För de flesta av oss är att fatta datadrivna affärsbeslut en process i fyra steg.Först samlar du in data.Därefter "miner" du det, vilket bara betyder att någon kombination av verktyg och datavetare letar efter mönster och samband mellan olika typer av data.För det tredje pumpas dessa upptäckter in i instrumentpanelerna och visualiseringarna som chefer får se.Därifrån är det upp till chefen att tolka vad instrumentpanelen säger till dem och fatta sitt beslut.
Problemet där är att den data du har samlat in, och de mönster som dina verktyg och dataforskare har upptäckt, nu definierar de beslut du kan fatta.Ett förenklat exempel: Säg att PCMag samlar in massor av data om vilka artiklar som har presterat bäst sett till hur många klick en viss artikel eller grupp av artiklar har fått.Då vrider våra databasmotorer till liv, grupperar de bästa artiklarna och bygger vackra visualiseringar så att vi kan förstå vad som hittades.Det vi tittar på låter oss se de mest framgångsrika artiklarna fram till den punkten.Vi kan sedan arbeta för att replikera den framgången i framtiden genom att skriva fler sådana artiklar om en given datapivot, som ämnet, typen av artikel eller till och med författaren.Så vad vi gör är att använda vår data för att replikera våra tidigare framgångar.Helt klart en effektiv praxis.
Men tänk om vi vände på det?
Istället för att begränsa oss av den data vi har samlat in, tänk om vi bara började med att ställa frågan vi verkligen vill ha svar på: Vilken typ av artiklar kommer att göra det bästa för oss i framtiden?Om vi börjar där behöver vi en process för att inte bara upptäcka de frågor vi behöver ställa för att få svaret, utan också den data vi behöver samla in för att stödja dessa frågor.Men vad vi skulle få är en mycket mer värdefull uppsättning svar för att fatta våra redaktionella beslut.
Det är en av de mer spännande nya metoderna som dyker upp i nästa generations affärsanalysverktyg, och den kallas "beslutsintelligence" (DI). Nedan beskriver vi DI mer i detalj och diskuterar vad du behöver veta för att få det att fungera för din organisation.
Vad är Decision Intelligence?
Cassie Kozyrkov, chefsbeslutsforskare på Google, beskriver DI som ett sätt att utöka datavetenskap med samhällsvetenskap, beslutsteori och ledningsvetenskap.Denna kombination är mer effektiv för att hjälpa människor att faktiskt använda BI-data för att fatta bättre beslut.Hon beskriver skillnaden mellan datavetenskap och DI som skillnaden mellan de som tillverkar mikrovågsugnar och kockarna som använder dem.
DI växte fram ur programvaruutvecklingsarbetet för att bygga förbättrade beslut om bästa praxis och göra det i stor skala.Och enligt experter är det tillräckligt mognat för att det borde börja påverka även små till medelstora företag (SMB) i nästa iteration av populära moln BI-verktyg, som Microsoft PowerBI eller Tableau.
"Beslutsintelligens kopplar samman AI och mänskligt beslutsfattande för att bilda mer intelligenta slutsatser, vilket leder till mer gynnsamma resultat", säger Jack Zmudzinski, senior associate på Future Processing(Öppnas i ett nytt fönster), ett företag för anpassad mjukvaruutveckling. "Så, snarare än ett beslut som tas av en människa eller ett beslut som tas av en dator, är det det bästa av två världar."
(Källa: Quantellia)
Beslutsintelligens upphäver vad företag vanligtvis gör med sin data.I en big data-strategi väljs analysverktygen och frågorna vanligtvis för att passa data.Med DI är det beslutet som eftersträvas som har första prioritet; frågan konstrueras sedan och data väljs utifrån dess relevans för frågan.Så data tar en stödjande roll snarare än huvudrollen när man fattar datadrivna beslut.
Experter definierar beslutsintelligens som en metod, men det är inte en som har en enda paraplyprocess.Hur du går tillväga för DI kommer att bero på ditt företag, den data du samlar in och även kapaciteten hos din analysverktygsuppsättning.Grundidén kommer dock alltid att vara densamma: att använda ett visuellt tillvägagångssätt som börjar med det beslut som krävs och sedan går baklänges för att avgöra vilken data som krävs och hur man ska gå tillväga för att få den.
Varför du behöver DI
Om du tycker att det hela låter som ett stort företags- eller företagsproblem, tänk om.Även små företag och "solopreneurs" kommer snart att använda dessa teknologier, och de kommer att kunna hantera dem med mycket liten ansträngning, till en rimlig kostnad och med framgång baserat på sina egna kunskaper och talanger.Summa summarum: även småföretagsledare använder nuförtiden sofistikerade molndatabaser som innehåller massor av data och solida analyser.Vad de saknar är någon riktig vägledning om hur man använder den informationen för att fatta verkliga beslut.Det är särskilt sant för små företag, och det är precis vad DI tar upp.
