Sitemap
(Imej: Getty)

Bagi kebanyakan kita, membuat keputusan perniagaan berasaskan data ialah proses empat langkah.Pertama, anda mengumpul data.Seterusnya, anda "lombong" itu, yang bermaksud beberapa gabungan alat dan saintis data mencari corak dan korelasi antara pelbagai jenis data.Ketiga, penemuan tersebut dimasukkan ke dalam papan pemuka dan visualisasi yang dapat dilihat oleh pengurus.Dari situ, terpulang kepada pengurus untuk mentafsir apa yang papan pemuka beritahu mereka dan membuat keputusan mereka.

Masalahnya ialah data yang telah anda kumpulkan, dan corak alat serta saintis data anda telah ditemui, kini menentukan keputusan yang boleh anda buat.Contoh ringkas: Katakan PCMag mengumpul banyak data tentang artikel yang menunjukkan prestasi terbaik dari segi bilangan klik yang diterima oleh artikel atau kumpulan artikel tertentu.Kemudian enjin pangkalan data kami hidup, mengumpulkan artikel terbaik bersama-sama, dan membina visualisasi yang cantik supaya kami dapat memahami perkara yang ditemui.Perkara yang kami lihat membolehkan kami melihat artikel yang paling berjaya sehingga ke tahap itu.Kami kemudiannya boleh berusaha untuk meniru kejayaan itu pada masa hadapan dengan menulis lebih banyak artikel sedemikian pada pangsi data tertentu, seperti topik, jenis artikel, malah pengarang.Jadi apa yang kami lakukan ialah menggunakan data kami untuk meniru kejayaan masa lalu kami.Sudah tentu satu amalan yang berkesan.

Tetapi bagaimana jika kita mengubahnya?

Daripada mengehadkan diri dengan data yang telah kami kumpulkan, bagaimana jika kami mulakan dengan bertanya soalan yang kami benar-benar mahu dijawab: Apakah jenis artikel yang akan memberikan yang terbaik untuk kami pada masa hadapan?Jika kita bermula di sana, kita memerlukan proses untuk bukan sahaja menemui soalan yang perlu kita tanya untuk mendapatkan jawapan, tetapi juga data yang perlu kita kumpulkan untuk menyokong pertanyaan tersebut.Tetapi apa yang kami akan dapat ialah set jawapan yang lebih berharga untuk membuat keputusan editorial kami.

Itulah salah satu metodologi baharu yang lebih menarik yang muncul dalam alat analisis perniagaan generasi akan datang, dan ia dipanggil "kecerdasan keputusan" (DI). Di bawah, kami menerangkan DI dengan lebih terperinci dan membincangkan perkara yang perlu anda ketahui untuk menjadikannya berfungsi untuk organisasi anda.

Apakah Perisikan Keputusan?

Cassie Kozyrkov, ketua saintis keputusan di Google, menerangkan DI sebagai cara untuk menambah sains data dengan sains sosial, teori keputusan dan sains pengurusan.Gabungan ini lebih berkesan untuk membantu orang ramai menggunakan data BI untuk membuat keputusan yang lebih baik.Dia menerangkan perbezaan antara sains data dan DI sebagai perbezaan antara mereka yang membuat ketuhar gelombang mikro dan tukang masak yang menggunakannya.

DI berkembang daripada usaha kejuruteraan perisian untuk membina keputusan amalan terbaik yang lebih baik dan melakukannya secara besar-besaran.Dan menurut pakar, ia sudah cukup matang sehingga ia harus mula memberi kesan walaupun kepada perniagaan kecil hingga sederhana (SMB) dalam lelaran alat BI awan popular yang seterusnya, seperti Microsoft PowerBI atau Tableau.

"Kecerdasan keputusan menghubungkan AI dan pembuatan keputusan manusia untuk membentuk kesimpulan yang lebih bijak, yang membawa kepada hasil yang lebih baik," kata Jack Zmudzinski, sekutu kanan di Pemprosesan Masa Depan(Opens in a new window), sebuah syarikat pembangunan perisian tersuai. "Jadi, daripada keputusan yang dibuat oleh manusia atau keputusan yang dibuat oleh komputer, ia adalah yang terbaik dari kedua-dua dunia."

