Objavljeno: 29.6.2021 | Avtor: Miran Varga

Kako dobra je vaša analitika?

Analize zgolj zgodovinskih podatkov so v letu, polnem sprememb, marsikje odpovedale.

Pandemija koronavirusa je marsikaj postavila na glavo. Tudi analitiko. Podjetja, ki so stavila na rabo tradicionalnih analitičnih tehnik, ki se močno zanašajo na velike količine zgodovinskih podatkov, so zgrožena ugotovila, da številni analitični modeli niso več ustrezni. Pandemija je naredila ogromno podatkov preprosto neuporabnih. Algoritem, (do obisti) optimiziran za posamezne razmere, v povsem drugačnih razmerah neredko odpove.

Presenetljivo, a ne povsem nepričakovano – človeškemu očesu neviden virus je v analitičnem svetu pomagal ločiti pleve od zrnja. Boljše analitične rešitve, analitike in podatkovne znanstvenike od slabših. Strokovnjaki podjetjem, ki se še vedno soočajo z izjemno spremenljivimi razmerami na trgu, priporočajo, da pristop obdelave množičnih podatkov zamenjajo – vsaj začasno, dokler se razmere ne umirijo – z obdelavo manjših količin podatkov, a naj bodo ti zato čim »širši«, torej ne več ozko usmerjeni le na posamezno področje.

Pametnejše analitične rešitve

Ponudniki analitičnih rešitev so se že odzvali. Njihov odgovor so pametnejše in odgovornejše rešitve. Razširljiva umetna inteligenca bo podjetjem prinesla boljše algoritme učenja na podatkih in sisteme za njihovo interpretacijo, pod črto pa naj bi se tako skrajšala tudi doba povračila naložbe v analitično rešitev. Podjetja in organizacije od sistemov umetne inteligence zahtevajo vedno (in veliko) več, a izziv, kako te robne tehnologije kar najbolje uporabiti v praksi, ostaja prisoten.

Tradicionalne tehnike umetne inteligence se namreč močno zanašajo na pretekle podatke, marsikje pa je covid 19 korenito spremenil poslovno krajino, tudi do te mere, da zgodovinski podatki sploh niso več pomembni. Novodobna umetna inteligenca mora biti sposobna delovati z manj podatki ter se prilagoditi tehnikama »majhnih podatkov« in prilagodljivega strojnega učenja. V času, ko začenjamo uporabniki vendarle počasi ceniti svojo zasebnost, jo morajo varovati tudi sistemi umetne inteligence in biti v skladu z veljavnimi predpisi. Njihovi razvijalci si prizadevajo tudi zmanjšati pristranskost tovrstnih rešitev, njihov cilj je razviti etično umetno inteligenco – kar se je do zdaj izkazalo za zelo velik izziv. Tudi na račun tega, da so podatki vendarle venomer vsaj malo pristranski – v katerokoli smer že.

Sestavljivi podatki in analitika

Cilja t. i. sestavljivih podatkov (angl. composable data) in analitike sta uporaba komponent iz več rešitev, ki obdelujejo podatke in opravljajo analitiko, ter priprava fleksibilne, uporabniku prijazne rešitve, ki bo vodstvu in ključnim zaposlenim omogočila povezavo podatkovnih vpogledov s poslovnimi dejanji. Vedno več podjetij, vsekakor pa praktično vsa velika, že uporabljajo več kot eno orodje za analitiko in poslovno inteligenco. To jasno kaže na dejstvo, da svojim podatkom in analitiki ne zaupajo v celoti, saj rezultate preverjajo z drugo rešitvijo (ki pa ni nujno natančnejša).

Ne pozabite na kakovost podatkov

V času, ko podjetja zbirajo in obdelujejo ogromne količine podatkov, postaja upravljanje kakovosti poslovnih podatkov (angl. data quality management – DQM) izjemno pomembno, bržkone celo najpomembnejši trend na področju poslovne analitike in poslovnega obveščanja. Upravljanje kakovosti ne pomeni samo, da ima podjetje za analizo na voljo podatke visoke kakovosti, temveč čiščenje in priprava podatkov močno olajšata tudi njihovo distribucijo po podjetju ter upravljanje med življenjsko dobo.

Če naj podatki postanejo koristni, je naloga podjetja, da jih upravlja, jim sledi in poskrbi, da se ustrezno uporabljajo. Dobre prakse upravljanja kakovosti podatkov kažejo na to, da je pot do dobrih podatkov vse težja, podjetja pa se morajo tega podviga lotiti premišljeno in zavzeto. No, posledice slabih podatkov podjetja že poznajo – te vodijo do najrazličnejših napak (v vseh oddelkih), slabih izkušenj kupcev in izgube prihodkov. DQM je namreč tudi ključni dejavnik pri izpolnjevanju najnovejših predpisov in zahtev potrošnikov do podatkov. Če podjetje iz poslovanja odstrani slabe podatke in ohrani dobre, si močno olajša skladnost poslovanja (npr. spoštovanje določil uredbe GDPR) ter dvigne zadovoljstvo kupcev oziroma strank.

