Podatki in analitika – neizkoriščen potencial?

Še pred nekaj leti smo o podatkih govorili kot o novi nafti. Danes se zdi ta prispodoba zastarela. Podatki so postali ustreznica električne energije v modernem podjetju – nevidna, a nujna infrastruktura, ki poganja vsak proces, od avtomatiziranega skladišča do personalizirane uporabniške izkušnje. Sočasno podatkovna analitika ni več zgolj tehnološka prednost, temveč higienski minimum za preživetje na trgu.

V preteklosti so bili podatki pogosto obravnavani kot stranski produkt poslovanja, shranjeni v (analognih in/ali digitalnih) arhivih podjetij in pridobljeni predvsem za izpolnjevanje zakonskih obveznosti. Danes je drugače, paradigma se je temeljito spremenila. Podatki so postali najbolj strateški kapital, ki ga podjetja posedujejo, pogosto se jih primerja kar z nafto. A podobno kot surova nafta brez rafinerije nima velike vrednosti, so tudi neobdelani podatki brez ustrezne obdelave in analitike zgolj breme in strošek (najmanj hrambe).

Tu na sceno stopi podatkovna analitika, ki že dolgo ni več samo v domeni IT-oddelkov in redkih analitikov, ki se ukvarjajo s statistiko, ampak je živčni sistem sodobnega podjetja. Vključuje znanstvene procese, metode in algoritme za pregledovanje, čiščenje, preoblikovanje in modeliranje podatkov s ciljem odkrivanja koristnih informacij, podpore odločanju in razkrivanja skritih vzorcev. S pojavom umetne inteligence (UI) in naprednega strojnega učenja je analitika prestopila meje preteklosti – danes ne opisuje zgolj, kaj se je zgodilo, ampak napoveduje prihodnost in predlaga optimalne aktivnosti za doseganje (želenih) ciljev.

Če sta bili leti 2024 in 2025 v znamenju navduše(va)nja nad generativno umetno inteligenco (GenAI), letošnje leto vsekakor zaznamujeta streznitev in 'industrializacija'. Podjetja so ugotovila, da brez urejenih podatkovnih temeljev (angl. Data Governance) tudi najboljši veliki jezikovni modeli (LLM) proizvajajo pretežno zgolj drage halucinacije. Danes zato v praksi zmagujejo tista podjetja, ki jim je uspelo podatkovno analitiko iz oddelka IT prenesti neposredno v roke odločevalcev na vseh ravneh.

Evolucija analitike: od opisovanja do predpisovanja

Da bi razumeli, kako se razvija področje podatkovne analitike, je nujno razumeti njeno evolucijo, ki se običajno deli na štiri razvojne stopnje.

 Opisna analitika: Odgovarja na vprašanje »Kaj se je zgodilo?«. Uporablja zgodovinske podatke za prikaz trendov (npr. poročila o prodaji, preglednice).

 Diagnostična analitika: Odgovarja na vprašanje »Zakaj se je nekaj zgodilo?«. Vključuje globoke analize, iskanje korelacij in vzročno-posledičnih povezav (npr. zakaj je upadla prodaja v posameznem obdobju).

 Napovedna analitika: Odgovarja na vprašanje »Kaj se bo zgodilo?«. Uporablja strojno učenje in statistične modele za napovedovanje prihodnjih dogodkov na podlagi preteklih podatkov (npr. napoved odpovedi strank ali zmanjšanja/povečanja zalog).

 Predpisna analitika: Odgovarja na vprašanje »Kaj moramo storiti?«. To je najvišja stopnja analitike, ki združuje napovedi s pravili optimizacije in predlaga konkreten potek dela (npr. dinamično določanje cen v realnem času glede na povpraševanje, vreme in aktivnosti konkurence).

