Усовершенствование технологий значительно изменило возможности корпоративной аналитики, однако предиктивный и описательный анализы по-прежнему требуют времени, опыта и огромного количества данных и часто дают лишь узкие выводы. Однако ИИ позволяет аналитикам автоматически включать и обрабатывать важный контекст из широкого спектра источников, многие из которых ранее требовали от аналитиков работы в изолированных системах и плохо поддерживаемых каталогах. Теперь, подобно тому, как приложения Google на основе домашнего адреса, записей в календаре и картографической информации могут сообщить вам, что пора ехать в аэропорт, если вы хотите успеть на свой рейс, компании могут все чаще использовать преимущества контекстной информации в своих корпоративных системах.
За последние несколько лет технологии быстро изменили возможности корпоративной аналитики. Аналитические подходы, включающие прогностические модели, начали вытеснять просто описательные подходы. Описательный анализ, который по-прежнему ценен для многих пользователей, также эволюционирует, все больше используя визуальный анализ и переходя к модели самообслуживания, в которой нетехнические пользователи часто могут разрабатывать собственные анализы. В целом, аналитика быстро становится более простой в использовании и более мощной.
Несмотря на этот прогресс, по-прежнему сложно использовать данные и аналитику для понимания и прогнозирования многих важных явлений в организациях. Для создания и использования прогнозных моделей требуется значительный объем прошлых данных и достаточный объем знаний, что ограничивает возможности и сроки их применения. И хотя предоставление пользователям описательной аналитики большего контроля - это хорошо, такое изменение часто требует от пользователей больших затрат времени. Кроме того, существующие подходы к аналитике - как описательной, так и прогнозной - исторически были несколько узкими, сфокусированными на определенных функциях или подразделениях, несмотря на то, что многие бизнес-проблемы и вопросы выходят за рамки функций и подразделений. Эта важная контекстная информация редко включается в аналитические модели - разрозненные системы и данные затрудняют эту задачу, а аналитики данных часто не знают или не могут легко получить доступ к соответствующим данным из-за плохой каталогизации.
Хорошая новость заключается в том, что появляется новое поколение корпоративной аналитики, которое включает в себя определенную степень автоматизации и контекстную информацию. Инновации опираются на ИИ и автоматизацию, связи между существующими информационными системами и ролевые предположения о том, какие решения будут приниматься на основе данных и аналитики. В итоге они могут подготовить выводы и рекомендации, которые могут быть доставлены непосредственно лицам, принимающим решения, не требуя предварительной подготовки аналитика.
Подобно тому, как приложения Google могут сообщить вам на основе вашего домашнего адреса, записей в календаре и информации с карты, что пора отправляться в аэропорт, если вы хотите успеть на свой рейс, компании могут все чаще использовать преимущества контекстной информации в своих корпоративных системах. Автоматизация в аналитике - часто называемая "интеллектуальным обнаружением данных" или "дополненной аналитикой" - снижает зависимость от человеческого опыта и суждений, автоматически указывая на взаимосвязи и закономерности в данных. В некоторых случаях системы даже рекомендуют пользователю, что ему следует предпринять для разрешения ситуации, выявленной в ходе автоматизированного анализа. Вместе эти возможности могут изменить то, как мы анализируем и потребляем данные.
Власть контекста
Исторически данные и аналитика были отдельными ресурсами, которые необходимо было объединить для достижения ценности. Если вы хотели проанализировать, например, финансовые данные, данные о персонале или цепочке поставок, вам нужно было найти эти данные - в хранилище данных, март или озеро - и направить на них свой аналитический инструмент.
Это требовало обширных знаний о том, какие данные подходят для вашего анализа и где их можно найти, и многим аналитикам не хватало знаний о более широком контексте. Однако аналитика и даже приложения искусственного интеллекта все чаще могут предоставлять контекст. И эти возможности теперь регулярно включаются ключевыми поставщиками в предложения транзакционных систем, таких как планирование ресурсов предприятия (ERP) и управление взаимоотношениями с клиентами (CRM).
Существует множество примеров появления контекста, который включает в себя предположения о принимаемом решении и рабочем процессе для его принятия. Например, в сфере управления персоналом система управления человеческим капиталом может автоматически оптимизировать процесс отбора кандидатов, определяя наиболее подходящих кандидатов для конкретного описания вакансии (с помощью обработки резюме на естественном языке и сопоставления терминов) и ранжируя их в порядке соответствия. Для этого приложению необходимы контекстные знания, чтобы связать информацию о биографии и навыках с требованиями к должности. В цепочках поставок контекстная аналитика может опираться на данные планирования ресурсов предприятия, которые компании используют для оптимизации уровней запасов, прогнозирования потребностей в поставках продукции и выявления потенциальных задержек. Контекст включает в себя контрольные показатели цепочки поставок, понимание составных этапов бизнес-процесса и знание того, где могут возникнуть узкие места.
