5 μύθοι επιχειρηματικής ευφυΐας που βρίσκονται ανάμεσα σε εσάς και μια επιχείρηση που βασίζεται σε δεδομένα

Για δεκαετίες, η επιχειρηματική ευφυΐα (BI) και τα εργαλεία ανάλυσης υποσχέθηκαν ένα μέλλον όπου τα δεδομένα θα είναι εύκολα προσβάσιμα και θα μετατρέπονται σε πληροφορίες και πληροφορίες για τη λήψη έγκαιρων, αξιόπιστων αποφάσεων. Ωστόσο, για τους περισσότερους, αυτό το μέλλον δεν έχει φτάσει ακόμη. Από την ομάδα C έως την πρώτη γραμμή, οι εργαζόμενοι βασίζονται σε μεγάλο βαθμό σε τεχνικές ομάδες για να κατανοήσουν δεδομένα και να αποκτήσουν πληροφορίες από πίνακες εργαλείων και αναφορές. Ως Διευθύνων Σύμβουλος μιας εταιρείας πληροφοριών και πληροφοριών αποφάσεων, έχω ακούσει αμέτρητα παραδείγματα της απογοήτευσης που μπορεί να προκαλέσει αυτό.

Γιατί, μετά από 30 χρόνια, η παραδοσιακή BI αποτυγχάνει να προσφέρει αξία; Και γιατί οι εταιρείες συνεχίζουν να επενδύουν σε πολλαπλά, κατακερματισμένα εργαλεία που απαιτούν εξειδικευμένες τεχνικές δεξιότητες; Πρόσφατο Forrester έκθεση δείχνει ότι το 86% των εταιρειών χρησιμοποιούν τουλάχιστον δύο πλατφόρμες BI, με Accenture διαπιστώνοντας ότι το 67% του παγκόσμιου εργατικού δυναμικού έχει πρόσβαση σε εργαλεία επιχειρηματικής ευφυΐας. Γιατί, λοιπόν, η παιδεία δεδομένων εξακολουθεί να είναι τόσο διαδεδομένο ζήτημα;

Στις περισσότερες περιπτώσεις χρήσης, η αδυναμία πρόσβασης στην αναλυτική πρόβλεψη προκύπτει από τους περιορισμούς των σημερινών εργαλείων BI. Αυτοί οι περιορισμοί έχουν διαιωνίσει αρκετούς μύθους, ευρέως αποδεκτούς ως «αλήθειες». Τέτοιες λανθασμένες αντιλήψεις έχουν υπονομεύσει τις προσπάθειες πολλών επιχειρήσεων να αναπτύξουν αναλυτικά στοιχεία αυτοεξυπηρέτησης και την ικανότητα και την προθυμία τους να χρησιμοποιούν δεδομένα σε κρίσιμες πληροφορίες για αποφάσεις.

Μύθος 1: Για να αναλύσουμε τα δεδομένα μας, πρέπει να τα συγκεντρώσουμε όλα

Οι παραδοσιακές προσεγγίσεις δεδομένων και αναλυτικών στοιχείων, που διαμορφώνονται από τις περιορισμένες δυνατότητες του BI, απαιτούν τη συγκέντρωση των δεδομένων μιας εταιρείας σε ένα αποθετήριο, όπως μια αποθήκη δεδομένων. Αυτή η ενοποιημένη προσέγγιση απαιτεί ακριβό υλικό και λογισμικό, δαπανηρό υπολογιστικό χρόνο εάν χρησιμοποιείται ένα νέφος ανάλυσης και εξειδικευμένη εκπαίδευση.

Πάρα πολλές εταιρείες, αγνοώντας ότι υπάρχουν καλύτεροι τρόποι για να συνδυάσετε δεδομένα και να εφαρμόσετε επιχειρηματικές αναλύσεις σε αυτές για να λάβουν έξυπνες αποφάσεις, συνεχίζουν να παραιτούνται από δαπανηρές, αναποτελεσματικές, σύνθετες και ελλιπείς προσεγγίσεις στα analytics.

Σύμφωνα με έρευνα της IDG, οι εταιρείες αντλούν από κατά μέσο όρο 400 διαφορετικές πηγές δεδομένων για να τροφοδοτήσουν το BI και τα αναλυτικά στοιχεία τους. Αυτή είναι μια ηράκλεια εργασία που απαιτεί εξειδικευμένο λογισμικό, εκπαίδευση και συχνά υλικό. Ο χρόνος και το κόστος που απαιτούνται για τη συγκέντρωση δεδομένων σε μια εσωτερική αποθήκη δεδομένων ή σε μια αποθήκη δεδομένων cloud αναπόφευκτα αναιρεί κάθε πιθανή εξοικονόμηση χρόνου που πρέπει να προσφέρουν αυτά τα εργαλεία BI.