(Sumber: Quantellia)

Perisikan keputusan meningkatkan perkara yang biasanya dilakukan oleh perniagaan dengan data mereka.Dalam pendekatan data besar, alat analisis dan pertanyaan biasanya dipilih agar sesuai dengan data.Dengan DI, keputusan yang dicari adalah yang diutamakan; pertanyaan itu kemudiannya dibina, dan data dipilih mengikut kaitannya dengan soalan.Jadi data mengambil peranan sokongan dan bukannya peranan yang dibintangi semasa membuat keputusan yang dipacu data.

Pakar mentakrifkan kecerdasan keputusan sebagai metodologi, tetapi ia bukan satu yang mempunyai proses payung tunggal.Cara anda melakukan DI akan bergantung pada perniagaan anda, data yang anda kumpulkan dan juga keupayaan set alat analitik anda.Walau bagaimanapun, idea asas akan sentiasa sama: menggunakan pendekatan visual yang bermula dengan keputusan yang diperlukan dan kemudian berfungsi ke belakang untuk menentukan data yang diperlukan dan cara untuk mendapatkannya.

Mengapa Anda Memerlukan DI

Jika anda fikir ini semua kelihatan seperti masalah perniagaan atau perusahaan yang besar, fikirkan sekali lagi.Malah perniagaan kecil dan "solopreneur" tidak lama lagi akan menggunakan teknologi ini, dan mereka akan dapat mengurusnya dengan sedikit usaha, pada kos yang berpatutan, dan dengan kejayaan berdasarkan pengetahuan dan bakat mereka sendiri.Intinya: walaupun pemimpin perniagaan kecil hari ini menggunakan pangkalan data awan yang canggih yang menyimpan banyak data dan analitik yang kukuh.Kekurangan mereka ialah sebarang panduan sebenar tentang cara menggunakan maklumat tersebut untuk membuat keputusan dunia sebenar.Itu benar terutamanya untuk syarikat kecil, dan itulah yang ditangani oleh DI.

"Algoritma dan data pandai memberitahu kami 'Ini adalah pemerhatian atau data dan apa yang boleh disimpulkan.' Mereka tidak pandai memberitahu kami keputusan yang perlu berlaku," kata Gopi Vikranth, pengetua bersekutu dengan ZS Associates, seorang firma perundingan dan perkhidmatan profesional global.Sebelum menyertai ZS pada 2019, beliau memegang peranan sebagai naib presiden data besar dan analisis pemasaran untuk Melco Resorts and Entertainment, dan naib presiden analisis pemasaran di Caesars Entertainment.

"Kepintaran keputusan, sebaliknya, menjawab [soalan] 'Jika anda mengambil tindakan X, apakah hasilnya di dunia nyata?' Ini penting untuk perniagaan kerana jarang terdapat situasi dengan maklumat yang sempurna," kata Vikranth.

Dia menerangkan perniagaan sederhana sebagai contoh biasa.Katakan syarikat ini mempunyai program kesetiaan pelanggan.AI ditugaskan untuk meningkatkan keuntungan perniagaan, jadi ia boleh mencari cara secara matematik untuk menukar atau mengalih keluar faedah pelanggan atau menaikkan harga untuk mengoptimumkan keuntungan tersebut.Tetapi walaupun kesimpulan tersebut secara objektif "betul", keputusan sedemikian boleh menyebabkan tindak balas yang mahal dengan pelanggan dan pengaruh, akhirnya menyebabkan kehilangan kesetiaan jangka panjang dan oleh itu hasil.

Jason Cotrell, Ketua Pegawai Eksekutif studio perisian Myplanet, memetik yang berikut sebagai kes penggunaan yang berpotensi untuk risikan keputusan:

  • Memperibadikan komponen bahagian hadapan perisian (UI suai).

  • Cadangan produk.

  • Pencegahan churn pelanggan.

  • Pengoptimuman harga untuk perniagaan berat transaksi, seperti syarikat penerbangan atau farmaseutikal.

“Daripada berkata ‘Apakah data yang saya perlukan untuk membuat keputusan ini?’ katakan ‘Bagaimana saya membuat keputusan ini? Bahagian manakah yang memerlukan analisis data dan bahagian manakah yang boleh saya automasi?' Dengan cara itu, anda akan memanfaatkan analitik dan automasi anda dengan lebih baik,” jelas James Taylor, pengarang buku"Digital Decisioning: Using Decision Management to Deliver Business Impact From AI" dan Ketua Pegawai Eksekutif Penyelesaian Pengurusan Keputusan.

Akan Datang: Alat Perisikan Keputusan

Jika anda adalah perniagaan yang lebih kecil yang menggunakan data besar, platform semasa anda mungkin sudah mempunyai alatan yang anda perlukan untuk memulakan DI.Pakar mengatakan anda mungkin tidak memerlukannya.

