สำหรับพวกเราส่วนใหญ่ การตัดสินใจทางธุรกิจที่ขับเคลื่อนด้วยข้อมูลเป็นกระบวนการสี่ขั้นตอนขั้นแรก คุณรวบรวมข้อมูลต่อไป คุณ "ขุด" ข้อมูลนั้น ซึ่งหมายความว่าเครื่องมือและนักวิทยาศาสตร์ด้านข้อมูลร่วมกันค้นหารูปแบบและความสัมพันธ์ระหว่างข้อมูลประเภทต่างๆประการที่สาม การค้นพบเหล่านั้นจะถูกส่งไปยังแดชบอร์ดและการแสดงภาพที่ผู้จัดการจะได้เห็นจากที่นั่น ผู้จัดการจะตีความสิ่งที่แดชบอร์ดกำลังบอกพวกเขาและตัดสินใจได้
ปัญหาคือข้อมูลที่คุณได้รวบรวม และรูปแบบที่เครื่องมือและนักวิทยาศาสตร์ข้อมูลของคุณค้นพบ ในตอนนี้เป็นตัวกำหนดการตัดสินใจที่คุณสามารถทำได้ตัวอย่างที่เข้าใจง่าย: สมมติว่า PCMag รวบรวมข้อมูลจำนวนมากว่าบทความใดทำงานได้ดีที่สุดในแง่ของจำนวนคลิกที่บทความหรือกลุ่มบทความได้รับจากนั้นกลไกฐานข้อมูลของเราจะมีชีวิตชีวาขึ้น จัดกลุ่มบทความที่ดีที่สุดไว้ด้วยกัน และสร้างการแสดงภาพที่สวยงามเพื่อให้เราเข้าใจสิ่งที่พบสิ่งที่เราดูอยู่ทำให้เราเห็นบทความที่ประสบความสำเร็จมากที่สุดจนถึงจุดนั้นจากนั้นเราสามารถทำงานเพื่อทำซ้ำความสำเร็จนั้นในอนาคตโดยการเขียนบทความดังกล่าวเพิ่มเติมบนเดือยข้อมูลที่กำหนด เช่น หัวข้อ ประเภทของบทความ หรือแม้แต่ผู้เขียนสิ่งที่เรากำลังทำคือการใช้ข้อมูลของเราเพื่อจำลองความสำเร็จในอดีตของเราแน่นอนการปฏิบัติที่มีประสิทธิภาพ
แต่ถ้าเราหันกลับมาล่ะ?
แทนที่จะจำกัดตัวเองด้วยข้อมูลที่เราได้รวบรวมมา จะเกิดอะไรขึ้นถ้าเราเริ่มด้วยการถามคำถามที่เราต้องการคำตอบจริงๆ: บทความประเภทใดที่จะทำหน้าที่ได้ดีที่สุดสำหรับเราในอนาคตหากเราเริ่มต้นจากตรงนั้น เราจำเป็นต้องมีกระบวนการที่ไม่เพียงแต่ค้นหาคำถามที่เราต้องถามเพื่อให้ได้คำตอบเท่านั้น แต่ยังรวมถึงข้อมูลที่เราจะต้องรวบรวมเพื่อสนับสนุนการสืบค้นเหล่านั้นด้วยแต่สิ่งที่เราจะได้คือชุดคำตอบที่มีคุณค่ามากขึ้นสำหรับการตัดสินใจด้านบรรณาธิการของเรา
นั่นเป็นหนึ่งในวิธีการใหม่ที่น่าตื่นเต้นที่เกิดขึ้นในเครื่องมือวิเคราะห์ธุรกิจรุ่นต่อไป และเรียกว่า "ข้อมูลการตัดสินใจอัจฉริยะ" (DI) ด้านล่างนี้ เราจะอธิบาย DI โดยละเอียดเพิ่มเติมและอภิปรายสิ่งที่คุณต้องรู้เพื่อให้ใช้งานได้ในองค์กรของคุณ
หน่วยสืบราชการลับในการตัดสินใจคืออะไร?