Το άμεσο ερώτημα περιλαμβάνει τη μεταφορά των αναλυτικών στοιχείων στα δεδομένα και όχι το αντίστροφο. Τα δεδομένα δεν χρειάζεται να υποβληθούν σε προεπεξεργασία ή αντιγραφή για να μπορέσουν οι χρήστες να τα υποβάλουν ερωτήματα. Αντίθετα, ο χρήστης μπορεί να ρωτήσει απευθείας επιλεγμένους πίνακες στη δεδομένη βάση δεδομένων. Αυτό έρχεται σε ευθεία αντίθεση με την προσέγγιση της αποθήκης δεδομένων. Ωστόσο, πολλοί χρήστες επιχειρηματικής ευφυΐας εξακολουθούν να βασίζονται στο τελευταίο. Τα αποτελέσματά του που διαρκούν χρόνο είναι γνωστά, ωστόσο οι άνθρωποι τα αποδέχονται λανθασμένα ως το κόστος της εκτέλεσης προηγμένων αναλύσεων.

Μύθος 2: Τα μεγαλύτερα σύνολα δεδομένων μας δεν μπορούν να αναλυθούν

Τα δεδομένα υπάρχουν σε πραγματικό χρόνο ως πολλαπλές, ρευστές ροές πληροφοριών. δεν πρέπει να απολιθωθεί και να μεταφερθεί στη μηχανή ανάλυσης. Ωστόσο, οι βάσεις δεδομένων στη μνήμη που βασίζονται σε μια τέτοια μέθοδο αποτελούν βασικό στοιχείο της επιχειρηματικής ευφυΐας. Το πρόβλημα με αυτό είναι ότι τα πιο εκτεταμένα σύνολα δεδομένων μιας επιχείρησης γίνονται γρήγορα μη διαχειρίσιμα — ή ξεπερασμένα.

Ο όγκος των δεδομένων, η ταχύτητα και η ποικιλία έχουν εκραγεί τα τελευταία πέντε χρόνια. Ως αποτέλεσμα, οι οργανισμοί πρέπει να είναι σε θέση να χειρίζονται μεγάλους όγκους δεδομένων τακτικά. Ωστόσο, οι περιορισμοί των εργαλείων BI παλαιού τύπου – ορισμένα που χρονολογούνται από τη δεκαετία του 1990, πολύ πριν από την εμφάνιση των δεδομένων cloud, των εφαρμογών, του αποθηκευτικού χώρου και σχεδόν οτιδήποτε άλλο – τα οποία βασίζονται σε μηχανές μνήμης για την ανάλυση δεδομένων έχουν δημιουργήσει την αίσθηση ότι είναι αήττητη μάχη.

Οι επιχειρήσεις μπορούν να λύσουν τα προβλήματα που ενυπάρχουν στις μηχανές μνήμης μεταβαίνοντας απευθείας στο σημείο που ζουν τα δεδομένα, επιτρέποντας την πρόσβαση σε μεγαλύτερα σύνολα δεδομένων. Αυτό αποδεικνύει επίσης για το μέλλον ένα πρόγραμμα ανάλυσης επιχειρήσεων. Το άμεσο ερώτημα καθιστά απείρως ευκολότερη τη μετεγκατάσταση από εσωτερικής εγκατάστασης σε υπηρεσίες cloud, όπως αυτές που παρέχονται από τους συνεργάτες μας, το AWS και το Snowflake, χωρίς πλήρη επανεγγραφή κώδικα.

Μύθος 3: Δεν μπορούμε να ενοποιήσουμε τις προσπάθειες δεδομένων και ανάλυσης εντός του οργανισμού

Πολύ συχνά, η κοινή πρακτική συγχέεται με τη βέλτιστη πρακτική. Οι ad-hoc επιλογές και οι συνδυασμοί εργαλείων BI παράγουν ένα κοκτέιλ προτίμησης και λειτουργικότητας — με τους οργανισμούς να ακολουθούν συχνά προσεγγίσεις ανά τμήμα. Οι πωλήσεις μπορεί να προτιμούν μια πλατφόρμα. Τα οικονομικά μπορεί να προτιμούν κάτι διαφορετικό, ενώ το μάρκετινγκ θα μπορούσε να επιλέξει μια άλλη επιλογή.

Σε λίγο, κάθε τμήμα έχει ένα διαφορετικό σύνολο εργαλείων, δημιουργώντας σιλό πληροφοριών που καθιστούν αδύνατο για τις εφαρμογές να μιλήσουν μεταξύ τους ή να μοιραστούν αναλυτικές πληροφορίες. Σύμφωνα με την έρευνα της Forrester που αναφέρθηκε προηγουμένως, το 25% των εταιρειών χρησιμοποιεί 10 ή περισσότερες πλατφόρμες BI.

