AI inzetten om data-analyses te contextualiseren voor bedrijfsinzicht

Voortgang in AI en augmented analytics betekent dat enterprise-teams hun data effectiever in context kunnen plaatsen.

Er is een uitdaging die zakelijke leiders en data-professionals al frustreren sinds vóór big data een buzzword was. Het is een gebrek aan context in analytics.

Kijk of deze use case bekend klinkt. Een zakelijke leider vroeg oorspronkelijk om een analyse van waarom regionale sales daalden, en een data-analist werkte hard voor een paar maanden een model bouwend, data trekkend, en een rapport ontwikkelend voor de zakelijke kant.

Het Probleem

Toen de resultaten terugkwamen, waren de resultaten teleurstellend eendimensionaal, nooit de echte "waarom" achter die sales-daling bevestigend. Het rapport kan daling voor een bepaalde productlijn geïdentificeerd hebben, of misschien een specifiek salesteam. Maar niet beide.

Wat ontbrak was context. Er was geen manier om de echte, onderliggende oorzaken voor de daling te detecteren. Was het een personeels-, compensatie- of turnoverkwestie? Was het eigenlijk een supply chain-probleem? Kon het een nieuwe concurrent zijn? Of, was het iets als een prijsstijging? Was het al die dingen? Die vragen zouden natuurlijke opvolgvragen zijn voor elke sales-analyse.

Maar zonder een diepe blik in de gevarieerde potentiële oorzaken, liepen de zakelijke leider en de data-professional vaak weg met elkaars de schuld te geven voor het verspillen van tijd en resources.

Evolutie van Augmented Analytics

Om de bovenstaande context te vinden, draaien sommige enterprises vandaag zich tot AI. Ze rapporteren succes dankzij AI's capaciteit om relaties en dependencies te detecteren onder talloze afdelingen, applicaties en processen. Het bestaan van die relaties toont zich in nieuwe datatypes niet gelist in spreadsheets of traditionele databases, en zeker niet in corporate organisatiegrafieken.

Analytics en IT-guru Tom Davenport van Babson College onderzocht die nieuwe datatypes in een recent Harvard Business Review-artikel, gecoöperd door Joey Fitts, Vice President, Analytics Product Strategy voor Oracle.

"AI maakt het mogelijk voor analytics om automatisch belangrijke context van een breed scala aan bronnen te incorporeren en te verwerken — velen van welke voorheen analisten zouden hebben vereist om silo's en slecht onderhouden catalogi te navigeren," schreven ze.

Ze voegden toe: "De innovaties berusten op AI en automatisering, verbindingen over bestaande informatiesystemen, en rol-gebaseerde aannames over welke beslissingen op data en analytics genomen zullen worden. Uiteindelijk kunnen ze inzichten en aanbevelingen voorbereiden die direct aan besluitnemers geleverd kunnen worden zonder dat een analist ze van tevoren hoeft voor te bereiden."

Het vinden van de juiste data voor een analytics-project is te vaak een handmatige oefening geweest, volgens Davenport en Fitts.

Ze schreven: "Dit vereiste uitgebreide kennis van welke data geschikt was voor uw analyse en waar het te vinden was, en veel analisten kenden de bredere context niet. Echter, analytics en zelfs AI-applicaties kunnen zunehmend context bieden. En deze capaciteiten zijn nu regelmatig opgenomen door sleutelleveranciers in hun transactionele systeemaanbiedingen, zoals enterprise resource planning (ERP) en customer relationship management (CRM)."

Deze capaciteit om context toe te voegen berust deels op automatisering door AI met behulp van "smart data discovery" en augmented analytics.

In 2017 definieerde Gartner augmented analytics als "het gebruik van enabling technologies zoals machine learning en AI om te helpen met data-voorbereiding, inzichtsgeneratie en inzichtsuitleg om te versterken hoe mensen data verkennen en analyseren in analytics en BI-platforms."

Futurist Bernard Marr voegt toe: "Augmented analytics beschrijft het proces waar data automatisch van rauwe databronnen genomen wordt, geschraapt en geanalyseerd op een onpartijdige manier, en gecommuniceerd in een rapport met natural language processing dat mensen kunnen begrijpen."

Invoering van Citizen Data Scientists

Davenport en Fitts citeerden een voorbeeld van hoe deze nieuwe benadering van analytics geïmplementeerd is door een groot verzekeringsbedrijf. Ze zeiden dat een nieuw humancapitaalsysteem "humane resource KPI's, best practice benchmarks, en de capaciteit om HR-trends te monitoren zoals diversiteit en attrition-niveaus omvatte. Een nieuw enterprise-rapportagetool met deze capaciteiten werd door het hele bedrijf in slechts acht weken geïntroduceerd."

Deze evolutie van AI en analytics lijkt de weg te banen voor een nieuwe generatie citizen data scientists.

Als die laatste term bekend klinkt, is dat omdat het concept van het geven van geavanceerde analytics-capaciteiten aan non-tech zakelijke professionals al vijf jaar rondzwaait.

In die tijd heeft citizen data science weerstand ontmoet van sommige analytics-profs die geen vertrouwen hebben in zakelijke gebruikers met hun tools, zelfs als de zakelijke gebruikers mid-career training in data science hebben gevolgd. Het oorspronkelijke concept was ook onwaarschijnlijk om te schalen over een enterprise met duizenden applicaties.

Maar deze nieuwe versie van citizen data science lijkt voordeel te halen uit de "nieuwe datatypes" die Davenport bespreekt. De zware klus van het ontdekken en benutten van de relaties tussen afdelingen, processen en datatypes belooft grotendeels door AI-modellen gedaan te worden. Die modellen zouden nog steeds door data scientists gebouwd worden. De "burgers" kunnen dan doen wat ze het beste doen: zakelijke vragen stellen die AI misschien beter kan beantwoorden.