Memanfaatkan AI untuk Mengkontekstualisasi Analitik Data guna Wawasan Bisnis
Kemajuan dalam AI dan analitik teraugmentasi berarti tim perusahaan dapat memasukkan data mereka ke dalam konteks dengan lebih efektif.
Ada tantangan yang telah menyusahi pemimpin bisnis dan profesional data sejak sebelum big data menjadi kata kunci. Itu adalah kurangnya konteks dalam analitik.
Lihat apakah use case ini terdengar familiar. Seorang pemimpin bisnis awalnya meminta analisis mengapa penjualan regional menurun, dan seorang analis data bekerja keras selama beberapa bulan membangun model, menarik data, dan mengembangkan laporan untuk sisi bisnis.
Masalah
Ketika hasilnya kembali, hasilnya mengecewakan satu dimensi, tidak pernah mengonfirmasi “mengapa” sebenarnya di balik penurunan penjualan itu. Laporan mungkin mengidentifikasi penurunan untuk garis produk tertentu, atau mungkin tim penjualan tertentu. Tapi tidak keduanya.
Apa yang hilang adalah konteks. Tidak ada cara untuk mendeteksi penyebab dasar yang sebenarnya dari penurunan itu. Apakah itu masalah personel, kompensasi, atau turnover? Apakah itu sebenarnya masalah rantai pasokan? Apakah itu bisa menjadi pesaing baru? Atau, apakah itu sesuatu seperti kenaikan harga? Apakah itu semua itu? Pertanyaan-pertanyaan itu akan menjadi lanjutan alami dari setiap analisis penjualan.
Tetapi tanpa pandangan mendalam ke dalam berbagai penyebab potensial, pemimpin bisnis dan profesional data seringkali pergi menyalahkan satu sama lain untuk membuang waktu dan sumber daya.
Evolusi Analitik Teraugmentasi
Untuk menemukan konteks yang disebutkan di atas, beberapa perusahaan saat ini beralih ke AI. Mereka melaporkan sukses berkat kemampuan AI untuk mendeteksi hubungan dan ketergantungan di antara banyak 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 diagram organisasi korporat.
Guru analitik dan IT Tom Davenport dari Babson College mengkaji tipe data baru ini dalam artikel Harvard Business Review terbaru, bersama Joey Fitts, Vice President, Strategi Produk Analitik untuk Oracle.
“AI memungkinkan analitik untuk secara otomatis menggabungkan dan memproses konteks penting dari berbagai macam sumber—banyak yang sebelumnya akan mengharuskan analis untuk menavigasi silo dan katalog yang tidak terawat dengan baik,” tulis mereka.
Mereka menambahkan, “Inovasi ini 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 langsung disampaikan kepada pengambil keputusan tanpa mengharuskan analis untuk menyiapkannya terlebih dahulu.”
Menemukan data yang tepat untuk proyek analitik terlalu sering menjadi latihan manual, menurut Davenport dan Fitts.
Mereka tulis, “Ini memerlukan pengetahuan yang luas tentang data apa yang sesuai untuk analisis Anda dan di mana itu dapat ditemukan, dan banyak analis kurang memiliki pengetahuan tentang konteks yang lebih luas. Namun, analitik dan bahkan aplikasi AI semakin dapat menyediakan konteks. Dan kemampuan ini kini secara teratur disertakan oleh vendor utama dalam tawaran sistem transaksional mereka, seperti enterprise resource planning (ERP) dan customer relationship management (CRM).”
Kemampuan untuk menambahkan konteks ini berg sebagian pada otomatisasi melalui AI menggunakan “smart data discovery” dan analitik teraugmentasi.
Pada 2017 Gartner mendefinisikan analitik teraugmentasi sebagai “penggunaan teknologi pendukung seperti pembelajaran mesin dan AI untuk membantu dengan persiapan data, pembentukan wawasan, dan penjelasan wawasan untuk melengkapi cara orang menjelajahi dan menganalisis data dalam platform analitik dan BI.”
Futuris Bernard Marr menambahkan, “Analitik teraugmentasi menggambarkan proses di mana data secara otomatis diambil dari sumber data mentah, dibersihkan dan dianalisis dengan cara yang tidak bias, dan dikomunikasikan dalam laporan menggunakan pemrosesan bahasa alami yang dapat dimengerti manusia.”
Masuknya Citizen Data Scientists
Davenport dan Fitts mencantumkan contoh bagaimana pendekatan baru terhadap analitik telah diterapkan oleh perusahaan asuransi besar. Mereka mengatakan sistem modal manusia baru “termasuk KPI SDM, benchmarks praktik terbaik, dan kemampuan untuk memantau tren SDM seperti keragaman dan tingkat attrition. 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 citizen data scientists.
Jika istilah terakhir terdengar familiar, itu karena konsep memberikan profesional bisnis non-tech kemampuan analitik canggih telah ada selama lima tahun.
Selama waktu itu, citizen data science telah menemukan resistensi dari beberapa profesional analitik yang tidak percaya pada pengguna bisnis dengan alat mereka, bahkan jika pengguna bisnis telah melalui pelatihan mid-career dalam data science. Konsep asli juga tidak mungkin dapat diskalakan di seluruh perusahaan dengan ribuan aplikasi.
Tetapi versi baru citizen data science ini tampaknya mengambil keuntungan dari “tipe data baru” yang dibahas Davenport. Pengangkat beban berat dalam menemukan dan memanfaatkan hubungan di antara departemen, proses, dan tipe data berjanji akan dilakukan sebagian besar oleh model AI. Model-model ini akan tetap dibangun oleh data scientist. “Warga” kemudian dapat melakukan apa yang paling baik dilakukan mereka, bertanya pertanyaan bisnis yang mungkin lebih baik dijawab AI.
