Business Intelligence vs. Big Data - czy Twój informatyk zna różnice?

Analiza danych oraz analiza predykcyjna a business intelligence – czym się różnią oraz co informatycy powinni o nich wiedzieć. Jak wszystkim wiadomo, impreza pod tytułem Big Data już trwa, i warto pomyśleć o dostaniu się na listę gości jeżeli pragniesz zmienić swoje przedsiębiorstwo na lepsze. Big Data to nie to samo co business intelligence. Jakie są zatem różnice pomiędzy BI a dyscypliną predykcyjnej analizy danych, i co zmienia to w pracy informatyków? O analizie predykcyjnej miałam okazję porozmawiać z Joe DeCosmo, kierownikiem sekcji analityki zaawansowanej w West Monroe Partners’ Technology Solutions and Enablement. 

Jak wytłumaczyłbyś różnicę pomiędzy business intelligence a nowym pojęciem analizy predykcyjnej firmom które rozważają zwrot w stronę Big Data, oraz dlaczego jest to najlepszy moment do zrobienia tego kroku?

Ideą business intelligence od zawsze było badanie dotychczasowych trendów oraz bieżącej kondycji biznesowej. Najlepsze oprogramowanie BI umożliwia użytkownikowi szybki dostęp do danych biznesowych oraz bazowanych na nich wniosków.

Analiza predykcyjna, z kolei, wykorzystuje te wnioski i bazuje na nich ewentualny rozwój wydarzeń. Modele predykcyjne i algorytmy optymizacji pozwalają nie tylko przewidzieć następstwa konkretnych działań, lecz także przedstawić najbardziej optymistyczny scenariusz. Dzięki analizie predykcyjnej możliwa jest automatyzacja tych procesów co umożliwia podejmowanie decyzji w oparciu o fakty a nie osądy czy odczucia.

Stojąc w obliczu dostępnej w dzisiejszych czasach ilości danych, niezwykle ważne jest przejście z „obserwacji” na „akcję”. Organizacje, które najwydajniej korzystają z dostępnych im danych, doprowadziły do perfekcji umiejętność czerpania oraz modelowania dostępnych informacji w celu znalezienia w nich prawidłowości umożliwiających jak najdokładniejsze zaplanowanie następnego kroku.

Jakie starania powinna poczynić firma myśląca poważnie o analityce biznesowej?

Jak powiedział Ken Rudin, szef analityki w Facebooku, musisz znaleźć ogniwo by naprawić łańcuch. Innymi słowy, zamiast przechodzić na kompleksową analizę obejmującą całość przedsiębiorstwa zacznij krok po kroku. Współpracuj z personelem w celu zidentyfikowania problemów biznesowych których rozwiązanie będzie miało wymierny wpływ na funkcjonowanie przedsiębiorstwa. Zdefiniuj kluczowe wskaźniki, zbierz odpowiednie dane, a na końcu poddaj je analizie by wykryć znaczące prawidłowości. Na każdym kroku tego procesu należy zaangażować kluczowych członków organizacji by analiza ta nie była dla nich „greką”, oraz skupić się na opracowaniu nieskomplikowanego, łatwego do użycia modelu.

Należy pamiętać, że coś takiego jak idealny model predykcyjny nie istnieje, więc zamiast skupiać się na jego stworzeniu, może warto raczej stworzyć model wystarczająco dobry by wpłynąć na to wyżej wymienone „ogniwo”.

Taka filozofia „małych kroków” zwiększy szanse powodzenia oraz akceptacji personelu, a także pomoże położyć podwaliny pod kulturę decyzyjności opartej na analizie i faktach.

Wygląda na to, że najbardziej logicznym kandydatem do objęcia tych funkcji analitycznych są wydziały informatyczne. Zgadzasz się z tym?

