Rozszerzanie się analitycznego spektrum to, obok sztucznej inteligencji oraz Internetu rzeczy, jeden z trzech głównych trendów we współczesnej analityce. Z punktu widzenia organizacji wydaje się on najbardziej aktualny, ale jednocześnie generuje istotne problemy, które wymagają pilnego rozwiązania.
W pierwszej części tego opracowania przyjrzymy się naturze problemu i jego konsekwencjom dla biznesu. W drugiej części (publikacja już niebawem) przeanalizujemy strategiczne kierunki rozwoju systemów BI, które stawiają sobie za cel zaadresowanie tych wyzwań.
Nowoczesne firmy starają się upowszechnić analitykę, sprawić, aby stała się integralną częścią ich działalności. Niestety wiele przykładów z życia wskazuje na to, że nie jest to łatwe zadanie, a firmy napotykają na szereg organizacyjnych i technologicznych trudności. Dlaczego tak się dzieje?
Można oczywiście wskazać wiele punktowych przyczyn takiego stanu rzeczy albo odwołać się do zjawiska, które można syntetycznie opisać jako poszerzenie analitycznego spektrum. Jeśli praktycznie wykorzystywaną analitykę opiszemy za pomocą takich wymiarów jak rodzaj i wielkość analizowanych danych, wykorzystane metody analityczne, typ użytkownika i sposób wykorzystania w biznesie, to okaże się, że każdy z tych wymiarów może przyjąć kilka wartości, a liczba możliwych kombinacji daje nam szerokie analityczne spektrum.
Gdy spojrzymy na umiejętności analityczne użytkowników w dowolnej organizacji, to znajdziemy tam zarówno odbiorców biznesowych zainteresowanych mniej lub bardziej interaktywnymi raportami i analizami, jak i zaawansowanych analityków (Data Scientist), którzy budują np. wysublimowane sieci neuronowe.
Obie grupy użytkowników używają niezależnych systemów, wyposażonych w różne funkcjonalności, co sprawia, że trudno im się współpracuje. Różnice w typach i wielkości danych są oczywiste i nie wymagają dodatkowych wyjaśnień, natomiast lokalizacja danych to wymiar analitycznego spektrum, który ostatnio mocno się rozszerzył. Do niedawna mieliśmy do czynienia głównie z danymi w spoczynku, w bazie danych albo w pliku. Obecnie możemy analizować strumień danych, a także dane w urządzeniu końcowym (at the edge).
Jeśli chodzi o metody analityczne, to do tradycyjnego podziału na analitykę deskryptywną, predykcyjną i preskryptywną dołączyła sztuczna inteligencja. W przypadku sposobu wykorzystania, mamy decyzje strategiczne, których podjęcie mierzy się w latach lub miesiącach, decyzje operacyjne podejmowane w ciągu tygodni lub dni oraz decyzje natychmiastowe, podejmowane w czasie rzeczywistym. Każdy problem, który organizacja próbuje rozwiązać jest kombinacją tych wymiarów. Weźmy na przykład użytkownika biznesowego, którego interesuje przeanalizowanie sentymentu osób umieszczających na Twitterze komentarze na dany temat.
W tym przypadku użytkownik biznesowy analizuje nieustrukturalizowany strumień big data, używając analityki predykcyjnej w celu podjęcia decyzji operacyjnej.
W przypadku analityka, który konstruuje silnik rekomendacyjny na stronę internetową sytuacja jest inna: analizuje dane zarówno ustrukturalizowane, jak i nieustrukturalizowane. Modelując, używa analityki predykcyjnej wobec danych w spoczynku, natomiast po zaimplementowaniu silnik rekomendacyjny podejmuje decyzje w czasie rzeczywistym wobec strumienia danych.
To tylko dwa przykłady. Jeśli jednak spojrzymy na setki problemów biznesowych, które organizacje usiłują rozwiązać analitycznie, otrzymamy wiele kombinacji w ramach tego spektrum. Każda z nich zastosowana samodzielnie, w izolacji od pozostałych, daje wymierne efekty. Jednak z punktu widzenia całej firmy mamy do czynienia z poważnym problemem: utrudnioną wewnątrzfirmową współpracą, ograniczoną synergią pomiędzy poszczególnymi rozwiązaniami oraz trudno rozwiązywalnymi kwestiami organizacyjnymi przy próbie zastosowania analityki na masową skalę.
W jednym ze swoich raportów (The need to lead in data and analytics z kwietnia 2016 roku) analitycy McKinsey wykazali, iż 86% firm realizujących programy analityczne big data nie uzyskało oczekiwanych, zadowalających rezultatów. W innym badaniu 58% respondentów stwierdziło, że ich organizacja potrzebuje trzech miesięcy na uruchomienie modelu w trybie produkcyjnym. Oznacza to trzy miesiące utraconych korzyści, nie mówiąc już o konieczności okresowej kalibracji modelu z wykorzystaniem aktualnych danych.
Przykłady te pokazują, jak wielki dystans dzieli teoretyczne założenia upowszechnienia analityki od ich wdrożenia w praktyce. Z jednej strony organizacje starają się zwiększyć wykorzystanie analityki, głównie tej najbardziej podstawowej predykcyjnej czy preskryptywnej. Z drugiej strony słyszą wokół narastający szum informacyjny na temat sztucznej inteligencji, która jest metodą analityczną wyższego rzędu, a jej zastosowanie w biznesie wiąże się z dodatkowymi korzyściami i budowaniem przewagi konkurencyjnej. Jednak na obecnym etapie rozwoju zastosowanie AI na masową skalę w organizacji jest praktycznie niewykonalne, więc jedyną sensowną ścieżką rozwoju jest skuteczne rozpowszechnienie wykorzystania tradycyjnej analityki przy jednoczesnym zastosowaniu AI tam, gdzie jest to możliwe i ma biznesowe uzasadnienie.
Jak wstąpić na tę ścieżkę? Cytowane wcześniej badania pokazują, że nawet dojrzałe organizacje kierowane przez wizjonerskich menedżerów mają z tym ogromne problemy, a jedną z istotniejszych przyczyn braku spektakularnego sukcesu jest istniejąca, budowana przez lata architektura środowiska analitycznego. Osobno tradycyjne dane, osobno big data, specyficzne interfejsy dostępowe, zróżnicowane mechanizmy zasilające danymi i procedury operacjonalizujące rezultaty w codziennym biznesie. Trudno się dziwić, że zwiększenie skali wykorzystania analityki czy zacieśnienie współpracy pomiędzy użytkownikami biznesowymi i zaawansowanymi analitykami napotyka na niełatwe do przezwyciężenia trudności.
W drugiej części artykułu, autor przygląda się światowym trendom, których celem jest przezwyciężenie obecnego impasu.