Reklama
Dołącz do liderów przyszłości i zdobądź przewagę! Sprawdź najnowszą ofertę subskrypcji
Analityka i Business Intelligence

Analityka danych a pandemia

21 lipca 2020 10 min czytania
Zdjęcie Thomas H. Davenport - Profesor informatyki i zarządzania w Babson College w Wellesley, w stanie Massachusetts, członek MIT Initiative on the Digital Economy (Inicjatywy MIT na rzecz Gospodarki Cyfrowej) oraz NewVantage Partners. Starszy doradca w Deloitte Analytics.
Thomas H. Davenport
Jeffrey D. Camm
Analityka danych a pandemia

Firmy wracają do wykorzystywania uczenia maszynowego i analityki, zdestabilizowanych przez globalną pandemię.

Ekonomiczny wpływ COVID‑19 jest bezprecedensowy, dramatycznie zmieniając rynki oraz perspektywy wzrostu gospodarczego. Transport, przetwórstwo żywności, handel detaliczny, handel elektroniczny oraz wiele innych branż musiało dokonać transformacji z dnia na dzień. Bezrobocie w Stanach Zjednoczonych osiągnęło poziom nieznany, odkąd sięgamy pamięcią, a PKB ma spaść na całym świecie. Jak sytuację podsumowało jedno z pism ekonomicznych: „Dzisiaj prawie wszystko na świecie jest superdziwne i zdestabilizowane”.

Dane, które wykorzystujemy do podejmowania decyzji zarządczych, dopadła i wywróciła do góry nogami obecna sytuacja na nieprzewidywalnym rynku. I nie jest to trywialna sprawa: w ciągu ostatniego dziesięciolecia obserwowaliśmy zwrot w stronę procesu decyzyjnego opartego na danych, spowodowanego m.in. lawinowym wzrostem dostępnych źródeł danych. Dane z punktów sprzedaży, Internetu rzeczy, dane z telefonów komórkowych, dane tekstowe z portali społecznościowych, dane głosowe i wideo – wszystkie są automatycznie zbierane i raportowane. W połączeniu z postępem w zakresie uczenia maszynowego oraz sztucznej inteligencji umożliwiły one liderom i organizacjom stosowanie zaawansowanej analityki danych do podejmowania bardziej świadomych decyzji.

Ale globalna pandemia spowodowała zmiany, które dotyczą także danych. Modele uczenia maszynowego przewidują przyszłość na podstawie informacji z przeszłości, ale żadna niedawna przeszłość nie przypomina teraźniejszości.

Aby lepiej zrozumieć wpływ obecnej sytuacji na analitykę danych, zwróciliśmy się do wielu dyrektorów i analityków. Zapytaliśmy ich, czego doświadczyli w ostatnich miesiącach oraz jak planują dostosować i wdrożyć na nowo modele uczenia maszynowego, a także o to, jak organizacje radzą sobie w nowym otoczeniu ekonomicznym.

Dzisiaj prawie wszystko na świecie jest superdziwne i zdestabilizowane. Również dane

Zwrot w stronę analityki deskryptywnej krótkich cykli ekonomicznych

Każdy menedżer analityki, z jakim rozmawialiśmy, opisywał tę samą podstawową reakcję pojawiającą się, gdy pandemia zaczęła destabilizować ich działalność: niezależnie od tego, czy pandemia spowodowała gwałtowny spadek popytu na produkty lub usługi ich firmy (jak to było na przykład w przypadku ubrań) czy też dramatyczny wzrost takiego popytu (jak to było w przypadku papieru toaletowego), miało miejsce nieomal natychmiastowe odejście od bardziej zaawansowanej analityki skoncentrowanej na przewidywaniu i optymalizacji w stronę analityki deskryptywnej (opisowej), takiej jak raporty i wizualizacja danych. Analityka deskryptywna pomogła firmom lepiej zrozumieć, co się dzieje.

Z powodu zmienności sytuacji wszystkie cykle raportowania uległy gwałtownemu skróceniu. Wzrosło za to zapotrzebowanie na tablice wskaźników podawanych w czasie rzeczywistym. Jak to opisał pewien menedżer z globalnej firmy oferującej dobra konsumpcyjne: „Nie przejmowaliśmy się szczegółowymi prognozami; staraliśmy się jedynie właściwie dopasować dystrybucję”.

