Business intelligence

Tương lai của Analytics: Tất cả sự cường điệu là gì?

Đôi tai của chuyên gia ngay lập tức thích thú khi tham dự một buổi nói chuyện về cách có được những hiểu biết sâu sắc từ phân tích. Rốt cuộc, phân tích đã trở thành chủ đề nóng mới trong ngày. Tuy nhiên, đã hỏi Nipa Basu, trong bài phát biểu quan trọng của cô ấy Tương lai của phân tích tại Hội nghị trực tuyến phân tích doanh nghiệp DATAVERSITY: “Sự khác biệt giữa cường điệu và thực tế trong phân tích là gì? Điều gì là thực sự có thể? ” Với tư cách là Giám đốc phân tích của Dun & Bradstreet, một kỹ sư của mô hình mô phỏng vi mô của nền kinh tế Hoa Kỳ và là một chuyên gia trong không gian phân tích, Nipa Basu đã giải quyết những gì tạo nên thông tin chi tiết hữu ích, dành cho khách hàng doanh nghiệp, có được từ phân tích. Các nhà lãnh đạo doanh nghiệp muốn biết. Theo một cuộc khảo sát thị trường do Dun & Bradstreet và Forbes thực hiện, 70 phần trăm các nhà lãnh đạo doanh nghiệp nói rằng họ thường xuyên sử dụng phân tích để đưa ra quyết định. Basu nói: “Phân tích đang trở thành xu hướng chủ đạo. “Có một mức độ chấp nhận cao.” Cô ấy đã rất ngạc nhiên khi gần đây nghe các chuyên gia y tế trình bày kết quả cải thiện tỷ lệ sống sót của trẻ em do ung thư. Cô ấy lưu ý rằng đây là ứng dụng tuyệt vời của Khoa học Dữ liệu và phân tích ngày nay. Tuy nhiên, triển vọng cao trong phân tích có nhược điểm. Cô ấy biết về các học viên phân tích “những người đã được các công ty khác nhau thuê với kỳ vọng rất lớn rằng Analytics sẽ làm nên điều kỳ diệu cho” các doanh nghiệp này. Tuy nhiên, những loại tổ chức này “không phải lúc nào cũng loại đầu tư vào vốn con người và cơ sở hạ tầng cần thiết, ”bà lưu ý. Basu trầm ngâm trước tất cả những lời cường điệu, “làm cách nào để chúng ta tập trung vào phân tích?” Đầu tiên, cô ấy nói, “chúng ta đang ở giữa một cuộc cách mạng.” Cuộc cách mạng của Analytics Trước cuộc Cách mạng Analytics, Basu lưu ý, các học viên đã hỏi: “Làm cách nào để bạn rút ra được thông tin chi tiết mạnh mẽ từ một mẫu nhỏ?” Cô ấy nói thêm từ kinh nghiệm trước đây của mình, “mẫu luôn nhỏ vì dữ liệu luôn khan hiếm. Máy tính không mạnh lắm. Vấn đề đó không còn tồn tại nữa với khả năng xử lý dữ liệu với tốc độ đáng kinh ngạc, sau cuộc cách mạng Dữ liệu lớn. Hiện có quá nhiều dữ liệu. Ngày nay chúng ta có thể làm rất nhiều thứ, nhưng liệu dữ liệu lớn có luôn chuyển thành những hiểu biết sâu sắc không? Trong một số trường hợp, dữ liệu lớn đã thực sự trở thành nhiều dữ liệu nhưng không nhất thiết phải có nhiều thông tin chi tiết có ý nghĩa ”. Khi mô tả phân tích, cô ấy định nghĩa nó là “các con số trên bảng tính và vẽ đường xu hướng”, nhưng nói thêm rằng phân tích đã chuyển sang dạng nâng cao thông qua “các dạng trí tuệ nhân tạo khác nhau”. Cô đưa vào bất kỳ kỹ thuật nào cho phép máy tính bắt chước trí thông minh của con người, sử dụng logic, quy tắc if-then, cây