Цифровая трансформация управляет новыми бизнес-моделями - ценными предложениями, способствующими росту дохода, и большими, можернизированными возможностями, которые выводят эксплуатационные расходы. В появляющейся конкуренции между разрушителями и нарушенной в этой новой экономике раскрытие ценности данных, которые находятся в существующей книге бизнеса, становится новым фактором стоимости для крупных предприятий. В результате, в 2018 году, мы увидим больше компаний, желающих получить наличные деньги в этой валюте данных. В возникшей конкуренции между “подрывниками” и “подорвавшимися”  раскрытие ценности данных, которые находятся в хранилищах бизнеса, становится новым ценностным фактором для крупных предприятий. В результате, в 2018 году, мы увидим больше компаний, желающих получить наличные деньги в этой валюте данных.

Те, кто преуспевают, - это компании, которые знают, как “готовить” данные для потребления, и используют глубокие методы статистического вывода и машинного обучения, чтобы выявить более разумные идеи. И затем, знание того, как преобразовать эти идеи в действия посредством активного подталкивания помогает обеспечить правильное руководство в нужное время на правильной стадии процесса. Давайте рассмотрим, как компании могут максимально использовать свои данные, применять аналитику и искусственный интеллект (AI) для генерации реальных, влиятельных идей, а затем вести значимые изменения в своих организациях.

Начните с четкого видения и цели

Важно правильно начать. Эффективная стратегия аналитики затрагивает больше, чем данные и идеи - в нее входят люди, процесс и управление изменениями. Слишком часто мы видим, что отличные идеи в конечном итоге используются предприятиями не в полной мере, поскольку те не инвестировали в более широкую программу, чтобы превратить аналитику в суть своего бизнеса. Отраслевые данные ясно показывают, что центр передового опыта, основанный на бизнес-аналитике, всегда обеспечивает больше, чем технологическая группа аналитиков.

Что касается основы работы аналитики, она начинается с стратегии данных - проектирование мышления через выявление необходимых данных и принятие продуманных решений, обеспечивающих систематический захват данных процессами и технологиями. Например, мы видим, что компании по обслуживанию лифтов теперь учитывают нагрузку и останавливают лифты в разное время дня, чтобы они могли обеспечить лучший пользовательский опыт - данные, которые мы никогда не фиксировали раньше. Или производители, берущие данные от датчиков на авиационных двигателях, чтобы они могли оптимизировать обслуживание имущества. Объединение стратегически важных новых данных с другими существующими данными из внутренних и внешних источников создает вселенную из богатых и больших данных, на которые могут опираться предприятия.

Извлечение, структурирование и проектирование данных

Разработка данных является основой практики аналитики и включает в себя архитектуру данных (обнаружение, понимание, поиск и хранение данных); координацию данных (прием, очистка, преобразование и унификация данных); и управление данными (управление основными данными, безопасность и происхождение), что делает его готовым к потреблению для использования методов моделирования для обеспечения понимания бизнеса.

Кроме того, новые достижения в ИИ открывают сокровищницу информации, скрытую в неструктурированных данных. Это информация, размещенная в электронном письме, PDF-файлах и других документах, которые алгоритмы обработки естественного языка (NLP) и вычислительной лингвистики теперь могут преобразовывать в структурированные данные для использования.  В результате документы, которые ранее должны были быть прочитаны людьми, теперь могут автоматически стать доступными, и данные, встроенные в эти документы, теперь могут использоваться для запуска аналитики. Например, мы видим, что банки просматривают балансовые листы с использованием ИИ и динамически оценивают показатели кредитования по кредитным портфелям. Мы видим, как корпорации динамично просматривают контракты на закупку и автоматически сверяют их со счетами-фактурами.