Potwierdza to Dan Rogers, dyrektor ds. analizy danych i działań operacyjnych w 84.51°, firmie zajmującej się analityką marketingową, a należącą do Kroger Company – właściciela największej sieci supermarketów w USA. „Początkowo mnóstwo zasobów zaangażowaliśmy w raportowanie deskryptywne, próbując zrozumieć, co się dzieje i jaki jest wpływ pandemii na naszą firmę – powiedział. – Całe zespoły wyznaczono do tego zadania; wykonywały one w większości te same zadania analityczne co wcześniej, ale w przyspieszonym tempie. Wymagaliśmy, aby raporty miesięczne czy kwartalne zostały zastąpione przez raporty tworzone w cyklach tygodniowych, a nawet dziennych”. Jego zespoły wprowadziły też pewne ograniczone działania w obszarze modelownia deskryptywnego, aby określić wpływ pandemii. „Ta praca zmieniła się w modelowanie predykcyjne umożliwiające prognozowanie na bieżąco wpływu pandemii oraz lepsze zrozumienie nowej normalności, w jakiej się znaleźliśmy”.

W niektórych firmach zespoły zajmujące się analityką danych poproszono o skupienie się na konkretnych problemach biznesowych. Kadra kierownicza producenta samochodów, firmy Ford, była w mniejszym stopniu zainteresowana powszechnie tworzonymi raportami i analityką tablic wskaźników podczas pandemii, twierdzi Craig Brabec, dyrektor firmy zajmujący się globalną analityką danych. Zamiast tego zamawiała spersonalizowane analizy dotyczące konkretnej sytuacji (na przykład zakres opóźnień działania kolei w meksykańskim porcie Veracruz) oraz sięgała do nowych źródeł danych.

Analityka predykcyjna oraz zautomatyzowane uczenie maszynowe schodzą na boczny tor

Nawet w normalnych czasach prognozowanie popytu należy do najtrudniejszych wyzwań stojących przed analitykami danych. Zmieniający się popyt konsumencki, płynne warunki rynkowe oraz ruchy konkurencji – wszystko to sprawia, że przewidywanie popytu to metoda prób i błędów. Gdy atakuje pandemia, strukturalne zmiany w zakresie popytu mają katastrofalne skutki dla modeli uczenia maszynowego, które zbyt wolno dostosowują się do przetwarzania odbiegających od normy danych. Jak zażartował pewien menedżer: „Nasze zautomatyzowane modele uczenia maszynowego zajmujące się prognozowaniem popytu nie poradziły sobie zbyt dobrze z ośmioma tygodniami zer”. Gdy firmy przesunęły punkt ciężkości na analitykę deskryptywną, aby zrozumieć zmiany trendów, wstrzymały jednocześnie działanie swoich modeli uczenia maszynowego, zajmujących się prognozowaniem popytu. Zaczęły polegać na prostych podejściach prognostycznych, takich jak zadawanie pytań w stylu: „Co wysłaliśmy wczoraj?”, bądź wykorzystywaniu modeli uśredniania danych rozłożonych w czasie, np. obliczania średniej ruchomej przy jednoczesnym uważnym śledzeniu danych popytowych, by sprawdzić, czy pojawiają się nowe prawidłowości.

W przypadku zautomatyzowanego uczenia maszynowego wiele firm pozwala na dalsze działanie swoich modeli, wykorzystując pandemię jako wyjątkową okazję do uczenia się. Ściśle monitorując to, jak owe modele dostosowują się do odbiegających od normy danych, analitycy danych mogli lepiej zrozumieć ich solidność (lub jej brak). Lydia Hassell, pracująca dla producenta ubrań, firmy Hanesbrands, nadzoruje ponad 100 000 modeli uczenia maszynowego, służącego do przewidywania popytu. Twierdzi, że wykorzystuje częstsze cykle raportów niezgodności uczenia maszynowego. „Te raporty rozbieżności dostarczają szczegółów odchyleń od modeli uczenia maszynowego – wyjaśniła. – O ile zazwyczaj sporządzamy takie raporty raz w miesiącu, teraz zaczęliśmy to robić co tydzień, a nawet częściej, aby lepiej monitorować, co się dzieje z modelami uczenia maszynowego”. Hassel natychmiast zaczęła więc wykorzystywać te raporty do aktualizowania i testowania nowych modeli, których zadaniem będzie prognozowanie popytu w 2021 roku.

