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

Wyzwania wynikające z poszerzania analitycznego spektrum. Część 1: diagnoza

21 lutego 2020 5 min czytania
Miłosz Trawczyński
Wyzwania wynikające z poszerzania analitycznego spektrum. Część 1: diagnoza

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.

Wyzwania wynikające z poszerzania analitycznego spektrum. Część 1: diagnoza

Analityczne spektrum

Wyzwania wynikające z poszerzania analitycznego spektrum. Część 1: diagnoza
Analityczne spektrum

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.

Wyzwania wynikające z poszerzania analitycznego spektrum. Część 1: diagnoza

Analityka strumienia tweetów

Wyzwania wynikające z poszerzania analitycznego spektrum. Część 1: diagnoza
Analityka strumienia tweetów

W tym przypadku użytkownik biznesowy analizuje nieustrukturalizowany strumień big data, używając analityki predykcyjnej w celu podjęcia decyzji operacyjnej.

Wyzwania wynikające z poszerzania analitycznego spektrum. Część 1: diagnoza

Budowa silnika rekomendacyjnego

Wyzwania wynikające z poszerzania analitycznego spektrum. Część 1: diagnoza
Budowa silnika rekomendacyjnego

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.

Wyzwania wynikające z poszerzania analitycznego spektrum. Część 1: diagnoza

Współczesne analityczne spectrum umożliwia wiele kombinacji

Wyzwania wynikające z poszerzania analitycznego spektrum. Część 1: diagnoza
Współczesne analityczne spectrum umożliwia wiele kombinacji

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.

drugiej części artykułu, autor przygląda się światowym trendom, których celem jest przezwyciężenie obecnego impasu.

O autorach
Tematy

Może Cię zainteresować

Jak koncepcje lean management i just-in-time sprawdzają się w czasach niepewności? Jak lean management i just-in-time sprawdzają się w czasach niepewności?

Nazbyt często reakcją biznesu na niepewne czasy jest nicnierobienie, czyli „czekanie i obserwowanie”. Niestety takie podejście oznacza, że ​​biznes nie jest przygotowany na nadchodzące zmiany. Zdecydowanie lepszym rozwiązaniem jest wykonanie proaktywnych kroków, zmierzających do uzbrojenia firmy w elastyczność, pozwalającą na szybkie reagowania na nieprzewidywalne zdarzenia. Oto, czego uczy nas podejście lean management.

Niepewność to według wielu ekspertów najgorsze, co może spotkać biznes. Nie można bowiem przyjąć za pewnik żadnego z dostępnych rozwiązań. Niektórzy decydują się nie wprowadzać żadnych działań, czekając na jakikolwiek sygnał o stabilizacji. Inni gromadzą zapasy, a jeszcze inni wybierają wręcz odwrotne rozwiązanie – reagowania na bieżąco na poszczególne sygnały. Do zalecanych rozwiązań zalicza się w tej sytuacji koncepcja „szczupłego zarządzania”, która swoimi korzeniami sięga do Japonii lat 80. Chociaż wiele z jej założeń może okazać się trafne, warto pamiętać, że czasy się zmieniły, a warunki gospodarcze podlegają ciągłej ewolucji. W związku z tym nawet do strategii opartej na elastyczności warto podejść z odrobiną dystansu i dostosować ją do wszystkich zmiennych. Jak właściwie zaimplementować lean management, ze szczególnym uwzględnieniem just-in-time, w realiach niepewności gospodarczej, żeby na tym skorzystać z jednoczesną redukcją ryzyka?

Lider przyszłości? Ten, który potrafi współpracować

Współczesne życie zawodowe wymaga nie tylko doskonałości indywidualnej, ale także rozwijania umiejętności współpracy. Mistrzostwo i współdziałanie to dwa filary produktywności i sensu pracy. Autorka pokazuje, że współpraca bywa trudna — krucha, podatna na obojętność i konflikty — ale też niezwykle wartościowa. Poprzez badania, osobiste doświadczenia i refleksje wskazuje, jak relacje, sieci kontaktów oraz świadome budowanie otwartości wpływają na rozwój zawodowy. Kluczowe jest pielęgnowanie postawy opartej na zaufaniu, hojności i ciekawości oraz umiejętność zadania pytania, które zapala iskrę porozumienia i wspólnego działania.