Το πρόβλημα είναι ότι ο διαχωρισμός της προετοιμασίας δεδομένων, των επιχειρηματικών αναλύσεων και της επιστήμης δεδομένων μεταξύ διαφορετικών εργαλείων παρεμποδίζει την παραγωγικότητα και αυξάνει τον χρόνο που αφιερώνεται στην εναλλαγή και τη μετάφραση μεταξύ των πλατφορμών.

Ορισμένοι επιχειρηματικοί τομείς λειτουργούν καλύτερα όταν οι ηγέτες επιτρέπουν στα τμήματα τους να επιλέξουν μια ατομική προσέγγιση. Το Analytics δεν είναι ένα από αυτά. Οι ηγέτες και οι υπεύθυνοι λήψης αποφάσεων πρέπει να εμπιστεύονται τα δεδομένα τους. Αλλά η εμπιστοσύνη διαβρώνεται κάθε φορά που περνά από ένα άλλο σύνολο εργαλείων κατά τη διάρκεια του ταξιδιού για τη δημιουργία πρακτικών πληροφοριών. Η διαδικασία οδηγεί αναπόφευκτα σε σύγκρουση δεδομένων και αδιαφάνεια. Η συνέπεια και η κατανόηση είναι κρίσιμες.

Μύθος 4: Το να κυνηγάμε το όνειρο της τεχνητής νοημοσύνης μας αποσπά την προσοχή από την καθημερινή πραγματικότητα της επιχειρηματικής δραστηριότητας

Πολλές τεχνολογίες, συμπεριλαμβανομένων των εργαλείων BI, ισχυρίζονται ότι βασίζονται σε τεχνητή νοημοσύνη. Η υπόσχεση είναι να αντικατασταθεί η ανθρώπινη εργασία με αλάνθαστη αποτελεσματικότητα μηχανικής μάθησης. η πραγματικότητα είναι πιο συχνά απογοητευτική. Ως εκ τούτου, πολλές επιχειρήσεις έχουν εγκαταλείψει την ιδέα της χρήσης τεχνητής νοημοσύνης στην καθημερινή ροή εργασιών αναλυτικών στοιχείων.

Οι επαγγελματίες της τεχνολογίας μπορεί να είναι κατανοητά κυνικοί σχετικά με τις πραγματικές περιπτώσεις χρήσης για ευρέως διαδεδομένη τεχνητή νοημοσύνη στην επιχείρηση. Οι άνθρωποι εξακολουθούν να βρίσκουν τον εαυτό τους να δομεί και να αναλύει με μη αυτόματο τρόπο τα δεδομένα τους, να εξάγει πληροφορίες και να παίρνει τις σωστές αποφάσεις — όλα από την αρχή. Οι ιδιοσυγκρασίες και οι διαδικασίες λήψης αποφάσεων του ανθρώπινου μυαλού είναι δύσκολο, αν όχι αδύνατο, να συντεθούν.

Το κόλπο για να κάνετε την τεχνητή νοημοσύνη ένα λειτουργικό, αποτελεσματικό εργαλείο στα αναλυτικά στοιχεία είναι να το χρησιμοποιήσετε με τρόπους που υποστηρίζουν τις καθημερινές επιχειρηματικές προκλήσεις χωρίς να το αποκλείσετε από αυτές. Είναι ζωτικής σημασίας να γνωρίζετε ακριβώς ποιες δυνατότητες που βασίζονται σε AI πρέπει να χρησιμοποιήσετε. Μπορεί να είναι έξυπνο, αλλά, όπως κάθε εργαλείο, χρειάζεται κατεύθυνση και σταθερό χέρι για να προσφέρει αξία. Η αυτοματοποίηση της ρουτίνας επιτρέπει στους ανθρώπους να χρησιμοποιούν τη διαίσθηση, την κρίση και την εμπειρία στη λήψη αποφάσεων. Δεν υπάρχει λόγος να φοβάστε μια εξέγερση ρομπότ.

Μύθος 5: Για να αξιοποιήσουμε στο έπακρο τα δεδομένα μας, χρειαζόμαστε έναν στρατό επιστημόνων δεδομένων

Τεράστια ζήτηση δημιουργείται στον κλάδο για τη δυνατότητα συλλογής τεράστιων ποσοτήτων ανόμοιων δεδομένων σε αξιόπιστες πληροφορίες. Αλλά η ηγεσία της εταιρείας εξακολουθεί να πιστεύει ότι πρέπει να προσλάβουν εκπαιδευμένους διερμηνείς για να αναλύσουν τις εκατοντάδες δισεκατομμύρια σειρές δεδομένων που παράγουν οι μεγαλύτεροι οργανισμοί.