Generativna umetna inteligenca in demokratizacija podatkov

Eden najbolj razburljivih prebojev zadnjih let je integracija velikih jezikovnih modelov, kot so ChatGPT, Claude, Copilot in drugi, v analitična orodja. S tem so ponudniki uresničili idejo rabe naravnega jezika pri upravljanju podatkov (NL2SQL – Natural Language to SQL). Poslovnim uporabnikom se zato ni treba več učiti zapletenih SQL-poizvedb ali programskega jezika Python, da bi iz analitičnih orodij izvlekli maksimum. Namesto tega preprosto izgovorijo (ali v klepetalno okno vpišejo) poziv, npr. »Prikaži mi upad prodaje za izdelek X v zadnjih treh mesecih, razdeljen po regijah, in jo primerjaj z istim obdobjem lani«, sistem pa sam generira kodo, pridobi podatke in vizualizira rezultat. To močno znižuje prag za uporabo podatkov in analitičnih orodij ter ta naredi primerna ne le za 'čistokrvne' analitike, temveč vse (vodstvene) zaposlene.

Gre pa sodobna analitika ob pomoči tehnologij umetne inteligence še precej dlje. Obogatena analitika uporablja strojno učenje in avtomatizacijo za pomoč pri pripravi, analizi in vizualizaciji podatkov. Namesto da bi uporabnik sam iskal vzorce, algoritem samodejno označi anomalije (npr. »Opaziti je nenavadno visoko stopnjo vračil blaga v trgovini Y.«) ali ključne dejavnike (npr. »Glavni vzrok za zmanjšanje marže je bil dvig cen transporta.«). S tem se analitika premika od aktivnega iskanja vpogledov k proaktivnemu opozarjanju na dogajanje, odkrito v podatkih.

Z umetno inteligenco v analitičnih rešitvah je tesno povezano tudi vprašanje etičnosti in zasebnosti. Z naraščajočo zaskrbljenostjo zaradi zasebnosti in strogih zakonov postaja klasična anonimizacija podatkov nezadostna. V ospredje zato že stopajo tehnologije, kot je federativno učenje. Gre za model strojnega učenja, ki se uri na napravah končnih uporabnikov ali v podatkovnih silosih podjetij, pri čemer podatki nikoli zapustijo varnega okolja. V analitični sistem se nato pošljejo le 'naučene uteži' modela. Tu je še pristop, poimenovan diferenčna zasebnost (angl. Differential Privacy), ki v podatke dodaja matematični 'šum', ki preprečuje, da bi se iz anonimiziranih podatkovnih množic lahko izluščile informacije o posamezniku, hkrati pa ohranja statistično točnost celotne množice.

Slovenija mora močno pospešiti razvoj kulture podatkovne pismenosti. Še tako draga tehnološka naložba bo nasedla, če zaposleni ne bodo znali interpretirati rezultatov.

Vzpon hibridnih in modernih podatkovnih arhitektur

Zaradi eksplozije podatkov iz različnih virov (CRM-sistemi, IoT-naprave, družbena omrežja) klasična centralizirana podatkovna skladišča pokajo po šivih in zadevajo ob svoje omejitve. Podjetja se zato premikajo k novejšim arhitekturam hrambe in obdelave podatkov, kot je Data Mesh, decentralizirani pristop, kjer so podatki lastništvo posameznih poslovnih področij (npr. marketing, proizvodnja), ne pa oddelka IT. Podatki se v tem primeru obravnavajo podobno kot izdelki (angl. Data as a Product). Potem je tu še podatkovno matričje (angl. Data Fabric), inteligenten sloj, ki povezuje vse podatke po podjetju (ne glede na to, ali so v oblaku, v lokalnem okolju ali na robu omrežja) in omogoča enoten dostop ter upravljanje brez selitve samih podatkov.

Zaradi rasti interneta stvari (IoT) podjetja prehajajo od analitike v oblaku k analitiki na robu. To pomeni, da se podatki obdelujejo neposredno v senzorjih ali napravah (npr. v robotu v tovarni ali pametnem semaforju), še preden se pošljejo v centralni sistem. To je ključno za aplikacije, ki zahtevajo odločanje v milisekundah, kot so avtonomna vozila, napovedovanje okvar ali zastojev strojev (prediktivno vzdrževanje) v realnem času, in zmanjšanje pasovne širine pri prenosu ogromnih količin podatkov.