Upravljanje kakovosti podatkov sestavlja vrsta različnih procesov. Med prvimi sta čiščenje in priprava, s katerima iz podatkovnega bazena podjetje še pred analizami odstrani vse slabe in napačne podatke. Drugi je zbiranje dobrih podatkov – a mora podjetje vedeti, kaj to sploh so. Zatem si mora podjetje prizadevati za učinkovito distribucijo dobrih podatkov med sistemi, aplikacijami in zaposlenimi. Ves čas je treba tudi bdeti nad podatki, jih upravljati in nadzirati. Najtrši oreh za številna podjetja pa predstavlja iskanje pravega konteksta. Brez tega so podatki mrtvi. Izziv pa je zagotoviti, da bodo zaposleni razumeli podatke, do katerih dostopajo in jih obdelujejo.

Želja marsikaterega analitika, da bi lahko sestavil rešitev po meri, se utegne nekoč uresničiti. Če ne v celoti, pa vsaj delno. Sestavljanje novih aplikacij iz paketov funkcij poslovne analitike spodbuja produktivnost in agilnost poslovanja. Sestavljivi podatki in analitika ne bodo le spodbujali sodelovanja in razvijali analitične zmogljivosti podjetij, temveč bodo tudi povečali dostop do analitike na širši krog zaposlenih, kar bi moralo zelo pozitivno vplivati na njihovo produktivnost.

Podatkovni temelji

Bolj kot se podjetja ubadajo s podatki, bolj ugotavljajo, da gradijo na majavih temeljih. V marsikaterem so podatki povsod in nikoli tam, kjer bi jih zaposleni potrebovali. A če naj uvedejo digitalno in vsaj delno avtomatizirano poslovanje, bodo morala podjetja poskrbeti za podatkovno arhitekturo, ki bo kos sodobnemu času in poplavi podatkov. Po možnosti takšno, ki bo podpirala prilagodljivo poslovanje – torej sestavljive podatke in analitiko ter njene različne komponente.

Bolj kot se podjetja ubadajo s podatki, bolj ugotavljajo, da gradijo na majavih temeljih.

Strokovnjaki priporočajo uvedbo podatkovnega matričja (angl. data fabric), saj takšna strukturirana rešitev za upravljanje podatkov znatno zmanjša čas, potreben za načrtovanje, uvedbo in vzdrževanje vseh z njimi povezanih poslovnih rešitev. Podjetja bi si morala prizadevati za postavitev zanesljivih podatkovnih temeljev, ki jim bodo po vzoru iz sveta pisanja programske kode (beri: programiranja) omogočila ponovno uporabo posameznih podatkov, kombiniranje različnih stilov njihove integracije in podobno. Povezovanje podatkovnih vozlišč, podatkovnih jezer in podatkovnih skladišč je nuja, a je šele prvi del sestavljanke, osredotočen na pridobivanje podatkov. Kje sta šele čiščenje in obdelava …

Podatki in analitika na robu

Vedno več podatkov, predvsem tistih, ki jih ustvarjajo različni senzorji in naprave interneta stvari, nastaja na t. i. robu omrežja. Njihove količine niso zanemarljive, njihov prenos in obdelava v podatkovnem centru pa zahtevata čas in denar. Prav zato se tudi analitika v teh primerih seli na rob, saj s tem odpade potreba po pošiljanju ogromnih količin podatkov v podatkovne centre, obdelani podatki (na robu) pa so hitreje na voljo uporabnikom – skoraj v realnem času. To je hkrati tudi elegantna in praktična rešitev za podjetja, ki podatkov iz pravnih ali regulatornih razlogov ne morejo prenesti z nekaterih geografskih območij (na katerih še nimajo lastnega podatkovnega centra).

Odločitvena inteligenca

Odločitvena inteligenca je izraz za področje, ki združuje številne discipline, vključno z upravljanjem odločitev in s podporo odločanju. Obsega aplikacije na področju zapletenih, a prilagodljivih sistemov, ki združujejo več tradicionalnih in naprednih disciplin s področja poslovne inteligence. Ponuja arhitekturo, ki je analitikom in skrbnikom podatkov v pomoč pri načrtovanju, modeliranju, usklajevanju, izvajanju, spremljanju in prilagajanju modelov ter procesov odločanja v okviru poslovnih rezultatov in vedenja. To področje se bo v praksi dokazovalo predvsem v okoljih, kjer poslovne odločitve potrebujejo več logičnih in matematičnih tehnik ter so avtomatizirane ali pa morajo biti dokumentirane in revidirane. Razvoj rešitev s področja odločitvene inteligence se ne nanaša samo na posamezne odločitve, temveč tudi na zaporedja odločitev, ki jih podjetja združujejo v poslovne procese in celo na mreže »odločitev v nastajanju«.

Do leta 2023 naj bi že več kot tretjina velikih podjetij uporabljala rešitve s področja odločitvene inteligence, vključno z modeliranjem odločitev. To jim bo omogočilo hitrejše pridobivanje vpogledov, potrebnih za spodbujanje poslovnih aktivnosti in odločanje o njih. Hkrati pa odpira nove možnosti za preoblikovanje načinov, kako organizacije optimizirajo odločitve in jih naredijo bolj natančne, ponovljive in sledljive.

Naroči se na redna tedenska ali mesečna obvestila o novih prispevkih na naši spletni strani!

Komentirajo lahko le prijavljeni uporabniki

Monitor na Facebooku

Monitor TV na YouTube

44GtTRq9vUM

  • Polja označena z * je potrebno obvezno izpolniti
  • Pošlji