For de fleste af os er det en fire-trins proces at tage datadrevne forretningsbeslutninger.Først indsamler du dataene.Dernæst "miner" du det, hvilket blot betyder, at en kombination af værktøjer og dataforskere leder efter mønstre og sammenhænge mellem forskellige slags data.For det tredje bliver disse opdagelser pumpet ind i de dashboards og visualiseringer, som ledere får at se.Derfra er det op til lederen at fortolke, hvad dashboardet fortæller dem og træffe deres beslutning.
Problemet er, at de data, du har indsamlet, og de mønstre, dine værktøjer og dataforskere har opdaget, nu definerer de beslutninger, du kan træffe.Et forenklet eksempel: Lad os sige, at PCMag indsamler masser af data om, hvilke artikler der har klaret sig bedst i forhold til hvor mange klik en bestemt artikel eller gruppe af artikler har modtaget.Så buldrer vores databasemotorer til live, grupperer de bedste artikler sammen og bygger smukke visualiseringer, så vi kan forstå, hvad der blev fundet.Det, vi kigger på, lader os se de mest succesrige artikler indtil da.Vi kan derefter arbejde på at kopiere denne succes i fremtiden ved at skrive flere sådanne artikler om en given datapivot, som emnet, artiklens type eller endda forfatteren.Så det, vi gør, er at bruge vores data til at kopiere vores tidligere succeser.Sikkert en effektiv praksis.
Men hvad nu hvis vi vendte det om?
I stedet for at begrænse os selv af de data, vi har indsamlet, hvad nu hvis vi bare startede med at stille det spørgsmål, vi virkelig ønsker besvaret: Hvilken slags artikler vil gøre det bedste for os i fremtiden?Hvis vi starter der, har vi brug for en proces til ikke kun at opdage de spørgsmål, vi skal stille for at få svaret, men også de data, vi skal indsamle for at understøtte disse forespørgsler.Men det, vi ville få, er et meget mere værdifuldt sæt svar, som vi kan træffe vores redaktionelle beslutninger med.
Det er en af de mere spændende nye metoder, der dukker op i den næste generation af forretningsanalyseværktøjer, og det kaldes "decision intelligence" (DI). Nedenfor beskriver vi DI mere detaljeret og diskuterer, hvad du skal vide for at få det til at fungere for din organisation.
Hvad er Decision Intelligence?
Cassie Kozyrkov, chefbeslutningsforsker hos Google, beskriver DI som en måde at udvide datavidenskab med samfundsvidenskab, beslutningsteori og ledelsesvidenskab.Denne kombination er mere effektiv til at hjælpe folk med at bruge BI-data til at træffe bedre beslutninger.Hun beskriver forskellen mellem data science og DI som forskellen mellem dem, der laver mikrobølgeovne, og de kokke, der bruger dem.
DI voksede ud af softwareingeniørbestræbelser på at bygge forbedrede best-practice-beslutninger og gøre det i stor skala.Og ifølge eksperter er det modnet nok til, at det burde begynde at påvirke selv små til mellemstore virksomheder (SMB'er) i den næste iteration af populære cloud BI-værktøjer, såsom Microsoft PowerBI eller Tableau.
"Beslutningsintelligence forbinder AI og menneskelig beslutningstagning for at danne mere intelligente konklusioner, som fører til mere gunstige resultater," siger Jack Zmudzinski, en senior associate hos Future Processing (åbner i et nyt vindue), en specialfremstillet softwareudviklingsvirksomhed. "Så i stedet for en beslutning truffet af et menneske eller en beslutning truffet af en computer, er det det bedste fra begge verdener."
(Kilde: Quantellia)
Beslutningsintelligence forringer, hvad virksomheder typisk gør med deres data.I en big data-tilgang er analyseværktøjerne og forespørgslerne typisk valgt, så de passer til dataene.Hos DI er det den beslutning, der søges, der har første prioritet; forespørgslen konstrueres derefter, og dataene vælges efter deres relevans for spørgsmålet.Så dataene spiller en understøttende rolle frem for hovedrollen, når de træffer datadrevne beslutninger.
Eksperter definerer beslutningsintelligence som en metode, men det er ikke en, der har en enkelt paraplyproces.Hvordan du går om DI vil afhænge af din virksomhed, de data, du indsamler, og også mulighederne i dit analyseværktøjssæt.Grundidéen vil dog altid være den samme: Brug af en visuel tilgang, der begynder med den påkrævede beslutning og derefter arbejder baglæns for at bestemme, hvilke data der kræves, og hvordan man skal gribe det an.
Hvorfor har du brug for DI
Hvis du synes, det hele lyder som et stort forretnings- eller virksomhedsproblem, så tro om igen.Selv små virksomheder og "solopreneurs" vil snart bruge disse teknologier, og de vil være i stand til at administrere dem med meget lidt indsats, til en rimelig pris og med succes baseret på deres egen viden og talenter.Nederste linje: selv ledere i små virksomheder bruger i disse dage sofistikerede cloud-databaser, der rummer masser af data og solide analyser.Hvad de mangler, er enhver reel vejledning om, hvordan man bruger disse oplysninger til at træffe beslutninger i den virkelige verden.Det gælder især for små virksomheder, og det er netop det, DI henvender sig til.
