Aukšto lygio analitika (Advanced analytics) ir prognozių kūrimas (predictive anlytics)
Remiantis turimais duomenimis ir juose aptinkamais pasikartojimais (Paterns) bus prognozuojama vieno ar kito verslo įvykio tikimybė. Vis dažniau iš analitikų bus prašoma tokių ar panašių atsakymų:
- Kiek procentų tikimybė, kad klientas X pateiks užsakymą prekių grupei A per artimiausią mėnesį?
- Kokios pardavimo galimybės turi daugiau nei 70% tikimybę būti sėkmingai uždarytomis per ateinančias dvi savaites?
- Kokie klientai turi daugiau kaip 30% tikimybę tapti nemokūs ateinantį ketvirtį?
Šios analitikos rūšies vienas dažniausių iš pavyzdžių su kuriuo visi esame susidūrę apsipirkdami el. parduotuvėse – papildomų prekių siūlymas pasirinkus tam tikras prekes. Sistema randa dažniausiai pirktas prekes kartu su mūsų pasirinkta preke ir šias prekes siūlo rinktis ir mums. Jautėme, kad sistema dažniausiai „pataiko“, tai ji daro išanalizavus daugybę kitų šios prekės pardavimų ir ne kartą esame tokiais siūlymais pasinaudoję.
Prognozavimas turi vieną žavią savybę – jas galima patikrinti. Tik skirtingai nuo orų, kur prognozavimas ir jo validavimas yra visiškai vienas nuo kito nepriklausomi dalykai, versle įvykiai dažnai yra priklausomi nuo prognozių. Pavyzdžiui analitkos sistemoje rodoma, kad kažkokios pardavimo galimybės turi ženkliai didesnius laimėjimo procentus nei kitos. Akivaizdu, kad pardavėjai su jomis ir dirbs pirmiausiai. Nesunku atspėti, kad prognozės tikrai pildysis. Turbūt pildytųsi, jei analitkos sistema pagal kiek kitokį algoritmą būtų kitas galimybes parinkus. O kas, jei tų išrinktų geriausiųjų nerodyti pardavėjams? O kokia tada nauda iš tokio prognozavimo? Šitie dalykai man vis dar kelia daug klausimų.
Prognozių kūrimas yra dalis sudėtingesnės analitikos (advanced analitycs), kurios kitos sritys:
- Segmentavimas – įvairių objektų skirstymas į grupes.
- Asociavimas – priežastingumo tarp įvairių reiškinių pasirodymo paieška ir sekų nustatymas.
- Koreliavimas – sąsajų tarp elementų savybių paieška.
Akivaizdu, kad čia reikalingos kur kas sudėtingesnės matematinės formulės, nei įprastinės – suma ir vidurkis.
Prognozavimo (Forecast) pavyzdys Power BI
Duomenų istorijos (Data Storry telling)
Net ir labai gražūs būtų grafikai ir kiti vaizdeliai labai dažnai taip ir lieka gyventi kompiuterių ekranuose ir nedaro jokio poveikio įmonei. Poveikį daro istorijos. Istorijų pasakojimas – senas kaip pati žmonija elgsenos įtakojimo įrankis. Kas moka įtaigiai pasakoti istorijas – tas daro įtaką. Todėl galimybė komentuoti, interpretuoti, diskutuoti taps labai svarbi duomenų analizės dalis.
Istorijos yra ne tik galutinis rezultatas, tarpininkas tarp BI sistemų ir galutinių vartotojų elgsenos, bet istorija yra ir bet kokio BI produkto pradžia. Geras analitikas kurdamas bet kokią ataskaitą darbą pradeda užvertęs kompiuterį. Prieš pradedant būtina surasi atsakymus į šiuos tris esminis klausimus
- Kokia yra problema iš tikrųjų?
- Kaip galėtų atrodyti jos geriausias sprendimas (-ai)
- Kokius duomenis aš turiu ir ko man dar trūksta?
