Voor de meesten van ons is het nemen van datagestuurde zakelijke beslissingen een proces van vier stappen.Eerst verzamel je de gegevens.Vervolgens "mijn" je het, wat gewoon een combinatie van tools betekent en datawetenschappers zoeken naar patronen en correlaties tussen verschillende soorten data.Ten derde worden die ontdekkingen in de dashboards en visualisaties gepompt die managers te zien krijgen.Van daaruit is het aan de manager om te interpreteren wat het dashboard hen vertelt en een beslissing te nemen.
Het probleem is dat de gegevens die je hebt verzameld en de patronen die je tools en datawetenschappers hebben ontdekt, nu bepalen welke beslissingen je kunt nemen.Een vereenvoudigd voorbeeld: Stel dat PCMag heel veel gegevens verzamelt over welke artikelen het beste hebben gepresteerd in termen van hoeveel klikken een bepaald artikel of een bepaalde groep artikelen heeft ontvangen.Dan komen onze database-engines tot leven, groeperen de beste artikelen en bouwen mooie visualisaties zodat we kunnen begrijpen wat er is gevonden.Waar we naar kijken, laat ons de meest succesvolle artikelen tot dan toe zien.We kunnen dan werken om dat succes in de toekomst te repliceren door meer van dergelijke artikelen te schrijven over een bepaald gegevenspunt, zoals het onderwerp, het type artikel of zelfs de auteur.Dus wat we doen, is onze gegevens gebruiken om onze eerdere successen te repliceren.Zeker een effectieve oefening.
Maar wat als we dat omdraaien?
In plaats van ons te beperken tot de gegevens die we hebben verzameld, wat als we gewoon beginnen met het stellen van de vraag die we echt willen beantwoorden: wat voor soort artikelen zullen in de toekomst het beste voor ons zijn?Als we daar beginnen, hebben we een proces nodig om niet alleen de vragen te ontdekken die we moeten stellen om het antwoord te krijgen, maar ook de gegevens die we moeten verzamelen om die vragen te ondersteunen.Maar wat we zouden krijgen is een veel waardevollere reeks antwoorden waarmee we onze redactionele beslissingen kunnen nemen.
Dat is een van de meer opwindende nieuwe methodologieën die opduiken in de volgende generatie tools voor bedrijfsanalyse, en het wordt 'beslissingsintelligentie' (DI) genoemd. Hieronder beschrijven we DI in meer detail en bespreken we wat u moet weten om het voor uw organisatie te laten werken.
Wat is beslissingsintelligentie?
Cassie Kozyrkov, hoofdbeslissingswetenschapper bij Google, beschrijft DI als een manier om datawetenschap uit te breiden met sociale wetenschappen, beslissingstheorie en managementwetenschap.Deze combinatie is effectiever om mensen te helpen BI-gegevens daadwerkelijk te gebruiken om betere beslissingen te nemen.Ze beschrijft het verschil tussen data science en DI als het verschil tussen degenen die magnetrons maken en de koks die ze gebruiken.
DI is voortgekomen uit inspanningen op het gebied van software-engineering om verbeterde best-practice-beslissingen te ontwikkelen en dit op grote schaal te doen.En volgens experts is het voldoende gerijpt om zelfs kleine tot middelgrote bedrijven (MKB's) te gaan beïnvloeden in de volgende iteratie van populaire cloud BI-tools, zoals Microsoft PowerBI of Tableau.
"Beslissingsintelligentie verbindt AI en menselijke besluitvorming om intelligentere conclusies te vormen, die leiden tot gunstigere resultaten", zegt Jack Zmudzinski, senior associate bij Future Processing (opent in een nieuw venster), een bedrijf voor softwareontwikkeling op maat. "Dus, in plaats van een beslissing van een mens of een beslissing van een computer, is het het beste van twee werelden."