"Algorithmer og data er gode til at fortælle os 'Her er observationerne eller dataene, og hvad der kan konkluderes.' De er ikke gode til at fortælle os, hvilken beslutning der skal ske," sagde Gopi Vikranth, associeret rektor hos ZS Associates, en globalt konsulent- og professionelt servicefirma.Før han kom til ZS i 2019, havde han roller som vicepræsident for big data og marketing analytics for Melco Resorts and Entertainment, og vice president for marketing analytics hos Caesars Entertainment.
"Beslutningsintelligence svarer på den anden side [spørgsmålet] 'Hvis du skulle handle X, hvad bliver resultatet i den virkelige verden?' Dette er afgørende for virksomheder, da der sjældent er en situation med perfekt information." sagde Vikranth.
Han beskriver en mellemstor virksomhed som et typisk eksempel.Lad os sige, at denne virksomhed har et kundeloyalitetsprogram.En AI har til opgave at forbedre virksomhedens indtjening, så den matematisk kan finde måder at ændre eller fjerne kundefordele eller hæve priserne for at optimere denne fortjeneste.Men selvom disse konklusioner er objektivt "korrekte", kan en sådan beslutning meget vel forårsage et dyrt modreaktion med kunder og influencers, hvilket i sidste ende skaber et langsigtet tab af loyalitet og dermed indtjening.
Jason Cotrell, administrerende direktør for softwarestudiet Myplanet, nævner følgende som potentielle anvendelsessager til beslutningsefterretning:
Personalisering af softwarens front-end komponenter (adaptive UI).
Produktanbefalinger.
Forebyggelse af kundeafgang.
Prisoptimering for transaktionstunge virksomheder, såsom flyselskaber eller lægemidler.
"I stedet for at sige 'Hvilke data har jeg brug for for at træffe denne beslutning?' Sig 'Hvordan træffer jeg denne beslutning? Hvilke stykker kræver dataanalyse, og hvilke stykker kan jeg automatisere?' På den måde vil du bedre udnytte dine analyser og automatisering," forklarer James Taylor, forfatter til bogen "Digital Decisioning: Using Decision Management to Deliver Business Impact From AI" og CEO for Decision Management Solutions.
Kommer snart: Decision Intelligence Tools
Hvis du er en mindre virksomhed, der dypper en tå i big data, har din nuværende platform muligvis allerede de værktøjer, du skal bruge for at komme i gang med DI.Eksperter siger, at du måske ikke engang har brug for det.
"Du kan bruge en DI-metodologi med kun blyant og papir, eller på det seneste har jeg brugt Lucidspark (Åbner i et nyt vindue)-appen til i samarbejde at tegne handling-til-resultat-diagrammer (CDD'er)," siger Lorien Pratt, opfinderen af transfer learning for maskiner, en beslutningsintelligence-pioner og chefforsker og medstifter hos Quantellia, en maskinlærings- og beslutningsinformationsvirksomhed.Hun mener, at DI modnes hurtigt, og at denne type datamodellering snart vil være tilgængelig for enhver størrelse virksomhed.
Ifølge Pratt vil kommende iterationer af almindelige business intelligence-platforme understøtte DI. "På det næste niveau af sofistikering vil du være i stand til at integrere DI-modeller i eksisterende værktøjer, såsom [Microsoft] Excel eller PowerBI," siger hun.Men for mindre sofistikerede værktøjer vil denne proces sandsynligvis være begrænset, da disse brugere ikke vil være i stand til at ændre deres modeller med det samme.
Men selvom små virksomheder kan se frem til forenklede DI-platforme i skyen, har virksomheder brug for meget mere ildkraft.
"Det største problem er en investeringstilgang," siger Pratt, hvilket betyder, at store virksomheder skal sætte beslutninger i centrum. Det kan blive kompliceret i store organisationer. Du skal ikke kun finde ud af, hvilke slags beslutninger der skal træffes , men også hvordan man fanger disse krav.
"Til nogle beslutninger vil den eksisterende BI-stak være nok," siger Taylor. "Men for andre vil [virksomheder] sandsynligvis finde ud af, at de er nødt til at investere i mere avancerede teknologier, såsom prædiktiv analyse og maskinlæringsværktøjer." Derudover rådgiver han at for de beslutninger, virksomheder skal træffe ofte eller hurtigt, kan implementering af et forretningsreglerstyringssystem, som dem fra Agiloft(Åbner i et nyt vindue) eller IBM(Åbner i et nyt vindue), automatisere processen og bedre udnytte din maskinlæring algoritmer.
For mindre virksomheder er det sandsynligvis overkill.Især da næste generations cloud-analysetjenester skulle give alle de DI-muskler, SMB'er har brug for, blot med færre implementerings- og læringshovedpine.Men hvis du stadig vil gøre DIY på DI, er her, hvad Taylor siger, at en typisk virksomhed har brug for:
Anbefalet af vores redaktører
Beslutningsmodelleringssoftware til at udføre kravindsamling og datamodellering.
