Часть 2. Могут ли автоматизация и ИИ преодолеть барьер внедрения BI?

Часть 2 из четырех статей, посвященных искусственному интеллекту и его влиянию на внедрение бизнес-аналитики.
Часть 1 можно найти здесь.

Если, как мы видели в Части 1 этой серии статей, 77% предприятий определенно не или вероятно, не используют аналитику в полной мере, а уровень внедрения аналитических платформ составляет ужасные 32%, необходимо что-то радикальное. случаться. Может ли эпоха расширенной аналитики с ее машинным обучением и искусственным интеллектом решить эту проблему внедрения? Чтобы выяснить это, нам нужно понять, как мы пришли к тому, что мы имеем с аналитикой в ​​бизнесе на сегодняшний день. Нам нужно знать сильные и слабые стороны каждой эпохи аналитики, чтобы знать, действительно ли расширенная аналитика является ответом.

Как мы попали в эпоху дополненной аналитики, краткая история BI

1985–2005: ИТ лидируют

Мы впервые увидели концепцию информационных панелей и бизнес-карт. Но для этого требовались дорогостоящие инструменты, которые было невероятно сложно использовать и настраивать. Из-за сложности и негибкости на поиск информации ушли недели, и ее могли предоставить только ИТ-специалисты. Это означало, что данные и идеи также были в значительной степени недоступны, поэтому очень немногие люди имели доступ к данным для принятия бизнес-решений. Только крупные предприятия могли позволить себе иметь аналитиков данных. Но эта эпоха была рождением бизнес-отчетности с информационными панелями, какими мы их знаем.

2005–2015: Аналитика самообслуживания

К середине 2000-х «самообслуживание» стало модным словом. Поставщики аналитики самообслуживания породили опытных пользователей и аналитиков данных, которые могли работать независимо от ИТ. Поставщики BI позволили аналитикам подготавливать, обнаруживать и визуализировать данные с помощью менее сложных процессов и более простых пользовательских интерфейсов. Однако слабостью того периода была децентрализация аналитики, что означало отсутствие управления. Слабое управление означало отсутствие надзора за тем, откуда берется аналитика или процесс, используемый для получения информации, и это приводило к недоверию, когда несколько людей получали разные результаты на основе одних и тех же данных. Из-за отсутствия этих сдержек и противовесов пользователи не принимали их, отчасти из-за отсутствия доверия. Хотя бизнес-аналитика стала более доступной, чем когда-либо, внедрение остановилось на плато. Большинство предприятий все еще работают в эту эпоху.

2016 — настоящее время: Дополненная аналитика

Недавно мы стали свидетелями появления новой волны аналитики, которая обещает автоматизацию и мгновенное понимание для всех. Тенденция набирает обороты, включая поисковые запросы на естественном языке, анализ, созданный с помощью машинного обучения, и автоматическое обнаружение данных. В течение следующих двенадцати месяцев мы увидим, что почти каждый поставщик аналитики внедряет автоматизацию, используя машинное обучение и интерфейсы на естественном языке, на своих платформах. Хотя это будет огромный скачок вперед в предоставлении анализа данных со скоростью, которую всегда хотели компании, у него есть своя проблема — прозрачность. Какие алгоритмы и основные расчеты используются? Могу ли я доверять двигателю, на котором он построен? Если автоматизация анализа и обнаружения данных представляет собой черный ящик, доверие к цифрам останется очень низким, что напоминает эпоху неуправляемого самообслуживания. Возможно, это будет проблемой для аналитиков в большей степени, чем для бизнес-пользователей, которые стали безоговорочно полагаться на алгоритмы во многих сферах жизни, от результатов поиска Google до ленты новостей Facebook. Для бизнес-пользователей автоматизация информации, которая предоставляется даже без взаимодействия с аналитическим инструментом, может значительно перевесить любые их опасения по поводу алгоритмов.

Как мы переходим к этой волне расширенной аналитики

Следующей волной аналитики движут три рыночные тенденции: увеличение объема, увеличение разнообразия и увеличение скорости передачи данных — три V, как их обычно называют. Это особенно очевидно с появлением Интернета вещей (IoT), который собирает и производит огромные объемы показателей. Также не проходит и дня без добавления нового веб-источника данных, API или другой части клиентского обзора 360°, чтобы внести большее разнообразие. И скорость, с которой передаются данные, феноменальна. Чтобы увидеть его в действии, вам нужно всего лишь приостановить покупки в Интернете и переключиться на социальные сети, где тот самый товар, который вы только что рассматривали для покупки, отображается как ретаргетинговая реклама. Благодаря трем Vs данных у нас теперь есть возможность задавать большее количество вопросов и более конкретные вопросы, чтобы найти ответы, необходимые для оптимизации бизнеса. С таким распространением данных мы можем сместить наши вопросы с «Что случилось?» на «Почему это произошло?» Но «почему» по-прежнему остается иголкой в ​​стоге сена, а стог сена продолжает расти. Объем, разнообразие и скорость поступления данных могут быть как фактором, так и препятствием для определения ценности данных, поскольку анализ данных по-прежнему осуществляется путем ручного обнаружения данных, что требует набора навыков аналитика данных.

Четыре препятствия на пути внедрения BI

В части 3 мы рассмотрим четыре основных препятствия для внедрения BI и аналитики, чтобы понять, как автоматизация аналитики может решить эту проблему.

Часть 2. Как машинное обучение, ИИ и автоматизация могут преодолеть барьер внедрения BI была первоначально опубликована на yellowfinbi.com 16 апреля 2019 г.