"Algorithmer och data är bra på att tala om för oss "Här är observationerna eller data och vad som kan dras slutsatser." De är inte bra på att tala om för oss vilka beslut som måste hända", säger Gopi Vikranth, associerad rektor på ZS Associates, en globalt konsult- och professionellt tjänsteföretag.Innan han började på ZS 2019 hade han roller som vice VD för big data och marknadsföringsanalys för Melco Resorts and Entertainment, och vice VD för marknadsföringsanalys på Caesars Entertainment.
"Beslutsinformation, å andra sidan, svarar på [frågan] 'Om du skulle vidta åtgärder X, vad blir resultatet i den verkliga världen?' Detta är avgörande för företag eftersom det sällan finns en situation med perfekt information." sa Vikranth.
Han beskriver ett medelstort företag som ett typiskt exempel.Säg att det här företaget har ett kundlojalitetsprogram.En AI har till uppgift att förbättra affärsvinsten, så den kan matematiskt hitta sätt att ändra eller ta bort kundförmåner eller höja priserna för att optimera den vinsten.Men även om dessa slutsatser är objektivt "korrekta", kan ett sådant beslut mycket väl orsaka en kostsam motreaktion med kunder och påverkare, och i slutändan skapa en långsiktig förlust av lojalitet och därmed intäkter.
Jason Cotrell, VD för mjukvarustudion Myplanet, nämner följande som potentiella användningsfall för beslutsintelligens:
Anpassa programvarans front-end-komponenter (adaptivt användargränssnitt).
Produktrekommendationer.
Förebyggande av kundavgång.
Prisoptimering för transaktionstunga företag, som flygbolag eller läkemedel.
"Istället för att säga 'Vilken data behöver jag för att fatta det här beslutet?' säg 'Hur tar jag det här beslutet? Vilka delar kräver dataanalys och vilka delar kan jag automatisera?' På så sätt kommer du att bättre utnyttja din analys och automatisering”, förklarar James Taylor, författare till boken "Digital Decisioning: Using Decision Management to Deliver Business Impact From AI" och VD för Decision Management Solutions.
Kommer snart: Decision Intelligence Tools
Om du är ett mindre företag som ägnar dig åt big data, kanske din nuvarande plattform redan har de verktyg du behöver för att komma igång med DI.Experter säger att du kanske inte ens behöver det.
"Du kan använda en DI-metod med bara penna och papper, eller nyligen använder jag Lucidspark (Öppnas i ett nytt fönster)-appen för att tillsammans rita action-to-outcome-diagram (CDDs)", säger Lorien Pratt, uppfinnaren av transfer learning för maskiner, en pionjär inom beslutsunderrättelseverksamhet och chefsforskare och medgrundare på Quantellia, ett företag för maskininlärning och beslutsunderrättelseverksamhet.Hon tror att DI mognar snabbt och att den här typen av datamodellering snart kommer att vara tillgänglig för alla företagsstorlekar.
Enligt Pratt kommer kommande iterationer av vanliga affärsinformationsplattformar att stödja DI. "På nästa nivå av sofistikering kommer du att kunna bädda in DI-modeller i befintliga verktyg, som [Microsoft] Excel eller PowerBI", säger hon.Men för mindre sofistikerade verktyg kommer denna process sannolikt att vara begränsad, eftersom dessa användare inte kommer att kunna ändra sina modeller i farten.
Men medan småföretag kan se fram emot förenklade DI-plattformar i molnet, kommer företag att behöva mycket mer eldkraft.
"Det största problemet är en investeringsstrategi", säger Pratt, vilket innebär att stora företag måste sätta beslut i centrum. Det kan bli komplicerat i stora organisationer. Du måste inte bara ta reda på vilka typer av beslut som måste fattas , men också hur man kan fånga upp dessa krav.
"För vissa beslut kommer den befintliga BI-stacken att räcka", säger Taylor. "Men för andra kommer [företag] sannolikt att tycka att de behöver investera i mer avancerad teknik, som prediktiv analys och verktyg för maskininlärning." Dessutom ger han råd. att för de beslut som företag behöver fatta ofta eller snabbt kan implementering av ett hanteringssystem för affärsregler, som de från Agiloft(Öppnas i ett nytt fönster) eller IBM(Öppnas i ett nytt fönster), automatisera processen och bättre utnyttja din maskininlärning algoritmer.
För mindre företag är det förmodligen överdrivet.Speciellt eftersom nästa generations molnanalystjänster bör ge alla DI-muskler som små och medelstora företag behöver, bara med färre implementerings- och inlärningshuvudvärk.Men om du fortfarande vill göra DIY på DI, här är vad Taylor säger att ett typiskt företag behöver:
Rekommenderas av våra redaktörer
Beslutsmodelleringsprogramvara för att göra kravinsamling och datamodellering.
