Как искусственный интеллект изменит бизнес-аналитику

Мы знаем, что решения будут приниматься без участия людей очень скоро. Но как именно это произойдет? Возможно, ответ на такой вопрос есть у IDC.

Как искусственный интеллект изменит бизнес-аналитику

Исследовательская компания IDC предлагает обратить внимание на то, как искусственный интеллект поможет менеджерам принимать решения. По мнению исследователей, для этого всё уже готово. Осталось только немного изменить угол зрения, под которым мы привыкли смотреть на бизнес-аналитику.

Готовы ли машины принимать решения уже сегодня?

Мы часто слышим о том, как искусственный интеллект (ИИ) решит проблемы планетарного масштаба и попутно оставит миллионы людей без работы. Однако, ничего подобного пока не происходит.

Сегодня разработчики бизнес-приложений говорят, будто уже готовы автоматизировать процессы “от и до”. Но мы видим, им что-то мешает. Более того, они отказываются признать трудности не-технического характера, с которыми сталкиваются при автоматизации процессов.

В чем же здесь проблема? Почему машинное обучение превратилось в доступный инструмент, а у бизнеса по-прежнему не получается автоматизировать принятие решений? Это плохо удается, даже когда речь идет об относительно простых и не самых принципиальных вещах.

Мы видим, как беспилотный автомобиль уверенно едет по дороге. Однако, автоматически наполнить склад в магазине пока не можем. Мы точно знаем, что скоро многие решения будут приниматься автоматически. Но вспоминаем про Uber и понимаем: все-таки пока это редкость.

При чем здесь бизнес-аналитика? Напомню, бизнес-аналитика — это такие системы (их еще называют BI-решениями), которые подключаются к разным источникам информации, загружают оттуда данные и превращают их в графики и диаграммы. Люди могут действовать лишь после того, как работа компании станет наглядной. Без этого принять сколь-нибудь взвешенное решение трудно.

Бизнес-аналитика выполняет роль своеобразного интерфейса между бизнесом и людьми, которые пока все еще принимают решения сами. Я смотрю на монитор, где абзац за абзацем появляется текст. Тем временем менеджер смотрит на показатели своего отдела. Я вижу абзац и принимаю решение его переписать. Менеджер видит график и тоже принимает решение — уволить Иванова, повысить Петрова, открыть две новые вакансии. Мы периодически смотрим на результат, а затем делаем что-то для его изменения в будущем — принимаем решения, действуем.

По мнению IDC, есть несколько препятствий, которые сегодня тормозят применение искусственного интеллекта для принятия решений. Чтобы о них рассказать, можно оттолкнуться от традиционного взгляда эволюцию аналитических систем.

Традиционный взгляд: почему не удается перепрыгнуть через ступеньку

Уже много лет применение бизнес-аналитики для автоматизации решений принято рассматривать с помощью графика зрелости аналитических процессов. Это очень удобная и наглядная схема. Наверное, сегодня она присутствует в презентациях всех консультантов, помогающих бизнесу запустить цифровую трансформацию.

Рис. 1. Традиционный взгляд на уровни зрелости аналитики.
Рис. 1. Традиционный взгляд на уровни зрелости аналитики.

Сначала нам нужно узнать, что произошло. Например, с помощью аналитического решения мы увидели стоимость рабочего часа в разных городах. В Твери она оказалась в полтора раза выше, чем в Санкт-Петербурге. После этого нам нужна причина — почему это произошло. Например, мы поняли, что причиной высокой стоимости часа в Твери является какая-то демографическая особенность региона. Или, что вероятнее, это будет наша собственная ошибка в оценке персонала при найме. Дальше аналитическое решение посмотрит в будущее — скажет нам, какова будет стоимость часа через квартал. В конце концов система сама скажет нам, как поступить для достижения требуемого показателя.

Очевидно, в такой схеме каждый из этапов, или уровней зрелости — это фундамент для следующего. Не получится перепрыгнуть через ступеньку и воспользоваться предписанием, пока мы не способны предвидеть показатели, что в свою очередь невозможно без понимания причин и знания о том, что же происходило раньше.

По мнению IDC, компании никак не могут получить в свое распоряжение предписывающий инструмент лишь по той причине, что до сих пор придерживаются традиционного взгляда. Ещё недавно казавшаяся удобной схема превратилась в препятствие, мешающее начать использовать аналитическое решение с встроенным ИИ.

Разработчики аналитических систем забывают, что решения в корпоративном мире — это всегда процесс, в котором участвуют разные люди и подразделения. Они ставят знак равенства между принятием решения и доставкой информации. В результате даже самая лучшая аналитическая система не способна провести бизнес-процесс через все этапы принятия решений. Аналитический инструмент дает информацию и оставляет людей с ней один на один — человек сам должен решать, что с этим делать.

Первое препятствие: мы отказываемся смотреть на принятие решений как на процесс.

