ИИ-аналитика открывает возможности для эффективного принятия решений по восходящей линии, но пока что многим компаниям не удалось выйти за рамки пилотных проектов. Руководитель американского подразделения Data Science компании SparkBeyond Раян Гроссо дает на портале eWeek ряд советов, которые помогут выстроить иерархию процессов, требуемых для ее внедрения.
Разрыв между стремлением внедрить аналитику и возможностями ее корпоративного масштабирования в ряде отраслей увеличивается. Успешные компании добиваются прибыли, которая превышает инвестиции в аналитику, однако многие застряли в «чистилище пилотных проектов», добиваясь небольших побед, но не в состоянии изменить ситуацию в масштабах предприятия.
Экономический шок, вызванный пандемией и периодом восстановления от ее последствий, уже продемонстрировал конкурентные преимущества внедрения ИИ-аналитики. Физический масштаб предприятия — это больше не гарантия получения прибыли при закупках и операциях. Теперь гарантом наращивания прибыли и рыночной доли для передовых организаций выступают данные. Они развивают их как стратегический актив и применяют таким образом, чтобы они оказывали конкретное влияние на их бизнес.
Более того, децентрализованный и матричный характер многих крупных компаний замедляет прогресс в реализации крупномасштабных аналитических или технологических программ трансформации. Несмотря на то, что подобная инфраструктура способствовала развитию маркетинга и разработке продуктов, она препятствует возможности стратегически инвестировать в платформы данных и аналитики или создавать гибкие методы работы, необходимые для их масштабирования.
Лидеры мирового рынка, которые выигрывают в области ИИ-аналитики, сосредоточились на выполнении критически важных задач, в том числе на следующих трех, которые являются особенно сложными:
- создание подходящей кадровой базы и операционной модели;
- построение качественных платформ данных и цифровых платформ;
- применение полученных знаний и внедрение результатов в операционную деятельность.
Так как же сделать так, чтобы желания аналитиков совпадали с их возможностями? Ниже приводятся шесть советов.
1. Развивайте внутри компании аналитические способности
Во многих компаниях есть команды аналитиков, которые отлично справляются со своей задачей по улучшению бизнес-инсайтов. Однако для того, чтобы обеспечить успех аналитического проекта, необходимы эксперты по аналитической обработке данных (data scientists). В связи с их нехваткой начинают появляться новые решения, которые ускоряют рабочий процесс аналитика за счет автоматизации ключевых действий, таких как анализ первопричин и построение моделей.
Автоматизация избавляет аналитиков от кропотливого процесса поиска корреляций, доказывающих или опровергающих отдельную гипотезу, позволяя им проверять миллионы гипотез одновременно. Она также снижает вероятность предвзятости, поскольку аналитики больше не обязаны определять, какую точку данных исследовать первой, а эксперты по аналитической обработке данных — определять, какие гипотезы проверять; вместо этого они могут сосредоточиться на отборе наиболее релевантных данных для использования для получения инсайтов или в качестве строительных блоков для модели машинного обучения.
Автоматизированные решения снижают технический барьер для МО, позволяя бизнес-аналитикам играть ведущую роль, что еще на шаг приближает нас к демократизации ИИ.
2. Создайте гибридные команды для налаживания сотрудничества
Аналитические проекты становятся успешными, когда в них вливаются специалисты предметных областей, а не ограничиваются участием перегруженной команды аналитического центра передового опыта (Center of excellence, CoE), выполняющей код в изолированной среде. Чтобы достичь критической массы успешных аналитических проектов и снизить нагрузку на CoE, предприятиям стоит заняться обучением экспертов в предметных областях (Subject matter experts, SME), которые могут говорить с экспертами по аналитической обработке данных и руководителями на их языках. Это способствует формированию культуры сотрудничества, позволяя экспертам по аналитической обработке данных и аналитикам уделять больше внимания продвинутым и сложным процессам и сокращая время доступа бизнес-пользователей к полезным инсайтам.
3. Создайте правильную платформу данных — в облаке
Распределенные компании должны реагировать на разнообразие рынков, на которых они работают, но это создает проблему: как создать масштабируемые ИИ-решения, поддерживающие децентрализованную бизнес-модель? Во всех сценариях применения ИИ эксперты по аналитической обработке данных полагаются на набор инструментов и процессов для получения и преобразования данных и их введения в хранилище или приложение. До того, как облачные технологии достигли зрелости, создание такой инфраструктуры было дорогостоящим и трудоемким — все упиралось в локальные различия в стеке данных: они влияли на то, как нужно было принимать, обрабатывать и хранить данные.
Облачные решения корпоративного уровня устраняют эти трудности, позволяя компаниям по мере необходимости запускать решения для хранения данных и использовать экосистему сторонних решений для решения различных задач по вводу и преобразованию данных. Например, перенос физических ЦОДов на облачную платформу помогает проложить путь к созданию централизованных CoE, чтобы соответствовать операционным реалиям на местах.
4. Доверяйте рекомендациям, основанным на данных
Руководителям аналитических подразделений требуются автоматизированные платформы для выявлени драйверов, которые позволяют генерировать информацию в масштабе и без ущерба для понимания местных рынков. Ранее аналитики и эксперты по аналитической обработке данных искали взаимосвязи вручную — процесс медленный, в значительной степени зависящий от понимания местного рынка и трудно обновляемый. Полагаясь для выявления потенциальных драйверов на вычислительные мощности, решения ИИ могут быстро масштабироваться на региональные рынки, учитывая при этом их индивидуальную динамику.
5. Получайте инсайты на передовых рубежах
Компании, которые начали внедрять ИИ-аналитику еще на ранних стадиях, уже ощущают выгоды решений, ориентированных на операционную деятельность. Например, ведущий мировой бренд по выпуску легких закусок добился на развитом латиноамериканском рынке повышения розничных продаж на 1,5%, просто вооружив свои команды на местах рекомендациями по ассортименту на уровне магазина. Такие инсайты требуют специальной стратегии работы с данными, которая обеспечивает постоянное развитие стека данных по мере появления новых источников данных, что позволяет быстро проводить циклы тестирования и обучения.