Генерирование идеи из данных

Данные, когда-то заготовленные к потреблению, затем могут быть использованы для работы с различными методами статистической оценки. Постоянно расширяющийся мир науки о данных теперь предоставляет некоторые действительно зрелые методы оптимизации, классификации или кластеризации, все из которых помогают в прогнозировании результатов. Оптимизация позволяет промышленным компаниям прогнозировать наилучшие размещения запасных частей, наиболее близких к высокопроизводительным машинным активам. Классификация позволяет страховым компаниям быстро просматривать поступающие запросы заявок и динамически маршрутизировать их для быстрого исправления. Кластеризация позволяет банкам смотреть на обнаружение мошенничества и отмывание денег, обнаруживая аномалии с большей точностью.

В последние годы значительно улучшились алгоритмы машинного обучения, особенно благодаря развитию методов глубокого обучения и повышения квалификации, основанных на нейронных сетях. Вычислительная мощность также улучшилась, так что теперь можно значительно быстрее создавать более крупные и более сложные модели. Наконец, по мере роста объема собираемых нами данных,  улучшается наша способность обучать алгоритмы машинного обучения, что делает его более эффективным для использования в бизнесе.

Этот быстро развивающийся мир машинного обучения теперь входит в деловой мир. Например, мы находим машины, которые могут точно предсказать стоимость ремонта поврежденной крыши на основе фотографий, как только они будут обучены миллионам фотографий и информации о соответствующих претензиях. Поскольку скорость, точность и стоимость предоставления информации становятся более благоприятными, наука о данных и машинное обучение открывают совершенно новые бизнес-модели.

Сопоставление знаний  предметной области и понимания процесса с наукой данных

Одним из ключевых компонентов, позволяющих производить аналитику, является их сопряжение с областью знаний и пониманием процесса. Контекстуализация и дистилляция являются ключевыми в науках о данных, а ориентация на цель имеет основополагающее значение для машинного обучения. Они лучше всего подходят для глубокого понимания бизнес-контекста и процесса взаимодействия, происходящего как снизу вверх, так и сверху вниз. Для этого требуется участие нужного персонала, который может добавить эти важные компоненты. Слишком часто мы наблюдали, что проекты не тянули, потому что им не хватает этой важной основы.

Воплотите аналитику в действии

Как недавно рассказала Лиза Морган в InformationWeek: «Одно дело - получить идею и совсем другое - воплотить ее в действие» Необходимо превратить данные и аналитику в действия, которые заставят предприятие расти и дифференцироваться. Один из способов сделать это - подтолкнуть. Теория подталкивания была разработана экономистом Ричардом Талером в 2008 году, но была вознаграждена Нобелевской премией только в октябре 2017 года. Используя аналитику и умный пользовательский опыт, предприятия могут подталкивать или управлять сотрудниками и потребителями, чтобы принять конкретные решения, согласованные с их целями. В некотором роде это похоже на получение данных в Google Карты на следующем перекрестке - подталкивание - которое кристаллизует значительную аналитику в фоновом режиме вокруг маршрутизации назначения и ожидаемого трафика и переводит его на простой толчок: повернуть налево.

Давайте возьмем еще один пример эффективной стратегии анализа, введенной в действие в управлении капиталом. Допустим, клиент отправил электронное письмо три года назад с просьбой отложить встречу из-за конфликта с окончанием средней школы его сына. Это электронное письмо может размещаться в архивах фирмы с миллионами других электронных писем. Три года спустя, благодаря аналитике и NLP, информация из этого письма может быть использована для того, чтобы побудить финансового консультанта связаться с клиентом и предложить страхование автомобиля для сына, так как он в настоящее время имеет возраст вождения. Интеллектуальное использование аналитики обеспечивает прогностические модели для нужд клиента. Но толчок правильного финансового консультанта в нужное время, с правильной контекстной информацией, является тем, что заставляет воплощать идею в жизнь.

Таким образом, чтобы полностью воспользоваться преимуществами и нажиться на ценности данных, важно, чтобы бизнес-лидеры начали с правильного видения управления своим бизнесом на оборотной стороне аналитики. Затем создайте сильные компетенции в области стратегии и архитектуры данных, инженерии данных, науках о данных и машинах. Наконец, используйте знания предметной области и информацию о процессах, чтобы превратить эти идеи в действия.

No Comments