(Bron: Quantellia)
Beslissingsintelligentie verandert wat bedrijven doorgaans doen met hun gegevens.Bij een big data-aanpak worden de analysehulpmiddelen en de query's meestal gekozen om bij de gegevens te passen.Bij DI heeft de gezochte beslissing de eerste prioriteit; de query wordt vervolgens geconstrueerd en de gegevens worden geselecteerd op basis van hun relevantie voor de vraag.De data spelen dus een ondersteunende rol in plaats van de hoofdrol bij het nemen van datagedreven beslissingen.
Experts definiëren beslissingsintelligentie als een methodologie, maar het is niet een methode met één overkoepelend proces.Hoe u DI aanpakt, hangt af van uw bedrijf, de gegevens die u verzamelt en ook van de mogelijkheden van uw analysetoolset.Het basisidee zal echter altijd hetzelfde zijn: een visuele benadering gebruiken die begint met de vereiste beslissing en vervolgens achteruit werkt om te bepalen welke gegevens nodig zijn en hoe u deze kunt verkrijgen.
Waarom je DI nodig hebt
Als je denkt dat dit allemaal klinkt als een probleem van een groot bedrijf of een groot bedrijf, denk dan nog eens goed na.Zelfs kleine bedrijven en 'solopreneurs' zullen deze technologieën binnenkort gebruiken, en ze zullen ze kunnen beheren met zeer weinig inspanning, tegen redelijke kosten en met succes op basis van hun eigen kennis en talenten.Bottom line: zelfs leiders van kleine bedrijven gebruiken tegenwoordig geavanceerde clouddatabases die veel gegevens en solide analyses bevatten.Wat ze missen, is echte begeleiding over hoe die informatie te gebruiken om echte beslissingen te nemen.Dat geldt vooral voor kleine bedrijven, en dat is precies waar DI zich op richt.
"Algoritmen en gegevens zijn goed in het vertellen van ons 'Hier zijn de waarnemingen of gegevens en wat kan worden geconcludeerd'. Ze zijn niet goed in het ons vertellen welke beslissing moet worden genomen", zegt Gopi Vikranth, een associate principal bij ZS Associates, een wereldwijd advies- en professionele dienstverlener.Voordat hij in 2019 bij ZS kwam, bekleedde hij functies als vice-president van big data en marketinganalyse voor Melco Resorts and Entertainment, en vice-president van marketinganalyse bij Caesars Entertainment.
"Beslissingsintelligentie daarentegen beantwoordt [de vraag] 'Als u actie X zou ondernemen, wat zal dan het resultaat zijn in de echte wereld?' Dit is van cruciaal belang voor bedrijven, aangezien er zelden een situatie is met perfecte informatie," zei Vikranth.
Als typisch voorbeeld noemt hij een middelgroot bedrijf.Stel dat dit bedrijf een klantenloyaliteitsprogramma heeft.Een AI heeft de taak om de bedrijfswinst te verbeteren, zodat het wiskundig manieren kan vinden om klantvoordelen te wijzigen of te verwijderen of prijzen te verhogen om die winst te optimaliseren.Maar hoewel die conclusies objectief 'juist' zijn, zou zo'n beslissing wel eens een kostbare terugslag kunnen veroorzaken bij klanten en influencers, wat uiteindelijk kan leiden tot verlies van loyaliteit en dus inkomsten op lange termijn.
Jason Cotrell, CEO van softwarestudio Myplanet, noemt het volgende als mogelijke use-cases voor beslissingsintelligentie:
De front-end componenten van software personaliseren (adaptieve gebruikersinterface).
Productaanbevelingen.
Preventie van klantverloop.
Prijsoptimalisatie voor transactie-zware bedrijven, zoals luchtvaartmaatschappijen of farmaceutische bedrijven.
"In plaats van te zeggen 'Welke gegevens heb ik nodig om deze beslissing te nemen?', zeg 'Hoe neem ik deze beslissing? Welke onderdelen vereisen data-analyse en welke onderdelen kan ik automatiseren?' Op die manier kunt u uw analyse en automatisering beter benutten', legt James Taylor uit, auteur van het boek "Digital Decisioning: Using Decision Management to Deliver Business Impact From AI" en CEO van Decision Management Solutions.