Niektóre firmy sięgają po nowe zewnętrzne źródła danych, aby spróbować przewidzieć popyt. Brabec z firmy Ford twierdzi, że aby zrozumieć i przewidzieć popyt konsumencki, analitycy zaczęli stosować agregowane dane o podróżach pojazdów połączonych w sieć. Pokazują one wzrost czy spadek zainteresowania wykorzystaniem samochodów w skali kraju, a także poziomy zanieczyszczenia powietrza oraz dane dotyczące wyszukiwania samochodów w internecie. „Niektóre z tych danych mogą nie stanowić wiodących wskaźników sprzedaży samochodów – powiedział – ale wydaje się, że przynajmniej sprzedaż samochodów zmienia się wraz z tymi danymi, które sugerują, że rynek się otwiera”.

Inne firmy, którym brakuje istotnych danych do stosowanych przez nie modeli, po prostu zmieniają swoją politykę na bardziej konserwatywną. To dotyczy szczególnie modeli ryzyka kredytowego. Na przykład wiele banków zwiększyło znacznie wymogi w zakresie oceny zdolności kredytowej: na przykład bank JPMorgan Chase podniósł wymaganą punktację oceny zdolności kredytowej dla nowych i refinansowanych hipotek do 700, a minimalny wkład własny do 20%. Pewien członek kadry kierowniczej firmy zajmujący się analityką powiedział nam, co następuje w odniesieniu do modeli kredytowych banku: „Osoby mające punktację 800 i wyższą są OK; inni na realizacji takiej polityki tracą. Tworzymy modele naszych klientów dokładnie tak jak przed erą COVID‑19, po czym dodajemy dodatkowy czynnik ryzyka”.

W przypadku zautomatyzowanego uczenia maszynowego wiele firm pozwala na dalsze działanie swoich modeli, wykorzystując pandemię jako wyjątkową okazję do uczenia się

Następne kroki do restartu

Jak będziemy dalej postępować w kwestii analityki predykcyjnej i uczenia maszynowego, zważywszy na obserwowaną obecnie destabilizację danych? Jaka będzie nowa normalność danych i ile nam zajmie dojście do tej normalności? Na podstawie naszych rozmów z dyrektorami ds. analityki danych sugerujemy rozważenie następujących elementów strategii na bliską i dalszą przyszłość:

Należy rozważyć, na ile ważne są dane – co należy usunąć, co zachować, co przypisać. Czy odbiegające od normy dane z czasów pandemii należy usunąć? Czy należy je zastąpić danymi przypisanymi na podstawie danych sprzed pandemii COVID‑19? Czy dane sprzed COVID‑19 mają w ogóle jakiekolwiek znaczenie na przyszłość? Odpowiedź na te pytania będzie z pewnością zależeć od sektora. Użycie średnich ruchomych – w ramach których wyliczasz średnią podzestawu danych dla zrównoważenia przypadkowych odchyleń – oraz innych technik wygładzania prognostycznego było wskazywane przez szereg menedżerów od analityki jako sposób na dokonanie wyboru proporcji wykorzystania danych sprzed i po pandemii.

Wykorzystaj dane zewnętrzne w większym stopniu. Próby modelowania zdarzeń o niskim prawdopodobieństwie, a przy tym wysoce destabilizujących, będą wymagały zwiększenia ilości danych zewnętrznych wykorzystywanych do lepszego uwzględnienia tego, jak świat się zmienia. Właściwe dane zewnętrzne mogłyby zapewnić wcześniejsze ostrzeganie, niż to jest w przypadku danych wewnętrznych. Jeden z dyrektorów, którego firma wykorzystuje dane z Uniwersytetu Johnsa Hopkinsa na temat COVID‑19, stwierdził, że nową miarą efektywności może być wzięcie pod uwagę tego, jak szybko dane zewnętrzne można zintegrować z istniejącymi systemami dla wykorzystania w modelach analitycznych.

