekl Gopi Vikranth, přidružený ředitel společnosti ZS Associates, a. globální poradenská a profesionální společnost poskytující služby.Před nástupem do ZS v roce 2019 zastával role viceprezidenta pro big data a marketingové analýzy pro Melco Resorts and Entertainment a viceprezident pro marketingové analýzy ve společnosti Caesars Entertainment.
„Na druhou stranu, rozhodovací zpravodajství odpovídá [na otázku] ‚Pokud byste podnikli akci X, jaký by byl výsledek v reálném světě?‘ To je pro podniky zásadní, protože jen zřídka nastane situace s dokonalými informacemi.“ řekl Vikranth.
Jako typický příklad popisuje středně velký podnik.Řekněme, že tato společnost má zákaznický věrnostní program.Úkolem umělé inteligence je zlepšit obchodní zisk, takže by mohla matematicky najít způsoby, jak změnit nebo odstranit výhody zákazníků nebo zvýšit ceny, aby tento zisk optimalizovala.Ale i když jsou tyto závěry objektivně „správné“, takové rozhodnutí by mohlo způsobit nákladný odpor u zákazníků a influencerů, což by v konečném důsledku způsobilo dlouhodobou ztrátu loajality, a tedy i výnosů.
Jason Cotrell, generální ředitel softwarového studia Myplanet, uvádí jako potenciální případy použití pro rozhodovací inteligenci následující:
Personalizace front-endových komponent softwaru (adaptivní uživatelské rozhraní).
Doporučení k produktu.
Prevence odchodu zákazníků.
Optimalizace cen pro podniky náročné na transakce, jako jsou letecké společnosti nebo farmacie.
„Namísto toho, abyste řekli ‚Jaká data potřebuji k tomuto rozhodnutí?‘, řekněte ‚Jak toto rozhodnutí mohu učinit? Které části vyžadují analýzu dat a které mohu automatizovat?‘ Takto lépe využijete svou analýzu a automatizaci,“ vysvětluje James Taylor, autor knihy „Digital Decisioning: Using Decision Management to Deliver Business Impact From AI“ a CEO společnosti Decision Management Solutions.
Již brzy: Nástroje pro rozhodování
Pokud jste menší firma, která se ponoří do velkých dat, vaše současná platforma již může mít nástroje, které potřebujete, abyste mohli začít s DI.Odborníci říkají, že to možná ani nepotřebujete.
„Můžete použít metodologii DI jen s tužkou a papírem, nebo v poslední době používám aplikaci Lucidspark (Otevře se v novém okně) ke společnému kreslení diagramů akce k výsledku (CDD),“ říká Lorien Pratt, vynálezce přenosového učení. pro stroje, průkopník rozhodovací inteligence a hlavní vědec a spoluzakladatel Quantellia, společnosti strojového učení a rozhodovací inteligence.Věří, že DI rychle dospívá a že tento typ datového modelování bude brzy dostupný pro podniky jakékoli velikosti.
Podle Pratta budou připravované iterace běžných platforem business intelligence podporovat DI. „Na další úrovni sofistikovanosti budete moci vkládat modely DI do stávajících nástrojů, jako je [Microsoft] Excel nebo PowerBI,“ říká.U méně sofistikovaných nástrojů však bude tento proces pravděpodobně omezený, protože tito uživatelé nebudou moci své modely měnit za chodu.
Ale zatímco malé podniky se mohou těšit na zjednodušené platformy DI v cloudu, podniky budou potřebovat mnohem více palebné síly.
"Největším problémem je investiční přístup," říká Pratt, což znamená, že velké podniky musí klást rozhodnutí do popředí. To se ve velkých organizacích může zkomplikovat. Budete muset přijít na to, jaká rozhodnutí je třeba učinit , ale také jak tyto požadavky zachytit.
„Pro některá rozhodnutí bude stačit stávající zásobník BI,“ říká Taylor. „Ale pro jiné [podniky] pravděpodobně zjistí, že potřebují investovat do pokročilejších technologií, jako jsou prediktivní analytika a nástroje strojového učení.“ Kromě toho radí že pro rozhodnutí, která společnosti potřebují dělat často nebo rychle, nasazení systému správy obchodních pravidel, jako jsou systémy od Agiloft (otevře se v novém okně) nebo IBM (otevře se v novém okně), může proces automatizovat a lépe využít vaše strojové učení algoritmy.
Pro menší podniky je to asi přehnané.Zejména proto, že cloudové analytické služby nové generace by měly poskytovat všechny malé a střední podniky potřebné pro DI, jen s menším počtem problémů s nasazením a učením.Ale pokud si přesto chcete udělat DIY na DI, zde je to, co podle Taylora bude typický podnik potřebovat:
Doporučeno našimi redaktory
Software pro modelování rozhodování pro shromažďování požadavků a modelování dat.
Software pro správu obchodních pravidel pro vývoj vašich rozhodovacích pravidel (pokud neděláte relativně málo rozhodnutí s přihlédnutím k dlouhé době výsledků).
