Rozdział 1
Uzyskiwanie wartości biznesowych za pomocą AI
W tym rozdziale zbadamy to, dlaczego włączenie sztucznej inteligencji (artificial intelligence, AI) do analiz biznesowych (business intelligence, BI) staje się ważniejsze, niż kiedykolwiek i jak zespoły BI mogą wykorzystywać AI. W tym celu zidentyfikujemy typowe obszary, w których AI może wspomagać zadania i procesy BI, a także przyjrzymy się leżącym w tle funkcjonalnościom uczenia maszynowego (machine learning - ML). Na koniec tego rozdziału przejdziemy do praktycznej platformy roboczej, która pozwoli odwzorować funkcjonalności AI/ML na różne obszary problemów BI.
Jak AI zmienia krajobraz BI
W ciągu ostatnich 30 lat BI powoli, ale konsekwentnie stawało się siłą napędową leżącą u podstaw opartej na danych kultury firmowej - a przynajmniej do momentu, gdy centrum uwagi przesunęło się w stronę danetyki, uczenia maszynowego i AI. Jak się to w ogóle stało? I co to oznacza dla struktury naszych BI?
Spoglądając wstecz na początki pierwszej ery systemów wspomagania decyzji w latach siedemdziesiątych XX wieku, ujrzymy systemy techniczne wykorzystywane przez ekspertów informatycznych do uzyskiwania wniosków na podstawie niewielkich (z dzisiejszego punktu widzenia) zbiorów danych. Systemy te ewoluowały, aż ostatecznie zaczęto je określać terminem BI w późnych latach 80. Analizowanie danych było czymś zupełnie nowym, zatem nawet najbardziej podstawowe spostrzeżenia budziły podziw. Nagle okazało się, że decyzje biznesowe nie są już oparte jedynie na wewnętrznym instynkcie, ale na rzeczywistych danych, które w złożonych sytuacjach pozwoliły podejmować bezpieczniejsze i odważniejsze decyzje.
Druga era rozwoju BI rozpoczęła się na przełomie wieków i dominowały w niej rozwiązania określane jako analizy samoobsługowe (self-service). Bogactwo nowych narzędzi i technik sprawiało, że fragmentowanie i selekcjonowanie danych przez nietechnicznych użytkowników stało się łatwiejsze, niż kiedykolwiek. Nagle okazało się, że mogą oni bez większego wysiłku wybierać dane, tworzyć wizualizacje i wyciągać wnioski z coraz większych źródeł danych. Rozwiązania te były głównie oferowane przez wielkie firmy programistyczne, takie jak Oracle, SAP i Microsoft, ale również pobudziły rozwój niszowych firm skoncentrowanych na BI, takich jak Tableau Software. Coraz silniejsza była też integracja powszechnie używanych arkuszy kalkulacyjnych z ogólnym ekosystemem analizowania danych - na przykład pozwalając użytkownikom biznesowym (nie informatykom) na dostęp do kostek OLAP poprzez tabele przestawne w Microsoft Excel.
Większość większych firm obecnie nadal tkwi w tej drugiej fazie rozwoju BI. Dlaczego? Po pierwsze, w ostatnich latach wiele wysiłków technologicznych koncentrowało się na technicznych aspektach zarządzania wykładniczym wzrostem rozmiarów danych, które miały być przetwarzane przez systemy BI w celu wyciągania wniosków i spostrzeżeń. Po drugie, wzrost rozmiarów danych, napędzany przede wszystkim rozwojem Internetu i usług cyfrowych (patrz rysunek 1-1), doprowadził do coraz większego deficytu osób umiejących posługiwać się danymi, dysponujących umiejętnościami obsługi wielowymiarowych zbiorów danych i niezbędnych do tego narzędzi (w tym przypadku nie Excela).
Rysunek 1-1 Wzrost wielkości danych w ostatnich latach.Źródło: Statista (https://oreil.ly/aYY04)
W porównaniu z rynkiem konsumenckim, w obszarze profesjonalnego BI wykorzystywanie AI nadal jest obsługiwane niewystarczająco. Wynika to zapewne stąd, że osoby utalentowane w kierunku AI i BI zazwyczaj trafiają do różnych zespołów w ramach organizacji, a jeśli nawet się kiedyś spotkają, trudno im jest efektywnie komunikować się ze sobą nawzajem. To zaś jest efektem tego, że obie grupy typowo "mówią różnymi językami" i mają odmienne priorytety: eksperci BI zwykle nie zajmują się trenowaniem modeli i testowaniem danych, zaś danetycy rzadko mają do czynienia z pakietami SQL Server Integration Services (SSIS) i procedurami ekstrakcji, transformacji i ładowania danych (ETL).
Potrzeba włączenia technik AI do rozwiązań BI będzie jednak wzrastać w nieunikniony sposób, co można wnioskować z następujących, zauważalnych trendów:
Potrzeba uzyskiwania szybkich odpowiedzi z posiadanych danych
Organizacje domagają się spostrzeżeń opartych na danych, aby zachować konkurencyjność i się rozwijać. Analitycy danych już są przytłoczeni rosnącą liczbą żądań, aby zbadać tę lub tamtą miarę lub przeanalizować ten lub tamten zbiór danych. Jednocześnie użytkownicy biznesowi mają coraz większe potrzeby szybkiego i łatwego uzyskiwania odpowiedzi na podstawie danych. Jeśli mogą zapytać Google lub Amazon Alexa o bieżącą cenę akcji konkretnej firmy, dlaczego nie mogliby zapytać swojego profesjonalnego systemu BI o wartości sprzedaży z wczoraj?
