Hoe AI data-analyse in context plaatst

Er is een uitdaging die bedrijfsleiders en dataprofessionals al behoorlijk frustreert sinds big data een modewoord was. Het is een gebrek aan context in analyses.

Kijk of deze use case je bekend voorkomt. Een bedrijfsleider vroeg oorspronkelijk om een ​​analyse van waarom de regionale verkoop achteruitging, en een data-analist werkte een paar maanden hard aan het bouwen van een model, het verzamelen van gegevens en het ontwikkelen van een rapport voor de zakelijke kant.

Het probleem

Toen de resultaten terugkwamen, waren de resultaten teleurstellend eendimensionaal en bevestigden ze nooit het echte 'waarom' achter die verkoopvertraging. Het rapport kan een identificatie bevatten voor een bepaalde productlijn, of misschien een specifiek verkoopteam. Maar niet allebei.

Wat ontbrak was context. Er was geen manier om de echte, onderliggende oorzaken van de slip te ontdekken. Was het een personeels-, belonings- of omzetkwestie? Was het eigenlijk een supply chain-probleem? Zou het een nieuwe concurrent kunnen zijn? Of was het zoiets als een prijsverhoging? Waren het die allemaal? Die vragen zouden een natuurlijk vervolg zijn op elke verkoopanalyse.

Maar zonder een diep inzicht in de verschillende mogelijke oorzaken, liepen de bedrijfsleider en de dataprofessional vaak weg en gaven elkaar de schuld van het verspillen van tijd en middelen.

Evolutie van Augmented Analytics

Om de hierboven genoemde context te vinden, wenden sommige ondernemingen zich tegenwoordig tot AI. Ze rapporteren succes dankzij het vermogen van AI om relaties en afhankelijkheden tussen talloze afdelingen, applicaties en processen te detecteren. Het bestaan ​​van die relaties komt naar voren in nieuwe gegevenstypen die niet in spreadsheets of traditionele databases worden vermeld, en zeker niet in organigrammen van bedrijven.

Analytics- en IT-goeroe Tom Davenport van Babson College onderzocht die nieuwe gegevenstypen in een recent artikel in HarvardBusiness Review, mede geschreven door Joey Fitts, Vice President, Analytics Product Strategy voor Oracle.

"AI maakt het voor analytics mogelijk om automatisch belangrijke context uit een breed scala aan bronnen op te nemen en te verwerken - waarvan er voorheen veel analisten nodig hadden om door silo's en slecht onderhouden catalogi te navigeren", schreven ze.

Ze voegden toe:"De innovaties zijn afhankelijk van AI en automatisering, verbindingen tussen bestaande informatiesystemen en op rollen gebaseerde aannames over welke beslissingen er worden genomen over gegevens en analyses. Uiteindelijk kunnen ze inzichten en aanbevelingen voorbereiden die rechtstreeks aan besluitvormers kunnen worden geleverd zonder dat een analist ze van tevoren hoeft voor te bereiden."

Het vinden van de juiste data voor een analyseproject is volgens Davenport en Fitts te vaak een handmatige oefening geweest.

Ze schreven:"Dit vereiste uitgebreide kennis van welke gegevens geschikt waren voor uw analyse en waar deze te vinden waren, en veel analisten hadden geen kennis van de bredere context. Analytics en zelfs AI-toepassingen kunnen echter steeds meer context bieden. En deze mogelijkheden worden nu regelmatig door belangrijke leveranciers opgenomen in hun aanbod van transactiesystemen, zoals enterprise resource planning (ERP) en customer relationship management (CRM).”

Deze mogelijkheid om context toe te voegen is gedeeltelijk afhankelijk van automatisering door middel van AI met behulp van "smart data discovery" en augmentedanalytics.

In 2017 definieerde Gartner augmented analytics als "het gebruik van ondersteunende technologieën zoals machine learning en AI om te helpen bij het voorbereiden van gegevens, het genereren van inzichten en het uitleggen van inzichten om de manier waarop mensen gegevens verkennen en analyseren in analyse- en BI-platforms te vergroten."

Futurist Bernard Marr voegt toe:"Augmented analytics beschrijft het proces waarbij gegevens automatisch uit onbewerkte gegevensbronnen worden gehaald, op een onbevooroordeelde manier worden geschrobd en geanalyseerd, en worden gecommuniceerd in een rapport met behulp van natuurlijke taalverwerking die mensen kunnen begrijpen."

Enter Citizen Data Scientists

Davenport en Fitts noemden een voorbeeld van hoe deze nieuwe benadering van analyse is geïmplementeerd door een grote verzekeringsmaatschappij. Ze zeiden dat een nieuw humancapital-systeem “Human resource KPI's, best practice-benchmarks omvatte, en de mogelijkheid om HR-trends zoals diversiteit en verloop te monitoren. Een nieuwe rapportagetool voor ondernemingen met deze mogelijkheden werd in slechts acht weken in het hele bedrijf geïntroduceerd.”

Deze evolutie van AI en analytics lijkt de weg vrij te maken voor een nieuwe generatie burgerdatawetenschappers.

Als die laatste term bekend voorkomt, komt dat omdat het concept om niet-technische zakelijke professionals geavanceerde analysemogelijkheden te geven al vijf jaar bestaat.

In die tijd stuitte burgerdatawetenschap op weerstand van sommige analyseprofessionals die zakelijke gebruikers hun tools niet vertrouwen, zelfs als de zakelijke gebruikers halverwege hun loopbaan een opleiding in datawetenschap hebben gevolgd. Het was ook onwaarschijnlijk dat het oorspronkelijke concept zou schalen in een onderneming met duizenden applicaties.

Maar deze nieuwe versie van burgerdatawetenschap lijkt te profiteren van de 'nieuwe gegevenstypen' die Davenport bespreekt. Het zware werk van het ontdekken en gebruiken van de relaties tussen afdelingen, processen en datatypes belooft voor een groot deel te worden gedaan door AI-modellen. Die modellen zouden nog steeds worden gebouwd door datawetenschappers. De 'burgers' zouden dan kunnen doen waar ze goed in zijn, zakelijke vragen stellen die AI misschien beter kan beantwoorden.