Data science

วิธีที่ Augmented Analytics จะเปลี่ยนแปลง Analytics และเวิร์กโฟลว์ BI

คลิกเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับผู้แต่ง Kaycee Lai ดังที่นักวิเคราะห์และนักข่าว Bernard Marr กล่าวไว้ว่า “หากไม่มีนักวิทยาศาสตร์ด้านข้อมูลในพนักงานหรือพร้อมที่จะตีความข้อมูลและเปลี่ยน Intel ให้เป็นกิจกรรมทางธุรกิจที่มั่นคง ประโยชน์ของข้อมูลก็อาจยังคงถูกปลดล็อก” การวิเคราะห์ที่เพิ่มขึ้นสัญญาว่าจะปรับปรุงความสามารถขององค์กรในการได้รับประโยชน์จากข้อมูลโดย: รับการวิเคราะห์ทางโลกมากขึ้นจากทีม Data Science เพื่อให้พวกเขาสามารถมุ่งเน้นไปที่ปัญหาที่ซับซ้อนมากขึ้น การทำให้วงจรการวิเคราะห์ข้อมูลสั้นลง ให้ผู้มีอำนาจตัดสินใจเข้าถึงข่าวกรองที่ดำเนินการได้รวดเร็วในระดับสูง การวิเคราะห์ที่เพิ่มขึ้นเกี่ยวข้องกับการใช้การเรียนรู้ของเครื่องและการประมวลผลภาษาธรรมชาติ (NLP) เพื่อช่วยในการเตรียมข้อมูล การวิเคราะห์ และการรายงาน โดยขจัดสิ่งที่ทำให้การวิเคราะห์ช้าลง แต่สัญญาว่าจะทำมากกว่านั้น – การวิเคราะห์เสริมยังเกี่ยวข้องกับการเขียนการวิเคราะห์ทั้งหมดและเวิร์กโฟลว์ BI การเพิ่มประสิทธิภาพของ Data Analytics และ BI Workflow ในการทำเช่นนี้ ให้เริ่มต้นด้วยการตรวจสอบเวิร์กโฟลว์ทั่วไปในปัจจุบัน ซึ่งประกอบด้วยขั้นตอนต่อไปนี้: ระบุ KPI และคำถามที่เกี่ยวข้อง สำรวจ data เตรียมข้อมูลสำหรับการวิเคราะห์สร้างมุมมองและแดชบอร์ดผู้ใช้สำรวจแดชบอร์ดเหล่านั้น ผู้ใช้ดำเนินการสาเหตุหลัก การวิเคราะห์ผู้ใช้รวมและแบ่งปันสิ่งที่ค้นพบการค้นพบเหล่านี้ถูกนำเสนอเป็นการกระทำที่แนะนำการดำเนินการจะถูกนำไปใช้ การวิเคราะห์แบบ Augmented นั้นใช้ทั้งหมดยกเว้นส่วนแรกและส่วนสุดท้ายของเวิร์กโฟลว์นี้และ “เสริม” พวกเขา ภายใต้กระบวนการนี้ ผู้ใช้ที่อาจไม่ใช่นักวิเคราะห์ แต่เป็นผู้ใช้ทางธุรกิจที่ไม่ใช่ด้านเทคนิคที่ได้รับอำนาจจากการวิเคราะห์แบบไม่ใช้โค้ด มาที่แพลตฟอร์มพร้อมชุด KPI ที่เกี่ยวข้องและคำถามทางธุรกิจ และสอบถาม ระบบซึ่งจะดูแลส่วนที่เหลือและกลับมาพร้อมกับการดำเนินการที่แนะนำ หากฟังดูเป็นเรื่องเหลือเชื่อ ให้พิจารณาว่าองค์ประกอบสามอย่างที่ Gartner กำหนดให้เป็นพื้นฐานสำหรับการวิเคราะห์ที่เพิ่มขึ้นนั้นไม่ได้เป็นส่วนหนึ่งของรายการสินค้าที่ต้องการรุ่นต่อไป แต่เป็นเทคโนโลยีที่ได้รับการพัฒนาอย่างดีซึ่งนำไปใช้อย่างกว้างขวางในหลายพื้นที่ : การเรียนรู้ของเครื่อง การสร้างภาษาธรรมชาติและการประมวลผลภาษาธรรมชาติ การเรียนรู้ของเครื่องอัตโนมัติเป็นสิ่งที่ใช้อธิบายอัลกอริธึมที่ทำ “การตัดสินใจ” ตามความน่าจะเป็นแบบถ่วงน้ำหนัก อนุญาตให้มีการวิเคราะห์ขั้นสูง แต่ยังทำหน้าที่เป็นพื้นฐานสำหรับเทคโนโลยีอีกสองเทคโนโลยีที่ Gartner ระบุว่าเป็นองค์ประกอบที่สำคัญของการวิเคราะห์ที่เพิ่มขึ้น การนำ Gatekeepers Natural language generation (NLG) และการประมวลผลภาษาธรรมชาติ (NLP) ออกจะแปลคอมพิวเตอร์พูดเป็นภาษามนุษย์ และในทางกลับกัน ทำให้มนุษย์และคอมพิวเตอร์สามารถโต้ตอบกันได้โดยไม่ต้องอาศัยความช่วยเหลือจากผู้ที่รู้วิธีเขียนโค้ดคอมพิวเตอร์ เราคุ้นเคยกับสิ่งนี้แล้ว