Data science

อนาคตของ Analytics: โฆษณาทั้งหมดเกี่ยวกับอะไร

ผู้เชี่ยวชาญจะรับฟังทันทีเมื่อเข้าร่วมการพูดคุยเกี่ยวกับวิธีรับข้อมูลเชิงลึกขนาดใหญ่จากการวิเคราะห์ ท้ายที่สุดแล้ว การวิเคราะห์ได้กลายเป็นหัวข้อใหม่มาแรงในวันนี้ อย่างไรก็ตาม นิภา บาสุ ถามในระหว่างการนำเสนอประเด็นสำคัญเรื่อง The Future of Analytics ที่งาน DATAVERSITY Enterprise Analytics Online Conference: “อะไรคือความแตกต่างระหว่างการโฆษณาเกินจริงและความเป็นจริงในการวิเคราะห์? เป็นไปได้จริง ๆ เหรอ?” ในฐานะประธานเจ้าหน้าที่ฝ่ายวิเคราะห์ของ Dun & Bradstreet วิศวกรแบบจำลองไมโครของเศรษฐกิจสหรัฐฯ และผู้เชี่ยวชาญด้านพื้นที่การวิเคราะห์ Nipa Basu ได้จัดการกับสิ่งที่ถือเป็นข้อมูลเชิงลึกที่เป็นประโยชน์สำหรับลูกค้าธุรกิจซึ่งได้มาจากการวิเคราะห์ ผู้นำธุรกิจต้องการทราบ จากการสำรวจตลาดที่ดำเนินการโดย Dun & Bradstreet และ Forbes 70 เปอร์เซ็นต์ของผู้นำธุรกิจกล่าวว่าพวกเขาใช้การวิเคราะห์บ่อยครั้งในการตัดสินใจ “Analytics กำลังเข้าสู่กระแสหลัก” Basu กล่าว “มีการยอมรับในระดับสูง” เธอรู้สึกทึ่งเมื่อไม่นานนี้เองที่ได้ยินผู้เชี่ยวชาญทางการแพทย์นำเสนอผลลัพธ์ของอัตราการรอดชีวิตจากโรคมะเร็งของเด็กที่ดีขึ้น เธอตั้งข้อสังเกตว่านี่คือแอปพลิเคชั่น Data Science และ Analytics ที่น่าทึ่งในปัจจุบัน แต่ผู้ที่มีแนวโน้มสูงในการวิเคราะห์ก็มีข้อเสีย เธอรู้จักผู้ปฏิบัติงานด้านการวิเคราะห์ “ผู้ซึ่งได้รับการว่าจ้างจากบริษัทต่างๆ ด้วยความคาดหวังอย่างมากว่า Analytics จะทำสิ่งมหัศจรรย์ให้กับธุรกิจเหล่านี้” อย่างไรก็ตาม องค์กรประเภทนี้ “ไม่เสมอไป ประเภทของการลงทุนในทุนมนุษย์และโครงสร้างพื้นฐานที่จำเป็น” เธอกล่าว Basu รำพึงถึงโฆษณาทั้งหมดว่า “เราจะให้ความสำคัญกับการวิเคราะห์ได้อย่างไร” อย่างแรก เธอพูดว่า “เราอยู่ท่ามกลางการปฏิวัติ” การปฏิวัติการวิเคราะห์ ก่อนการปฏิวัติการวิเคราะห์ Basu ตั้งข้อสังเกตว่า ผู้ปฏิบัติงานถามว่า: “คุณดึงข้อมูลเชิงลึกที่แข็งแกร่งจากตัวอย่างเล็กๆ ได้อย่างไร” เธอเสริมจากประสบการณ์ที่ผ่านมาว่า “กลุ่มตัวอย่างมีขนาดเล็กเสมอเพราะข้อมูลมีน้อยเสมอ คอมพิวเตอร์ไม่ได้มีประสิทธิภาพมาก ปัญหานั้นไม่มีอีกแล้วด้วยความสามารถของเราในการประมวลผลข้อมูลด้วยความเร็วที่เหลือเชื่อ หลังจากการปฏิวัติ Big Data ขณะนี้มีข้อมูลมากเกินไป วันนี้เราสามารถทำอะไรได้หลายอย่าง แต่ข้อมูลขนาดใหญ่แปลเป็นข้อมูลเชิงลึกขนาดใหญ่เสมอหรือไม่? ในบางกรณีข้อมูลขนาดใหญ่ได้กลายเป็นข้อมูลจำนวนมาก แต่ไม่จำเป็นต้องเป็นข้อมูลเชิงลึกที่มีความหมายมากมาย” ในการอธิบายการวิเคราะห์ เธอกำหนดให้มันเป็น “ตัวเลขบนสเปรดชีตและวาดเส้นแนวโน้ม” แต่เสริมว่าการวิเคราะห์ได้ย้ายไปยังรูปแบบขั้นสูงผ่าน “รูปแบบต่างๆ ของปัญญาประดิษฐ์” เธอรวมเทคนิคใดๆ ที่ทำให้คอมพิวเตอร์สามารถเลียนแบบความฉลาดของมนุษย์ โดยใช้ตรรกะ กฎถ้าแล้ว แผนภูมิการตัดสินใจ และการเรียนรู้ของเครื่อง เพิ่มในรายการนั้นเป็นการเรียนรู้เชิงลึกและอัลกอริธึมที่อนุญาตให้ซอฟต์แวร์ฝึกฝนตัวเองเพื่อทำงานเช่นเทคนิคทางสถิติอื่น ๆ ของการเรียนรู้ด้วยเครื่อง (ML) ทำให้เครื่องสามารถปรับปรุงงานด้วยประสบการณ์ เธอเชื่อว่าสิ่งเหล่านี้เปิดโอกาสใหม่ๆ มากมาย Basu ตั้งข้อสังเกตว่า “เราสามารถสร้างแบบจำลองการคาดการณ์ล่วงหน้าได้” ซึ่งแข่งขันกับแบบจำลองทางสถิติแบบเดิมจากผู้สร้างแบบจำลองที่มีประสบการณ์มากกว่า” แมชชีนเลิร์นนิง เธออธิบาย พัฒนาแผนผังการตัดสินใจหรือบัตรคะแนนที่สร้างไว้เป็นแบบจำลองหลายชั้น ผ่าน ML เรา “ป้อนข้อมูลไปยังคอมพิวเตอร์และคอมพิวเตอร์จะสร้างอัลกอริธึมทั่วไป โมเดลการเรียนรู้ของเครื่องมักเกี่ยวข้องกับการเรียนรู้แบบปรับตัว เธออธิบายว่ามันคือ “การเปิดโอกาสใหม่ๆ มากมาย” เธอยังถามอีกว่า “แมชชีนเลิร์นนิงเหมาะสมกว่า [in] วิธีอื่นตรงไหน” กรณีการใช้งานการเรียนรู้ของเครื่องจริง Basu เชื่อว่าการเรียนรู้ของเครื่องจะนำไปใช้ในสถานการณ์เดียวกันได้ดีกว่ากรณีอื่นๆ Dun & Bradstreet (และ Basu) ใช้แมชชีนเลิร์นนิงเพื่อป้องกันการฉ้อโกงอย่างสม่ำเสมอ เธออธิบายว่าการเรียนรู้แบบปรับตัวของ ML มีบทบาทอย่างมากเพราะ “จริง ๆ แล้วผู้ฉ้อโกงพยายามที่จะเอาชนะระบบ” ทันทีที่โมเดลอยู่ในกระบวนการผลิต ทันทีที่พวกเขาเห็นว่าสิ่งที่พวกเขาทำก่อนหน้านี้จะไม่ผ่านอีกต่อไป Basu แสดงให้เห็นว่าเครื่องจักรทำงานได้ดีเช่นการฉ้อโกงเพราะไม่มีใคร “โต้แย้งเกี่ยวกับคำจำกัดความนี้และตัวแปรผลลัพธ์ได้รับการแก้ไขแล้วและไม่มีขอบเขตการอภิปรายเกี่ยวกับตัวแปรผลลัพธ์มากนัก” คะแนนความล้มเหลวและการจัดอันดับธุรกิจทั่วโลกตาม Basu ก็ให้ผลดีกับโมเดล ML คะแนนความล้มเหลวเป็นตัวแปรที่กำหนดไว้อย่างดีซึ่งมีความคล้ายคลึงกันในแอปพลิเคชันทั้งหมดของลูกค้าธุรกิจ การจัดอันดับธุรกิจทั่วโลกมีหลายส่วนที่ครอบคลุมข้อมูลที่แตกต่างกันมาก แต่กรณีการใช้งานบางกรณีไม่ได้ให้ความสำคัญกับแมชชีนเลิร์นนิง Basu กล่าวว่าแมชชีนเลิร์นนิง: “เหมาะกับทุกซอกทุกมุมของข้อมูลจริงๆ มีความเสี่ยงที่จะฟิตติ้งเกิน [The] มีความยืดหยุ่นมากขึ้นในการเปลี่ยนตัวแปรผลลัพธ์หรือเปลี่ยนแปลงสิ่งที่เราพยายามคาดการณ์หรืออธิบาย ยิ่งมีความเสี่ยงที่โมเดลจะไม่อยู่ในสถานการณ์ที่ต่างออกไป” ด้วยเหตุผลนี้ คะแนนการกระทำผิดและการจัดซื้อจึงไม่มีประโยชน์ต่อการเรียนรู้ของเครื่อง