По мнению IDC, мы привыкли видеть процесс принятия решений как набор отдельных шагов. Но забываем, что в реальной жизни эти шаги между собой зачастую никак не связаны.

Есть работающие с данными инженеры — они предоставляют данные для исследований. Есть аналитики — они занимаются анализом данных. Результаты анализа передаются другой группе — людям, принимающим решения. Готовые решения в виде указаний получают сотрудники, которые уже действуют.

Когда IDC интервьюирует технических специалистов, те часто говорят о том, как их работа помогает создавать озера данных, разрабатывать дэшборды, предоставлять доступ ко всем данным и создавать системы с самообслуживанием. Они рассказывают о единой точке правды и разработке ETL-процессов. Все это относится к тому, что или как они делают в области работы с данными. Но от них трудно добиться ответа на вопрос, зачем они это делают. IDC сетует, что в ходе интервью редко приходится слышать: “я помогаю своим коллегам принимать лучшие решения”.

Такой подход можно описать с помощью схемы на рис 2. (следить —> анализировать —> решать —> действовать). За каждый из этапов работы с данными здесь отвечают разные специалисты. Они применяют разные инструменты, а их работа оценивается по-разному. В процессе работы специалисты никак друг на друга не влияют.

Рис. 2. Традиционный взгляд на принятие решений
Рис. 2. Традиционный взгляд на принятие решений

Здесь главная проблема — в отсутствии видимости всего процесса. Без этого не получится улучшить корпоративное управление, потому что трудно будет оценивать качество решений и трудно выявлять лучшие практики в принятии решений.

В прошлом один программный пакет редко поддерживал более двух из этапов использования данных.

Второе препятствие: привычка ставить знак равенства между поддержкой принятия решений и доставкой информации.

Друге препятствие тоже из мира стереотипов. Поддержку принятия решений слишком часто приравнивают к доставке аналитической информации. Все заканчивается на том, что менеджеру или аналитику дают отчет либо дэшборд (не важно, статический или интерактивный). Визуализация становится итоговым результатом, которого ждали от аналитического решения.

Трудно спорить с тем, что отчеты и дэшборды помогают принимать решения. Но их недостаточно — как с точки зрения функциональности, так и с точки зрения полноты информации.

Интерактивные визуализации совершили огромный скачок в последнее время. Это привело к упрощению аналитических инструментов, к снижению стоимости обучения их использованию, к распространению самообслуживания. Но для принятия решений недостаточно исторических фактов о результатах продаж, прибыли, запасов, об удовлетворенности клиентов. Недостаточно оповещений о том, что какой-то показатель не был достигнут. Недостаточно сообщений о появлении тенденции в данных.

Отрывочная информация не позволяет оценивать альтернативы и вероятности наступления событий при изменении условий. Иногда недостающие знания есть у коллег, но их трудно получить. Например, как аналитику оценить влияние отдельного фактора на значение KPI? Откуда у аналитика или менеджера должно появиться знание об ограничениях и рисках? Это может быть очень важно, без такой информации аналитик не сможет ничего рекомендовать.

По мнению IDC, аналитические системы не делают многое из того, что требуется для принятия решений. Среди таких упускаемых возможностей IDC выделяет:

1) Ситуационная осведомленность. Менеджеры должны принимать решения на основе знаний, учитывающих контекст. Если в анализе используются лишь отдельные наборы данных, то контекст теряется и в результате не учитывается влияние смежных или внешних факторов.

2) Оценка альтернатив. Метод анализа “что будет, если” позволил бы аналитикам учитывать разные сценарии развития ситуации. Без этого у них не получится оценивать влияние на результат изменения одной или нескольких переменных.

3) Определение драйверов. Требуется анализ, который способен определять, как одни переменные влияют на другие. Это позволило бы выявлять причинно-следственные связи, стоящие за наблюдаемыми тенденциями.

4) Прогнозирование возможных результатов. Программное обеспечение может помогать аналитикам самостоятельно создавать прогнозы и предсказания значений показателей.

5) Понимание рисков и ограничений. В процессе принятия решений требуется не только опираться на математические расчеты, но также и учитывать ограничения, связанные с самыми разными вещами — от регулирования со стороны государства до социальных норм.

6) Поиск экспертов. Для того, чтобы учитывать риски и ограничения, нужен человеческий опыт. Аналитическим системам требуется функциональность, которая помогла бы подключать к процессу принятия решений коллег или внешних экспертов.

7) Рекомендация лучшего действия. Аналитикам и менеджерам могли бы помочь такие системы, которые способны рекомендовать наилучшие действия. Рекомендации должны сопровождаться вероятностью получения требуемого значения показателя.

8) Сбор знаний. Аналитическая система должна фиксировать сам ход принятия решения. Это помогло бы получить новые знания о процессах и отслеживать связанные с ними задачи и действия. Так можно было бы выявлять лучшие (и худшие) практики и использовать их для совершенствования циклов принятия решений.

