В течение последних двадцати лет ментальная модель зрелости аналитики соответствовала схеме, представленной ниже, начиная с базового сбора данных и заканчивая проактивным, автоматизированным использованием передовых алгоритмов.
В течение последних двадцати лет ментальная модель зрелости аналитики соответствовала схеме, представленной ниже, начиная с базового сбора данных и заканчивая проактивным, автоматизированным использованием передовых алгоритмов.
Вы должны сделать их по порядку?
Обычно предполагается, что организации развиваются слева направо по мере того, как они становятся более зрелыми в использовании аналитики, но реальность становится более нюансированной.
Горизонтальная ось показывает сложность технологии аналитики, а не время. В то время как многие организации изо всех сил пытаются преодолеть «пропасть» в прогнозной аналитике из-за ограниченной готовности данных и навыков, можно использовать комбинацию различных технологий одновременно для различных потребностей и проектов.
В конце концов, основными препятствиями для широкого использования аналитики самообслуживания обычно являются организационные и культурные барьеры, а не технология или качество данных. В этих случаях может быть проще внедрить сложную прогностическую аналитику в отдельный бизнес-процесс, связанный с большим количеством высококачественных данных.
Например, многие финансовые отделы изо всех сил пытаются автоматически сопоставить данные счетов-фактур с соответствующими банковскими платежами из-за различных ссылочных номеров, сумм и т. Д. В настоящее время доступны новые приложения, которые используют машинное обучение для повышения скорости сопоставления на основе существующих данных в финансах. система.
Поскольку эти типы приложений предназначены для узких, сложных решений, выполняемых сотни или тысячи раз в день, они потенциально могут быть реализованы даже в организациях, которые не имеют общего высокого уровня аналитической зрелости.
Кроме того, машинное обучение может позволить использовать совершенно новые приложения, которые ранее были невозможны. Например, компании, которые спонсируют спортивные мероприятия, обычно используют секундомеры для отслеживания того, как долго их логотипы появляются на экране во время освещения событий, чтобы получить представление об их возврате инвестиций. Но новые приложения для машинного обучения могут автоматически анализировать видеозапись более детально . Очевидно, что этот тип решения может быть реализован независимо от того, где вы находитесь на общей кривой зрелости аналитики.
Категоризация по технологии и использованию
Традиционная кривая зрелости скрывает некоторые большие практические различия между технологиями слева и справа от линии пропасти. Когда речь заходит о зрелости аналитики вашей компании и о том, как лучше двигаться вперед, полезно думать о технологиях по-другому.
Основываясь на работе экспертов по прогнозированию SAP Эрика Маркаде и Арта Алави , категории основаны как на технологии, так и на использовании, и не соответствуют непосредственно традиционной модели зрелости:
- Аналитика работает на людях для людей
- Аналитика на основе математики для процессов
- Аналитика работает на математике для людей
- Аналитика на основе математики для взаимодействия человека и автономных систем
Аналитика работает на людях для людей
С левой стороны описательная и диагностическая аналитика – это «традиционная аналитика», основанная людьми на людях . Эксперты собирают соответствующие данные, переводят их в значимые бизнес-термины и предоставляют агрегированную информацию деловым людям с помощью отчетов, информационных панелей или интерфейсов обнаружения данных. Затем эти пользователи принимают решения на основе увиденного и вносят соответствующие изменения в бизнес. Все эти шаги, как правило, являются отдельным процессом от операционной деятельности организации, с интеграцией только на уровне пользовательского интерфейса.
Например, у маркетологов может быть панель управления, показывающая, какие кампании наиболее успешны. Затем они будут действовать на основе этих идей, изменяя что-то в следующем процессе планирования кампании.
Организации часто пытаются заранее определить отдачу от инвестиций в аналитические проекты такого типа, потому что «вы не знаете, чего не знаете». Разумно предположить, что более глубокое понимание приведет к более эффективным процессам и новым возможностям – но пока вы не внедрили системы, вы не можете точно определить, где они будут.