Cassie Kozyrkov หัวหน้านักวิทยาศาสตร์ด้านการตัดสินใจของ Google อธิบายว่า DI เป็นวิธีการเสริมวิทยาศาสตร์ข้อมูลด้วยสังคมศาสตร์ ทฤษฎีการตัดสินใจ และวิทยาการจัดการชุดค่าผสมนี้มีประสิทธิภาพมากขึ้นในการช่วยให้ผู้คนใช้ข้อมูล BI เพื่อตัดสินใจได้ดีขึ้นเธออธิบายความแตกต่างระหว่างวิทยาศาสตร์ข้อมูลและ DI ว่าเป็นความแตกต่างระหว่างผู้ทำเตาไมโครเวฟกับพ่อครัวที่ใช้เตาอบ
DI เติบโตจากความพยายามด้านวิศวกรรมซอฟต์แวร์เพื่อสร้างการตัดสินใจเกี่ยวกับแนวทางปฏิบัติที่ดีที่สุดที่ดีขึ้นและดำเนินการดังกล่าวในวงกว้างและตามที่ผู้เชี่ยวชาญกล่าว มันครบกำหนดพอที่จะเริ่มส่งผลกระทบต่อธุรกิจขนาดเล็กถึงขนาดกลาง (SMB) ในการทำซ้ำเครื่องมือ BI ยอดนิยมบนคลาวด์ เช่น Microsoft PowerBI หรือ Tableau
Jack Zmudzinski ผู้ช่วยอาวุโสของ Future Processing (เปิดในหน้าต่างใหม่) บริษัทพัฒนาซอฟต์แวร์แบบกำหนดเองกล่าวว่า "ความฉลาดในการตัดสินใจเชื่อมโยง AI กับการตัดสินใจของมนุษย์เข้าด้วยกันเพื่อสร้างข้อสรุปที่ชาญฉลาดยิ่งขึ้น ซึ่งนำไปสู่ผลลัพธ์ที่น่าพอใจยิ่งขึ้น “ดังนั้น แทนที่จะเป็นการตัดสินใจของมนุษย์หรือคอมพิวเตอร์ มันเป็นสิ่งที่ดีที่สุดของทั้งสองโลก”
(ที่มา: Quantellia)
ความฉลาดในการตัดสินใจช่วยยกระดับสิ่งที่ธุรกิจมักทำกับข้อมูลของตนในแนวทางข้อมูลขนาดใหญ่ เครื่องมือวิเคราะห์และการสืบค้นข้อมูลมักจะถูกเลือกให้เหมาะสมกับข้อมูลสำหรับ DI การตัดสินใจที่แสวงหาเป็นอันดับแรก แบบสอบถามถูกสร้างขึ้นแล้ว และข้อมูลที่เลือกโดยเกี่ยวข้องกับคำถามดังนั้นข้อมูลจึงมีบทบาทสนับสนุนมากกว่าบทบาทนำในการตัดสินใจด้วยข้อมูล
ผู้เชี่ยวชาญกำหนดความฉลาดในการตัดสินใจว่าเป็นวิธีการหนึ่ง แต่ไม่ใช่กระบวนการที่มีขั้นตอนเดียววิธีการใช้งาน DI จะขึ้นอยู่กับธุรกิจของคุณ ข้อมูลที่คุณกำลังรวบรวม และความสามารถของชุดเครื่องมือวิเคราะห์ของคุณอย่างไรก็ตาม แนวคิดพื้นฐานจะเหมือนเดิมเสมอ: ใช้วิธีการที่มองเห็นได้ซึ่งเริ่มต้นด้วยการตัดสินใจที่จำเป็น จากนั้นทำงานย้อนกลับเพื่อกำหนดว่าข้อมูลใดที่จำเป็นและจะทำอย่างไรเพื่อให้ได้มา
ทำไมคุณถึงต้องการDI
ถ้าคุณคิดว่าทั้งหมดนี้ฟังดูเหมือนปัญหาของธุรกิจหรือองค์กรขนาดใหญ่ ให้คิดใหม่แม้แต่ธุรกิจขนาดเล็กและ "นักธุรกิจอิสระ" ก็สามารถใช้เทคโนโลยีเหล่านี้ได้ในเร็วๆ นี้ และพวกเขาจะสามารถจัดการได้โดยใช้ความพยายามเพียงเล็กน้อย ในราคาที่เหมาะสม และประสบความสำเร็จตามความรู้และความสามารถของตนเองบรรทัดล่าง: แม้แต่ผู้นำธุรกิจขนาดเล็กในปัจจุบันก็ใช้ฐานข้อมูลบนคลาวด์ที่ซับซ้อนซึ่งมีข้อมูลมากมายและการวิเคราะห์ที่แข็งแกร่งสิ่งที่พวกเขาขาดคือคำแนะนำที่แท้จริงเกี่ยวกับวิธีการใช้ข้อมูลนั้นเพื่อตัดสินใจในโลกแห่งความเป็นจริงโดยเฉพาะอย่างยิ่งสำหรับบริษัทขนาดเล็ก และนั่นคือสิ่งที่ DI กำลังพูดถึง
