Как ИИ может вернуть «потерянные 80%» данных в процесс принятия решений?

Как ИИ может вернуть «потерянные 80%» данных в процесс принятия решений?

Один из руководителей логистической компании однажды поделился со мной, что его бизнес теряет доход, так как не может эффективно оптимизировать пропускную способность своих перевозчиков. Операции не справлялись с колебаниями в доставке грузов; эта проблема была более выраженной в периоды пиковой нагрузки. Отсутствие оптимизации производственных мощностей имело дополнительные цепные эффекты: логистическая компания не могла распределять накладные расходы и, в свою очередь, не могла предлагать привлекательные цены, что приводило к потере клиентов.

Эта ситуация привела к диагностике; Аналитики повторно изучили данные о продажах, хранящиеся в больших реляционных базах данных, чтобы увидеть, могут ли они демистифицировать изменчивые модели спроса клиентов. После тщательного расследования аналитики пришли к выводу, что большая часть данных о продажах (хранящаяся в виде изображений счетов-фактур) не может быть эффективно проанализирована. Это привело к нерепрезентативному взгляду на спрос и, следовательно, к потере доходов.

Вышеупомянутая и многие другие ситуации, когда я консультировал по аналитике, предполагают, что данные в виде изображений, голосовых расшифровок, электронных писем, текстов, социальных сетей, веб-страниц, охарактеризованных как `` неструктурированные данные '', становятся все более важным источником понимания для бизнеса. По оценкам Gartner, более 80% корпоративных данных неструктурированы. Однако (большая часть этих) данных не используются предприятиями для принятия решений, также как данные о «потерянных 80%», что вызывает слепые пятна и влияет на результаты бизнеса. Более того, это также обходится бизнесу: IDC прогнозирует, что к 2020 году организации, которые смогут анализировать все соответствующие данные и предоставлять полезную информацию, получат дополнительные 430 миллиардов долларов в плане производительности по сравнению с их менее ориентированными на аналитику коллегами.

Следовательно, возвращение «потерянных 80%» данных в повседневный процесс принятия решений стало чрезвычайно важным. Именно здесь ИИ может сыграть решающую роль, и этому я и буду посвящен в моей статье.

Причины, по которым данные «потеряли 80%»

Причины того, что «неструктурированные данные не используются для принятия решений», то есть «потерянные 80%» данных: ложное чувство безопасности при существующем статус-кво, технологии, ограничивающие возможность экспериментов и масштабирования, институциональная память негласна.

Для логистической компании выше были следующие причины, по которым большая часть данных о продажах не была эффективно проанализирована:

Близорукие взгляды, создающие иллюзию разумного статус-кво:

Большинство аналитиков прошли обучение работе с реляционными базами данных для сбора данных и инструментами бизнес-аналитики (BI) для нарезки, разделения и анализа данных. Эти аналитики в значительной степени полагались на тщательно отобранные данные, предоставленные ИТ-отделом. ИТ-специалисты, в свою очередь, определили схемы баз данных и запросы на основе повторяющихся бизнес-вопросов, с которыми сталкиваются аналитики. ИТ-отдел извлекает - трансформирует - загружает данные, необходимые для ответа на повторяющиеся вопросы бизнеса; и удалил или заархивировал остальные данные. Учитывая, что повторяющиеся бизнес-вопросы касались в первую очередь крупных корпоративных клиентов, данные о продажах в этом сегменте были аккуратно организованы в базы данных. Однако данные по многим МСП, полученные с помощью изображений счетов-фактур, не были внесены в базы данных.

В результате идеи, полученные бизнес-аналитиками, были основаны на имеющихся данных, а не на необходимых данных (которые включали данные о продажах МСП); приводит к близоруким взглядам, ограниченным доступностью данных. Добродушные аналитики бизнес-аналитики держали заинтересованные стороны в курсе прогнозов спроса на продажи, однако подсознательно забывали оговорить границы клиентской базы.

Традиционные технологии ограничивают масштабируемость:

Было относительно ограниченное количество специалистов по обработке данных, обладающих знаниями в области статистики и продвинутой аналитики, которые занимались важными бизнес-вопросами, на которые не было ответов в отчетах бизнес-аналитики. Эти специалисты по данным обычно работали с ИТ-группами для получения данных за пределами реляционных баз данных. В этом случае специалисты по анализу данных проанализировали данные о продажах в своей среде песочницы и пришли к выводу, что профили спроса МСП отличаются от профилей более крупных клиентов. Тем не менее, выводы не были обобщены, то есть экстраполированы на всю клиентскую базу во времени.

Масштабирование аналитических данных было чрезвычайно трудоемким и дорогостоящим, учитывая зависимость от высокопрофессиональной ИТ-команды, которая пыталась сводить концы с концами с помощью традиционной технологии, которая не была разработана для управления такими объемами и разнообразием данных.

Институциональные знания хранятся разрозненно и не влияют на процесс принятия решений:

Побочным продуктом разрозненной работы было то, что идеи часто застревали в умах этих специалистов по данным или в их «песочнице». Эти идеи не были легко доступны для бизнес-лидера; то есть они стали неявным знанием, которое не было доступным для поиска и не информативным.

Это означало, что целевая информация, открытая специалистами по данным, не создавала никаких рисков для заинтересованных сторон.

