Принятие решений с помощью данных – для успешного машинного обучения

Машинное обучение рекламируется как огромное благо для бизнеса. Исследования, проведенные Infosys, показали, что компании ожидают, что к 2020 году их доходы в среднем возрастут на 39% благодаря инвестициям в искусственный интеллект и машинное обучение.

Перспективы машинного обучения включают в себя добавление более интеллектуальных процессов в приложения, которые используются каждый день, в целях сокращения объема вмешательства человека, необходимого, чтобы помочь людям принимать более быстрые и быстрые решения. Объединяя данные, аналитику и автоматизацию, машинное обучение может помочь вам повысить ваши шансы на успех и повысить производительность труда каждого. По крайней мере, это теория.

В реальном мире разработка и развертывание этих приложений займет некоторое время. Тем не менее, как воля и инвестиции, чтобы это произошло, растут. Согласно опросу Forrester, в 2017 году объем инвестиций в когнитивные вычисления увеличится более чем на 300 процентов по сравнению с 2016 годом. Компании вкладывают средства в такие области, как Интернет вещей, чтобы создавать больше данных, которые затем можно анализировать и использовать наряду с данными из их бизнес-приложений.

Чтобы бизнес мог извлечь выгоду из машинного обучения, ИТ-специалисты должны сосредоточиться на том, для чего существующие сотрудники могут использовать данные, и на том, как возможности автоматизации могут с течением времени увеличивать ценность этих данных. В настоящее время предоставление большего понимания клиентского сегмента является первым шагом для аналитики. Тем не менее, машинное обучение может быть применено к этому сегменту клиентов, чтобы увидеть, какие покупки были сделаны, какие сроки были задействованы и каких результатов можно ожидать. Используя это учебное задание, аналитика может не только дать некоторую информацию, но также и предписать дальнейшие шаги для сотрудников.

Уроки для изучения

В примере с продажами это может включать подачу определенных продуктов или создание определенных предложений, которые имеют больше шансов на успех. В логистике и цепочке поставок это может включать структурирование сделок, чтобы клиент быстрее получал поставки и со временем бизнес мог более эффективно управлять запасами и активами.Эти постепенные улучшения могут затем быть сопоставлены с любыми более широкими программами цифрового преобразования, в которых бизнес может со временем использовать машинное обучение.

Теперь этот рынок все еще очень новый. Несмотря на то, что существуют инструменты и механизмы машинного обучения, они не получили широкого применения, и число людей с необходимыми навыками невелико. Однако есть и другие подходы, которые могут помочь. Для ИТ-групп, которые хотят совместно использовать преимущества своих данных и машинного обучения, уроки могут быть извлечены из внедренных решений BI и аналитики.

Под встроенной бизнес-аналитикой понимается, как компании могут внедрять аналитику в свой бизнес, а затем предоставлять приложения или услуги, основанные на результатах. Эти аналитические инструменты могут использоваться для дифференциации продуктов или услуг компании от конкурентов, и они могут позволить этой компании зарабатывать больше денег на основе имеющихся у нее данных. Благодаря встроенной аналитике, компании должны внедрять для клиентов быстро и с конкретными целями.

Как встраивание аналитики работает на практике?

Проекты встраиваемой аналитики отличаются от более традиционных реализаций BI или аналитики. Вместо того чтобы рассматривать внутренних клиентов и их требования, службы встроенной аналитики нацелены на внешних клиентов, которые, как правило, меньше знают о том, как работать с данными. То, что они хотят, – это услуга, которая может помочь им быстро, предоставить больше информации, чем они могут получить самостоятельно, и которую они могут использовать без обучения.

Для команды, реализующей проект, подобный этому, фундаментальные цели должны заключаться в предоставлении инструментов, которые могут объяснить их подходы по ходу работы и избежать появления проблем. Наряду с этим, проект должен решить реальные болевые точки бизнеса, чтобы сервис приносил пользу с первого дня. Для тех, кто рассматривает реализации машинного обучения, эти же цели должны быть на месте с самого начала.

