W jaki sposób Machine Learning wspiera i zmienia obszar BI?

utworzone przez | Lut 19, 2018 | Business Intelligence |

Komórka Business Intelligence od dawna stanowi kluczowy element struktury organizacyjnej wielu podmiotów, aczkolwiek jej rola i sposób funkcjonowania nieustannie ulega zmianie. Wiąże się to z rozwojem technologii oraz dynamicznie przyrastającym wolumenem danych. Problemy i wyzwania stojące przed specjalistami BI rozwiązywane są na wiele różnych sposobów. Niezwykle pomocne jest uczenie maszynowe – z jednej strony wspiera zaawansowane analizy danych, zaś z drugiej zmienia dotychczas stosowane metody. W jaki sposób?

Machine Learning & BI – duet doskonały

Machine Learning (uczenie maszynowe) to temat niezwykle interesujący i co istotne, coraz częściej obecny w naszym codziennym życiu. Mowa zarówno o licznych publikacjach prasowych czy internetowych jak i coraz większej świadomości przedstawicieli biznesu, co w konsekwencji przekłada się na wykorzystanie uczenia maszynowego do poprawy efektywności działania, wyników sprzedażowych czy chociażby poziomu jakości obsługi klienta. Czym jest uczenie maszynowe? Interdyscyplinarną dziedziną nauki, stanowiącą jeden z ważniejszych obszarów sztucznej inteligencji. Nauką, której celem jest wykorzystanie możliwości sztucznej inteligencji do tworzenia automatycznych systemów potrafiących uczyć się na bazie gromadzonych danych i doświadczeń. Choć dla wielu przedstawicieli biznesu idea uczenia maszynowego wciąż pozostaje czymś obcym lub wręcz surrealistycznym, wiele międzynarodowych organizacji zbudowało na bazie Machine Learning swoją przewagę konkurencyjną, poprawiło wydajność, zredukowało koszty i wręcz wyeliminowało ryzyko błędu ludzkiego.

Wbrew pozorom możliwości zastosowania Machine Learning w środowisku biznesowym, a nawet życiu codziennym jest mnóstwo. I choć nie zdajemy sobie z tego sprawy, każdego dnia mamy możliwość korzystania z niewidocznej zwykle gołym okiem „pomocy” oferowanej przez uczenie maszynowe. Doskonały przykład stanowić mogą chociażby wszelkiego rodzaju systemy nawigujące (GSP), pozwalające nie tylko na odnalezienie optymalnej drogi w nieznanym środowisku, ale również na zaprezentowanie ofert mijanych po drodze obiektów handlowo-usługowych (tj. sklepów i restauracji). Kontakt z Machine Learning mamy ponadto każdego dnia podczas użytkowania smartfonów. W jakich konkretnie sytuacjach? Między innymi podczas pisania wiadomości tekstowych. Autokorekta oraz autopodpowiedzi to udogodnienia stworzone na bazie uczenia maszynowego. Pozwalają one nie tylko na wyłapanie błędów ortograficznych i literówek, ale również na ogromne oszczędności czasu wynikające z podpowiadania najczęściej wykorzystywanych słów – oryginalnie występujących w słowniku bądź dodanych do niego przez użytkownika.

Gdzie jeszcze wykorzystywane jest Machine Learning? Mniej lub bardziej zaawansowane algorytmy uczenia maszynowego cieszą się obecnie ogromną popularnością, co w konsekwencji prowadzi do znajdowania dla nich coraz to nowych, praktycznych zastosowań. Mowa chociażby o systemach rozpoznawania mowy, które powszechnie wykorzystywane są chociażby w obszarze automatycznych tłumaczeń, w procesie tworzeniu interfejsów sterowanych głosem czy wręcz kompleksowych, interaktywnych biur obsługi klientów. Uczenie maszynowe to również zaawansowane systemy rozpoznawania chorób na bazie ich najczęstszych symptomów, rozbudowane algorytmy rekomendacyjne, wykorzystywane chociażby w sklepach online, systemy analizowania trendów rynkowych czy identyfikowania zależności funkcyjnych na zbiorach danych. Uczenie maszynowe przyczynia się również do budowy miast przyszłości (o czym pisaliśmy tu) oraz rozwoju autonomicznych pojazdów.

Ogromne inwestycje w Machine Learning, czynione głownie przez międzynarodowe koncerny, pozwalają wnioskować, że praktyczne zastosowanie uczenia maszynowego w biznesie będzie sukcesywnie rosnąc. Nie bez powodu o roku 2018 mówi się jako roku sztucznej inteligencji i uczenia maszynowego. Potwierdza to m. in. raport firmy Deloitte „Global Predictions 2018”, z którego jasno wynika, iż średnie i duże organizacje do końca roku podwoją obecny poziom wykorzystania uczenia maszynowego. Co więcej, liczba pilotów i wdrożeń zwiększy się o kolejne 100% do końca 2020 roku! Poczynione w tym obszarze inwestycje w 2017 roku Deloitte szacuje na 17 mld dolarów i prognozuje ich wzrost do poziomu niespełna 58 mld dolarów w 2021 roku. Mógłby być on jeszcze bardziej dynamiczny, aczkolwiek rozwój Machine Learning powstrzymuje pięć głównych czynników: niewielka liczba ekspertów, wysokie koszty, złożone modele i regulacje biznesowe oraz zbyt młode narzędzia.