Demokratyzacja spostrzeżeń
Użytkownicy biznesowi przyzwyczaili się do uzyskiwania spostrzeżeń z danych za pomocą samoobsługowych rozwiązań BI. Jednak dzisiejsze zbiory danych są często zbyt obszerne i zbyt złożone, aby można było je przekazać do czystej samoobsługowej analizy. Rosnące objętości danych, ich zmienność i ruchliwość sprawiają, że trudne jest, jeśli nie niemożliwe, analizowanie ich przez nietechnicznych użytkowników przy użyciu znajomych narzędzi na ich własnych komputerach. Aby móc dalej demokratyzować uzyskiwanie spostrzeżeń w całej organizacji, potrzebne są systemy BI, które będą łatwe w użyciu i będą automatycznie ujawniać spostrzeżenia użytkownikom końcowym.
Dostępność usług ML
Choć wykorzystanie AI nadal rośnie w większości organizacji, jednocześnie rosną oczekiwania co do jakości przewidywań i prognoz. W jeszcze większym stopniu dotyczy to rozwiązań BI; platformy z niewielką potrzebą kodowania lub w ogóle bez takiej konieczności sprawiają, że łatwiejsze, niż kiedykolwiek staje się udostępnianie technik uczenia maszynowego osobom nie będącym specjalistami od danych i nakładają na członków zespołów BI potrzebę włączania spostrzeżeń predykcyjnych do ich raportów. Te same postępy, które obserwujemy w danetyce, są oczekiwane również w obszarze BI, prędzej lub później.
Aby lepiej zrozumieć, jak zespoły BI mogą wykorzystywać AI, przyjrzyjmy się pokrótce modelowi spostrzeżeń analitycznych opublikowanych przez firmę Gartner (https://oreil.ly/GGxKR, rysunek 1-2).
Rysunek 1-2 Rodzaje wniosków i metodologii analitycznych.Źródło: Gartner (https://oreil.ly/GGxKR)
Kluczowa funkcjonalność każdego rozwiązania BI albo infrastruktury raportującej to dostarczanie wniosków wstecznych i prognostycznych poprzez wykorzystanie analiz opisowych i diagnostycznych danych historycznych. Te dwie metody są najważniejsze dla wszystkich dalszych procesów analitycznych, bazujących na ich wynikach.
Po pierwsze, organizacja musi zrozumieć, co wydarzyło się w przeszłości i co było motorem tych zdarzeń z punktu widzenia danych. Jest to typowo nazywane bazowym raportowaniem z pewnymi elementami spostrzeżeń. Trudność techniczna i złożoność jest stosunkowo niska, ale to samo dotyczy wartości wewnętrznej takich informacji. Nie należy tego źle rozumieć: rzetelne i strukturalne raportowanie nadal jest najważniejszym szkieletem analiz danych w biznesie, jako że tworzy fundament dla bardziej zaawansowanych koncepcji i generuje pytania lub problemy, które napędzają dalszą analizę. W istocie każda faza modelu spostrzeżeń obejmuje wszystkie wcześniejsze etapy. Nie można wykonać analizy predykcyjnej, dopóki nie nadamy znaczenia swoim danym historycznym.
Rozważmy następujący przykład. Firma telekomunikacyjna ma klientów, którzy subskrybują usługi w cyklu miesięcznym. W każdym miesiącu pewna liczba klientów nie odnawia swojego kontraktu usługowego i porzuca relację biznesową - zjawisko to nazywane jest rotacją klientów (customer churn).
Najbardziej podstawowym wymogiem, który musi spełnić system BI, będzie ustalenie, jak wielu klientów podlegało rotacji w przeszłości i jak rotacja zmienia się z upływem czasu. Analityka opisowa zapewnia nam niezbędne informacje dla ustalenia wysokości współczynnika rotacji w czasie i stwierdzenia, czy mamy do czynienia z rzeczywistym problemem. Tabela 1-1 pokazuje przykład, jak mogłoby to wyglądać.
Tabela 1-1 Współczynnik rotacji w czasie (analityka opisowa)
Kwartał 1
Kwartał 2
Miesiąc
Styczeń 22
Luty 22
Marzec 22
Kwiecień 22
Maj 22
Czerwiec 22
Współczynnik rotacji
24%
26%
22%
29%
35%
33%
Wartość wewnętrzna tej informacji jest raczej niewielka. Na tym poziomie analiza nie może naprawdę rozstrzygnąć, dlaczego wystąpiło obserwowane zjawisko ani co moglibyśmy z nim zrobić. Jednak przynajmniej sygnalizuje, czy w ogóle mamy jakiś problem: w tej tabeli możemy zauważyć, że współczynnik rotacji w kwartale 2 wydaje się znacząco wyższy, niż w pierwszym, zatem wartościowe może być bliższe przyjrzenie się temu zjawisku.
W tym momencie do gry wchodzi analityka diagnostyczna. Możemy teraz kopać głębiej i wzbogacić transakcyjne dane sprzedaży o dodatkowe informacje o klientach - na przykład o grupy wiekowe, co pokazuje tabela 1-2.
Tabela 1-2 Współczynnik rotacji względem czasu i segmentów klientów
Wiek klienta
Współczynnik rotacji w kwartale 1
Współczynnik rotacji w kwartale 2
18-29
29%
41%
30-49
28%
30%
50-64
24%
25%
65 i więcej
20%
19%
Ta analiza informuje nas, że współczynniki rotacji wydają się stabilne wśród klientów, którzy mają lat 50 i starszych. Z drugiej strony, wydaje się, że młodsi klienci chętniej dokonują rotacji i ten trend zauważalnie wzrósł w kwartale 2. Klasyczne systemy BI pozwolą na analizowanie tych danych względem wielu zmiennych, aby ustalić, co się dzieje.
W wielu przypadkach przedsiębiorstwo może znaleźć wartościowe wzorce, które jedynie dzięki analizom tego rodzaju doprowadzą do odpowiednich działań lub decyzji. To dlatego ta faza jest tak krytyczna i zawsze pozostanie bardzo ważna.
Analityka predykcyjna przenosi działania analityczne krok dalej, odpowiadając na pojedyncze pytanie: co nastąpi w przyszłości przy założeniu, że wszystkie wzorce znane z przeszłości będą się powtarzać? Tym samym analiza predykcyjna dodaje do danych kolejny poziom wartości, ale i złożoności, co widzimy w tabeli 1-3.