Programvara för hantering av affärsregel för att utveckla dina beslutsregler (såvida du inte fattar relativt få beslut med hänsyn till långa resultattider).
Någon form av maskininlärningsstack för att utveckla de algoritmer du behöver.
En dataplattform som låter dig både skapa dina algoritmer och även hantera transaktionsdataleverans, helst i realtid.
Ett datavisualiseringsverktyg, speciellt om dina slutliga beslut fortfarande kommer att ha ett betydande mänskligt inslag.
Mönster vs.Intuition
Maskiner ser problem och mönster som distinkt definierade: svart vs vit.Människor, å andra sidan, ser nyanser, potentiella alternativa betydelser, alternativ och broar till andra tankar.Tydlighet i alla frågor är ofta en funktion av intuitiv intelligens snarare än akademisk träning.Människor kan använda båda, och DI strävar efter att skala dessa förmågor.
"Beslutsintelligens är baserad på denna idé att försöka införliva realistiska tillvägagångssätt som efterliknar mänskliga beslut", säger Ervin Sejdic, docent i el- och datorteknik och intelligenta system vid University of Pittsburgh Swanson School of Engineering. AI, du ställer i princip bara upp reglerna för maskininlärning: om det är rött så är det det här, och om det är blått så är det det.”
Sejdic nämner ett bilköp som exempel. "Om du köper en bil och du ställer in vissa kriterier som miles per gallon eller ett visst märke, skulle en algoritm hitta en bil för dig. Men vi provkör bilen och ser hur den känns och kör, och det är de mjuka ingångarna som är svåra att hårdkoda”, förklarar han. "Av dessa skäl försöker beslutsintelligens koda de mjukare besluten vi fattar, och dessa saker skiljer sig från din typiska AI."
Sejdic noterar att om det är framgångsrikt kan DI appliceras på vad som helst.Sättet att bestämma var den ska användas är att hitta områden där du vill veta vilken åtgärd som är bäst för dig att vidta.
"Det mesta av analys och business intelligence är beskrivande. Du registrerar vad som händer och sedan ritar du in siffrorna i ett diagram. Den berättar vad som just hände så att du kan försöka förstå. Andra former är prediktiva. De är som väderprognoser. De berättar för dig vad som är på väg att hända.” förklarade Chris Nicholson, VD för Pathmind(Öppnas i ett nytt fönster), ett AI-företag som riktar sig till industriell verksamhet och leveranskedjor.
"Det finns en kvantitativ och kvalitativ sida av beslutsintelligens, och företag måste ta hänsyn till båda", säger ZS Associates Vikranth.På den kvantitativa sidan, förklarar han, är datainsamling, triangulering och ingenjörskonst, AI och datavetenskaplig infrastruktur och programmeringstalanger.Nyckeln på den här sidan är korrekta data.Företag av alla storlekar kommer att behöva investera tid och ansträngning för att definiera resultatindikatorer och se till att de samlar in rätt data och att den lagras på ett sätt som är användbart för deras DI-stack.
På den kvalitativa sidan säger Vikranth att företag behöver rätt talang för att omvandla insikter, slutsatser eller resultat till beslut och handlingar.Dessa måste kontextualiseras för sin verksamhet.Vad-om- och test-och-lär-verktyg kan i hög grad hjälpa denna process.
"Båda sidor kombinerat är beslutsintelligens", säger Vikranth. "På detta sätt tar AI inte människor ur ekvationen." Vikranth anser att detta är viktigt eftersom matematiska algoritmer, särskilt om de arbetar med ofullkomlig data, inte kan komma till någon form av optimalt beslut.
Data Scientist Evolution
Databasadministratörer från gamla tider gav upphov till business intelligence-analytiker och traditionell datavetenskap.DI hjälper till att utveckla den disciplinen till en ny och mycket mer effektiv roll, nämligen översättare av datavetenskap.Enligt experter som Vikranth kommer dessa personer att använda DI för att ta ett företags vad-om-scenarier och arbeta dem genom en AI-stack för att förstå vilka åtgärder företaget behöver vidta och vilken typ av resultat dessa åtgärder kan ge.
Beslutsintelligens låter teknik och människor göra det de är bäst på.Teknik, som analys och AI, hittar snabbt kopplingarna och mönstren i enorma datapooler, men det är bara halva resan.DI kan använda den informationen och hjälpa dig att tillämpa de mer immateriella mänskliga faktorerna, som intuitiv intelligens, kreativitet, erfarenhet och förmågan att framgångsrikt navigera genom nyanser.Det gör DI till en kraftfull ny hybridanalysmodell även för små organisationer, och en som är särskilt effektiv i stor skala.