"Anda boleh menggunakan metodologi DI dengan hanya pensel dan kertas, atau akhir-akhir ini saya menggunakan aplikasi Lucidspark(Opens in a new window) untuk melukis gambar rajah tindakan-ke-hasil (CDD) secara kolaboratif," kata Lorien Pratt, pencipta pembelajaran pemindahan untuk mesin, perintis risikan keputusan, dan ketua saintis serta pengasas bersama di Quantellia, sebuah syarikat pembelajaran mesin dan risikan keputusan.Dia percaya bahawa DI semakin matang dengan cepat dan tidak lama lagi jenis pemodelan data ini akan tersedia untuk sebarang saiz perniagaan.

Menurut Pratt, lelaran akan datang bagi platform risikan perniagaan biasa akan menyokong DI. “Pada tahap kecanggihan seterusnya, anda akan dapat membenamkan model DI dalam alatan sedia ada, seperti [Microsoft] Excel atau PowerBI,” katanya.Walau bagaimanapun, untuk alat yang kurang canggih, proses ini mungkin terhad, kerana pengguna tersebut tidak akan dapat menukar model mereka dengan cepat.

Tetapi sementara perniagaan kecil boleh menantikan platform DI yang dipermudahkan dalam awan, perusahaan akan memerlukan lebih banyak kuasa tembakan.

"Isu terbesar ialah pendekatan pelaburan," kata Pratt, yang bermaksud perniagaan besar perlu meletakkan keputusan di hadapan dan di tengah-tengah. Ini boleh menjadi rumit dalam organisasi besar. Anda perlu memikirkan bukan sahaja jenis keputusan yang perlu dibuat , tetapi juga cara untuk menangkap keperluan tersebut.

"Untuk sesetengah keputusan, timbunan BI sedia ada sudah mencukupi," kata Taylor. "Tetapi bagi yang lain, [perusahaan] mungkin mendapati mereka perlu melabur dalam teknologi yang lebih maju, seperti analisis ramalan dan alat pembelajaran mesin." Selain itu, beliau menasihati bahawa untuk keputusan yang perlu dibuat oleh syarikat dengan kerap atau pantas, menggunakan sistem pengurusan peraturan perniagaan, seperti daripada Agiloft(Opens in a new window) atau IBM(Opens in a new window), boleh mengautomasikan proses dan memanfaatkan pembelajaran mesin anda dengan lebih baik. algoritma.

Untuk perniagaan yang lebih kecil, itu mungkin berlebihan.Terutamanya kerana perkhidmatan analitik awan generasi akan datang harus menyediakan semua keperluan SMB otot DI, hanya dengan penggunaan yang lebih sedikit dan sakit kepala pembelajaran.Tetapi jika anda masih mahu pergi DIY di DI, inilah yang dikatakan Taylor yang diperlukan oleh perusahaan biasa:

Disyorkan oleh Editor Kami

  • Perisian pemodelan keputusan untuk melakukan pengumpulan keperluan dan pemodelan data.

  • Perisian pengurusan peraturan perniagaan untuk membangunkan peraturan keputusan anda (melainkan anda membuat keputusan yang agak sedikit dengan elaun untuk masa keputusan yang panjang).

  • Beberapa jenis tindanan pembelajaran mesin untuk membangunkan algoritma yang anda perlukan.

  • Platform data yang membolehkan anda membuat algoritma anda dan juga mengurus penghantaran data transaksi, sebaik-baiknya dalam masa nyata.

  • Alat visualisasi data, terutamanya jika keputusan akhir anda masih mempunyai elemen manusia yang penting.

Corak lwn.Intuisi

Mesin melihat masalah dan corak seperti yang ditakrifkan dengan jelas: hitam lwn putih.Orang, sebaliknya, melihat nuansa, makna alternatif yang berpotensi, pilihan, dan jambatan kepada pemikiran lain.Kejelasan mengenai sebarang isu selalunya merupakan fungsi kecerdasan intuitif dan bukannya latihan akademik.Manusia boleh menggunakan kedua-duanya, dan DI bertujuan untuk mengukur kebolehan tersebut.