Все вышеперечисленные проблемы означали, что логистическая компания не могла заранее определить триггеры, которые снизили бы их доход. Поразмыслив, можно сказать, что такая ситуация не является чем-то необычным для многих компаний сегодня. Повседневные бизнес-идеи близоруки; и это ведет к неизвестным рискам. Приоритет дорогостоящим активам направлен на решение проблем, связанных с высокой стоимостью; и технология оказывается ограничивающим фактором в масштабировании предполагаемых идей. Понимание не демократизируется; следовательно, исследовательские усилия идут насмарку. Наконец, ограниченные усилия идут на раскрытие потенциальных черных лебедей; неизвестные проблемы, которые могут возникнуть в любое время.

Короче говоря, компании серьезно парализованы, чтобы получить реальную пользу от «потерянных 80%» данных.

Что нужно для того, чтобы вернуть «потерянные 80%»?

Столпы «репрезентативных данных - масштабируемая технология - настроенные на наборы навыков», разработанные на основе бизнес-целей, с целью усиления целенаправленного принятия решений.

Чтобы извлечь уроки из этих данных о «потерянных 80%», компаниям необходимо сначала создать правильные фундаментные блоки, а именно:

Репрезентативная совокупность данных:

Им придется постоянно выявлять существующие и новые варианты использования на основе приоритетных бизнес-результатов; и создать цифровое представление реальной бизнес-среды, введя недостающие неструктурированные данные. Это станет важной опорой на будущее, когда такие инструменты, как ИИ, будут использовать такие данные для получения аналитических данных.

Масштабируемая технология:

Параллельно им потребуется гибкость, открытость и оперативность при добавлении или обновлении более подходящей технологии больших данных, что будет необходимо для выполнения бизнес-задачи. Совет: выберите стек технологий, который подойдет именно вам. У Google, Facebook, Amazon, Netflix есть разные стеки технологий, каждый из которых основан на их бизнес-потребностях, развитии, навыках, которыми они владели, и о том, куда они хотели пойти.

Настроен в наборе навыков:

Наконец, что наиболее важно, предприятиям необходимо будет постоянно повышать квалификацию и / или импортировать соответствующие наборы навыков, например инженеры по обработке данных, специалисты по обработке данных, технические архитекторы, чтобы максимально эффективно использовать новое сочетание данных и технологий следующего поколения для достижения требуемых бизнес-результатов.

Логистическая компания, представленная выше, начала путь «непрерывных изменений», в котором она постоянно фокусировалась на трех основных элементах репрезентативных данных - масштабируемых технологиях - настроенных на набор навыков, в соответствии с приоритетами бизнес-целей, с целью: улучшение принятия решений на основе данных.

Как ИИ будет способствовать принятию решений, используя «потерянные 80%»?

ИИ может помочь раскрыть более глубокие идеи и расставить приоритеты среди тех, кто призывает к действию; в то же время облегчая пользователям доступ к институциональной памяти, тем самым сводя к минимуму слепые пятна.

С тремя столпами репрезентативных данных - масштабируемой технологией - настроенными на набор навыков в качестве фундаментальных блоков, ИИ может начать играть критически важную роль. Вот способы, с помощью которых ИИ может улучшить процесс принятия решений, используя «потерянные 80%». ' данные:

ИИ может обеспечить более глубокое понимание, тем самым сводя к минимуму слепые пятна

По мере того, как предприятия начинают использовать огромные объемы неструктурированных данных, становятся актуальными сложные алгоритмы искусственного интеллекта, такие как глубокое обучение. Глубокое обучение и другие подходы к машинному обучению, которые очень хорошо помогают обнаруживать сложные закономерности из неструктурированных данных, помогут запустить новую диагностику и получить ценную информацию. Это поможет заинтересованным сторонам бизнеса свести к минимуму их слепые зоны, тем самым минимизируя риски для своего бизнеса; и помогая им развить лучшую интуицию об окружающей среде, в которой они находятся.

ИИ может масштабировать понимание с помощью персонализированного призыва к действию:

Инструменты искусственного интеллекта обычно устанавливаются в средах больших данных, которые могут быстро масштабироваться. Управление решениями инструментов ИИ обычно децентрализовано - ближе к группам пользователей, что сводит к минимуму зависимость от ИТ-ресурсов с низкой пропускной способностью. Эти операционные сдвиги означают, что Data Scientist теперь может изучать новые идеи и быстрее масштабировать их, чтобы поддерживать повседневное принятие решений.

Учитывая период полураспада данных, ИИ будет играть важную роль в определении приоритетов понимания различных персоналий пользователей; в дополнение к запуску персонализированных сообщений с призывом к действию для своевременных осознанных действий.

ИИ может демократизировать институциональную память и повысить производительность:

Результатом использования ИИ станет то, что компании теперь будут собирать пассивные хранилища идей. Эти идеи в сочетании с возможностями поиска и извлечения данных на основе ИИ станут краеугольным камнем того, как предприятия конвертируют свои неявные знания в институциональную память. Возможность поиска информации поможет аналитикам и специалистам по обработке данных тратить меньше времени на повторяющуюся и повторяющуюся работу. Методы обработки естественного языка в искусственном интеллекте могут помочь расширить понимание информации для нетехнических и не аналитических бизнес-пользователей.

Таким образом, ИИ будет иметь потенциал для ускорения процесса принятия решений на основе данных за счет использования данных о «потерянных 80%». Тем не менее, насколько успешным и эффективным будет ИИ, будет зависеть от того, как предприятия будут продолжать концентрироваться на укреплении основополагающих блоков репрезентативных данных - технологий - набора навыков.

Что касается логистической компании, она успешно внедрила ИИ (передовые алгоритмы машинного обучения), чтобы выявить слепые пятна при принятии решений; и постепенно закладывает основы для персонализированного призыва к действию и способности поиска идей.

Первоначально опубликовано на http://hawkaiblog.wordpress.com 26 июля 2019 г.