Проактивные и предполагаемые идеи, генерируемые машинным обучением, — это разница между предвзятым и непредвзятым открытием.
Пользователи, которые полагаются на традиционные платформы отчетности, такие как: IBM Cognos, Tableau или Power BI, основывают свой вопрос на предвзятом понятии и получают данные, которые могут соответствовать этому понятию.
В результате принимались важные решения, несмотря на то, что «никто не знает, насколько одностороннее, предвзятое или даже значимое понимание».
Альтернатива, основанная на Hyper Anna, полагается на машинное обучение для сканирования всех данных и поиска закономерностей, ключевых факторов и значимых аномалий. Эти упреждающие рекомендации помогают пользователям Hyper Anna заострить свои вопросы.
Пример, иллюстрирующий это положение:
Производитель вина хотел узнать, у какого бренда был самый высокий оборот на прошлой неделе. Непосредственный анализ цифр показал, что у бренда X был самый низкий оборот.
Здравый смысл указывал на бренд-менеджера. Но анализ, основанный на Hyper Anna, показал, что, хотя общий оборот бренда X снизился на прошлой неделе, он обусловлен лишь небольшим количеством суббрендов и сконцентрирован в одном конкретном канале сбыта. Этот канал распространения не фигурировал в традиционном сокращении количества, однако это фактор, который повлиял и на другие группы.
Однофакторное причинно-следственное мышление укоренилось как отраслевая мудрость из-за ограничений анализа 10–20 лет назад. Теперь этот запрос может быть проанализирован на несколько факторов за считанные секунды, ожидаемый ответ может быть неправильным, а неожиданный ответ может оказаться существенным.
Вы можете посмотреть, как пользователи Hyper Anna взаимодействуют с платформой, чтобы определить правильные вопросы, которые нужно задать, и получить ответы здесь.