Zwiększ znaczenie audytu modeli i stres testów. Wielu liderów analityki wspomniało potrzebę uważnego przyglądania się swoim modelom uczenia maszynowego i modelom preskryptywnym. Powiedzieli, że planują częstsze audyty danych wsadowych, założeń modeli oraz wyników modeli. Jak modele zareagują na popyt zerowy, popyt dziesięciokrotnie zwiększony czy takie anomalie jak ujemna cena ropy naftowej? Techniki opracowane dla kontroli jakości w inżynierii przemysłowej, takie jak limity kontrolne i próbkowanie odbioru, muszą zostać zastosowane do uczenia maszynowego, aby zagwarantować, że modele są pod kontrolą.

Zbuduj portfolio wyspecjalizowanych modeli. Pewien menedżer firmy zajmującej się dobrami konsumpcyjnymi wspomniał, że gdy zespół zajmujący się danymi w jego firmie lepiej zrozumiał, co się dzieje w związku z pandemią, zaczął stosować modele stworzone do przewidywania rozprzestrzeniania się huraganów. Rozważ planowanie scenariusza i tworzenie symulacji dla zbudowania wyspecjalizowanych modeli, które w razie potrzeby można „zdjąć z półki i użyć”. Czego się nauczyłeś od chwili wybuchu epidemii COVID‑19, a co z tego mógłbyś wykorzystać, jeśli następnej zimy pojawi się druga i być może gorsza fala zakażeń?

Każdy, z kim rozmawialiśmy, wspominał skrócone czasy cykli dla opracowania i wdrożenia modeli. Pewien człowiek powiedział nam, że nowa normalność w obszarze analityki danych będzie „w całości dotyczyć elastyczności i szybkości”. Zdolność do szybkiego tworzenia spersonalizowanych modeli adaptacyjnych będzie kluczowym czynnikiem przesądzającym o sukcesie: to świat odmienny od świata względnie stabilnych danych i analityki z przeszłości. Jak to skomentował pewien dyrektor zajmujący się analityką: „Lepiej przywyknijmy do tego, że przez jakiś czas będziemy musieli działać na podstawie złych danych”.

O autorach
Tematy

Może Cię zainteresować

Stwórz przestrzeń mentalną, by podejmować mądre decyzje

W dynamicznych i złożonych realiach współczesnego świata liderzy coraz częściej funkcjonują w trybie działania — skupieni na zadaniach, wynikach i kontroli. Choć niezbędny, ten tryb, jeśli dominuje, prowadzi do wypalenia, słabej jakości decyzji i ograniczenia innowacyjności. Autorzy Megan Reitz i John Higgins proponują alternatywę: tryb przestrzenny — stan uważności, w którym liderzy zyskują szerszą perspektywę, dostrzegają zależności i pogłębiają rozumienie sytuacji.

Aby rozwijać przestronność w organizacjach, autorzy prezentują model SPACE, który wskazuje pięć kluczowych czynników:

  • S</strong>afety (bezpieczeństwo psychologiczne),

  • P</strong>eople (relacje sprzyjające refleksji),

  • Attention (świadome kierowanie uwagą),

  • Conflict (konstruktywna konfrontacja z różnicą),

  • Environment (środowisko wspierające refleksję).

Podkreślają, że liderzy — poprzez swoje zachowania, decyzje i sposób prowadzenia rozmów — kształtują kulturę organizacyjną i mogą (świadomie lub nie) zamykać lub otwierać przestrzeń na głębsze myślenie i autentyczny dialog. Dlatego dojrzałe przywództwo polega dziś nie tylko na działaniu, lecz także na umiejętności tworzenia i utrzymywania mentalnej przestrzeni dla siebie i innych.

Jak powinno "brzmieć" miejsce pracy? Dźwięki biura – czyli jak naprawdę brzmi nowoczesne miejsce pracy?

Podczas warsztatów z Office Managerami w listopadzie ubiegłego roku na wydarzeniu Forum Biuro i Administracja, zidentyfikowaliśmy szereg wyzwań, które realnie wpływają na codzienne funkcjonowanie biur. Niezależnie od omawianego obszaru nieustannie powracała jedna kwestia : akustyka.

W czasach hybrydowego modelu pracy, redefinicji przestrzeni biurowych i rosnącej roli dobrostanu pracowników, coraz częściej wracamy do tematu, który… dosłownie nas otacza. Akustyka – niegdyś traktowana marginalnie – dziś staje się jednym z kluczowych czynników projektowania efektywnego i przyjaznego biura.