Tabela 1-3 Szacowanie prawdopodobieństwa rotacji klientów (analityka predykcyjna)
ID klienta
Wiek
Plan
Cena
Aktywny od (miesiące)
Prawdopod. rotacji
12345
24
A
9,95
13
87%
12346
23
B
19,95
1
95%
12347
45
B
19,95
54
30%
Złożoność się powiększa, gdy opuszczamy królestwo danych historycznych. Zamiast formułowania spostrzeżeń jako pojęć binarnych (takich jak prawda i fałsz), wprowadzamy prawdopodobieństwo wystąpienia określonych zdarzeń (w tym przypadku rotacji klientów). W tym samym czasie rośnie wartość danych, gdyż wszystko, co wiemy z przeszłości, włączamy do przypuszczeń na temat tego, jak wpływa to na przyszłe zachowania.
Dla przykładu, opierając się na prawdopodobieństwie przyszłej rotacji i historycznych danych sprzedaży możemy obliczyć prognozowane ryzyko sprzedaży dla kolejnych kwartałów, które zostanie włączone do planowania finansowego. Możemy też wybrać tych klientów, dla których prawdopodobieństwo rotacji jest wysokie, aby podjąć ukierunkowane działania w celu złagodzenia tego ryzyka.
Ale jakie działania powinniśmy podjąć? Zapraszamy do analityki zaleceń! Tabela 1-4 pokazuje, jak mogłoby to wyglądać w praktyce. W tym przypadku dodajemy kolejny wymiar, który nazwaliśmy następna najlepsza oferta; zawiera on zalecane działanie, takie jak określony rabat lub ulepszenie produktu w zależności od indywidualnego profilu klienta i jego historycznego zachowania zakupowego.
Tabela 1-4 Sugerowanie działania (analityka zaleceń)
ID klienta
Wiek
Plan
Cena
Aktywny od (miesiące)
Prawdopod. rotacji
Następna najlepsza oferta
12345
24
A
9,95
13
87%
Oferta rocznego kontraktu
12346
23
B
19,95
1
95%
Ulepszenie produktu
12347
45
B
19,95
54
30%
Brak
Gdy skupimy się na organizacjach, które mają tysiące (wiele tysięcy) klientów, staje się oczywiste, że w celu zoptymalizowania takich zadań w skali makro konieczne jest poleganie na automatyzacji w skali mikro. Ręczne podejmowanie wszystkich takich mini-decyzji i monitorowanie efektywności działań dla każdego klienta jest po prostu niewykonalne. Poziom zwrotu z inwestycji (return on investment - ROI) tych mini-decyzji jest po prostu zbyt niski, aby usprawiedliwić podejmowanie wysiłku.
To właśnie jest miejsce, w którym AI i BI mają doskonały punkt spotkania. Przypuśćmy, że AI może wskazać prawdopodobieństwo rotacji wraz z sugerowaną następną ofertą dla każdego klienta. Możemy teraz zmieszać te informacje z klasycznymi miarami BI, takimi jak historyczne przychody od klienta albo jego lojalność, co pozwoli podjąć świadomą decyzję o tych działaniach, które będą miały największy wpływ biznesowy i największe szanse powodzenia.
Zależność pomiędzy AI i BI możemy zatem ładnie podsumować poniższym równaniem:
AI + BI = DI
gdzie DI oznacza Decision Intelligence (analityka decyzyjna)
Najbardziej skuteczne zastosowania BI wspomagane przez AI to te, które stapiają ze sobą zautomatyzowane i ludzkie decyzje. Zbadamy to praktycznie w części 2. Teraz przyjrzyjmy się szczegółowo, jak AI może systematycznie pomagać w ulepszaniu naszego rozwiązania BI.
Typowe przypadki użycia AI dla rozwiązań BI
Typowo AI może dodać wartość do rozwiązania BI na trzy sposoby:
Poprzez zautomatyzowanie wnioskowania i sprawienie, że proces analizowania jest bardziej przyjazny dla użytkownika
Poprzez obliczanie lepszych prognoz i przewidywań
Poprzez umożliwienie wyciągania wniosków przez systemy BI nawet z niestrukturalnych źródeł danych
Rysunek 1-3 prezentuje obraz wysokiego poziomu powiązania tych obszarów zastosowań z różnymi metodami analitycznymi.
Rysunek 1-3 Jak możliwości AI wspierają metody analityczne
Zbadajmy te obszary nieco dokładniej.
Automatyzacja i łatwość użycia
Uczynienie samego narzędzia BI bardziej inteligentnym i łatwiejszym w użyciu sprawi, że będzie jeszcze bardziej dostępne dla użytkowników nietechnicznych, tym samym zmniejszając obciążenie analityków. Ta łatwość użycia jest zwykle osiągana poprzez automatyzację odbywającą się w tle.
Inteligentne algorytmy sprawiają, że możliwe jest szybkie (mierzone w sekundach) przesianie gór danych i wydobycie interesujących wzorców lub spostrzeżeń dla użytkowników biznesowych lub analityków. Jak widać na rysunku 1-4, procedury te szczególnie dobrze nadają się dla faz analizy opisowej i diagnostycznej.
AI może pomóc w odkrywaniu interesujących korelacji lub nietypowych obserwacji względem wielu zmiennych, które ludzie mogliby przeoczyć. W wielu przypadkach AI jest również lepsza od ludzi w wyszukiwaniu ciekawych kombinacji miar - ludzie zazwyczaj są w stanie skupić się jedynie na jednej metryce na raz. Jednak automatyzacja i łatwość użycia sięga również fazy analiz predykcyjnych - na przykład ułatwiając wytrenowanie i wdrożenie niestandardowych modeli uczenia maszynowego.