Analitika v Evropi: regulativa, suverenost in inovacije

Evropa se je na področju podatkovne analitike in umetne inteligence znašla v specifičnem, a zelo pomembnem položaju. Medtem ko ZDA vodijo v razvoju tehnologij in gigantskih platformah, Kitajska pa v hitrosti implementacije in količini zbranih podatkov, se Evropa pozicionira kot globalni standard za varnost, etiko in pravice posameznika – z uveljavitvijo Akta o umetni inteligenci. Čeprav so se nekateri bali, da bo stroga regulacija zadušila inovacije, se je (za zdaj) izkazalo nasprotno. Evropska podjetja, ki so investirala v etično in pregledno analitiko, zdaj lažje pridobivajo zaupanje strank. Podatkovna analitika v EU danes nujno vključuje komponente, kot sta razložljivost modelov – razumevanje, zakaj je algoritem zavrnil kredit ali predlagal neko ceno – ter sledljivost podatkov (angl. Data Lineage), kjer je znan natančen izvor vsakega podatka, uporabljenega za učenje modela. Uredba o umetni inteligenci uvaja tudi kategorizacijo tveganj: analitični sistemi za napovedovanje uspešnosti na delovnem mestu ali sistemi za kreditno ocenjevanje bodo deležni zaostritve zahtev po transparentnosti in pravici do človeškega posega, sistemov z 'nesprejemljivim tveganjem', kot je socialno ocenjevanje, pa sploh ne bo dovoljeno razvijati.

Analitika v Sloveniji: med ambicijami in realnostjo

Slovenija na področju rabe sodobnih analitičnih rešitev kaže mešano sliko, ki pa je vendarle spodbudna. Po podatkih zadnjih raziskav Sursa iz letošnjega leta skoraj polovica slovenskih podjetij (okoli 48 odstotkov) aktivno izvaja posamezno obliko podatkovne analitike. Domače gospodarstvo, ki temelji na močni izvozno naravnani industriji (avtomobilska, farmacevtska, elektroindustrija), analitiko najpogosteje uporablja za prediktivno vzdrževanje ter zmanjševanje zastojev v proizvodnji. Jasen vzpon rabe teh orodij je tudi na področju optimizacije oskrbovalnih verig, saj se z njimi podjetja bolje odzivajo na nestanovitne globalne logistične poti. Šele nato so po pogostosti rabe na vrsti 'trgovci' in dinamično določanje cen, ki so analitiko vpregli z namenom boljšega odzivanja na inflacijske pritiske in spremembe v povpraševanju.

Zelo zgovoren pa je največji izziv, ki ga imajo slovenska podjetja, ko govorimo o podatkovni analitiki. Gre za izjemno vrzel v potrebnem znanju. Največja ovira za hitrejši preboj Slovenije na skorajda vseh področjih ostaja pomanjkanje ustreznega kadra. Čeprav so slovenske univerze okrepile programe podatkovnih znanosti, povpraševanje podjetij močno presega ponudbo. Podjetja to rešujejo na dva načina, in sicer s prešolanjem obstoječih zaposlenih (npr. finančnikov v podatkovne analitike) ter z demokratizacijo podatkovne znanosti in uporabo low-code ali celo no-code orodij, ki zaposlenim brez programerskega znanja omogočajo napredne analize podatkov.

Prihodnost je … analitična

Ob podatkovni analitiki si danes ne postavljamo več vprašanja, »ali to rabimo«, temveč, »kako učinkovito lahko to uporabimo«. Razlika med zmagovalci in poraženci se ne meri več po tem, kdo ima več podatkov, temveč s tem, kdo jih zna hitreje pretvoriti v smiselne ukrepe in aktivnosti. Res pa je, da mora Slovenija močno pospešiti razvoj kulture podatkovne pismenosti. Še tako draga tehnološka naložba bo nasedla, če zaposleni ne bodo znali interpretirati rezultatov. Podjetja morajo torej vlagati v kulturo, kjer se vsaka pomembna odločitev začne z vprašanjem »Kaj o tem pravijo podatki?« namesto tega, »Kaj pravi moj občutek?« ali kakšno je mnenje najbolje plačanega posameznika (za mizo). Podatki so morda res gorivo oziroma energija, a ljudje s(m)o še vedno tisti, ki morajo/-mo določiti smer vožnje.