quyết định và học máy. Được thêm vào danh sách đó là học sâu và các thuật toán cho phép phần mềm tự đào tạo để thực hiện các tác vụ, chẳng hạn như nhiều kỹ thuật thống kê học máy (ML) khác cho phép máy cải thiện các tác vụ bằng kinh nghiệm. Cô ấy tin rằng những điều này mở ra nhiều khả năng hoàn toàn mới. Basu lưu ý, “chúng tôi có thể xây dựng các mô hình tăng dự đoán” cạnh tranh với các mô hình thống kê truyền thống từ các nhà lập mô hình có kinh nghiệm hơn. ” học máy, cô mô tả, nâng cao cây quyết định đã thiết lập hoặc thẻ điểm thành các mô hình nhiều lớp. Thông qua ML, chúng tôi “cung cấp dữ liệu cho máy tính và máy tính tạo ra một thuật toán chung. Các mô hình học máy thường liên quan đến học tập thích ứng. Cô ấy giải thích rằng nó đang “mở ra rất nhiều cơ hội mới.” Cô ấy cũng hỏi: “Học máy thích hợp hơn [in] ở đâu so với các phương pháp tiếp cận khác?” Các trường hợp sử dụng máy học thực tế Basu tin rằng máy học có thể áp dụng trong các tình huống tương tự hơn những trường hợp khác. Dun & Bradstreet (và Basu) luôn sử dụng máy học để ngăn chặn gian lận. Cô giải thích rằng việc học tập thích ứng của ML đóng một vai trò rất lớn bởi vì “những kẻ gian lận thực sự đang cố gắng đánh bại các hệ thống.” Vì vậy, ngay sau khi mô hình được sản xuất, ngay khi họ thấy rằng bất cứ điều gì họ làm trước đây sẽ không còn nữa. Basu đã chứng minh rằng máy móc làm tốt các nhiệm vụ như gian lận, bởi vì không ai “tranh luận về định nghĩa này và biến kết quả là cố định và không có nhiều phạm vi tranh luận về biến kết quả”. Điểm số thất bại và Xếp hạng Doanh nghiệp Toàn cầu theo Basu, cũng có lợi cho các mô hình ML. Điểm thất bại là các biến được xác định rõ ràng, tương tự nhau trên tất cả các ứng dụng của khách hàng doanh nghiệp. Bảng xếp hạng Doanh nghiệp Toàn cầu có nhiều phân khúc, phạm vi dữ liệu rất khác nhau. Nhưng một số trường hợp sử dụng không phù hợp với học máy. Basu nói rằng máy học: “Thực sự phù hợp với tất cả các ngóc ngách của dữ liệu. Có nguy cơ bị quá Khớp. [The] linh hoạt hơn trong việc thay đổi biến kết quả hoặc thay đổi những gì chúng ta đang cố gắng dự đoán hoặc giải thích, càng có nhiều rủi ro mô hình không phù hợp trong một tình huống khác. ” Basu tin rằng vì lý do này, tình trạng phạm pháp và điểm mua sắm không có lợi cho việc học máy. Cô lưu ý: “Hành vi phạm pháp nằm trong mắt của người xử lý. Đối với một số khách hàng, họ cần được thanh toán trong những ngày 15 tiếp theo, đó là mô hình kinh doanh của họ, nếu không, họ sẽ gặp rắc rối lớn. Đối với một số khách hàng 30 điều khoản ngày khá tốt, vì vậy định nghĩa khác nhau, cách định nghĩa của nó cũng khác. “Khi phân tích điểm số mua sắm, cô ấy nói,“ Các nhà quản lý mua sắm cần minh bạch hơn, họ cần giải thích những quyết định này cho chính họ, cấp trên và nhà cung cấp của họ ”làm cho điểm số mua sắm trở nên linh hoạt hơn. Các trường hợp sử dụng ở trên chỉ cho