Давайте рассмотрим пример – предоставление данных и аналитических инструментов для набора данных, таких как командировки и расходы. Для персонала отдела кадров сортировка всех данных по определенным схемам является как рутинной, так и технической задачей. Предоставление инструментов для автоматизации этого процесса является хорошей возможностью предоставления дополнительных услуг для поставщика приложений. Создавая информационные панели и аналитические инструменты, которые могут использоваться в приложении, поставщик может предложить нечто более полезное для бизнес-команды.

Однако, просто делая существующие данные красивее, не является основой для успешного долгосрочного предложения услуг. Вместо этого эти аналитические инструменты должны быть достаточно богатыми, чтобы люди могли задавать свои собственные вопросы и видеть, как результаты объединяются. Это может помочь сотрудничеству HR-команды с другими отделами, которые будут заинтересованы в результатах.

Возможность для машинного обучения идет дальше. Анализируя наборы данных с течением времени и какие виды результатов наиболее ценны, можно обучить системы машинного обучения поиску шаблонов, которые должны быть полезны для клиента и для отдельного аналитика может оказаться более трудным для идентификации. Эти системы могут автоматически предоставлять обновления при обнаружении определенных образцов.

Этот этап автоматизации может расширить встроенные проекты и повысить эффективность работы персонала. Однако одним важным элементом является то, как эти данные передаются. Если результаты представляют собой простые отчеты, основанные на PDF-файлах или электронных таблицах, то возможность поделиться информацией о том, как генерируется понимание, уменьшается. Внедрение аналитики в продукт может упростить включение других людей непосредственно в данные и результаты, чтобы они могли самостоятельно взаимодействовать с данными.

В некоторых отношениях это следует из того, как мы все учим математику в школе. Даже если мы сможем получить правильный результат, так же важно показать, как вы достигли результата, чтобы другие могли следить за вашими мыслительными процессами. Для встроенной аналитики показ того, как были достигнуты результаты, может быть полезен всем, кому они могут понадобиться. Когда также задействовано машинное обучение, способность видеть, как достигается результат со всей его историей и происхождением, будет важнее, чем когда-либо.

Проектирование для бизнеса

Для поддержки будущего роста машинного обучения можно извлечь некоторые уроки из проектов встроенной аналитики.Наиболее важным из них является то, как выполнять проекты, основанные на конкретной стоимости бизнеса, а не на потенциальной информации, которая может появиться в будущем.

В качестве примера, многие компании предприняли шаг к внедрению технологий больших данных, таких как Hadoop.Хранить данные в масштабе гораздо проще сегодня по сравнению с прошлым, поэтому сохранение информации «на всякий случай» может оказаться полезным в будущем, и это понятная реакция. Тем не менее, этот подход игнорирует, насколько трудно извлечь выгоду из действительно огромных наборов данных, которые не имеют надлежащей структуры или недоступны для бизнеса.

Поэтому, полагаясь на специалистов по данным, чтобы найти идеи, скрытые в этой массе данных, не гарантируется, что эти идеи будут найдены, не говоря уже о том, что они оправдают стоимость технологии или рабочего времени. То же самое относится и к машинному обучению – недостаточно просто внедрить новые технологии для анализа данных. При таком подходе риск состоит в том, что дорогостоящее время персонала уходит на то, чтобы попытаться создать ценность из ничего, а не на том, как оптимизировать стоимость с помощью существующих подходов.

Вместо этого стоит посмотреть, как сегодня работает бизнес и где автоматизация может помочь повысить производительность. Этот дополнительный выигрыш может дать результат быстрее и обеспечить большую отдачу от инвестиций.

В то же время автоматизация позволяет ученым, работающим с данными, работать над более крупными проблемами и думать о том, как данные могут быть использованы для решения этих проблем. Это может привести к полному изменению процессов с течением времени, но это не мешает некоторым быстрым победам благодаря автоматизации.Наиболее важным соображением является то, что это не вопрос «или / или», когда речь идет о подходе к машинному обучению, а оба вопроса.

Машинное обучение имеет огромный потенциал. Тем не менее, это должно быть понято в контексте. Это не решит все проблемы бизнеса и не превратит плохие идеи в хорошие за одну ночь. Он может быстрее и точнее принимать решения и создавать больше возможностей для успеха. Используя уроки проектов встроенной аналитики, компании могут начать планировать, как наилучшим образом использовать машинное обучение по-своему.