Nějaký druh zásobníku strojového učení, pomocí kterého můžete vyvinout algoritmy, které budete potřebovat.
Datová platforma, která vám umožní vytvářet algoritmy a také spravovat doručování transakčních dat, nejlépe v reálném čase.
Nástroj pro vizualizaci dat, zejména pokud vaše konečná rozhodnutí budou mít stále významný lidský prvek.
Vzory vs.Intuice
Stroje vidí problémy a vzorce jako jasně definované: černá vs. bílá.Lidé na druhé straně vidí nuance, potenciální alternativní významy, možnosti a mosty k jiným myšlenkám.Jasnost v jakékoli otázce je často funkcí intuitivní inteligence spíše než akademického výcviku.Lidé mohou používat obojí a DI má za cíl tyto schopnosti škálovat.
„Rozhodovací inteligence je založena na myšlence pokusu začlenit realistické přístupy, které napodobují lidská rozhodnutí,“ říká Ervin Sejdic, docent elektrického a počítačového inženýrství a inteligentních systémů na University of Pittsburgh Swanson School of Engineering. AI, v podstatě jen nastavíte pravidla pro strojové učení: pokud je to červené, je to toto, a pokud je to modré, je to tamto.“
Sejdič uvádí jako příklad nákup auta. „Pokud kupujete auto a stanovíte určitá kritéria, jako jsou míle na galon nebo určitá značka, algoritmus vám auto najde. Ale testujeme auto a vidíme, jak se cítí a jezdí, a to jsou měkké vstupy, které je obtížné natvrdo zakódovat,“ vysvětluje. "Z těchto důvodů se rozhodovací inteligence snaží zakódovat měkčí rozhodnutí, která děláme, a tyto věci se liší od vaší typické AI."
Sejdic poznamenává, že pokud bude úspěšná, lze DI použít na cokoli.Způsob, jak se rozhodnout, kde jej použít, je najít oblasti, kde chcete vědět, jaká akce by pro vás byla nejlepší.
„Většina analytiky a business intelligence je popisná. Zaznamenáte, co se stane, a poté zanesete čísla do grafu. Řekne vám, co se právě stalo, abyste se to mohli pokusit pochopit. Jiné formy jsou prediktivní. Jsou jako předpověď počasí. Řeknou ti, co se bude dít." vysvětlil Chris Nicholson, generální ředitel společnosti Pathmind (otevře se v novém okně), společnosti zaměřené na umělou inteligenci, která se zaměřuje na průmyslové operace a dodavatelské řetězce.
„Inteligence pro rozhodování má kvantitativní i kvalitativní stránku a podniky musí vzít v úvahu obojí,“ říká Vikranth ze společnosti ZS Associates.Na kvantitativní stránce, vysvětluje, je to sběr dat, triangulace a inženýrství, infrastruktura umělé inteligence a datové vědy a talent na programování.Klíčem na této straně jsou přesné údaje.Podniky jakékoli velikosti budou muset investovat čas a úsilí do definování ukazatelů výkonu a zajistit, že shromažďují správná data a že jsou uložena způsobem, který je použitelný pro jejich zásobník DI.
Pokud jde o kvalitativní stránku, Vikranth říká, že podniky potřebují správný talent, aby přeměnily poznatky, závěry nebo výstupy na rozhodnutí a činy.Je třeba je uvést do kontextu pro jejich podnikání.Nástroje What-if a test-and-learn mohou tomuto procesu výrazně pomoci.
"Obě strany dohromady tvoří rozhodovací inteligenci," říká Vikranth. "Tímto způsobem AI nevyřadí lidi z rovnice." Vikranth věří, že je to důležité, protože matematické algoritmy, zvláště pokud pracují s nedokonalými daty, nemohou dojít k jakémukoli optimálnímu rozhodnutí.
Evoluce datových vědců
Starší správci databází dali vzniknout analytikům business intelligence a tradiční datové vědě.DI pomáhá vyvinout tuto disciplínu do nové a mnohem efektivnější role, konkrétně do role překladatelů datové vědy.Podle odborníků, jako je Vikranth, budou tito lidé používat DI k tomu, aby podnikli scénáře typu „co když“ a zpracovali je prostřednictvím zásobníku AI, aby pochopili, jaké kroky podnik musí podniknout a jaké výsledky mohou tyto akce poskytnout.
Rozhodovací inteligence umožňuje technologii a lidem dělat to, co umí nejlépe.Technologie, jako je analytika a umělá inteligence, rychle nacházejí spojení a vzorce v obrovských zásobách dat, ale to je jen polovina cesty.DI může tyto informace využít a pomoci vám aplikovat nehmotnější lidské faktory, jako je intuitivní inteligence, kreativita, zkušenosti a schopnost úspěšně procházet nuancemi.Díky tomu je DI výkonným novým hybridním analytickým modelem i pro malé organizace, který je zvláště účinný ve velkém měřítku.