Software til styring af forretningsregler til at udvikle dine beslutningsregler (medmindre du træffer relativt få beslutninger med forbehold for lange resultattider).
En slags maskinlæringsstabel, som du kan bruge til at udvikle de algoritmer, du har brug for.
En dataplatform, der lader dig både oprette dine algoritmer og også administrere transaktionsdatalevering, helst i realtid.
Et datavisualiseringsværktøj, især hvis dine endelige beslutninger stadig vil have et væsentligt menneskeligt element.
Mønstre vs.Intuition
Maskiner ser problemer og mønstre som tydeligt defineret: sort vs hvid.Mennesker ser på den anden side nuancer, potentielle alternative betydninger, muligheder og broer til andre tanker.Klarhed om ethvert spørgsmål er ofte en funktion af intuitiv intelligens snarere end akademisk træning.Mennesker kan bruge begge dele, og DI sigter efter at skalere disse evner.
"Beslutningsintelligens er baseret på denne idé om at forsøge at inkorporere realistiske tilgange, der efterligner menneskelignende beslutninger," siger Ervin Sejdic, lektor i elektrisk og computerteknik og intelligente systemer ved University of Pittsburgh Swanson School of Engineering. AI, du har stort set bare opsat reglerne for maskinlæring: Hvis det er rødt, er det dette, og hvis det er blåt, er det det."
Sejdic nævner et bilkøb som eksempel. "Hvis du køber en bil, og du sætter visse kriterier som miles per gallon eller et bestemt mærke, vil en algoritme finde en bil til dig. Men vi testkører bilen og ser, hvordan den føles og kører, og det er de bløde input, som er svære at hårdkode,” forklarer han. "Af disse grunde forsøger beslutningsintelligens at indkode de blødere beslutninger, vi træffer, og disse ting er anderledes end din typiske AI."
Sejdic bemærker, at hvis det lykkes, kan DI anvendes på hvad som helst.Måden at beslutte, hvor den skal bruges, er at finde områder, hvor du vil vide, hvilken handling der er bedst for dig at tage.
"Det meste af analyser og business intelligence er beskrivende. Du registrerer, hvad der sker, og derefter plotter du tallene i et diagram. Den fortæller dig, hvad der lige er sket, så du kan prøve at forstå. Andre former er forudsigelige. De er ligesom vejrudsigter. De fortæller dig, hvad der er ved at ske.” forklarede Chris Nicholson, administrerende direktør for Pathmind(Åbner i et nyt vindue), en AI-virksomhed, der retter sig mod industrielle operationer og forsyningskæder.
"Der er en kvantitativ og kvalitativ side ved beslutningsintelligence, og virksomheder skal tage hensyn til begge dele," siger ZS Associates' Vikranth.På den kvantitative side, forklarer han, er dataindsamling, triangulering og engineering, AI og datavidenskabsinfrastruktur og programmeringstalent.Nøglen på denne side er nøjagtige data.Virksomheder af enhver størrelse bliver nødt til at investere tid og kræfter for at definere præstationsindikatorer og sikre, at de indsamler de rigtige data, og at de er gemt på en måde, der kan bruges af deres DI-stack.
På den kvalitative side siger Vikranth, at virksomheder har brug for det rigtige talent for at konvertere indsigt, konklusioner eller output til beslutninger og handlinger.Disse skal kontekstualiseres til deres virksomhed.Hvad-hvis og test-og-lær værktøjer kan i høj grad hjælpe denne proces.
"Begge sider kombineret er beslutningsintelligens," siger Vikranth. "På denne måde tager AI ikke mennesker ud af ligningen." Vikranth mener, at dette er vigtigt, da matematiske algoritmer, især hvis de arbejder på uperfekte data, ikke kan komme til enhver form for optimal beslutning.
Data Scientist Evolution
Tidligere databaseadministratorer gav anledning til business intelligence-analytikere og traditionel datavidenskab.DI hjælper med at udvikle den disciplin til en ny og meget mere effektiv rolle, nemlig datavidenskabsoversætternes rolle.Ifølge eksperter som Vikranth vil disse mennesker bruge DI til at tage en virksomheds what-if-scenarier og arbejde dem gennem en AI-stak for at forstå, hvilke handlinger virksomheden skal tage, og den slags resultater, disse handlinger kan give.
Decision intelligence lader teknologi og mennesker hver især gøre det, de er bedst til.Teknologier, som analytics og AI, finder hurtigt forbindelserne og mønstrene i enorme puljer af data, men det er kun halvdelen af rejsen.DI kan bruge den information og hjælpe dig med at anvende de mere immaterielle menneskelige faktorer, såsom intuitiv intelligens, kreativitet, erfaring og evnen til succesfuldt at navigere gennem nuancer.Det gør DI til en kraftfuld ny hybrid analysemodel, selv for små organisationer, og en der er særlig effektiv i skala.
