Postanite podatkovno gnani
Biti podatkovno usmerjen ali gnan ni več nekaj futurističnega, saj takšen način delovanja postaja norma v sodobnem poslovnem svetu.
Poslovna analitika jutrišnjega dne se osredotoča na prihodnost in poskuša odgovoriti na vprašanja, kaj se bo zgodilo v prihodnje in kako lahko podjetje začrtano prihodnost tudi uresniči. Strokovnjaki izpostavljajo prediktivno oziroma napovedno analitiko, takšno, ki zna na podlagi analize masovnih podatkov iz najrazličnejših virov napovedovati prihodnost. V podatkih se skrivajo najrazličnejši odgovori, ne le za korporacije, temveč tudi za mala in srednje velika podjetja.
Prediktivna analitika je praksa pridobivanja informacij iz obstoječih podatkovnih nizov s ciljem napovedovanja prihodnjih dogodkov različnih verjetnosti. Gre za razširitev področja podatkovnega rudarjenja, ki se nanaša le na pretekle podatke. Prediktivna analitika pa vključuje ocenjene prihodnje podatke, zato vedno upošteva možnost napak v rezultatih (opredeljeni so kot verjetnost). Ta poslovna prvina in analiza nakazujeta, kaj se lahko zgodi v prihodnosti s sprejemljivo stopnjo zanesljivosti (natančnosti), hkrati pa postrežeta še z nekaj alternativnimi scenariji in oceno tveganja. V poslu se prediktivna analitika uporablja v podjetjih, ki analizirajo trenutne podatke in zgodovinska dejstva v želji, da bi bolje razumela stranke, izdelke in partnerje ter prepoznala morebitna tveganja in (nove) poslovne priložnosti.
Različne vrste industrije oziroma panoge izkoriščajo napovedno analitiko na različne načine. Letalski prevozniki jo uporabljajo za odločitev, koliko vozovnic in po kakšnih cenah bodo prodali (neredko jih namenoma prodajo več, kot je sedežev na letalu). Hoteli poskušajo napovedati število gostov, ki jih lahko pričakujejo v določeni noči, in prilagoditev cen, s katerimi bi povečali zasedenost kapacitet in s tem tudi prihodke. Tržniki določajo odzive strank ali nakupe in vzpostavljajo priložnosti za navzkrižno prodajo, medtem ko bankirji napovedno analitiko uporabljajo za ustvarjanje ocene kreditne sposobnosti strank. Obstaja še veliko drugih primerov rabe masovnih podatkov, ki se vsakodnevno uporabljajo in oblikujejo naš svet, pa naj bo to nakupna izkušnja ali upravljanje podatkov strank.
Podatkovni znanstveniki in njihova umetnost
Med podatkovnimi znanstveniki sta priljubljeni predvsem dve metodi s področja prediktivne analitike, in sicer umetne nevronske mreže (Artificial Neural Networks – ANN) in avtoregresivno integrirano gibljivo povprečje (Autoregressive Integrated Moving Average – ARIMA).
V umetnih nevronskih mrežah se podatki obdelujejo na podoben način kot v bioloških nevronih. Tehnologija posnema biologijo: informacije se pretakajo v matematični nevron, kjer se obdelujejo, iztekajo pa rezultati. Tako en sam proces postane matematična formula, ki se ponovi večkrat. Podobno kot v primeru človeških možganov je moč nevronskih mrež v njihovi zmožnosti, da povežejo množice nevronov v plasti in ustvarijo večdimenzionalno mrežo. Vhod v drugi sloj je iz izhodne vrednosti prvega sloja, situacija pa se ponavlja z vsako plastjo. Ta postopek omogoča zajemanje asociacij ali odkrivanje pravilnosti znotraj niza vzorcev kljub precejšnjemu obsegu, številu spremenljivk ali raznolikosti podatkov.
Model ARIMA pa se uporablja za analizo časovnih vrst, ki uporabljajo podatke iz preteklosti za modeliranje obstoječih podatkov in predvidevanje prihodnosti. Analiza vključuje pregled avtokorelacij – primerjavo, kako so trenutne podatkovne vrednosti odvisne od preteklih vrednosti – zlasti izbiro, koliko korakov iz preteklosti je treba upoštevati pri napovedovanju prihodnosti. Vsak del ARIMA skrbi za drugačno stran ustvarjanja modela – avtoregresivni del poskuša oceniti trenutno vrednost z upoštevanjem prejšnje. Razliko med predvidenimi podatki in realno vrednostjo pa uporablja del, ki se ukvarja z drsečim povprečjem. Analitiki nato preverjajo, ali so te vrednosti normalne, naključne in stacionarne – s konstantno variacijo. Vsako odstopanje v teh točkah lahko prinese vpogled v obnašanje podatkovnih nizov, napoveduje nove nepravilnosti ali pomaga odkriti osnovne vzorce, ki niso vidni očem povprečnega uporabnika. Tehnike ARIMA so zapletene in sklepi iz rezultatov morda niso tako enostavni kot pri bolj osnovnih pristopih statistične analize, so pa modeli ARIMA zelo močno orodje za napovedne analize.
Še korak dlje v prihodnost
A sodobna analitika gre še korak dlje v prihodnost. Preverja namreč najrazličnejše podatke in/ali vsebino, da bi ugotovila, katere odločitve je treba sprejeti in katere ukrepe za dosego zastavljenega cilja. Odlikujejo jo tehnike, kot so analize grafov, simulacije, kompleksna obdelava dogodkov, nevronske mreže, priporočilni pogoni, hevristika in strojno učenje. S tem, ko analitika poskuša ugotoviti, kakšen bo učinek prihodnjih odločitev, se bodo te odločitve lahko prilagodile, preden bodo dejansko sprejete. To zelo izboljša sprejemanje odločitev poslovnih uporabnikov, saj se prihodnji rezultati upoštevajo pri napovedi. Sodobna analitika tako podjetjem pomaga optimizirati poslovanje, proizvodnjo, zalogo in delovanje dobavne verige, prav tako pa lahko ugotovi, kaj stranke podjetja resnično želijo.