thấy một khía cạnh của phân tích. Tuy nhiên, các công ty nên tận dụng Cách mạng Analytics trong các lĩnh vực khác như thế nào? Basu về “Trọng tâm phân tích” lưu ý rằng các nhà lãnh đạo phân tích rất phấn khích “bởi các kỹ thuật mới hơn”. Do đó, cô ấy tin rằng, trọng tâm sẽ là “các kỹ thuật hơn là các câu hỏi kinh doanh”. Cô ấy đã thêm “các thành phần tích hợp” vào các loại phân tích mới, sử dụng máy học, đang trở thành tiêu chuẩn. Cụ thể hơn, những điều này bao gồm: Tùy chỉnh hoặc cấu hình Phân phối theo thời gian thực Cơ chế Cách mạng Analytics đã cung cấp nhiều lợi ích ở trên. Theo Basu, đây là một phần của những gì chúng tôi có thể làm. Tuy nhiên, “loại phân tích có liên quan đến khách hàng phải được người dùng doanh nghiệp chấp nhận.” Cô nhấn mạnh rằng các nhóm người dùng, bên ngoài các học viên phân tích “cần phải chấp nhận và hiểu nó.” Điều này là khó khăn. Cô ấy trầm ngâm rằng cuộc cách mạng trong phân tích được kích hoạt bởi một cuộc cách mạng về công nghệ. Giá trị của phân tích dưới dạng dịch vụ, cũng như phân tích tự phục vụ thông qua việc truy cập một số công cụ tiên tiến và dữ liệu bên ngoài, ngày càng trở nên phổ biến hơn. “Bất cứ khi nào tôi tham gia vào một cuộc thảo luận về phân tích như một dịch vụ, cuộc thảo luận luôn chuyển sang nền tảng công nghệ như thể nó là vậy. Bây giờ, ngăn xếp công nghệ là một yếu tố thúc đẩy, đó là nền tảng mà bạn đang thực hiện phân tích nhưng còn nhiều thứ hơn thế nữa, cần phải xác định đúng loại phân tích để giải quyết loại vấn đề kinh doanh phù hợp. ” Cô ấy nói rằng có nhiều công ty khác nhau thuê các chuyên gia phân tích với kỳ vọng rất lớn rằng phân tích sẽ làm nên điều kỳ diệu cho những công ty đó mà không nhận ra loại đầu tư cần thiết vào vốn nhân lực, cơ sở hạ tầng, phần cứng và phần mềm sẽ cần thiết. Basu đã thách thức khán giả và những người thực hành phân tích trả lời câu hỏi này “Trách nhiệm của chúng tôi là gì để giữ sự tập trung của tổ chức vào các số liệu phân tích thực sự?” Cô ấy tin rằng những người thực hành phân tích cần đảm bảo thường xuyên thực hiện các đánh giá kinh doanh, chuyển đến các số liệu phân tích gần đây nói về địa điểm, thời điểm và cách thức triển khai thông tin chi tiết trong việc thay đổi quy trình kinh doanh. Sau đó, tất nhiên, các chuyên gia phân tích cần phải đo lường và do đó quản lý toàn bộ quá trình đó, đồng thời đưa ra chiến lược thử nghiệm không thiên vị và các kỹ năng gây ảnh hưởng. Cô ấy kết thúc bằng cách nói với khán giả rằng hãy “tập trung nhiều hơn vào phân tích và bớt đi sự cường điệu xung quanh nó với những việc có thể làm nhưng không nhất thiết phải làm”. Bạn muốn tìm hiểu thêm về các sự kiện sắp tới của DATAVERSITY? Xem danh sách các hội nghị trực tuyến và trực tiếp hiện tại của chúng tôi tại đây. Đây là video của Bài thuyết trình trực tuyến về Enterprise Analytics: Nguồn ảnh: Molnia / Shutterstock.com

Back to top button