Когда мы сталкиваемся с тем, что аналитической системе каких-то возможностей не хватает, приходится полагаться на свой опыт и ощущения. Чтобы несмотря на ограничения все-таки получить нужную информацию и обмениваться ей, мы вынуждены возвращаться к понятным и привычным электронным таблицам MS Excel.

Как устранить недостатки аналитических систем уже сегодня

В качестве первого шага на пути устранения недостатков аналитической системы, IDC советует изменить взгляд на цикл принятия решений, который выше был показан на рис. 2.

Вместо четырех шагов IDC предлагает использовать семь, а к циклу принятия решения добавить ещё три действия: (1) обучение, (2) адаптация, (3) объяснение. Такая схема показана на рис 3:

Рис. 3. Как добавить искусственный интеллект к аналитике. Источник: IDC, 2018
Рис. 3. Как добавить искусственный интеллект к аналитике. Источник: IDC, 2018

По мнению IDC, это позволит точнее и лучше очертить круг возможностей, которые требуются аналитической системе прямо сейчас для того, чтобы превратить ее в инструмент принятия решений.

Кроме того, IDC советует сфокусироваться на ценности разных видов аналитики и прекратить смотреть на аналитику как на непонятные манипуляции с данными.

Выделив обучение как отдельное действия, можно упростить применение машинного обучения для того, чтобы мониторить, анализировать, и, возможно, автоматизировать принятие решений.

Несомненное преимущество описанной модели заключается в том, что теперь предприятию не нужно ждать достижения последнего уровня зрелости аналитических процессов для начала применения искусственного интеллекта. ИИ способен принести пользу уже сейчас, причем каждому из действий.

Применять ИИ проще, чем кажется

IDC приводит несколько примеров, как искусственный интеллект способен помочь автоматизировать вполне конкретные задачи. Это возможно благодаря улучшению действий, связанных с процессами принятия решений.

1. Обнаруживает. ИИ способен выявлять проблемы с качеством данных, предложить источники данных, отслеживать те из них, которые используются чаще и результативнее.

2. Описывает. ИИ помогает определить те метрики и KPI, которые лучше подойдут для описания нужных данных. Также ИИ способен предложить более подходящие способы визуализации.

3. Диагностирует. ИИ даёт направление исследования, направленного на поиск причин, то есть помогает найти ответ на вопрос “почему?”.

4. Предсказывает. ИИ способен помочь автоматизировать задачи, которые часто требуют у исследователей данных много времени, потому что выполняются вручную. Среди них: сбор данных, развертывание предсказательной модели, управление моделью. Не самым изощренным исследователям данных ИИ может подсказать, какие алгоритмы лучше подойдут в данном случае.

5. Предписывает. Одна из самых многообещающих областей применения ИИ. Люди обычно не могут определить паттерны, найти все зависимости в огромных объемах данных, либо оценить все результаты для наилучшего действия. ИИ хорошо подходит для таких задач.

6. Решает. Когда альтернативные решения становятся доступны, ИИ может оценить ограничения и соотнести их с целями. Также ИИ можно использовать для разработки правил, которые помогут автоматизировать процесс принятия решений, касающихся операционной деятельности.

7. Действует. ИИ может использоваться для автоматического исполнения отдельных процессов. Таких, как создание контента, распространение предложений или выполнение финансовых транзакций.

Три совета IDC покупателям технологий

Совет IDC № 1.

Начните рассматривать принятие решений как процесс. Оцените, какая функциональность аналитической системы нужна для поддержки каждого из действий.

Совет IDC № 2.

Учтите, что цель инвестиций в программное обеспечение и персонал для обработки данных — не в получении информации. Не спрашивайте у пользователей, какие данные или функции работы с данными им нужны. Начните лучше с вопроса, какие решения они должны принимать и как они это делают. Такая информация позволит лучше оценить, что требуется от аналитической системы.

Совет IDC № 3.

Начните изучать BI-платформы нового поколения, которые доступны уже сегодня. Ответьте на вопросы о том, как машинное обучение могло бы помочь автоматизировать именно ваши задачи. Во-первых, за счет чего ваши инженеры по данным и аналитики смогли бы работать лучше и принести больше пользы? Во-вторых, что помогло бы им сосредоточиться на задачах, которые пока не могут быть автоматизированы?

Небольшой итог

Любопытно, что компания Uber, изменившая услугу такси, 12 лет назад хотела за счет автоматизации заказа с помощью геоданных уменьшить время подачи автомобиля. В их первой презентации ни слова о машинном обучении, о новой бизнес-модели. Термин “данные” не встречается ни разу. Они лишь придумали, как автоматизировать всего одно решение.

Дополнительно:

1) Документ IDC “A Call to Rethink Decision Support Software Capabilities“ можно бесплатно взять на сайте небольшого разработчика BI-платформы - компании Board.

2) Первая презентация Uber для инвесторов.

Интересуетесь, что происходит в мире бизнес-аналитики? Подписывайтесь на нас в facebook.

22
Начать дискуссию