Rysunek 1-4 BI napędzane przez AI: automatyzacja i łatwość użycia (warstwa aplikacji)
Trzeba tu zwrócić uwagę na jedną ważną rzecz: funkcjonalności AI w tej fazie są zazwyczaj wbudowane w warstwę aplikacji, którą jest nasze oprogramowanie BI. Zatem typowo nie można po prostu dodać tych możliwości do platformy BI za pomocą paru wierszy kodu Pythona (w przeciwieństwie do zasilanych przez AI prognoz i odblokowywania niestrukturalnych danych, co będziemy omawiali w rozdziałach 7, 8 i 9). Jeśli używamy nowoczesnych platform BI, takich jak Microsoft Power BI albo Tableau, funkcje wykorzystujące sztuczną inteligencję znajdziemy wewnątrz tych narzędzi. Niekiedy są one ukryte albo odbywają się tak "przezroczyście", że nawet nie zauważymy, że gdzieś tam pracuje sztuczna inteligencja.
Resztę tego podrozdziału poświęcimy na przedstawienie wskaźników sygnalizujących, że pod maską działa AI, znacznie ułatwiając nasze życie jako analityków.
Wykorzystanie przetwarzania języka naturalnego do interakcji z danymi
Dzięki wykorzystaniu opartej na AI technologii przetwarzania języka naturalnego (natural language processing - NLP) komputery znacznie lepiej radzą sobie z interpretowaniem i przetwarzaniem tekstowych poleceń użytkowników. Dla przykładu przypuśćmy, że chcemy poznać wyniki sprzedaży dla ostatniego miesiąca albo wyniki sprzedaży w Stanach Zjednoczonych w minionym roku w porównaniu do bieżącego roku. Moglibyśmy zatem wpisać następujące pytania:
Jakie były sprzedaże w Teksasie w ostatnich 5 latach?
albo
Wartość sprzedaży w Teksasie w minionym roku vs wartość sprzedaży w Teksasie
w tym roku
Nie jest potrzebny żaden skomplikowany kod ani specjalizowany język zapytań. Taka warstwa wejściowa w stylu pytań i odpowiedzi (Q&A) sprawia, że platforma BI jest znacznie bardziej dostępna dla użytkowników nietechnicznych, ale również wygodniejsza dla analityków, którzy naprawdę nie są w stanie przewidzieć każdego pytania, które użytkownik biznesowy mógłby chcieć zadać. Większość użytkowników będzie dobrze znać takie podejście, jako że jest podobne do posługiwania się wyszukiwarką, taką jak Google.
Bez względu na to, czy narzędzia Q&A są wbudowane w rozwiązanie BI, czy stanowią odrębną nakładkę, nie wszystkie takie implementacje działają równie dobrze. W istocie niezawodne działanie takich funkcji w środowisku produkcyjnym wymaga rozwiązywania w tle znaczących złożoności. Analitycy muszą śledzić rodzaje pytań zadawanych przez użytkowników biznesowych i upewniać się, że generowane wyjście jest poprawne. Konieczne jest zdefiniowanie synonimów i języka dziedzinowego, aby zagwarantować, że system będzie właściwie interpretować pytania użytkowników. I podobnie jak we wszystkich systemach informatycznych, wymaga to stałego utrzymywania i konserwacji. Mamy jednak nadzieję, że systemy te będą coraz sprawniejsze i ręczne wysiłki potrzebne do ich działania będą malały z czasem.
Podsumowywanie wyników analitycznych
Nawet jeśli treść wykresu wydaje się oczywista i samo-objaśniająca, dobrą praktyką jest podsumowanie kluczowych spostrzeżeń jednym lub dwoma zdaniami języka naturalnego, co zmniejszy ryzyko błędnej interpretacji. Jednak kto naprawdę lubi pisanie pozornie oczywistych objaśnień pod wykresami zamieszczanymi w raportach czy prezentacjach? Większość ludzi tego nie znosi i to jest kolejna sfera, w której AI może pomóc.
NLP napędzane przez AI może nie tylko pomóc w interpretowaniu wejścia w języku naturalnym, ale może również generować tekst podsumowania na podstawie przetwarzanych danych. Takie automatycznie generowane teksty będą zawierać opisowe charakterystyki danych, a także godne uwagi zmiany lub trendy. Oto przykład podpisu wykresu automatycznie wygenerowanego przez Power BI:
Wartość Sales w Texas wzrastała w ostatnich 5 latach i wykazuje najdłuższy
okres wzrostowy dla Sales pomiędzy 2010 a 2014
Jak można zauważyć, takie drobne, generowane przez AI fragmenty tekstu mogą znacząco ułatwić pracę analityka i oszczędzić mnóstwo czasu, gdy przychodzi czas na zakomunikowanie spostrzeżeń innym zainteresowanym. Dodatkowo mogą one pomóc w spełnianiu wymogów dostępności, tworząc tekst dla czytników ekranowych.
Wykorzystanie automatyzacji do wyszukiwania wzorców w danych
Zobaczyliśmy już, że funkcjonalność NLP może pomóc w wydajnym uzyskaniu opisowych spostrzeżeń z naszych danych. Kolejnym logicznym krokiem jest odkrycie, dlaczego konkretne zjawisko wystąpiło w przeszłości, na przykład dlaczego sprzedaże w Teksasie wzrosły tak bardzo?
W przypadku analiz diagnostycznych normalnie musielibyśmy przeczesywać nasz zbiór danych, aby zbadać znaczące zmiany w rozkładach danych. W tym przykładzie możemy zechcieć ustalić, czy ogólne zmiany były napędzane określonym produktem lub zdarzeniem. Ten proces szybko może stać się żmudny i kłopotliwy. AI może pomóc w zmniejszeniu czasu wnioskowania (time to insight - TTI).