Znaczenie akustyki w biurze

Jeśli chodzi o projekt biura, estetyka i funkcjonalność często wysuwają się na pierwszy plan. Tymczasem to właśnie akustyka bywa pierwszym aspektem, który budzi niezadowolenie użytkowników. Ma ona bezpośredni wpływ na produktywność, samopoczucie i ogólne zadowolenie pracowników. Nadmierny hałas obniża koncentrację, podnosi poziom stresu i obniża efektywność, podczas gdy dobrze zaprojektowana przestrzeń dźwiękowa wspiera skupienie, prywatność i współpracę.

O tym, jak duże znaczenie ma dźwięk – a dokładniej: jego jakość – rozmawialiśmy podczas spotkania „Dźwięki biura: jak akustyka wpływa na komfort i efektywność”, zorganizowanego przez Bene, Jabra i A+V. Wydarzenie zgromadziło ekspertów, praktyków i office managerów, a dzięki interdyscyplinarnemu podejściu mogliśmy spojrzeć na akustykę biura z różnych perspektyw: projektowej, technologicznej i użytkowej. Ekspertem wydarzenia był inżynier akustyk i realizator dźwięku – Bartek Czubak (Acoustic Masters).

Multimedia
Dobrostan: Inwestycja w przyszłość czy chwilowa moda?

Od ponad dekady wspiera ona liderów i firmy w budowaniu strategii dobrostanu i zdrowego środowiska pracy. Dowiedz się dlaczego dobrostan stał się strategicznym tematem dla biznesu, jakie wyzwania stoją przed liderami w hybrydowym świecie oraz jak skutecznie wdrożyć kulturę dobrostanu w organizacji. Ewa Stelmasiak obala mity dotyczące dychotomii między zyskiem a dobrostanem, podkreślając, że zrównoważone podejście do pracy jest kluczem do długoterminowego sukcesu. Analizuje również wpływ nowych technologii na wellbeing, wskazując na konieczność mądrego zarządzania tymi narzędziami, aby wspierały, a nie szkodziły pracownikom.

Ilustracja ukazuje nowoczesne biuro z lotu ptaka. W centrum kadru, w promieniu światła padającego z góry, dwoje pracowników prowadzi spokojną rozmowę przy małym stole. Otaczają ich puste biurka i subtelnie oświetlona przestrzeń biurowa. Kompozycja podkreśla wagę relacyjnego kontaktu, zaufania i mindful leadership w miejscu pracy. Uważne przywództwo: Jak mindful leadership rewolucjonizuje zarządzanie zespołem
Kryzys zaangażowania pracowników: globalny kontekst Współczesne organizacje stają wobec bezprecedensowego kryzysu zaangażowania i dobrostanu pracowników, który wymaga wdrożenia mindful leadership jako strategicznego rozwiązania. Najnowszy raport Gallupa ujawnia alarmujące dane: jedynie 21% zatrudnionych globalnie wykazuje pełne zaangażowanie w pracę. Co więcej, wskaźnik ten systematycznie spada po czterech latach wzrostu. Dodatkowo, równie niepokojące są statystyki dotyczące ogólnego […]
Multimedia
Metaverse to szansa dla biznesu. Czy Twoja firma jest gotowa?

W świecie zdominowanym przez sztuczną inteligencję, Metaverse może wydawać się technologią drugiego planu. Jednak ignorowanie jej potencjału to błąd strategiczny. Dowiedz się, dlaczego technologia Metaverse, mimo obecnej fazy rozwoju, jest kluczowa dla przyszłości biznesu i jak firmy mogą przygotować się na nadchodzącą transformację.

Horyzontalna ilustracja 3D w stylu hiperrealistycznym przedstawia długą, cienką belkę zawieszoną na centralnym trójkątnym wsporniku. Po lewej stronie belki znajduje się przezroczysty sześcian z delikatnie świecącymi, schematycznymi wzorami przypominającymi układ scalony – symbolizując sztuczną inteligencję. Po prawej stronie – surowy, ciężki kamień o nieregularnej fakturze – symbol ludzkiego myślenia i refleksji. Kompozycja jest idealnie wyważona, a tło utrzymane w subtelnym gradiencie błękitno-beżowego światła tworzy spokojną, kontemplacyjną atmosferę. Czy sztuczna inteligencja osłabia zdolności krytycznego myślenia liderów biznesu?