W zasadzie to prawda. Najlepszymi ludźmi do zajęcia się analizą są ci, którzy mają możliwość gromadzenia, czyszczenia, organizacji, oraz analizy danych w organizacji. W gestii IT od zawsze znajdowały się te trzy pierwsze funkcje, podczas gdy osoby z umiejętnościami i doświadczeniem analitycznym mogą pochodzić z różnych komórek – finansów, marketingu, czy nawet sprzedaży lub kadr. W takiej sytuacji odseparowuje się użytkowników danych od tych którzy je tworzą, co nie jest idealnym scenariuszem. Najlepiej było by, gdyby wszystkie te osoby zaczęły współpracować jako jedna grupa wyspecjalizowana w czymś co można by nazwać „badaniami nad danymi” lub „poznaniem klienta”.

Jakie umiejętności, poza tą do współpracy z kierownictwem w celu zrealizowania konkretnych założeń biznesowych, powinni informatycy nabyć lub doskonalić by z powodzeniem objąć wysiłki analityczne?

Nawiązałaś teraz do pierwszej części mojej odpowiedzi, odnoszącej się do tzw. „żyłki do interesów”. Jest ona niezbędna w odpowiednim porozumieniu się z pracownikami, ale o tym później.

Generalnie, niezbędna jest wiedza o statystyce wielowymiarowej i analizie ilościowej. Bardzo ważne są też umiejętności przygotowania jasnej i przejrzystej prezentacji po to, by przedstawić fakty w klarowny sposób.

Wspomniałeś wcześniej o zasadzie trzech R analizy predykcyjnej. Mógłbyś ją nam objaśnić?

Oczywiście. Chodzi tutaj o niezawodność, replikowalność, oraz klarowność (Reliable, Repeatable, Relateable).

Niezawodność odnosi się tutaj do stopnia dokładności Twojego modelu. Jak wspomniałem wyżej, model nie musi być perfekcyjny, lecz musi charakteryzować się odpowiednio wysoką precyzyjnością by być w stanie wywrzeć wpływ. Sztuką w analityce jest wiedzieć kiedy jest on wystarczająco dobry, by zaoszczędzić sobie daremnego wysiłku poszukując rozwiązania idealnego.

Model replikowalny to taki, którego zastosowanie jest uniwersalne, niezależnie od klientów, rynku, czy okresu czasu. Należy wystrzegać się niewłaściwie zaprojektowanych modeli, charakteryzujących się niską kompatybilnością z różnego rodzaju danymi.

Replikowalność jest istotna gdy chcemy użyć tej samej metody do rozwiązania różnych problemów. W fazie projektowej modelu korzystamy z przepisu Definicja – Diagnoza – Prognoza, gdzie definiujemy cele z wykorzystaniem właściwych danych oraz kluczowych wskaźników, analizujemy stosowne dane by określić gdzie firma znajduje się na drodze do tego celu, a na końcu budujemy predykcyjny model, który pomaga jej w jego osiągnięciu. Dzięki takiej procedurze jednorazowy model ma szansę zostać zaadoptowany jako stały proces biznesowy.

Klarowność oznacza jak zrozumiały jest Twój model dla jego użytkowników. Innymi słowy, oznacza to konieczność jego przedstawienia w kontekście biznesowym, a nie jako ciąg matematycznych formułek. Jest to niezbędne by przekonać resztę personelu do Twojego pomysłu i zdobyć ich wsparcie w jego wdrożeniu. Niestety, cecha ta jest bardzo często zaniedbywana, choć jest prawdopodobnie najważniejszą z wszystkich trzech “R”. Ta zdolność przychodzi z czasem i nie uczą jej w szkole. Koniec końców, niezależnie jak starannie zaprojektowałaś swój model, może on nie być w pełni wykorzystany lub kompletnie zignorowany jeśli tylko jego użytkownicy nie będą w stanie go zrozumieć.

Zatem jeśli zależy Ci na umiejętności budowania wydajnych modeli predykcyjnych, warto jest zapoznać się z regułą trzech „R” i korzystać z niej przy wprowadzaniu analizy predykcyjnej w przedsiębiorstwie.

Źródło: TechRepublic.com
Autor: Toni Bowers
Przełożył: Przemysław Podmostko – Redaktor Sekcji Zagranicznej