Algorytmy doskonale radzą sobie z wykrywaniem wzorców w danych w tle i wydobywaniem ich na pierwszy plan. Dla przykładu, za pomocą narzędzi sztucznej inteligencji, takich jak drzewa rozkładu lub analiza kluczowych czynników, można szybko ustalić, jakie charakterystyki w naszych danych doprowadziły do ogólnego zaobserwowanego efektu - w locie. W rozdziałach 5 i 6 przyjrzymy się trzem konkretnym przykładom wykorzystania wspieranych przez AI możliwości w Power BI, dzięki którym nasze życie jako analityka danych lub użytkownika biznesowego będzie lżejsze.
Lepsze prognozowanie i przewidywania
Podczas gdy analizy opisowe i diagnostyczne stanowią serce każdego systemu BI, od zawsze istniało też pragnienie, aby nie tylko zrozumieć przeszłość, ale również przewidywać przyszłość. Jak można zobaczyć na rysunku 1-5, możliwości wzmacniane sztuczną inteligencją mogą wspomagać końcowych użytkowników w stosowaniu skutecznych metod prognostycznych i analityki zaleceń w celu lepszego prognozowania i lepszych przewidywań opartych na danych historycznych.
Powoduje to wzrost złożoności, gdyż opuszczamy królestwo binarnych danych z przeszłości i wprowadzamy probabilistyczne domysły na temat przyszłości, które oczywiście zawierają wiele niepewności. Jednocześnie perspektywiczna wartość rośnie: jeśli jesteśmy w stanie przewidzieć przyszłość, możemy podejmować znacznie lepsze decyzje w teraźniejszości.
Rysunek 1-5 BI napędzane przez AI: lepsze prognozy i przewidywania (warstwa analityczna)
Być może czytelnik słyszał wcześniej o metodach statystycznych, takich jak regresja lub autoregresyjna zintegrowana średnia krocząca (autoregressive integrated moving average - ARIMA) - być może w szkole średniej lub na podstawowych wykładach uniwersyteckich - i zastanawia się, gdzie tu jest miejsce dla AI. Trzeba jednak zwrócić uwagę na następujące aspekty:
AI może tworzyć lepsze prognozy, wykorzystując więcej danych i mniejszy nadzór ze strony człowieka
AI w swoich podstawach wykorzystuje dobrze znane, sprawdzone techniki, takie jak regresja liniowa. Jednocześnie jednak AI może stosować te techniki do złożonych zbiorów danych, wykorzystując podejścia stochastyczne do szybkiego odszukania optymalnego rozwiązania bez konieczności obszernego nadzoru ludzkiego. Specjalizowane algorytmy dla prognoz serii czasowych są zaprojektowane w celu rozpoznawania wzorców w większych ilościach takich danych. AI próbuje optymalizować przewidywania bazując na wyborze cech i minimalizowaniu funkcji straty. Może to doprowadzić do lepszych lub dokładniejszych przewidywań dla krótkiego horyzontu czasowego albo próbowania uzyskania bardziej dokładnych prognoz dla dłuższych okresów czasu. Bardziej złożone, nieliniowe modele pozwalają uzyskać bardziej szczegółowe, a w konsekwencji lepsze wyniki predykcji.
AI może obliczać prognozy na dużą skalę w celu zoptymalizowania podejmowania decyzji
Przewidzenie całkowitej liczby klientów w następnym kwartale byłoby miłe. Co jednak byłoby jeszcze lepsze, to obliczenie prawdopodobieństwa rotacji dla każdego klienta z naszej bazy, bazując na ostatnich danych. Mając te informacje, możemy nie tylko ustalić, którzy klienci najprawdopodobniej odejdą w następnym miesiącu, ale również zoptymalizować proces podejmowania decyzji. Możemy dla przykładu ustalić, którzy spośród klientów zapewne zechcą odejść w kolejnym miesiącu i do nich właśnie skierować kampanię marketingową. Połączenie uczenia maszynowego z BI tworzy potencjalnie ogromne możliwości dla organizacji. Zaś wraz z rozwojem najnowszych technik, takich jak zautomatyzowane uczenie maszynowe (AutoML) oraz sztuczna inteligencja jako usługa (AI as a service - AIaaS), które zbadamy bliżej w rozdziale 3, organizacje mogą zredukować wąskie gardła powodowane przez brak dostatecznej liczby specjalistów od danych lub praktyków ML, utrudniające wykorzystanie potencjału AI.
Możliwości AI ulepszające prognozowania lub lepsze przewidywania można napotkać jako integralną część istniejącego oprogramowania BI (warstwa aplikacji). Możliwości te mogą być również stosowane niezależnie, bezpośrednio na poziomie bazy danych (warstwa analityczna). Sprawia to, że zawsze są dostępne, bez względu na to, jakiego narzędzia BI używamy. Stosowanie tych technik zbadamy bliżej w rozdziałach 7 i 8.
Posługiwanie się danymi niestrukturyzowanymi
Systemy BI typowo pracują z danymi tabelarycznymi z relacyjnych baz danych, takich jak hurtownie danych przedsiębiorstwa. Ostatnio jednak, wraz z rosnącą cyfryzacją wszelkich kanałów, można zaobserwować ogromny wzrost użycia danych niestrukturalnych, mających formę plików tekstowych, obrazów lub audio. Historycznie rzecz ujmując, te formaty danych są trudne do analizowania w większej skali. Sztuczna inteligencja pozwala to zmienić.
AI może poszerzyć i pogłębić dane dostępne dla odczytu przez maszyny, wykorzystując takie technologie, jak widzenie komputerowe lub NLP, aby uzyskiwać dostęp do nowych, wcześniej nieuwzględnianych źródeł danych. Niestrukturalne dane, takie jak pliki tekstowe, dokumenty PDF, obrazy czy pliki audio można przekształcić w formaty strukturyzowane pasujące do zadanego schematu, takiego jak tabela lub plik CSV, a następnie mogą być one używane i analizowane w systemie BI. Jako że jest to coś, co następuje na poziomie pozyskiwania danych, proces ten nieuniknienie wpływa na wszystkie fazy działania platformy BI (rysunek 1-6).