В отличие от предыдущих аналитических систем, новые инструменты, как правило, не требуют от пользователя создания контекстных связей. Данные, необходимые для проведения анализа, используются автоматически, а пользовательский интерфейс соответствует интерфейсу для других аналитических операций. Более продвинутые контекстные приложения могут автоматически получать доступ и анализировать данные по всем функциональным областям, связывая, например, предлагаемое увеличение штата сотрудников с последствиями для бюджета и финансовых показателей.
Страховой гигант AXA XL внедрил облачную систему управления человеческим капиталом, которая предоставляет пользователям разнообразную контекстную информацию. Без настройки она включала в себя KPI человеческих ресурсов, контрольные показатели передовой практики и возможность отслеживать тенденции в области управления персоналом, такие как разнообразие и уровень отсева. Новый инструмент корпоративной отчетности с такими возможностями был внедрен в компании всего за восемь недель.
Автоматизация аналитики
В дополнение к автоматическому поиску нужных данных и их соединению для обеспечения контекста, сам аналитический процесс все чаще автоматизируется и поддерживается искусственным интеллектом. Поставщики и пользователи переходят к такой дополненной аналитике, в которой аналитическое программное обеспечение автоматически находит закономерности в данных и позволяет запрашивать и анализировать данные с помощью интерфейсов на естественном языке. Одним словом, ИИ и традиционная аналитика объединяются, чтобы сделать анализ данных более простым и эффективным.
В число инструментов входят предиктивная аналитика и машинное обучение, обработка и генерация естественного языка (NLP), а также более традиционные технологии, такие как движки правил. Предиктивная аналитика и машинное обучение позволяют выявить тенденции и аномалии в данных и описать, какие переменные или характеристики вносят наибольший вклад в результаты. Аналитика с использованием NLP позволяет анализировать данные с помощью простых голосовых команд, а возможности NLG обеспечивают автоматическое резюме анализов на естественном языке.
Эти новые возможности устраняют барьеры, связанные с опытом и временем, в процессе подготовки данных, обнаружения инсайтов и анализа и позволяют "гражданским аналитикам данных" создавать инсайты и предпринимать действия, улучшающие их бизнес. Они также имеют положительные последствия для организаций, занимающихся поддержкой аналитики и науки о данных. Эксперты в области аналитики и ИИ могут сосредоточиться на действительно сложных проблемах и анализах и не тратить свое драгоценное время на обучение или поддержку менее опытных аналитиков и бизнес-пользователей. Модели, созданные экспертами, а также модели, созданные поставщиками, могут также все чаще включаться в транзакционные системы через автоматические запросы на данные или анализ.
Эти дополненные аналитические системы только внедряются ведущими поставщиками, такими как Oracle и Salesforce, но некоторые компании уже провели успешные эксперименты с ними. Одна производственная компания имеет культуру, ориентированную на данные, но не имеет профессиональных специалистов по анализу данных. Она внедрила подход к ценообразованию со скидками для клиентов, основанный на уровнях объема их покупок. Бизнес-аналитик попросил систему расширенной аналитики проанализировать и найти любые тенденции в данных о ценах. Он обнаружил, что, хотя относительно небольшое количество клиентов пользовались скидками по уровню объема, многие получали специальные скидки от продавцов. Компания предприняла шаги по прекращению несанкционированных скидок и получила сотни тысяч долларов дохода.
Большие перемены грядут
Для нового поколения бизнес-аналитики это еще только начало, но потенциал инструментов поражает. Они обещают предложить больше и лучше понимания большему количеству людей в организациях быстрее. Аналитики бизнес-аналитики и специалисты по количественным показателям по-прежнему будут выполнять важные задачи, но многим из них больше не придется оказывать поддержку и обучать пользователей данных-любителей. Малые и средние предприятия, которые не могли позволить себе специалистов по анализу данных, смогут анализировать собственные данные с большей точностью и ясностью. Все, что будет иметь значение для аналитических способностей организаций, - это культурный аппетит к данным, набор транзакционных систем, генерирующих данные для анализа, и готовность инвестировать и внедрять эти новые технологии.
Об авторе
Томас Х. Дэвенпорт - заслуженный профессор кафедры информационных технологий и менеджмента Бэбсонского колледжа, научный сотрудник Центра цифрового бизнеса Массачусетского технологического института, соучредитель Международного института аналитики и старший советник компании Deloitte Analytics. Он является автором новой книги Big Data at Work и бестселлера Competing on Analytics.
- Hbr.org
Поделиться
