Bagaimana AI Menempatkan Analisis Data ke dalam Konteks

Kemajuan dalam AI dan analitik tambahan berarti bahwa tim perusahaan dapat menempatkan data mereka ke dalam konteks secara lebih efektif.

Ada tantangan yang membuat para pemimpin bisnis dan profesional data frustrasi sejak sebelum big data menjadi kata kunci. Kurangnya konteks dalam analitik.

Lihat apakah kasus penggunaan ini terdengar familier. Seorang pemimpin bisnis awalnya meminta analisis mengapa penjualan regional merosot, dan seorang analis data bekerja keras selama beberapa bulan untuk membangun model, menarik data, dan mengembangkan laporan untuk sisi bisnis.

Masalahnya

Ketika hasilnya kembali, hasilnya mengecewakan dalam satu dimensi, tidak pernah mengkonfirmasi "mengapa" sebenarnya di balik penurunan penjualan itu. Laporan tersebut mungkin telah mengidentifikasi selip untuk lini produk tertentu, atau mungkin tim penjualan tertentu. Tapi tidak keduanya.

Apa yang hilang adalah konteks. Tidak ada cara untuk mendeteksi penyebab selip yang sebenarnya dan mendasar. Apakah itu masalah personel, kompensasi, atau pergantian? Apakah itu benar-benar masalah rantai pasokan? Mungkinkah itu pesaing baru? Atau, apakah itu seperti kenaikan harga? Apakah itu semua? Pertanyaan-pertanyaan itu akan menjadi tindak lanjut alami untuk setiap analisis penjualan.

Namun tanpa melihat secara mendalam berbagai penyebab potensial, pemimpin bisnis dan profesional data sering kali pergi begitu saja dengan saling menyalahkan karena membuang-buang waktu dan sumber daya.

Evolusi Analisis Tertambah

Untuk menemukan konteks yang disebutkan di atas, beberapa perusahaan saat ini beralih ke AI. Mereka melaporkan keberhasilan berkat kemampuan AI untuk mendeteksi hubungan dan ketergantungan di antara berbagai departemen, aplikasi, dan proses. Keberadaan hubungan tersebut muncul dalam tipe data baru yang tidak tercantum dalam spreadsheet atau database tradisional, dan tentu saja tidak dalam bagan organisasi perusahaan.

Guru Analytics dan TI Tom Davenport dari Babson College memeriksa tipe data baru tersebut dalam artikel HarvardBusiness Review baru-baru ini, yang ditulis bersama oleh Joey Fitts, Wakil Presiden, Strategi Produk Analytics untuk Oracle.

“AI memungkinkan analitik untuk secara otomatis menggabungkan dan memproses konteks penting dari beragam sumber — banyak di antaranya sebelumnya mengharuskan analis untuk menavigasi silo dan katalog yang tidak dirawat dengan baik,” tulis mereka.

Mereka menambahkan, “Inovasi bergantung pada AI dan otomatisasi, koneksi di seluruh sistem informasi yang ada, dan asumsi berbasis peran tentang keputusan apa yang akan dibuat pada data dan analitik. Pada akhirnya, mereka dapat menyiapkan wawasan dan rekomendasi yang dapat disampaikan langsung kepada pengambil keputusan tanpa memerlukan analis untuk mempersiapkannya terlebih dahulu.”

Menemukan data yang tepat untuk proyek analitik terlalu sering menjadi latihan manual, menurut Davenport dan Fitts.

Mereka menulis, “Ini membutuhkan pengetahuan luas tentang data apa yang sesuai untuk analisis Anda dan di mana dapat ditemukan, dan banyak analis tidak memiliki pengetahuan tentang konteks yang lebih luas. Namun, analitik dan bahkan aplikasi AI dapat semakin memberikan konteks. Dan kemampuan ini sekarang secara teratur disertakan oleh vendor utama dalam penawaran sistem transaksional mereka, seperti perencanaan sumber daya perusahaan (ERP) dan manajemen hubungan pelanggan (CRM).”

Kemampuan untuk menambahkan konteks ini sebagian bergantung pada otomatisasi melalui AI menggunakan "penemuan data pintar" dan augmentedanalytics.

Pada tahun 2017, Gartner mendefinisikan augmented analytics sebagai “penggunaan teknologi yang memungkinkan seperti machine learning dan AI untuk membantu persiapan data, pembuatan insight, dan penjelasan insight untuk meningkatkan cara orang mengeksplorasi dan menganalisis data dalam platform analitik dan BI”.

Futuris Bernard Marr menambahkan, “Augmented analytics menjelaskan proses di mana data secara otomatis diambil dari sumber data mentah, digosok dan dianalisis dengan cara yang tidak memihak, dan dikomunikasikan dalam laporan menggunakan pemrosesan bahasa alami yang dapat dipahami manusia.”

Masukkan Ilmuwan Data Warga

Davenport dan Fitts mengutip contoh bagaimana pendekatan baru terhadap analitik ini telah diterapkan oleh perusahaan asuransi besar. Mereka mengatakan sistem sumber daya manusia baru “termasuk KPI sumber daya manusia, tolok ukur praktik terbaik, dan kemampuan untuk memantau tren SDM seperti keragaman dan tingkat pengurangan. Alat pelaporan perusahaan baru dengan kemampuan ini diperkenalkan di seluruh perusahaan hanya dalam delapan minggu.”

Evolusi AI dan analitik ini tampaknya membuka jalan bagi generasi baru ilmuwan data warga.

Jika istilah yang terakhir terdengar familiar, itu karena konsep memberikan kemampuan analitik tingkat lanjut bagi para profesional bisnis non-teknologi telah muncul selama lima tahun.

Pada saat itu, citizen data science telah mendapat perlawanan dari beberapa ahli analitik yang tidak mempercayai pengguna bisnis dengan alat mereka, bahkan jika pengguna bisnis telah menjalani pelatihan pertengahan karir dalam ilmu data. Konsep aslinya juga tidak mungkin untuk digunakan di seluruh perusahaan dengan ribuan aplikasi.

Tapi versi baru dari citizen datascience ini tampaknya mengambil keuntungan dari "tipe data baru" yang dibahas Davenport. Pekerjaan berat untuk menemukan dan memanfaatkan hubungan antara departemen, proses, dan tipe data menjanjikan untuk dilakukan sebagian besar oleh model AI. Model-model itu masih akan dibangun oleh para ilmuwan data. Para “warga” kemudian dapat melakukan yang terbaik, mengajukan pertanyaan bisnis yang mungkin lebih baik dijawab oleh AI.