Intuicja w biznesie: jak świadomie wykorzystywać nieświadome procesy decyzyjne

W dynamicznym środowisku współczesnego biznesu liderzy muszą szybko i skutecznie reagować na rosnącą złożoność oraz niepewność otoczenia. Choć przez dziesięciolecia dominowały podejścia oparte przede wszystkim na racjonalnej analizie danych, najnowsze badania psychologiczne wyraźnie wskazują na coraz większą rolę intuicji – zwłaszcza w sytuacjach wymagających podejmowania złożonych decyzji. Okazuje się, że myślenie intuicyjne, czyli procesy zachodzące poza świadomą percepcją decydenta, może być kluczem do lepszych wyników w sytuacjach, w których świadoma analiza osiąga swoje naturalne ograniczenia.

Niniejszy artykuł przedstawia koncepcję tzw. „deliberacji bez uwagi” (deliberation without attention), opisaną pierwotnie przez Maartena Bosa i jego współpracowników. Wyjaśnia, w jaki sposób menedżerowie mogą świadomie integrować intuicję z analitycznymi metodami decyzyjnymi, by poprawić skuteczność i trafność swoich wyborów.

Niewygodna prawda o modnych stylach zarządzania

Setki teorii, modne style i głośne hasła, a jednak wciąż zadajemy to samo pytanie: co naprawdę sprawia, że lider jest skuteczny? Najnowsze badania pokazują, że odpowiedź jest prostsza (i mniej wygodna), niż się wydaje.  Transformacyjny, autentyczny, służebny, sytuacyjny – słownik współczesnego lidera puchnie od kolejnych „rewolucyjnych” stylów przywództwa. Co kilka lat pojawia się nowy trend, okrzyknięty brakującym elementem układanki skutecznego zarządzania ludźmi.

Dolar po raz pierwszy od wielu lat może stracić swój status "bezpiecznej przystani" dla inwestorów Czy dolar przestaje być „bezpieczną przystanią”? Czarny scenariusz dla waluty światowego hegemona

Dolar przez dekady dawał inwestorom to, czego najbardziej potrzebowali w czasach kryzysu: stabilność. Dziś ta pewność znika. Agresywna polityka celna USA, utrata zaufania do amerykańskich instytucji i rosnące znaczenie alternatywnych walut sprawiają, że świat finansów wchodzi w erę większej zmienności i nieprzewidywalności. Dla firm – również w Polsce – oznacza to konieczność przemyślenia strategii walutowej, dywersyfikacji ekspozycji i aktywnego zarządzania ryzykiem. Dolar jeszcze nie upadł, ale jego hegemonia już została podważona.

Zmiana nastrojów – konsekwencje wojny handlowej

Na początku kwietnia Stany Zjednoczone ogłosiły szerokie cła importowe, obejmujące niemal wszystkie grupy towarowe. Choć większość tych restrykcji została już wycofana lub zawieszona, a między USA i Chinami podpisano tymczasowe porozumienie handlowe, to wydarzenia te zachwiały wizerunkiem USA jako ostoi stabilności. Tym razem, zamiast klasycznego wzrostu wartości dolara w reakcji na globalną niepewność, indeks dolara spadł od początku roku o 6,4%.

Dla wielu inwestorów to sygnał, że coś się zmieniło. Kiedyś dolar wzmacniał się niezależnie od źródła kryzysu – nawet jeśli to właśnie Stany Zjednoczone były jego epicentrum. Dziś ta zasada przestaje działać.

Jaka przyszłość czeka menedżerów średniego szczebla? Przyszłość menedżerów średniego szczebla w erze AI i niepewności

W świecie, w którym sztuczna inteligencja coraz śmielej przejmuje zadania wymagające zaawansowanych kompetencji poznawczych, a organizacje funkcjonują w warunkach ciągłych zakłóceń, pytanie o przyszłość menedżerów średniego szczebla nabiera nowego znaczenia. Czy rozwój AI oraz trendy związane ze „spłaszczaniem” struktur organizacyjnych zwiastują kres ich roli? A może – paradoksalnie – ich znaczenie dopiero teraz zacznie rosnąć?
Gartner prognozuje, że do 2026 r. 20% organizacji IT zredukuje ponad połowę stanowisk menedżerskich dzięki AI. Natomiast według Korn Ferry już 44% pracowników w USA twierdzi, że ich firma ograniczyła liczbę ról menedżerskich. Jak zatem kształtuje się przyszłość menedżerów średniego szczebla w obliczu prężnie rozwijającej się sztucznej inteligencji i niepewności?