"Kepintaran keputusan adalah berdasarkan idea ini untuk cuba menggabungkan pendekatan realistik yang meniru keputusan seperti manusia," kata Ervin Sejdic, profesor bersekutu kejuruteraan elektrik dan komputer serta sistem pintar di Sekolah Kejuruteraan Universiti Pittsburgh Swanson. "Manakala dalam tipikal AI, anda pada asasnya hanya menyediakan peraturan untuk pembelajaran mesin: jika merah, ini, dan jika biru, itulah itu.”

Sejdic memetik pembelian kereta sebagai contoh. "Jika anda membeli kereta, dan anda menetapkan kriteria tertentu seperti batu per gelen atau pembuatan tertentu, algoritma akan mencari kereta untuk anda. Tetapi kami memandu uji kereta itu dan melihat bagaimana ia merasakan dan memandu, dan itu adalah input lembut yang sukar untuk kod keras, "jelasnya. "Atas sebab itu, risikan keputusan cuba mengekod keputusan yang lebih lembut yang kami buat, dan perkara itu berbeza daripada AI biasa anda."

Sejdic menyatakan bahawa jika ia berjaya, DI boleh digunakan untuk apa sahaja.Cara untuk memutuskan tempat untuk menggunakannya ialah mencari kawasan yang anda ingin tahu tindakan yang terbaik untuk anda lakukan.

“Kebanyakan analisis dan risikan perniagaan adalah deskriptif. Anda merekodkan apa yang berlaku dan kemudian anda memplot nombor dalam carta. Ia memberitahu anda apa yang baru berlaku supaya anda boleh cuba memahami. Bentuk lain adalah ramalan. Mereka seperti ramalan cuaca. Mereka memberitahu anda apa yang akan berlaku.” jelas Chris Nicholson, Ketua Pegawai Eksekutif Pathmind(Opens in a new window), sebuah syarikat AI yang menyasarkan operasi perindustrian dan rantaian bekalan.

"Terdapat sisi kuantitatif dan kualitatif untuk perisikan keputusan, dan perniagaan perlu mengambil kira kedua-duanya," kata Vikranth dari ZS Associates.Dari segi kuantitatif, jelas beliau, ialah pengumpulan data, triangulasi dan kejuruteraan, AI dan infrastruktur sains data, dan bakat pengaturcaraan.Kunci di sebelah ini adalah data yang tepat.Perniagaan dalam sebarang saiz perlu melabur masa dan usaha untuk menentukan penunjuk prestasi dan memastikan bahawa mereka mengumpul data yang betul dan ia disimpan dalam cara yang boleh digunakan oleh timbunan DI mereka.

Dari segi kualitatif, Vikranth berkata perniagaan memerlukan bakat yang tepat untuk menukar cerapan, kesimpulan atau hasil kepada keputusan dan tindakan.Ini perlu dikontekstualkan untuk perniagaan mereka.Bagaimana jika dan alat uji dan pelajari boleh membantu proses ini.

"Kedua-dua belah pihak digabungkan ialah kecerdasan membuat keputusan," kata Vikranth. "Dengan cara ini, AI tidak mengeluarkan manusia daripada persamaan." Vikranth percaya ini penting kerana algoritma matematik, terutamanya jika mereka sedang mengusahakan data yang tidak sempurna, tidak boleh datang kepada apa-apa jenis keputusan yang optimum.

Evolusi Saintis Data

Pentadbir pangkalan data lama melahirkan penganalisis risikan perniagaan dan sains data tradisional.DI membantu mengembangkan disiplin itu menjadi peranan baharu dan lebih berkesan, iaitu penterjemah sains data.Menurut pakar seperti Vikranth, orang ini akan menggunakan DI untuk mengambil senario bagaimana jika perniagaan dan menyelesaikannya melalui timbunan AI untuk memahami tindakan yang perlu diambil oleh perniagaan dan jenis hasil yang boleh diberikan oleh tindakan tersebut.

Kepintaran membuat keputusan membolehkan teknologi dan orang ramai melakukan yang terbaik.Teknologi, seperti analitik dan AI, mencari sambungan dan corak dengan pantas dalam kumpulan data yang besar, tetapi itu hanya separuh daripada perjalanan.DI boleh menggunakan maklumat tersebut dan membantu anda menggunakan faktor manusia yang lebih tidak ketara, seperti kecerdasan intuitif, kreativiti, pengalaman dan keupayaan untuk berjaya menavigasi nuansa.Itu menjadikan DI model analisis hibrid baharu yang berkuasa walaupun untuk organisasi kecil, dan model yang sangat berkesan pada skala.

Semua Kategori: Maklumat perbaiki pepijat