Strojové učení: Nová krev pro BI

Připravte se na umělou inteligenci a automatizaci, které vám ve firemním rozhodování pomohou mnohem více než dosavadní modely postavené na pochopení toho, co se stalo v minulosti.

Strojové učení:  Nová krev pro BI


Technologie business intelligence se změnila – ze statických reportů sdělujících, co se stalo, na interaktivní informační panely, kde můžete zkoumat informace a pokoušet se pochopit, proč se to stalo.

Nové zdroje big dat včetně internetu věcí (IoT) tlačí podniky z reaktivní analytiky – ať už zkoumáte minulost jednou za měsíc, abyste si všimli trendů, nebo jednou denně ke kontrole problémů –, směrem k aktivní analytice, která vás upozorňuje a poskytuje informační panely v reálném čase.

Výsledkem je lepší využití provozních dat, což je mnohem přínosnější, zvláště když jsou stále aktuální.

„Existuje zde poptávka po informačních panelech pracujících v reálném čase,“ uvádí Herain Oberoi z týmu Cortana Analytics v Microsoftu. „Mnoho firem chce zjistit tep svého podnikání. Informační panely však obvykle ukazují věci, které se již staly.“

To je podle Gartneru důvod, proč je nejrychleji se rozvíjející oblastí prediktivní a další pokročilá analytika. Její nejnovější Magic Quadrant vytvořený pro oblast pokročilé analytiky předpovídá, že do roku 2018 bude v rámci konkurence více než polovina všech velkých organizací po celém světě používat pokročilé analýzy a na nich postavené algoritmy.

Sofistikovaná prediktivní analytika se zabývá výpočtem trendů a budoucích možností, předpovídá potenciální výsledky a poskytuje doporučení. To je více než jen dotaz a odpovídající report ze známých nástrojů BI, jako jsou SQL Server Reporting Services, Business Objects nebo Tableau.

Přináší to propracovanější metody, jako jsou statistiky, deskriptivní a prediktivní datamining, strojové učení, simulace a optimalizace, které hledají trendy a vzory v datech, jež jsou často kombinací dat strukturovaných a nestrukturovaných.

Vyvíjejí je firmy, jako Apple, Google, Facebook, Microsoft, IBM, Oracle, Salesforce.com či SAS, ale i celá řada start-upů, které často končí právě v náručí prvně jmenovaných větších dodavatelů.

Příklad analytických scénářů nabízených službou Microsoft Cortana Analytics

Je to druh nástrojů v současné době používaných týmy marketingu a analýz rizik k pochopení důvodů ztráty zákazníků, životnosti klientů, příležitostí pro křížový prodej, pravděpodobnosti nákupu, skórování důvěry a odhalování podvodů.

„Mnoho telekomunikačních společností chce přejít z reaktivního chování na proaktivní,“ popisuje Oberoi. „Chtějí systém, kde mohou říci ‚najděte mi, kteří z těchto zákazníků na základě jejich zákaznických profilů a vzorů volání zřejmě hodlají odejít‘.“

Podle Gartneru bude mít téměř každá obchodní jednotka zájem o tyto nástroje. „Lidé, se kterými mluvíme, se mění. Mnohem více hovořím s řadou osob s firemní rozhodovací pravomocí. Vidíme velké přesuny rozpočtů do linie obchodních týmů,“ říká Oberoi.

Nedávno podle svých slov z pěti zákazníků, se kterými se setkal na evropské konferenci Microsoft Convergence, byli minimálně tři z oblasti obchodu a dva z nich měli oprávnění řídit digitální transformaci a inovativní agendu své společnosti.

 

Dokončit vše potřebné

Hodně pozornosti se věnuje prediktivní údržbě, ale existují i ​​další klíčová použití, jako jsou předpovídání poptávky a nalézání problémů ve službě či kvalitě produktu pomocí detekce anomálií a také systémy podpory rozhodování. Jsou to otázky typu „Co se může stát?“ a „Co mám dělat?“.

„Základní zákaznický problém se nezměnil – je to otázka ‚Jak získat z dostupných údajů nějaké poznatky použitelné pro skutečnou akci a rozhodování o budoucím dění?‘Nástroje takto koncipované analytiky dokážou snížit počet manuálních kroků, které je nutné udělat, abyste něco takového získali,“ říká Oberoi.