Dzięki włączeniu tych plików do naszych analiz możemy uzyskać jeszcze więcej informacji, które potencjalnie mogą doprowadzić do lepszych prognoz lub lepszego rozpoznania kluczowych czynników.
W rozdziale 8 zobaczymy na przykładach, jak to działa w praktyce.
Rysunek 1-6 BI napędzane przez AI: odblokowanie niestrukturalnych danych w warstwie pozyskiwania danych
Uzyskanie intuicyjnego zrozumienia AI i uczenia maszynowego
Powiedzieliśmy już sporo na temat tego, jak można wykorzystać sztuczną inteligencję w rozwiązaniach BI. Jednak by móc naprawdę budować produkty lub usługi wspomagane przez AI, musimy pogłębić rozważania i zrozumieć, czym AI jest i co pozwala (a także czego nie pozwala) osiągnąć.
Zatem czym naprawdę jest AI? Jeśli zapytamy o to dziesięć osób, zapewne otrzymamy jedenaście odpowiedzi. Na potrzeby wykładu prezentowanego w tej książce ważne jest uzgodnienie pojęć i ustalenie, co ten term rzeczywiście oznacza.
Na początek, trzeba zauważyć, że termin sztuczna inteligencja nie jest nowy. W istocie był używany w wojskowych laboratoriach badawczych już w latach pięćdziesiątych XX wieku. Od tego czasu badacze podejmowali wiele prób osiągnięcia celu, którym było zreplikowanie ludzkiej inteligencji przez maszyny (komputery). Jak pokazuje rysunek 1-7, od czasu wymyślenia tego pojęcia rozwinęły się dwa ogólne pola sztucznej inteligencji: ogólna AI oraz zawężona AI.
Ogólna AI, nazywana też silną AI, dotyczy technologii, która dąży do rozwiązania dowolnego zadanego problemu, z którym system nigdy wcześniej nie miał styczności, podobnie do tego, jak działa ludzki umysł. Ogólna AI pozostaje gorącym tematem badawczym, ale cel ciągle wydaje się odległy; badacze nadal nie mają pewności, czy w ogóle kiedykolwiek zostanie osiągnięty.
Rysunek 1-7 Rozwój sztucznej inteligencji
Z drugiej strony zawężona AI, nazywana też słabą AI, dotyczy raczej konkretnego rozwiązania, które jest w stanie radzić sobie z pojedynczym, dobrze zdefiniowanym problemem, dla którego zostało zaprojektowane i wytrenowane. Słaba AI napędza wszystkie przełomowe osiągnięcia AI, które obserwujemy w ostatnich latach, zarówno w obszarach badawczych, jak i zastosowaniach praktycznych (biznesowych).
U podstaw zawężonej AI wyróżnia się jedno podejście, jeśli chodzi o wpływ biznesowy i postępy projektowe: uczenie maszynowe (machine learning - ML)1. W istocie, ilekroć w tej książce wspominam o AI, mamy do czynienia z rozwiązaniem, które stało się możliwe dzięki ML. To dlatego będę zamiennie używać terminów AI oraz ML w tej książce. Można uznać, że AI jest raczej szerszym pojęciem o całkiem dosłownym znaczeniu: AI jest narzędziem do budowania (pozornie) inteligentnych bytów, które są w stanie rozwiązywać konkretne zadania, głównie za pomocą ML.
Teraz, gdy zależność pomiędzy AI i ML jest nieco jaśniejsza (mam nadzieję), zajmijmy się tym, czego naprawdę dotyczy uczenie maszynowe. ML to paradygmat programistyczny nakierowany na wyszukiwanie w danych wzorców, na potrzeby określonego zastosowania. ML typowo obejmuje dwie fazy: uczenie się (trening) oraz wnioskowanie (nazywane też testowaniem lub przewidywaniem).
Kluczowa koncepcja leżąca u podstaw ML polega na tym, że w historycznych danych wyszukujemy wzorce, aby rozwiązać określone zadanie, takie jak rozdzielenie obserwacji na różne kategorie, oszacowanie prawdopodobieństw albo wyszukanie podobieństw pomiędzy różnymi bytami. Typowy przypadek użycia ML to analizowanie historycznych danych transakcyjnych w celu obliczenia indywidualnych prawdopodobieństw rotacji klientów. W fazie wnioskowania naszym celem jest obliczenie prognozowanej wartości nowego punktu danych na podstawie tego wszystkiego, czego nauczyliśmy się z danych historycznych.
Aby pogłębić zrozumienie ML, przyjrzymy się kluczowym składowym naszej definicji:
Paradygmat programistyczny
Tradycyjne oprogramowanie budowane jest poprzez zakodowanie pewnych reguł w trakcie pisania określonego programu. Jeśli tworzymy system wsparcia klientów, musimy w nim uwzględnić całą logikę, która powinna nastąpić po zgłoszeniu problemu przez klienta (na przykład powiadomienie działu wsparcia poprzez email). Dokumentujemy wszystkie reguły, następnie umieszczamy je w naszym programie, po czym publikujemy oprogramowanie.
Uczenie maszynowe jednak odwraca ten paradygmat. Zamiast kodowania reguł na stałe w naszym systemie, dostarczamy dostatecznie wiele przykładów danych wejściowych i pożądanych wyników (etykiet), pozostawiając algorytmowi ML zbudowanie zbioru reguł w naszym imieniu. Choć takie podejście byłoby nieefektywne przy budowaniu systemu pomocy dla klientów, sprawdza się doskonale w pewnych scenariuszach, gdzie reguły nie są znane albo trudno je opisać. Dla przykładu, jeśli chcemy priorytetyzować żądania pomocy technicznej na podstawie wielu różnych cech, takich jak tekst żądania, typ klienta i data utworzenia tego żądania, algorytm ML może dojść do modelu priorytetyzowania, po prostu przeglądając przydzielanie priorytetów wcześniejszym (historycznym) żądaniom. Zamiast ręcznego konstruowania skomplikowanej logiki if-then-else, algorytm ML ustali ją samodzielnie, mając dostatecznie dużo czasu i zasobów obliczeniowych.