Sztuczna inteligencja radykalnie przekształca współczesne zarządzanie, stawiając przed liderami fundamentalne pytanie strategiczne. Czy jednocześnie systematyczne poleganie na zaawansowane systemy AI nie prowadzi do erozji kluczowych kompetencji poznawczych kadry kierowniczej?

Analitycy Brookings Institution przedstawili niepokojące ostrzeżenie. Nadmierne zaufanie do systemów AI może systematycznie osłabiać zdolności kreatywnego oraz krytycznego myślenia w organizacjach. Zjawisko to przypomina mechanizm, w którym technologie GPS ograniczyły umiejętności nawigacyjne, a wyszukiwarki internetowe zredukowały potrzebę zapamiętywania faktów.

Mechanizm intelektualnej degeneracji: zaufanie kontra weryfikacja

Kluczowym czynnikiem degradacji poznawczej jest bezwarunkowe zaufanie do technologii. Systemy AI generują pozornie precyzyjne odpowiedzi w ułamkach sekund, w rezultacie tworząc złudne wrażenie nieomylności algorytmów.

Badanie Microsoft/CMU ujawniło krytyczny wzorzec behawioralny. Użytkownicy narzędzi generatywnych automatycznie akceptują propozycje AI bez pogłębionej analizy. Co więcej, szczególnie niebezpieczne okazuje się przekonujące przedstawienie interfejsu algorytmu.

Polacy chcą AI w pracy – ale na własnych zasadach. Co zaufanie do wirtualnych agentów mówi o przyszłości przywództwa?

Coraz więcej firm wdraża wirtualnych asystentów i analityków opartych na sztucznej inteligencji, chcąc zyskać na efektywności i innowacyjności. Ale co na to pracownicy? Najnowsze badanie przeprowadzone przez ASM na zlecenie Salesforce ujawnia jednoznacznie: Polacy są otwarci na AI w miejscu pracy, ale tylko pod warunkiem zachowania kontroli i zrozumienia jej działania.

Gorące serca i brutalna rzeczywistość, czyli o budowaniu empatii w organizacji

Empatia liderów to za mało, gdy systemy, procesy i decyzje organizacji świadczą o braku troski. Oto cztery strategie, które skutecznie adresują to wyzwanie.  W świecie biznesu często słyszymy o „wyścigu szczurów” i bezwzględnym pięciu się po korporacyjnej drabinie „po trupach”. Taki scenariusz często przywodzi na myśl „Władcę Much”, gdzie prym wiodą najsilniejsi, a słabsi muszą ustąpić. Wielu uważa, że aby przetrwać i odnieść sukces, po prostu „trzeba być twardym”. Ale czy to jedyna droga?

Konferencja „Odpowiedzialny biznes w praktyce – zrównoważony rozwój jako klucz do przyszłości”

Podsumowanie

Konferencja „Odpowiedzialny biznes w praktyce – zrównoważony rozwój jako klucz do przyszłości” odbyła się 15 kwietnia 2025 roku z inicjatywy ICAN Institute oraz Partnerów. Wydarzenie było poświęcone tematyce zrównoważonego rozwoju, ESG oraz społecznej odpowiedzialności biznesu.

Obecność licznych przedstawicieli biznesu oraz ich aktywne uczestnictwo w dyskusjach miały istotny wpływ na wysoki poziom merytoryczny konferencji. Wymiana wiedzy, doświadczeń i dobrych praktyk w zakresie ESG stanowiła ważny element wydarzenia, przyczyniając się do kształtowania odpowiedzialnych postaw w środowisku biznesowym oraz wspierania długofalowych, wartościowych inicjatyw.

Pięć lekcji przywództwa dla „twardych” prezesów

Choć może się wydawać, że styl przywództwa oparty na kontroli i wydawaniu poleceń wraca do łask, rzeczywistość pokazuje coś zupełnie innego — to liderzy o wysokiej inteligencji emocjonalnej osiągają lepsze rezultaty

Materiał dostępny tylko dla subskrybentów

Jeszcze nie masz subskrypcji? Dołącz do grona subskrybentów i korzystaj bez ograniczeń!

Subskrybuj

Newsletter

Otrzymuj najważniejsze artykuły biznesowe — zapisz się do newslettera!