“อัลกอริธึมและข้อมูลสามารถบอกเราได้ดี 'นี่คือข้อสังเกตหรือข้อมูลและสิ่งที่สามารถสรุปได้' พวกเขาไม่เก่งในการบอกเราว่าการตัดสินใจใดที่จำเป็นต้องเกิดขึ้น” Gopi Vikranth ผู้ช่วยอาจารย์ใหญ่ของ ZS Associates กล่าว บริษัทที่ปรึกษาระดับโลกและบริการระดับมืออาชีพก่อนร่วมงานกับ ZS ในปี 2019 เขาเคยดำรงตำแหน่งรองประธานฝ่ายบิ๊กดาต้าและการวิเคราะห์การตลาดของ Melco Resorts and Entertainment และรองประธานฝ่ายวิเคราะห์การตลาดที่ Caesars Entertainment
“ในทางกลับกัน หน่วยสืบราชการลับในการตัดสินใจจะตอบคำถาม [คำถาม] ว่า 'หากคุณต้องดำเนินการ X ผลลัพธ์จะเป็นอย่างไรในโลกแห่งความเป็นจริง' สิ่งนี้มีความสำคัญต่อธุรกิจเนื่องจากแทบไม่มีสถานการณ์ที่มีข้อมูลที่สมบูรณ์แบบ” คุณวิกรัณฐ์กล่าว
เขาอธิบายธุรกิจขนาดกลางเป็นตัวอย่างทั่วไปสมมติว่าบริษัทนี้มีโปรแกรมความภักดีของลูกค้าAI ได้รับมอบหมายให้ปรับปรุงผลกำไรของธุรกิจ ดังนั้นจึงสามารถหาวิธีทางคณิตศาสตร์ในการเปลี่ยนแปลงหรือลบผลประโยชน์ของลูกค้า หรือขึ้นราคาเพื่อเพิ่มประสิทธิภาพผลกำไรนั้นได้แต่ในขณะที่ข้อสรุปเหล่านั้น "ถูกต้อง" อย่างเป็นกลาง การตัดสินใจดังกล่าวอาจทำให้เกิดการฟันเฟืองที่มีราคาแพงกับลูกค้าและผู้มีอิทธิพล ซึ่งท้ายที่สุดแล้วจะทำให้เกิดการสูญเสียความจงรักภักดีและรายได้ในระยะยาว
Jason Cotrell ซีอีโอของสตูดิโอซอฟต์แวร์ Myplanet กล่าวถึงกรณีการใช้งานที่เป็นไปได้สำหรับการตัดสินใจอย่างชาญฉลาด:
การปรับแต่งส่วนประกอบส่วนหน้าของซอฟต์แวร์ (Adaptive UI)
แนะนำสินค้า.
การป้องกันการปั่นของลูกค้า
การเพิ่มประสิทธิภาพราคาสำหรับธุรกิจที่มีการทำธุรกรรมสูง เช่น สายการบินหรือเภสัชกรรม
“แทนที่จะพูดว่า 'ฉันต้องใช้ข้อมูลอะไรในการตัดสินใจครั้งนี้' ให้พูดว่า 'ฉันจะตัดสินใจได้อย่างไร? ส่วนใดที่ต้องใช้การวิเคราะห์ข้อมูลและส่วนใดที่ฉันสามารถทำให้เป็นอัตโนมัติได้' ด้วยวิธีนี้ คุณจะใช้ประโยชน์จากการวิเคราะห์และระบบอัตโนมัติของคุณได้ดีขึ้น” James Taylor ผู้เขียนหนังสือ "Digital Decisioning: Use Decision Management to Delivery Business Impact From AI" อธิบาย และ ซีอีโอของโซลูชั่นการจัดการการตัดสินใจ
เร็วๆ นี้: เครื่องมือข่าวกรองการตัดสินใจ
