Они не обладают такими глубокими знаниями в области обработки данных, но автоматизированные инструменты предиктивной аналитики выводят новое поколение «специалистов по данным», которые могут создавать действенные прогностические модели.
У предприятий нет доступа к усовершенствованному DeLorean, который может путешествовать в будущее и обратно. Таким образом, следующей лучшей и наиболее доступной машиной времени является не что иное, как прогнозная аналитика и ее новейший родственник, автоматизированная прогнозная аналитика. Достижения в области предиктивной аналитики , а именно: искусственный интеллект для сбора и обработки озер больших данных, машинное обучение для поиска закономерностей в релевантной информации и улучшения результатов, а также визуализация для преобразования этих результатов в простые для понимания диаграммы и информационные панели, в конечном итоге могут привести к надежным прогностическим моделям , которые узаконивают полезную информацию и побуждают предприятия принимать смелые и в конечном итоге полезные решения.
Нет необходимости убеждать руководителей ИТ и бизнеса в малых компаниях и крупных предприятиях во множестве отраслей производства и услуг. В обзоре Priorities Survey, проведенном TechTarget за 2018 год, прогностическая аналитика была включена в число основных программных инициатив, запланированных для реализации в этом году руководителями корпораций, наряду с облачными приложениями, бизнес-аналитикой и аналитикой больших данных.
Но есть загвоздка
В то время как многие компании рассматривают инструменты прогнозной аналитики как незаменимое конкурентное оружие , «принятие остается недостижимым» для примерно половины организаций, которые составили первоначальные планы по внедрению технологии, согласно отчету TDWI за второй квартал 2018 года «Передовой опыт: практическая прогнозная аналитика». Основываясь на ответах специалистов по данным, аналитиков, инженеров, корпоративных ИТ- и бизнес-лидеров, в отчете указано, что если бы пользователи выполнили свои планы по внедрению инструментов прогнозной аналитики, то их использовали бы от 75% до 80% организаций. Однако на самом деле лишь 35-40% выполнили свои планы.
Этот разрыв между планированием и внедрением прогнозной аналитики в основном связан с нехваткой навыков работы с данными , необходимых для построения моделей и их применения. Добавьте к этому проблемы с инфраструктурой данных, отсутствие финансирования и нереалистичные ожидания руководства. Иногда сверху могут исходить указания на внедрение прогностической аналитики, не затрагивая и не определяя реальную бизнес-проблему, которую необходимо решить.
«Это результат сочетания нехватки навыков, нехватки навыков работы с инструментами, включая инструменты, связанные с данными, и корпоративной культуры», — сказал аналитик TDWI Ферн Халпер. «И, конечно же, одно дело построить модель, которая может дать некоторую полезную информацию — например, клиенты, которые делают X, Y или Z, могут подвергаться высокому риску оттока. И совсем другое — запустить эти модели в производство. чтобы стимулировать действие».
Модели сложные, чувствительные и нуждаются в TLC
Итерации, связанные с построением, уточнением, настройкой и переписыванием прогностических моделей, не говоря уже об управлении постоянно растущими объемами неструктурированных данных в режиме реального времени, поступающих в корпоративную казну, рассматриваются как препятствия для процесса моделирования и воплощения идей в жизнь.
«Больше организаций должны продумать, как они внедряют модели в действие», — признал Халпер. «Некоторые организации запускают модели в производство и забывают о них. На одной из наших конференций одна компания упомянула, что они не видели модели в производстве в течение семи лет… Внедрение модели в эксплуатацию — это то, что обеспечивает наибольшую ценность».
Именно здесь инструменты автоматизированной предиктивной аналитики могут сыграть многогранную роль. Большинство респондентов опроса TDWI считают, что самые большие преимущества автоматизированных инструментов предиктивной аналитики заключаются в том, что теперь больше людей могут создавать модели и создавать их быстрее, что является основной необходимостью для любой компании, стремящейся не отставать от конкурентов и даже превосходить их во всех аспектах своей деятельности. бизнес.
«Прямо сейчас мы видим, что только 16% респондентов наших опросов используют простые в использовании инструменты — например, автоматизированное машинное обучение — для построения моделей», — сообщил Халпер. «Это число может увеличиться — еще 40% утверждают, что они будут [использовать эти инструменты] в течение следующих нескольких лет — но кто знает?»
Автоматизировано не значит автоматически
Даже с автоматизированными инструментами предиктивной аналитики, которые помогают превратить неквалифицированных специалистов в моделировщиков средней и средней квалификации, упрощая сложность моделирования , необходим прикладной набор сдержек и противовесов, который Халпер называет «недостающим элементом»: управление и мониторинг этих моделей. .
«По мере того, как инструменты становятся проще в использовании, важно установить контроль или процесс контроля качества, чтобы убедиться, что «хорошие» модели запущены в производство», — посоветовал Халпер. «Если кто-то строит модель, но не знает, как интерпретировать выходные данные, например, это проблема, если модель будет запущена в производство. Им необходимо зарегистрировать модели и включить метаданные об этих моделях, чтобы они узнать больше о моделях в производстве. Им необходимо следить за моделями, когда они находятся в производстве, чтобы проверить их деградацию».
Халпер сказал, что для устранения пробела в навыках создания и мониторинга прогностических моделей компании «используют многосторонний подход. повышать квалификацию, а также потенциальных специалистов по данным прямо из университетов».
И им потребуется дополнительное образование. «Если вы собираетесь использовать определенные алгоритмы, — предположил Халпер, — даже если [автоматизированные инструменты] просты в использовании, вам все равно потребуется некоторое обучение работе с алгоритмами, так как вам придется интерпретировать выходные данные, защищать модель и возможно, быть частью процесса мониторинга».
Несмотря на то, что достигнут некоторый прогресс в сокращении разрыва между желанием внедрить предиктивную аналитику и фактическим ее внедрением, можно только догадываться, сколько времени пройдет, прежде чем большинство компаний в полной мере воспользуется преимуществами этих сложных инструментов.