Binnenkort beschikbaar: Decision Intelligence Tools
Als u een kleinere onderneming bent die zich met big data bezighoudt, beschikt uw huidige platform mogelijk al over de tools die u nodig hebt om met DI aan de slag te gaan.Experts zeggen dat je dat misschien niet eens nodig hebt.
"Je kunt een DI-methodologie gebruiken met alleen potlood en papier, of de laatste tijd gebruik ik de Lucidspark-app (opent in een nieuw venster) om samen actie-naar-uitkomstdiagrammen (CDD's) te tekenen", zegt Lorien Pratt, de uitvinder van transfer learning voor machines, een pionier op het gebied van beslissingsintelligentie, en hoofdwetenschapper en medeoprichter van Quantellia, een bedrijf voor machine learning en beslissingsintelligentie.Ze is van mening dat DI snel volwassen wordt en dat dit type datamodellering binnenkort beschikbaar zal zijn voor bedrijven van elke omvang.
Volgens Pratt zullen aankomende iteraties van gemeenschappelijke business intelligence-platforms DI ondersteunen. "Op het volgende niveau van verfijning kun je DI-modellen integreren in bestaande tools, zoals [Microsoft] Excel of PowerBI", zegt ze.Voor minder geavanceerde tools zal dit proces echter waarschijnlijk beperkt zijn, omdat die gebruikers hun modellen niet meteen kunnen wijzigen.
Maar hoewel kleine bedrijven zich kunnen verheugen op vereenvoudigde DI-platforms in de cloud, hebben bedrijven veel meer vuurkracht nodig.
"Het grootste probleem is een investeringsaanpak", zegt Pratt, wat betekent dat grote bedrijven beslissingen centraal moeten stellen. Dat kan ingewikkeld worden in grote organisaties. Je moet niet alleen uitzoeken wat voor soort beslissingen er moeten worden genomen , maar ook hoe u die vereisten kunt vastleggen.
"Voor sommige beslissingen is de bestaande BI-stack voldoende", zegt Taylor. "Maar voor andere zullen [ondernemingen] waarschijnlijk moeten investeren in meer geavanceerde technologieën, zoals voorspellende analyses en tools voor machine learning." voor de beslissingen die bedrijven vaak of snel moeten nemen, kan het gebruik van een beheersysteem voor bedrijfsregels, zoals dat van Agiloft (opent in een nieuw venster) of IBM (opent in een nieuw venster), het proces automatiseren en uw machine learning beter benutten algoritmen.
Voor kleinere bedrijven is dat waarschijnlijk overdreven.Vooral omdat cloudanalyseservices van de volgende generatie alle DI-spier die het MKB nodig heeft moeten bieden, alleen met minder implementatie- en leerhoofdpijn.Maar als je nog steeds zelf aan de slag wilt met DI, is dit wat Taylor zegt dat een typische onderneming nodig heeft:
Aanbevolen door onze redactie
Beslissingsmodelleringssoftware voor het verzamelen van vereisten en gegevensmodellering.
Business rule management software om uw beslissingsregels te ontwikkelen (tenzij u relatief weinig beslissingen neemt met rekening houdend met lange resultaattijden).
Een soort machine learning-stack waarmee je de algoritmen kunt ontwikkelen die je nodig hebt.
Een dataplatform waarmee u zowel uw algoritmen kunt maken als de levering van transactiegegevens kunt beheren, bij voorkeur in realtime.
Een tool voor gegevensvisualisatie, vooral als uw uiteindelijke beslissingen nog steeds een belangrijk menselijk element bevatten.
Patronen versusIntuïtie
Machines zien problemen en patronen als duidelijk gedefinieerd: zwart versus wit.Mensen daarentegen zien nuances, mogelijke alternatieve betekenissen, opties en bruggen naar andere gedachten.Duidelijkheid over elk onderwerp is vaak een functie van intuïtieve intelligentie in plaats van academische training.Mensen kunnen beide gebruiken, en DI streeft ernaar die capaciteiten te schalen.