Jak Machine Learning zmienia Business Intelligence?

Choć obszar Business Intelligence nie jest tym, który jako pierwszy przychodzi na myśl w kontekście wykorzystania Machine Learning, nie da się ukryć, iż duet ten pozwala na przeniesienie analityki biznesowej na zupełnie nowy poziom. Zdanie to potwierdzają eksperci, którzy silniejsze powiązanie uczenia maszynowego z dotychczas stosowanymi rozwiązaniami analitycznymi wskazują jako jeden z kluczowych trendów w obszarze BI na 2018 roku (link). W jaki sposób uczenie maszynowe zmienia analitykę biznesową?

Wykorzystanie uczenia maszynowego w obszarze BI nie jest wprawdzie niczym nowym, jednak z każdym kolejnym rokiem coraz większy nacisk kładziony jest na rozwiązania „smart”. Rozwiązania, które pozwalają zautomatyzować znaczną część procesu analitycznego, uczynić go bardziej efektywnym, a w konsekwencji pozwolić organizacji na szybsze dostrzeganie trendów i pewnych prawidłowości. Jednym z kluczowych zadań analityków Business Intelligence jest gromadzenie danych pochodzących z najróżniejszych systemów. Bardzo często dane te wymagają oczyszczenia, wzbogacenia bądź uzupełnienia przyjętymi w organizacji regułami biznesowymi. Biorąc pod uwagę fakt, iż żyjemy obecnie w czasach prawdziwego potopu danych, zadanie to przysparza coraz większych trudności. Wybierając tradycyjną, manualną metodę przygotowania danych, organizacja musi liczyć się z tym, że czasu na to co najważniejsze, a więc analizę danych i wyciąganie na ich podstawie wniosków, pozostanie jej naprawdę niewiele.

Wykorzystanie uczenia maszynowego i sztucznej inteligencji w obszarze BI pozwala na zautomatyzowanie znacznej części procesu analitycznego, a szczególnie jego najbardziej powtarzalnej i manualnej części, co w konsekwencji pozwala na usprawnienie procesu decyzyjnego w organizacji. Dzięki automatyzacji procesu gromadzenia, czyszczenia i analizowania danych organizacja zyskuje możliwość bieżącego monitorowania kluczowych współczynników i podejmowania na ich podstawie decyzji w czasie rzeczywistym. Stwarza to możliwość szybszego reagowania na potrzeby klientów, szybszego przewidywania trendów czy podejmowania działań naprawczych. Nie bez znaczenia jest również możliwość trafniejszego prognozowania i korygowania uzyskiwanych prognoz. Z punktu widzenia zarządzających organizacją wiedza taka jest wręcz bezcenna- pozwala nie tylko na podejmowanie skuteczniejszych decyzji biznesowych, ale również zwiększa szansę na wypracowanie trwałej przewagi konkurencyjnej.

Jedną ze słabości systemów Business Intelligence w organizacji jest niewątpliwie to, iż wydobywać z nich wartościowe informacje potrafią wyłącznie doświadczeni analitycy – posiadający określone kompetencje techniczne (np. znajomość SQL). Im bardziej złożony i zaawansowany system, tym większe kompetencje niezbędne do jego prawidłowego obsługiwania. Brak możliwości samodzielnego pozyskania niezbędnych danych oraz konieczność oczekiwania na konkretne analizy i wyniki zapytań wysyłanych do specjalistów istotnie opóźniają proces decyzyjny, co przeczy idei zarządzania w czasie rzeczywistym. Problem ten coraz częściej rozwiązuje się właśnie przy pomocy uczenia maszynowego. W jaki sposób Machine Learning ułatwia przedstawicielom biznesu korzystanie z firmowego systemu BI? Eliminuje częściowo konieczność angażowania pośredników, a więc analityków, którzy na polecenie biznesu wydobywają z systemu określone dane. Miejsce specjalistów formułujących zapytania kierowane do systemu BI coraz częściej zajmują wewnętrzne wyszukiwarki. Działają one podobnie jak wyszukiwarki internetowe – formułując odpowiednie zapytanie (np. sprzedaż w województwie dolnośląskim w 2017 roku w rozbiciu na doradców) można w bardzo krótkim czasie uzyskać wszystkie niezbędne dane. Metoda ta z jednej strony pozwala na szybsze pozyskiwanie danych biznesowi, a z drugiej demokratyzuje dostęp do firmowych baz danych, co przekłada się na rosnącą efektywność działania.

Natural Language Processing (NLP), czyli przetwarzanie języka naturalnego, wykorzystywane jest nie tylko przy tworzeniu wewnętrznych wyszukiwarek systemów BI, automatycznie tłumaczących język naturalny na język bazodanowy, ale również idących o krok dalej botów, z którymi można rozmawiać. Już w niedalekiej przyszłości powszechne staną się systemy Business Intelligence, z którymi przedstawiciele biznesu będą się mogli komunikować za pomocą mowy. Więcej o korzyściach płynących z wykorzystania przetwarzania języka naturalnego w obszarze BI pisaliśmy tu. Choć postępujące zmiany wydają się dziś nieco futurystycznie, z pewnością nie jest to kres możliwości płynących z wykorzystania uczenia maszynowego.

Share This