Man patiko Malavic’os Sridhar pranešimas apie duomenų istorijas TEDex’e
Taktinė analitika (Actionable analytics)
Duomenų analitika nutolusi nuo realaus gyvenimo nebeturi perspektyvų. Vis dažniau įmonės nori naudoti duomenis ten kur yra priimami visų lygių sprendimai. Analitikos instrumentas turėtų būti realaus laiko, lengvai suprantamas ir prieinamas, pavyzdžiui „šviesaforas“, įvairūs „prietaisų skydeliai” ar darbų eilė surikiuota pagal prioritetą ir pan.
Lengvai prieinamas reiškia, kad BI sprendimas integruotas į naudojamas IT sistemas ( Embeded), pasiekiamas kaip mobili programėlė arba matomas dideliame ekrane kabančiame visiems gerai matomoje vietoje.
Prie taktinės turbūt reiktų priskirti ir mobilią analitiką, kuri dažnai įvardinama kaip atskira tendencija.
Užsakymų eiliškumo ir trukmės valdymo „televizorius” vienos stambiausių Lietuvoje reklamos gaminimo įmonės projektavimo skyriuje
Papildyta (Augmented) analitika, dirbtinis intelektas ir mašininis mokymasis
Naujos kartos dirbtiniu intelektu grindžiamos sistemos, kuriose mažiau reikalinga išorinių duomenų analitikos sistemų ekspertų pagalba, o daugiau reikia visa ko apimančios įmonės vidinės duomenų kultūros. Taip pat visose apžvalgose rasime analitikos sistemų savitarną. Tas reiškia, kad patys analitkos vartotojai galėtų nesunkiai ištraukti reikiamus duomenis ir susidėti juos į norimus vizualus. Kas ne tik sutaupys sistemų priežiūros kaštus, bet ir ženkliai sutrumpins laiką tarp idėjos ir rezultato.
Dirbtinis intelektas ir mašininis mokymasis minimas bene visose apžvalgose. Aš sutikčiau su tais, kas mano kad čia dar sprogimo reikės palaukti, realiai sunkiai tikėtina, kad per metus atsiras sistemos, kurios nebe atvaizduos duomenis, bet pačios siūlys sprendimus.
Duomenų politika ( Data Governance) ir duomenų saugumas ( data security)
Artimiausiu metu įmonės daug dėmesio skirs nustatydamos ir tobulindamos taisykles kaip ir kokie duomenys renkami, kur ir kiek jie saugomi, kaip prieinami.
Ne taip seniai atsiradęs GDPR reglamentas yra labai panašus reglamentas tik taikomas platesniu, tarp valstybinių mastu, tačiau apsiriboja tik duomenimis apie fizinius asmenis.
Akivaizdu kad panašūs klausimai svarbūs kiekvienai įmonei kalbant apie bet kokius duomenis.
Paruošti naudojimui sprendimai – produktai
Duomenų analitika šiuo metu išgyvena dar „vaikystės” laikotarpį. Manau, kad daugelis diegimų Lietuvoje yra visiškai unikalūs projektai. Tas vyksta maždaug taip – Vykdytojas išklauso Užsakovo poreikius ir pagal tai pasiūlo bei sukuria sprendimą. Tačiau jau ir čia po truputi atsiranda išbaigti produktai kurie skirti spręsti konkrečią problemą ir tai yra jau padarę daugelyje vietų. Toks kelias daug pigesnis, greitesnis ir su mažiau ne apibrėžtumo. Tačiau kaip ir visur standartinis produktas nėra labiausiai pritaikytas Jums, nes jis tinka visiems. Jis gali puikiai išspręsti konkrečią problemą, bet niekada nepaims visų įmonės duomenų, neparodys bendro vaizdo.
Pabaigai
Apžvalga paruošta pagal šiuos šaltinius
https://financesonline.com/business-intelligence-trends/
https://bi-survey.com/top-business-intelligence-trends
https://www.gartner.com/smarterwithgartner/gartner-top-10-data-analytics-trends/
Ir savo asmeninius pastebėjimus.
Tikrai ne viena tendencija yra ne vien apie pačius duomenų įrankius ir technologijas, bet ir apie tai kaip jie įsilieja į įmonių vidinį gyvenimą ir kultūrą.