"Besluitintelligentie is gebaseerd op het idee om realistische benaderingen te integreren die menselijke beslissingen nabootsen", zegt Ervin Sejdic, universitair hoofddocent elektrische en computertechniek en intelligente systemen aan de University of Pittsburgh Swanson School of Engineering. AI, je stelt eigenlijk gewoon de regels voor machine learning in: als het rood is, is het dit, en als het blauw is, is het dat.”
Sejdic noemt als voorbeeld de aankoop van een auto. “Als je een auto koopt en je stelt bepaalde criteria in, zoals mijlen per gallon of een bepaald merk, dan zou een algoritme een auto voor je vinden. Maar we maken een proefrit met de auto en kijken hoe hij aanvoelt en rijdt, en dat zijn de zachte inputs die moeilijk hard te coderen zijn”, legt hij uit. "Om die redenen probeert beslissingsintelligentie de zachtere beslissingen die we nemen te coderen, en die dingen zijn anders dan je typische AI."
Sejdic merkt op dat als het succesvol is, DI op alles kan worden toegepast.De manier om te beslissen waar u het wilt gebruiken, is door gebieden te vinden waar u wilt weten welke actie u het beste kunt nemen.
“De meeste analyses en business intelligence zijn beschrijvend. Je legt vast wat er gebeurt en vervolgens zet je de getallen in een grafiek. Het vertelt je wat er net is gebeurd, zodat je kunt proberen het te begrijpen. Andere vormen zijn voorspellend. Ze zijn als weersvoorspellingen. Ze vertellen je wat er gaat gebeuren.” legt Chris Nicholson uit, CEO van Pathmind (opent in een nieuw venster), een AI-bedrijf dat zich richt op industriële operaties en toeleveringsketens.
"Besluitinformatie heeft zowel een kwantitatieve als een kwalitatieve kant, en bedrijven moeten met beide rekening houden", zegt Vikranth van ZS Associates.Aan de kwantitatieve kant, legt hij uit, zijn gegevensverzameling, triangulatie en engineering, AI en datawetenschapsinfrastructuur en programmeertalent.De sleutel aan deze kant zijn nauwkeurige gegevens.Bedrijven van elke omvang zullen tijd en moeite moeten investeren om prestatie-indicatoren te definiëren en ervoor te zorgen dat ze de juiste gegevens verzamelen en opslaan op een manier die bruikbaar is voor hun DI-stack.
Aan de kwalitatieve kant zegt Vikranth dat bedrijven het juiste talent nodig hebben om inzichten, conclusies of resultaten om te zetten in beslissingen en acties.Deze moeten worden gecontextualiseerd voor hun bedrijf.What-if- en test-en-leer-tools kunnen dit proces enorm helpen.
"Beide kanten gecombineerd is beslissingsintelligentie", zegt Vikranth. "Op deze manier haalt AI mensen niet uit de vergelijking." Vikranth gelooft dat dit belangrijk is omdat wiskundige algoritmen, vooral als ze aan imperfecte gegevens werken, niet kunnen tot een optimale beslissing komen.
De evolutie van datawetenschappers
Van oudsher gaven databasebeheerders aanleiding tot business intelligence-analisten en traditionele datawetenschap.DI helpt die discipline te ontwikkelen tot een nieuwe en veel effectievere rol, namelijk die van data science vertalers.Volgens experts zoals Vikranth zullen deze mensen DI gebruiken om de what-if-scenario's van een bedrijf te nemen en deze door een AI-stack te verwerken om te begrijpen welke acties het bedrijf moet nemen en het soort resultaten dat die acties kunnen opleveren.
Met beslissingsintelligentie kunnen technologie en mensen elk doen waar ze goed in zijn.Technologieën, zoals analyse en AI, vinden snel de verbanden en patronen in enorme hoeveelheden gegevens, maar dat is slechts het halve werk.DI kan die informatie gebruiken en u helpen de meer ongrijpbare menselijke factoren toe te passen, zoals intuïtieve intelligentie, creativiteit, ervaring en het vermogen om met succes door nuances te navigeren.Dat maakt DI tot een krachtig nieuw hybride analysemodel, zelfs voor kleine organisaties, en een model dat vooral op schaal effectief is.