หากคุณเป็นธุรกิจขนาดเล็กที่กำลังมองหาข้อมูลขนาดใหญ่ แพลตฟอร์มปัจจุบันของคุณอาจมีเครื่องมือที่จำเป็นในการเริ่มต้นใช้งาน DIผู้เชี่ยวชาญกล่าวว่าคุณอาจไม่ต้องการสิ่งนั้นด้วยซ้ำ
“คุณสามารถใช้วิธีการ DI ได้ด้วยดินสอและกระดาษ หรือเมื่อเร็วๆ นี้ ฉันใช้แอป Lucidspark (เปิดในหน้าต่างใหม่) เพื่อร่วมกันวาดไดอะแกรมการดำเนินการกับผลลัพธ์ (CDD)” ลอเรียน แพรตต์ ผู้ประดิษฐ์การเรียนรู้แบบโอนย้ายกล่าว สำหรับเครื่องจักร ผู้บุกเบิกข่าวกรองการตัดสินใจ และหัวหน้านักวิทยาศาสตร์และผู้ร่วมก่อตั้งที่ Quantellia บริษัทการเรียนรู้ด้วยเครื่องและปัญญาในการตัดสินใจเธอเชื่อว่า DI กำลังเติบโตอย่างรวดเร็ว และในไม่ช้า การสร้างแบบจำลองข้อมูลประเภทนี้จะพร้อมใช้งานสำหรับธุรกิจทุกขนาด
จากข้อมูลของ Pratt การทำซ้ำของแพลตฟอร์มข่าวกรองธุรกิจทั่วไปที่กำลังจะเกิดขึ้นจะสนับสนุน DI "ในระดับต่อไปของความซับซ้อน คุณจะสามารถฝังโมเดล DI ไว้ในเครื่องมือที่มีอยู่ได้ เช่น [Microsoft] Excel หรือ PowerBI" เธอกล่าวอย่างไรก็ตาม สำหรับเครื่องมือที่ไม่ค่อยซับซ้อน กระบวนการนี้น่าจะถูกจำกัด เนื่องจากผู้ใช้เหล่านั้นจะไม่สามารถเปลี่ยนแบบจำลองได้ทันที
แต่ในขณะที่ธุรกิจขนาดเล็กสามารถตั้งตารอที่จะได้เห็นแพลตฟอร์ม DI ที่เรียบง่ายขึ้นในระบบคลาวด์ องค์กรต่างๆ ก็ต้องการพลังยิงที่มากขึ้น
“ปัญหาที่ใหญ่ที่สุดคือแนวทางการลงทุน” Pratt กล่าว ซึ่งหมายความว่าธุรกิจขนาดใหญ่จำเป็นต้องตัดสินใจเป็นอันดับแรก ซึ่งอาจมีความซับซ้อนในองค์กรขนาดใหญ่ คุณจะต้องคิดให้ออกว่าไม่เพียงแต่ต้องตัดสินใจประเภทใด แต่ยังรวมถึงวิธีการบันทึกข้อกำหนดเหล่านั้นด้วย
"สำหรับการตัดสินใจบางอย่าง BI stack ที่มีอยู่จะเพียงพอ" เทย์เลอร์กล่าว "แต่สำหรับบริษัทอื่นๆ [องค์กร] มีแนวโน้มที่จะพบว่าพวกเขาจำเป็นต้องลงทุนในเทคโนโลยีขั้นสูง เช่น การวิเคราะห์เชิงคาดการณ์และเครื่องมือการเรียนรู้ของเครื่อง" นอกจากนี้ เขาแนะนำ สำหรับการตัดสินใจที่บริษัทจำเป็นต้องทำบ่อยครั้งหรือรวดเร็ว การปรับใช้ระบบการจัดการกฎเกณฑ์ทางธุรกิจ เช่น จาก Agiloft (เปิดในหน้าต่างใหม่) หรือ IBM (เปิดในหน้าต่างใหม่) สามารถทำให้กระบวนการเป็นอัตโนมัติและใช้ประโยชน์จากการเรียนรู้ของเครื่องได้ดีขึ้น อัลกอริทึม
สำหรับธุรกิจขนาดเล็ก นั่นอาจเกินความจำเป็นโดยเฉพาะอย่างยิ่งเนื่องจากบริการวิเคราะห์ระบบคลาวด์ยุคหน้าควรให้ทุกความต้องการของ SMB ของกล้ามเนื้อ DI โดยมีการใช้งานน้อยลงและปวดหัวในการเรียนรู้แต่ถ้าคุณยังต้องการทำ DIY บน DI นี่คือสิ่งที่ Taylor กล่าวว่าองค์กรทั่วไปจะต้อง:
แนะนำโดยบรรณาธิการของเรา
ซอฟต์แวร์สร้างแบบจำลองการตัดสินใจเพื่อรวบรวมความต้องการและการสร้างแบบจำลองข้อมูล
ซอฟต์แวร์การจัดการกฎธุรกิจเพื่อพัฒนากฎการตัดสินใจของคุณ (เว้นแต่คุณจะตัดสินใจค่อนข้างน้อยโดยมีค่าเผื่อเวลาสำหรับผลลัพธ์ที่ยาวนาน)
สแต็กแมชชีนเลิร์นนิงบางประเภทเพื่อพัฒนาอัลกอริทึมที่คุณต้องการ
แพลตฟอร์มข้อมูลที่ให้คุณสร้างอัลกอริธึมและจัดการการส่งข้อมูลธุรกรรมได้ ควรทำแบบเรียลไทม์
เครื่องมือสร้างภาพข้อมูล โดยเฉพาะอย่างยิ่งหากการตัดสินใจขั้นสุดท้ายของคุณยังคงมีองค์ประกอบที่สำคัญของมนุษย์อยู่
รูปแบบเทียบกับปรีชา
เครื่องมองเห็นปัญหาและรูปแบบตามที่กำหนดไว้อย่างชัดเจน: สีดำกับสีขาวในทางกลับกัน ผู้คนมองเห็นความแตกต่าง ความหมายทางเลือกที่เป็นไปได้ ทางเลือก และสะพานเชื่อมไปสู่ความคิดอื่นๆความชัดเจนในประเด็นใด ๆ มักจะเป็นหน้าที่ของปัญญาโดยสัญชาตญาณมากกว่าการฝึกอบรมทางวิชาการมนุษย์สามารถใช้ได้ทั้งสองอย่าง และ DI ตั้งเป้าที่จะขยายความสามารถเหล่านั้น
Ervin Sejdic รองศาสตราจารย์ด้านวิศวกรรมไฟฟ้าและคอมพิวเตอร์และระบบอัจฉริยะของ University of Pittsburgh Swanson School of Engineering กล่าวว่า "ความฉลาดในการตัดสินใจขึ้นอยู่กับแนวคิดในการพยายามรวมเอาวิธีการที่เป็นจริงซึ่งเลียนแบบการตัดสินใจของมนุษย์" "ในขณะที่โดยทั่วไป AI โดยพื้นฐานแล้ว คุณเพิ่งตั้งกฎสำหรับแมชชีนเลิร์นนิง หากเป็นสีแดง ก็คือสิ่งนี้ และหากเป็นสีน้ำเงิน แสดงว่าเป็นเช่นนั้น”
Sejdic อ้างถึงการซื้อรถยนต์เป็นตัวอย่าง “หากคุณกำลังซื้อรถยนต์ และคุณกำหนดเกณฑ์บางอย่าง เช่น ไมล์ต่อแกลลอนหรือยี่ห้อใดยี่ห้อหนึ่ง อัลกอริทึมจะค้นหารถให้คุณ แต่เราทดลองขับรถยนต์และดูว่ามันให้ความรู้สึกและการขับขี่อย่างไร และสิ่งเหล่านี้เป็นปัจจัยการผลิตที่ยากต่อการฮาร์ดโค้ด” เขาอธิบาย “ด้วยเหตุผลเหล่านี้ ความฉลาดในการตัดสินใจจึงพยายามเข้ารหัสการตัดสินใจที่นุ่มนวลกว่าที่เราทำ และสิ่งเหล่านั้นต่างจาก AI ทั่วไปของคุณ”
Sejdic ตั้งข้อสังเกตว่าหากประสบความสำเร็จ DI สามารถนำไปใช้กับอะไรก็ได้วิธีตัดสินใจว่าจะใช้ที่ใดคือค้นหาพื้นที่ที่คุณต้องการทราบว่าการดำเนินการใดดีที่สุดสำหรับคุณ
“การวิเคราะห์และข้อมูลทางธุรกิจส่วนใหญ่เป็นคำอธิบาย คุณบันทึกสิ่งที่เกิดขึ้นแล้วพล็อตตัวเลขในแผนภูมิ มันบอกคุณว่าเกิดอะไรขึ้นเพื่อให้คุณสามารถพยายามทำความเข้าใจ รูปแบบอื่นเป็นการทำนาย มันเหมือนกับการพยากรณ์อากาศ พวกเขาบอกคุณว่าจะเกิดอะไรขึ้น” Chris Nicholson ซีอีโอของ Pathmind(Opens in a new window) ซึ่งเป็นบริษัท AI ที่กำหนดเป้าหมายการดำเนินงานด้านอุตสาหกรรมและซัพพลายเชน