Wyszukiwanie wzorców w danych
Przy wyszukiwaniu użytecznych wzorców w danych wspólnie używane są trzy ważne koncepcje: algorytm, trenowanie oraz model. Model ML to zbiór reguł lub funkcja matematyczna, która pozwala obliczyć wartość wyjściową dla konkretnych danych wejściowych. Można o tym myśleć jako o wielkim stosie ważonych instrukcji if-then-else. Algorytm ML opisuje proces obliczeniowy, którym maszyna musi podążać, aby dojść do tego modelu. Zaś termin trenowanie oznacza wielokrotne iteracje poprzez istniejący zbiór danych, aby znaleźć najlepszy możliwy model dla tego konkretnego zbioru. Model ten powinien dawać zarówno niewielki błąd prognozowania, jak i dobre uogólnienie dla nowych, nieznanych wcześniej danych wejściowych, aby mógł zostać wykorzystany do określonego zastosowania.
Określone zastosowanie
Zadania ML są typowo kategoryzowane według problemów, które próbują rozwiązać. Główne obszary to uczenie nadzorowane (supervised) i nienadzorowane (unsupervised). Choć książka ta nie zajmuje się podstawami ML, omówimy je nieco bardziej szczegółowo w rozdziale 3.
Jeśli uwzględnimy wszystkie te składniki, zadanie praktyka ML w rzeczywistej sytuacji polega na zebraniu tak wielu danych dotyczących interesującego nas zagadnienia, jak to jest praktycznie możliwe, wybranie i dostrojenie algorytmu w celu zbudowania modelu dla tej sytuacji, po czym wytrenowanie modelu wystarczająco dokładnego, aby był użyteczny.
Jednym z największych nieporozumień dotyczących AI i ML, często popełnianych przez liderów biznesu, jest przekonanie, że AI i ML są niezwykle trudne do implementacji. Choć projektowanie i utrzymywanie konkretnych systemów ML o wysokiej wydajności rzeczywiście jest zadaniem bardzo wyrafinowanym, trzeba też wiedzieć, że rozwiązania AI zostały już utowarowione i skomercjalizowane, tak że nawet osoby nie będące ekspertami ML mogą budować sprawnie działające rozwiązania ML, używając istniejących bibliotek kodu, a nawet rozwiązań z niewielką ilością kodu lub w ogóle bez kodowania. W rozdziale 4 dowiemy się więcej o tych technikach, dzięki którym możemy samodzielnie implementować rozwiązania ML, bez pomocy specjalistów danych lub inżynierów ML.
AI jest terminem brzmiącym groźnie i onieśmielająco dla osób, które tak naprawdę nie wiedzą, co oznacza. Prawda jest taka, że jesteśmy nadal bardzo daleko od Terminatora i ogólnej sztucznej inteligencji. Jeśli chcemy uzyskać szerszą akceptację i przyjęcie rozwiązań AI w swojej organizacji, musimy wyjaśniać, czym jest AI, używając przyjaznego, nietechnicznego języka. Myślenie o AI jako automatyzacji lub czymś, co umożliwia podejmowanie lepszych decyzji opartych na naukach z przeszłości, powinno zapewnić wystarczającą wygodę, aby dostrzegać potencjalnie dobre przypadki użycia i dzielić się tym podejściem ze współpracownikami.
Mapowanie przypadków użycia AI na efekty biznesowe
Teraz, gdy dowiedzieliśmy się nieco więcej na temat AI i jak można ją stosować w rozwiązaniach BI, możemy mieć już jakieś pomysły na temat aplikacji AI we własnych przypadkach użycia. Aby ustalić, które z nich mają największy potencjał i są warte uwagi, przyjrzymy się teraz platformie mapowania historyjek, której możemy użyć dokładnie do tego celu. Platforma ta jest inspirowana zwinnymi technikami zarządzania (Agile) i powinna być pomocna w uporządkowaniu procesów myślowych.
Kluczowy pomysł platformy mapowania historyjek dla AI polega na przeciwstawieniu obecnej (tradycyjnej) implementacji procesu wariantowi tego procesu wykorzystującemu AI. Ta technika zapewni nam ogólny, całościowy obraz tego, co się zmieni, jakie rzeczy trzeba będzie dostosować, a nade wszystko, pomoże ustrukturyzować nasz proces myślenia
Utworzenie obrazkowego scenopisu do tego celu jest proste. Bierzemy czystą kartkę papieru i rysujemy na niej tabelkę złożoną czterech kolumn i dwóch wierszy. Górne cztery pola będą zawierać nasz bieżący proces, zaś dolne pomieszczą opis przyszłej, antycypowanej implementacji. Kolumny od lewej do prawej nazywamy następująco: Przygotowanie, Działania, Wyjście, Rezultaty. Rysunek 1-8 pokazuje wygląd takiego kawałka papieru.
Rysunek 1-8 Szablon scenopisu
Aby utworzyć właściwy scenopis, musimy wypełnić kolumny od lewej do prawej. Zaczynamy od pierwszego wiersza, umieszczając w nim opis bieżącej implementacji procesu dla następujących wymiarów:
Przygotowanie
Opisuje, jak proces się rozpoczyna i wylicza nasze przypuszczenia, zasoby lub kryteria rozpoczęcia.
Działania
Pomieści wszystkie zadania i elementy działań, które są wykonywane przez lub wobec zasobów wymienionych w przygotowaniach.
Wyniki
Opisuje rzeczywiste artefakty procesu. Innymi słowy, zawiera listę bytów, które zostały faktycznie wygenerowane, utworzone lub zmodyfikowane.
Rezultaty
Zawiera skutki, jakie opisane wcześniej wyniki mają na biznes oraz kolejne kroki, które wykonujemy z tymi wynikami. Na przykład wyświetlenie raportu w tablicy kontrolnej jest wynikiem, ale samo w sobie nie powoduje żadnych skutków. Rezultatem jest to, co następuje wskutek wyświetlenia tych informacji w tablicy kontrolnej, włącznie z tym, kto ma wykonać te działania.