เมื่อเราขอให้โทรศัพท์นำทางเราไปที่ร้านพิซซ่าที่ใกล้ที่สุด เรากำลังใช้เทคโนโลยีเสริมเพื่อรวบรวมข้อมูล ทำการคำนวณ แล้วแปลการคำนวณนั้นเป็นสิ่งที่เราสามารถเข้าใจได้ – ทิศทางในภาษาธรรมชาติ การใช้แนวทางเทคโนโลยีเสริมนี้เพื่อตอบคำถามทางธุรกิจตาม KPI นั้นไม่ได้ก้าวกระโดดมากนัก ลองนึกภาพสถานการณ์ต่อไปนี้: ผู้ใช้ถามว่า “อะไรคือยอดขายพิซซ่าแช่แข็งใน 30 เมื่อเทียบกับ 2020 โซลูชันการวิเคราะห์ที่เพิ่มขึ้นตอบสนองด้วย “ยอดขายพิซซ่าแช่แข็งลดลง 30% ระหว่าง 2020 และ 2021” จากนั้นผู้ใช้ถามต่อว่า “ในภูมิภาคใดมียอดขายพิซซ่าแช่แข็งต่ำที่สุดใน 2021” แพลตฟอร์มตอบว่า “US Western” ผู้ใช้อาจยังคงสอบถามระบบต่อไป โดยเรียนรู้ว่าพิซซ่าบางประเภทซึ่งขายดีมากในภูมิภาคอื่นมีปริมาณไม่เพียงพอ ไม่ยากเลยที่จะจินตนาการว่าวิธีนี้จะช่วยประหยัดเวลาได้มากขนาดไหน แต่เพื่อให้เห็นคุณค่าอย่างแท้จริงในแง่ของสิ่งที่ผู้ใช้ไม่ต้องทำ เรามาดูกันว่าเกิดอะไรขึ้นภายใต้ประทุนของกระบวนการนี้และดูว่าเกิดอะไรขึ้น คำถามของผู้ใช้ – “อะไรคือยอดขายของพิซซ่าแช่แข็งใน 2021 เมื่อเทียบกับ 2020?” – ถูกแปลงผ่าน NLP เป็นแบบสอบถาม SQL แบบสอบถามนั้นไม่ได้ดำเนินการผ่านฐานข้อมูลเดียว แต่ผ่านระบบที่อาจใช้หลายสิบระบบที่บริษัทอาจใช้ ลองนึกถึงการสืบค้นที่ดำเนินการพร้อมกันในฐานข้อมูลใน Teradata, Oracle, Hadoop และอื่นๆ หากข้อมูลที่จำเป็นในการตอบคำถามอยู่ในระบบที่แตกต่างกัน แพลตฟอร์มการวิเคราะห์ที่เพิ่มขึ้นจะรวมตารางเหล่านั้นโดยอัตโนมัติ มันดำเนินการแบบสอบถามซึ่งส่งคืนข้อมูล แต่ระบบไม่เพียงแค่คายข้อมูลออกมาเท่านั้น แต่จะใช้ NLG เพื่อแปลข้อมูลนั้นเป็นคำพูดของมนุษย์แทน กระบวนการนี้วนซ้ำหลายครั้งจนกว่าผู้ใช้จะได้ข้อสรุปที่สามารถดำเนินการได้ในที่สุด จากนั้นผู้ใช้จะให้คำแนะนำแก่ผู้มีอำนาจตัดสินใจที่เหมาะสม กระบวนการเสริมนี้เกิดขึ้นด้วยความเร็วที่เร็วกว่าการวิเคราะห์ที่นำโดยมนุษย์แบบดั้งเดิมหลายเท่า ทำให้สามารถทำซ้ำและตรวจสอบการตัดสินใจในขนาดที่ใหญ่ขึ้นอย่างไม่มีขอบเขต ผู้ใช้ไม่ต้องเข้ารหัส และไม่จำเป็นต้องปรึกษานักวิเคราะห์ข้อมูลซึ่งอาจต้องรอเป็นสัปดาห์หรือเป็นเดือนสำหรับคำตอบ พวกเขาไม่ต้องลุยในแหล่งเก็บข้อมูลขนาดใหญ่ของบริษัท และด้วยเหตุนี้ พวกเขาจึงไม่ต้องจัดการกับยามเฝ้าประตูในแผนกต่างๆ ที่อาจชะลอหรือขัดขวางการเข้าถึงข้อมูลของพวกเขา มอบคำถามที่ยากจริงๆ ให้กับผู้เชี่ยวชาญ และ “เสริม” ทุกสิ่งทุกอย่าง โดยสรุป การวิเคราะห์ที่เพิ่มขึ้นสัญญาว่าจะเพิ่มความเร็วและความสามารถในการปรับขนาดที่ไม่เคยมีมาก่อนให้กับกระบวนการวิเคราะห์ข้อมูล นี่ไม่ได้หมายความว่าการเข้ารหัส SQL จะไม่เป็นทักษะที่มีคุณค่าต่อไป หรือไม่ก็ไม่จำเป็นต้องมีความเชี่ยวชาญของนักวิทยาศาสตร์ข้อมูล มีคำถามบางข้อ โดยเฉพาะคำถามที่เกี่ยวข้องกับการเรียนรู้ของเครื่องทำนาย ซึ่งต้องใช้สมองของมนุษย์ที่ได้รับการฝึกฝนมาอย่างดี ความหมายก็คือ นักวิทยาศาสตร์ด้านข้อมูล นักวิเคราะห์ และสถาปนิกที่ได้รับค่าตอบแทนสูงเหล่านั้น จะไม่ใช้เวลาทำงานท่องจำและตอบคำถามทั่วไป

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button