Vikranth จาก ZS Associates กล่าวว่า "ข้อมูลการตัดสินใจเชิงปริมาณและเชิงคุณภาพมีทั้งด้านปริมาณและเชิงคุณภาพ และธุรกิจจำเป็นต้องคำนึงถึงทั้งสองอย่างด้วย"ในด้านปริมาณ เขาอธิบายว่าเป็นการรวบรวมข้อมูล การวิเคราะห์สามเหลี่ยมและวิศวกรรม โครงสร้างพื้นฐานด้าน AI และวิทยาศาสตร์ข้อมูล และความสามารถด้านการเขียนโปรแกรมกุญแจด้านนี้คือข้อมูลที่ถูกต้องธุรกิจทุกขนาดจะต้องลงทุนเวลาและความพยายามในการกำหนดตัวบ่งชี้ประสิทธิภาพ และทำให้แน่ใจว่าพวกเขากำลังรวบรวมข้อมูลที่ถูกต้องและจัดเก็บในลักษณะที่สแต็ก DI ของพวกเขาใช้งานได้
ในด้านคุณภาพ Vikranth กล่าวว่าธุรกิจต่างๆ ต้องการผู้มีความสามารถที่เหมาะสมในการแปลงข้อมูลเชิงลึก ข้อสรุป หรือผลลัพธ์ให้เป็นการตัดสินใจและการดำเนินการสิ่งเหล่านี้จำเป็นต้องได้รับบริบทสำหรับธุรกิจของพวกเขาเครื่องมือ What-if และทดสอบและเรียนรู้สามารถช่วยกระบวนการนี้ได้อย่างมาก
Vikranth กล่าวว่า "ทั้งสองฝ่ายรวมกันเป็นความฉลาดในการตัดสินใจ" "ด้วยวิธีนี้ AI จะไม่นำมนุษย์ออกจากสมการ" Vikranth เชื่อว่าสิ่งนี้มีความสำคัญเนื่องจากอัลกอริธึมทางคณิตศาสตร์โดยเฉพาะอย่างยิ่งหากพวกเขากำลังทำงานกับข้อมูลที่ไม่สมบูรณ์ มาสู่การตัดสินใจที่เหมาะสมที่สุด
วิวัฒนาการของนักวิทยาศาสตร์ข้อมูล
ผู้ดูแลระบบฐานข้อมูลแบบเก่าก่อให้เกิดนักวิเคราะห์ข่าวกรองธุรกิจและวิทยาศาสตร์ข้อมูลแบบดั้งเดิมDI กำลังช่วยพัฒนาวินัยนั้นให้กลายเป็นบทบาทใหม่และมีประสิทธิภาพมากขึ้น กล่าวคือ นักแปลวิทยาศาสตร์ข้อมูลตามที่ผู้เชี่ยวชาญเช่น Vikranth คนเหล่านี้จะใช้ DI เพื่อสร้างสถานการณ์แบบ what-if ของธุรกิจและทำงานผ่านสแต็ก AI เพื่อทำความเข้าใจว่าการดำเนินการใดที่ธุรกิจต้องดำเนินการและประเภทของผลลัพธ์ที่การกระทำเหล่านั้นสามารถให้ได้
ความฉลาดในการตัดสินใจช่วยให้เทคโนโลยีและผู้คนต่างทำในสิ่งที่พวกเขาทำได้ดีที่สุดเทคโนโลยี เช่น การวิเคราะห์และ AI ค้นหาการเชื่อมต่อและรูปแบบได้อย่างรวดเร็วในกลุ่มข้อมูลขนาดใหญ่ แต่นั่นเป็นเพียงครึ่งทางของการเดินทางDI สามารถใช้ข้อมูลนั้นและช่วยให้คุณนำปัจจัยมนุษย์ที่จับต้องไม่ได้มาใช้ เช่น สติปัญญาที่เป็นธรรมชาติ ความคิดสร้างสรรค์ ประสบการณ์ และความสามารถในการนำทางผ่านความแตกต่างต่างๆ ได้สำเร็จนั่นทำให้ DI เป็นรูปแบบการวิเคราะห์แบบไฮบริดที่มีประสิทธิภาพแม้สำหรับองค์กรขนาดเล็ก และมีประสิทธิภาพโดยเฉพาะในวงกว้าง