Аналитика на основе математики для процессов
Справа аналитическая и прогнозная аналитика основаны на математических процессах . Это требует совсем другого подхода. Например, вместо того, чтобы сделать данные интуитивно понятными для людей, их необходимо подготовить в формате, подходящем для обработки алгоритмами. Обычно это означает денормализацию и выравнивание данных и сохранение как можно большего количества деталей. Процесс занимает больше времени, поскольку для построения и обучения прогнозной модели требуются большие объемы высококачественных данных.
Эти передовые аналитические инструменты становятся проще в использовании – к 2020 году Gartner полагает, что более 40% задач по науке о данных будут автоматизированы, что приведет к повышению производительности и более широкому использованию гражданскими специалистами по данным.
Их можно использовать для сложного одноразового анализа, но чаще всего целью является создание прогнозирующей модели, которая затем автоматически применяется к новым данным как часть автоматизированного бизнес-процесса.Например, когда банк использует прогностическую модель для проверки возможности мошенничества каждый раз, когда клиент использует кредитную карту, или когда розничный продавец определяет, какой продукт будет пытаться перекрестно продать вас, когда вы доберетесь до кассы.
Окупаемость инвестиций в проекты такого типа обычно легче определить заранее, поскольку решения, подлежащие автоматизации, связаны с известными затратами или возможностями.
Недавние достижения в области мощного машинного обучения, доступные по более низкой цене, чем когда-либо прежде, привели к огромному росту использования этого вида аналитики. Он все чаще поставляется как стандартная часть почти каждого бизнес-приложения и процесса.
Аналитика работает на математике для людей
Расширенная аналитика на основе математики для людей становится ключевой частью новых интерфейсов, разработанных для бизнес-пользователей . В этом случае алгоритмы используются для расширения традиционных аналитических процессов. Например, их можно использовать для более разумной корреляции и очистки данных, автоматического определения того, что интересного или необычного в изучаемых данных, группирования данных и т. Д.
Эти типы функций «интеллектуального обнаружения» все чаще становятся прямой частью коммерческого аналитического программного обеспечения .
Достижения в области взаимодействия человека и машины также позволяют пользователям создавать запросы и задавать вопросы с использованием интерфейсов на естественном языке – например, «какой бюджет по сравнению с фактическим для моего отдела?». В следующем году Gartner полагает, что будет сгенерировано 50% аналитических запросов. используя поиск, запрос на естественном языке или голос, или будет автоматически сгенерирован.
Аналитика на основе математики для взаимодействия человека и автономных систем
Усовершенствованные прогностические модели также позволяют использовать математические аналитические данные для взаимодействия людей и автономных систем – например, автомобили с автоматическим управлением, которые используют постоянно обновляемые алгоритмы для навигации практически без вмешательства человека.
И подобные алгоритмы также являются основой для новых прорывов в интерфейсах человек-машина, таких как новые корпоративные цифровые помощники и чат-роботы .
Можно утверждать, что оба эти случая вообще не являются «аналитикой», поскольку, хотя усовершенствованные алгоритмы являются фундаментальной частью системы, конечным пользователям предоставляются только результаты, практически без контроля над тем, как они были получены.
Следующие шаги: аналитическая зрелость не о технологии
Размышляя о новых технологиях аналитики в этих четырех категориях, гораздо легче понять, как и где прогностическая аналитика может использоваться в организации. Прежде всего, теперь есть очень реальные возможности для внедрения мощных прогностических технологий в качестве неотъемлемой части расширенной бизнес-аналитики или встроенной в бизнес-процессы, даже если вы все еще боретесь с традиционной бизнес-аналитикой.
Но, конечно, ваша аналитическая стратегия должна начинаться с ваших бизнес-целей. Основными препятствиями для эффективного использования информации являются люди, процессы и информационная культура. Если организации действительно заинтересованы в зрелости аналитики, их структуры должны в первую очередь основываться на этих факторах, а не на используемых технологиях.
Для получения дополнительной информации посетите этот сайт по созданию надежной аналитической стратегии или более ориентированных на бизнес моделей зрелости аналитики, таких как эта, из американской группы пользователей SAP :
Почитать еще
Несколько видео о наших продуктах