W kolejnym kroku wykonujemy to samo dla przewidywanej przyszłej implementacji. W efekcie otrzymamy porównanie starego i nowego podejścia jeden do jednego, zapewniające przejrzysty obraz tego, co musi się zmienić oraz skutków, jakie mogą nieść z sobą te zmiany. Dla lepszego zobrazowania, jak to może działać, rysunek 1-9 zawiera prostą tabelę scenopisową dla naszego przypadku użycia rotacji klientów.
Rysunek 1-9 Przykład scenopisu
Przejdźmy kolejno przez ten przykład. Zaczniemy od lewego górnego rogu, omawiającego przygotowania do istniejącego procesu.
Obecnie rotacja klientów jest wykrywana przez sprzedawców, którzy uzyskują informacje zwrotne od istniejących klientów w trakcie regularnych spotkań oraz przez pracowników działu wsparcia, do których trafiają skargi klientów. W kolejnym kroku personel pomocy technicznej lub działu sprzedaży próbuje rozwiązać problem bezpośrednio z klientem - na przykład oferując pomoc online.
Głównym wynikiem tego procesu jest to, że dział pomocy klienckiej (miejmy nadzieję) rozwiązuje istniejące trudności i problemy, z którymi spotyka się klient. Rozpoznane problemy mogą być zgłaszane zwierzchnikom lub do systemu zarządzania skargami. W rezultacie (ponownie mamy nadzieję) klient powinien pozostać przy bieżącej usłudze po rozwiązaniu jego problemu.
Porównajmy to teraz z implementacją wykorzystującą AI, zaczynając od lewego dolnego rogu i podążając w prawo. W fazie przygotowawczej zbieramy dane historyczne na temat sposobów używania różnych produktów i usług przez klientów oraz oznakowujemy tych klientów, którzy ulegli lub nie ulegli rotacji. Możemy również poprosić personel działów sprzedaży i pomocy klienckiej, aby dzielili się swoją wiedzą dziedzinową z analitykami - to działanie powinno być regularnie powtarzane w pętli.
Naszym kolejnym działaniem będzie przeanalizowanie danych historycznych w celu ustalenia, czy da się w nich zidentyfikować kluczowe czynniki napędzające rotację klientów. Jeżeli tak, możemy wypracować model predykcyjny obliczający indywidualne ryzyko rotacji dla każdego klienta w naszej bazie danych, a także zapewnić wnioski na temat tego, dlaczego w ogóle następuje rotacja.
Jako wynik, obliczone poziomy ryzyka i powody rotacji są prezentowane w firmie. Informacja ta może być uzupełniona innymi metrykami, takimi jak przychody klientów i przedstawiona w raporcie zamieszczanym w systemie zarządzania relacjami z klientami (CRM) albo systemie BI.
Mając te informacje, dział pomocy klienckiej może teraz aktywnie kontaktować się z tymi klientami, dla których ryzyko rotacji jest wysokie i próbować rozwiązać trudności lub usuwać przeszkody, zanim klient rzeczywiście zgłosi problem albo po prostu odejdzie, bez zgłaszania żadnego żądania pomocy. W rezultacie ogólny poziom rotacji powinien się stopniowo zmniejszyć, gdyż organizacja będzie mogła lepiej reagować na powody rotacji klientów w dużej skali.
Mając obie mapy historyjek - dla istniejącego i nowego procesu - powinniśmy móc z większą pewnością siebie opisywać innym interesariuszom potencjalne rozwiązanie wykorzystujące AI i zapewniane przez nie korzyści. Będziemy też umieli powiedzieć, czy w ogóle sensowne jest przechodzenie do nowego podejścia, czy to poprzez zastąpienie, czy stopienie go z istniejącym procesem. Jako ćwiczenie, proponuję użyć szablonu scenopisu i odwzorować w nim dwa lub trzy pomysły na użycie AI. Które z tych koncepcji wydają się najbardziej obiecujące?
Podsumowując, celem takiego scenopisu jest zapewnienie prostego, jednokartkowego opisu każdego przypadku użycia, który intuicyjnie pokazuje zasadnicze różnice pomiędzy podejściami, a także zalety tak istniejącego, jak i nowego podejścia. W ten sposób można lepiej uporządkować proces myślenia i zapewnić sobie solidny punkt wyjścia, gdy przystąpimy do priorytetyzowania przypadków użycia AI.
Podsumowanie
W tym rozdziale dowiedzieliśmy się, jak sztuczna inteligencja (AI) zmienia krajobraz analityki biznesowej (BI), co jest napędzane pragnieniem uzyskiwania szybszych odpowiedzi na podstawie danych, rosnącą potrzebą zdemokratyzowania spostrzeżeń i ogólną dostępnością skomercjalizowanych narzędzi ML. Zbadaliśmy, jak AI może wspomagać BI poprzez automatyzację i poprawioną użytkowalność, lepsze prognozy oraz dostęp do nowych źródeł danych. W ten sposób ludzie mogą podejmować lepsze decyzje. W tym momencie mamy już podstawowe pojęcie o działaniu AI i ML oraz o obecnie dostępnych ich możliwościach. Dowiedzieliśmy się też, jak używać platformy mogącej pomóc w uporządkowaniu procesów myślowych przy formułowaniu koncepcji przypadków użycia ML.
W kolejnym rozdziale przyjrzymy się bliżej temu, jak projektowane są systemy AI i jakie czynniki trzeba uwzględnić przed zaimplementowaniem takich technologii w swoich usługach BI.
1 Polski termin jest dość niezręczny, gdyż można go zrozumieć jako "uczenie za pomocą maszyn", podczas gdy w istocie chodzi o "uczenie SIĘ maszyn". Jednak zwrot "uczenie maszynowe" rozpowszechnił się już i trzeba się z tym pogodzić (przyp. tłum.).