Mit końca menedżerów średniego szczebla

W debacie publicznej cyklicznie przebija się temat roli średniego szczebla zarządzania. Niejednokrotnie wieszczy się jego koniec, argumentując, że ten obszar stracił na aktualności. Jak przypominają Gretchen Gavett i Vasundhara Sawhney na łamach „Harvard Business Review”, już w 2011 r. HBR zadawał to pytanie, a BBC powróciło do niego cztery lata później. Tymczasem dane amerykańskiego Bureau of Labor Statistics pokazują odwrotny trend. Udział menedżerów średniego szczebla w rynku pracy wzrósł – z 9,2% w 1983 do 13% w 2022 roku.

Jak wybitne firmy napędzają produktywność całych gospodarek

Współczesne gospodarki stoją przed szeregiem fundamentalnych wyzwań: malejąca liczba osób w wieku produkcyjnym, rosnące koszty transformacji energetycznej oraz zadłużenie publiczne sięgające historycznych poziomów. Wszystko to prowadzi do jednego pytania: co może zapewnić trwały wzrost gospodarczy w nadchodzących dekadach? Odpowiedź ekspertów z McKinsey Global Institute (MGI) jest jednoznaczna – kluczowym źródłem wzrostu musi być produktywność. Jednak nowością w ich podejściu jest wskazanie, że to nie cała gospodarka rośnie równomiernie, lecz wybrane firmy – „Standouts” – które działają jak motory ciągnące resztę za sobą.

Od Big Data do Smart Data – jak firmy podejmują lepsze decyzje dzięki danym predykcyjnym

Obecnie przedsiębiorstwa dysponują ogromnymi zbiorami danych (Big Data), dlatego coraz ważniejsze staje się umiejętne ich przetwarzanie i wykorzystywanie do podejmowania decyzji.
Dane predykcyjne, które są wynikiem zaawansowanej analityki i działania sztucznej inteligencji (AI), stają się kluczowym elementem w zarządzaniu firmami. Przejście od Big Data do Smart Data pozwala organizacjom na lepszą segmentację, prognozowanie i podejmowanie bardziej trafnych decyzji, co stanowi fundament w dynamicznie zmieniającym się otoczeniu rynkowym.

Przywództwo w erze AI: nowy wymiar bezpieczeństwa psychologicznego

Wprowadzenie

Sztuczna inteligencja rewolucjonizuje sposób, w jaki pracujemy, stawiając przed liderami wyzwanie łączenia innowacyjnych rozwiązań technologicznych z autentyczną troską o ludzi. W erze cyfrowej bezpieczeństwo psychologiczne staje się fundamentem skutecznego działania organizacji – umożliwia ono pracownikom uczenie się, eksperymentowanie i podejmowanie inicjatywy bez obaw o negatywne konsekwencje. W niniejszym artykule analizujemy wpływ AI na kulturę organizacyjną i styl przywództwa. Obalamy mity dotyczące bezpieczeństwa psychologicznego oraz wskazujemy konkretne działania, jakie liderzy mogą podjąć, by budować zaufanie w dynamicznie zmieniającym się środowisku pracy. Konkluzja jest jednoznaczna: przywództwo oparte na zaufaniu pozwala organizacjom w pełni wykorzystać potencjał AI i wzmacniać zaangażowanie zespołów.

Jak przewidywać ryzyko, zanim się zmaterializuje?
Światowe kryzysy z ostatnich dwóch dekad nauczyły nas, że ryzyko rzadko pozostaje ograniczone do jednego sektora czy rynku. W rzeczywistości rozprzestrzenia się ono jak fala – przez łańcuchy dostaw, modele biznesowe i decyzje konsumenckie. Dla menedżerów oznacza to jedno: aby trafnie przewidywać ryzyko, muszą patrzeć dalej i szerzej niż tylko na bezpośrednie zagrożenia. Zarządzanie ryzykiem […]
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!