Η επεξεργασία, η μοντελοποίηση, η ανάλυση και η εξαγωγή γνώσεων από δεδομένα είναι δεξιότητες που απαιτούνται. Ως αποτέλεσμα, οι υπηρεσίες επιστημόνων δεδομένων με ειδική και εντατική εκπαίδευση σε αυτούς τους τομείς κερδίζουν πριμοδότηση.

Αλλά ενώ προσθέτουν αξία, φτάνετε σε ένα σημείο φθίνουσας απόδοσης. Και αυτοί οι εργαζόμενοι δεν είναι πλέον οι μόνοι που μπορούν να ασκήσουν επιστήμη δεδομένων. Μια γενιά εργαζομένων στις επιχειρήσεις έχει εισέλθει στο εργατικό δυναμικό και αναμένεται να αξιολογούν και να χειρίζονται δεδομένα σε καθημερινή βάση.

Οι επιστήμονες δεδομένων υψηλής γενεαλογίας, σε ορισμένες περιπτώσεις, δεν είναι απαραίτητες προσλήψεις όταν μη τεχνικοί επιχειρησιακοί χρήστες έχουν ρυθμίσει την πρόσβαση αυτοεξυπηρέτησης σε πλατφόρμες επαυξημένης ανάλυσης και ευφυΐας αποφάσεων. Αυτοί οι χρήστες έχουν ανεκτίμητη γνώση και κατανόηση του τομέα της αλυσίδας λήψης αποφάσεων στην επιχείρησή τους. Αυτό που χρειάζεται για να γίνει η δουλειά τους πιο προσιτή είναι μια σταθερή βάση δεδομένων και δυνατοτήτων ανάλυσης που συχνά δυσκολεύονται να παράσχουν τα παραδοσιακά εργαλεία BI.

Προτάσεις αξίας και αθετημένες υποσχέσεις

Το τρέχον τοπίο ανάλυσης και BI έχει καταστήσει προφανές στους ηγέτες των επιχειρήσεων ότι επιβάλλονται ορισμένα φυσικά όρια στις προσπάθειές τους για δεδομένα και ανάλυση. Αν και εξακολουθούν να είναι χρήσιμα για συγκεκριμένες περιπτώσεις χρήσης, τα παραδοσιακά εργαλεία εφαρμόζονται σε χαλαρούς συνδυασμούς, που ποικίλλουν μεταξύ του ενός τμήματος και του επόμενου. Η απογοήτευση που προκαλεί αυτό – η αναποτελεσματικότητα και η πιθανή εξοικονόμηση χρόνου που χάνεται – είναι άμεσο αποτέλεσμα των κενών στις τρέχουσες δυνατότητες BI.

Το παραδοσιακό BI εμποδίζει τις εταιρείες να κάνουν τη βέλτιστη χρήση των δεδομένων τους. Αυτό είναι προφανές: Οι επιχειρήσεις σε επιχειρηματική κλίμακα παράγουν τεράστιες ποσότητες δεδομένων σε διάφορες μορφές και τα χρησιμοποιούν για ένα ευρύ φάσμα σκοπών. Η σύγχυση είναι αναπόφευκτη όταν η μέθοδος συλλογής και ανάλυσης δεδομένων συγχέεται από μόνη της.

Χρειάζεται κάτι πιο ολοκληρωμένο. Οι εταιρείες στερούνται εμπιστοσύνης στις διαδικασίες που βασίζονται στην τεχνητή νοημοσύνη, επειδή τα εργαλεία BI παλαιού τύπου δεν μπορούν να εκπληρώσουν τις υποσχέσεις τους. Δεν έχουν πίστη στην εκδημοκρατισμένη πρόσβαση σε δεδομένα, επειδή τα τμήματα τους δεν μιλούν την ίδια γλώσσα αναλυτικών στοιχείων. Και δεν έχουν πίστη στα δεδομένα τους επειδή οι κινητήρες μνήμης δεν κλιμακώνονται στον βαθμό που χρειάζονται, αφήνοντάς τους ελλιπή — και επομένως, αναξιόπιστα — δεδομένα.

Η καινοτομία δεδομένων και αναλυτικών στοιχείων είναι ο τρόπος με τον οποίο οι επιχειρήσεις προσφέρουν αξία στην εποχή του ψηφιακού μετασχηματισμού. Όμως, για να καινοτομήσετε, πρέπει να ξέρετε ότι τα εμπόδια σας είναι σπαστά.

Ο Omri Kohl είναι συνιδρυτής και διευθύνων σύμβουλος της Pyramid Analytics.