„Základním způsobem přechodu od údajů k rozhodování je statická zpráva, která říká, co se stalo. Pokud pracuji jako obchodník a chci vidět, jak mé prodeje vypadají podle regionů v posledním čtvrtletí, použiji k tomu statickou zprávu a potom mohu udělat některé manuální kroky, než se k něčemu rozhodnu,“ vysvětluje.

„Další částí toho je nikoli jen, že se něco stalo, ale proč se to stalo. Mé tržby v minulém čtvrtletí klesly, ale klesly, protože se nepodařilo zrealizovat mé tři nejlepší nabídky, nebo protože se snížila průměrná velikost obchodů? Jak mohu rozčlenit data, aby to bylo zřejmé?“ říká Oberoi.

Jak dodává, „Mám tedy informační panel s reporty, se kterými mohu interagovat, abych mohl zjistit, proč se něco děje. To obvykle snižuje počet manuálních kroků předtím, než mohu učinit rozhodnutí a udělat nějaké kroky. Potom se dostáváme k predikci. Ne k minulosti, kdy klesly prodeje, a já vím proč, ale ke zjištění na základě mé prognózy, že by se mi nemuselo podařit dosáhnout cíle pro budoucí měsíc, takže na to mohu zareagovat.“

Automatizace obchodu by podle něj mohla znamenat méně potřebných manuálních kroků.

„V konečném důsledku se chcete dostat do bodu, kdy vás bude systém předem informovat nejen o tom, co by se mohlo stát, ale také o tom, co s tím můžete udělat. ‚Vypadá to, že předpověď na příští týden nevyjde. Na základě toho máte k dispozici dvě propagační akce napojené na váš systém CRM. Chcete tyto propagační akce posunout dopředu o týden, ano či ne?‘ Odpovíte ano a dojde k plně automatizovanému nakonfigurování vašeho obchodního procesu a pracovních postupů, což vám pomůže s přesunem o týden.“

Taková rada často pochází od inteligentní asistence – například v případě Cortany, která už může zajišťovat upomínky a navrhnout, kdy je čas odejít na schůzku, stejně jako odpovídat na otázky.

Oberoi si myslí, že je to stejně tak užitečné i pro firemní úlohy, kdy může připomínka sdělit zaměstnancům, že musejí poslat žádost o náhradu výdajů, a otázky se mohou týkat firmy a podnikání: „Jaké byly největší uzavřené obchody v minulém čtvrtletí?“ nebo „Který z našich zákazníků s největší pravděpodobností odejde v příštím čtvrtletí?“ nebo „Upozorni mne, pokud by měl tento zákazník 90procentní pravděpodobnost odchodu v příštích 30 dnech.“

Systém podle něj ví, že to vypadá na nedodržení předpovědi pro příští týden. Ví také, že jedna z věcí, které by mohly pomoci předpověď splnit, je dřívější spuštění marketingové propagace. Aktivní oslovení může třeba vypadat takto: „Jirko, vypadá to, že prodeje příští týden budou menší, než by měly být podle předpovědi. Máš naplánované následující propagace. Chceš je zahájit dříve, nebo si promluvit s týmem, který je realizuje, aby je zahájili dříve?“

„Je to aktivnější způsob, jakým s vámi může systém komunikovat, a je to také přirozenější,“ tvrdí Oberoi.

 

Inteligentní doporučení

Ať už jde o internet věcí, big data či analytiku, společnosti mají velké množství dat, která mohou využít pro své rozhodování a rozhodování řízené daty zní jako samozřejmost. Dalším krokem pro rozhodování řízené daty jsou...

 

Tento příspěvek vyšel v Computerworldu 11/2016. Oproti této variantě je obsáhlejší a obsahuje řadu dalších rad, které můžete využít u sebe ve firmě.

Časopis (starší čísla i předplatné těch nadcházejících) si můžete objednat na adrese našeho vydavatelství.

Úvodní foto: © Sergey Nivens - Fotolia.com



Vyšlo v Computerworldu 11/2016








Komentáře