Basu เชื่อ เธอตั้งข้อสังเกต: “การกระทำผิดอยู่ในสายตาของคนดู สำหรับลูกค้าบางราย พวกเขาต้องได้รับเงินในอีก 70 ซึ่งเป็นรูปแบบธุรกิจของพวกเขาในอีกไม่กี่วันข้างหน้า หากไม่เป็นเช่นนั้น พวกเขาจะประสบปัญหาใหญ่ สำหรับลูกค้าบางคน เงื่อนไขวันค่อนข้างดี ดังนั้นคำจำกัดความจึงแตกต่างกัน คำจำกัดความแตกต่างกันอย่างไร “ในการวิเคราะห์คะแนนการจัดซื้อ เธอกล่าวว่า “ผู้จัดการฝ่ายจัดซื้อต้องการความโปร่งใสมากขึ้น พวกเขาจำเป็นต้องอธิบายการตัดสินใจเหล่านี้เพื่อดำเนินการด้วยตนเอง ผู้บังคับบัญชา และซัพพลายเออร์ของพวกเขา” ทำให้คะแนนการจัดซื้อมีความลื่นไหลมากขึ้น กรณีการใช้งานด้านบนแสดงการวิเคราะห์เพียงด้านเดียว แต่บริษัทต่างๆ ควรใช้ Analytics Revolution ในด้านอื่นๆ อย่างไร “Analytics Focus” Basu ตั้งข้อสังเกตว่าผู้นำด้านการวิเคราะห์รู้สึกตื่นเต้น “ด้วยเทคนิคที่ใหม่กว่า” ด้วยเหตุนี้ เธอจึงเชื่อว่า จุดเน้นไปที่ “เทคนิคมากกว่าคำถามทางธุรกิจ” เธอได้เพิ่ม “องค์ประกอบแบบบูรณาการ” ให้กับการวิเคราะห์รูปแบบใหม่โดยใช้การเรียนรู้ของเครื่องกำลังกลายเป็นบรรทัดฐาน โดยเฉพาะอย่างยิ่งสิ่งเหล่านี้รวมถึง: การปรับแต่งหรือการกำหนดค่าการจัดส่งตามเวลาจริงอัตโนมัติ การปฏิวัติ Analytics ได้ให้ประโยชน์มากมายข้างต้น จากข้อมูลของ Basu นี่เป็นส่วนหนึ่งของสิ่งที่เราสามารถทำได้ แต่ “ประเภทของการวิเคราะห์ที่เกี่ยวข้องกับลูกค้ามาจากการยอมรับจากผู้ใช้ทางธุรกิจ” เธอเน้นว่ากลุ่มผู้ใช้นอกผู้ปฏิบัติงานด้านการวิเคราะห์ “จำเป็นต้องนำมาใช้และทำความเข้าใจ” นี่เป็นเรื่องยุ่งยาก เธอรำพึงว่าการปฏิวัติในการวิเคราะห์นั้นเกิดจากการปฏิวัติทางเทคโนโลยี คุณค่าของการวิเคราะห์ในฐานะบริการ เช่นเดียวกับการวิเคราะห์แบบบริการตนเองผ่านการเข้าถึงเครื่องมือขั้นสูงและข้อมูลภายนอก กำลังเป็นที่นิยมมากขึ้นเรื่อยๆ “เมื่อใดก็ตามที่ฉันมีส่วนร่วมในการอภิปรายในการวิเคราะห์ในฐานะบริการ การสนทนามักจะไปที่กลุ่มเทคโนโลยีราวกับว่านั่นคือสิ่งที่เป็นอยู่ ตอนนี้ กองเทคโนโลยีเป็นตัวเปิดใช้งาน เป็นแพลตฟอร์มที่คุณกำลังดำเนินการวิเคราะห์ แต่ยังมีอีกมากในการวิเคราะห์ คุณจำเป็นต้องระบุประเภทการวิเคราะห์ที่เหมาะสมเพื่อแก้ปัญหาทางธุรกิจที่เหมาะสม” เธอกล่าวว่ามีหลายบริษัทที่จ้างผู้ปฏิบัติงานด้านการวิเคราะห์ด้วยความคาดหวังอย่างมากว่าการวิเคราะห์จะทำสิ่งมหัศจรรย์ให้กับบริษัทเหล่านั้นโดยไม่ได้ตระหนักถึงประเภทของการลงทุนที่จำเป็นในทุนมนุษย์ โครงสร้างพื้นฐาน ฮาร์ดแวร์ และซอฟต์แวร์ที่จำเป็น Basu ท้าทายผู้ฟังและผู้ปฏิบัติงานด้านการวิเคราะห์เพื่อตอบคำถามนี้ “ความรับผิดชอบของเราในการทำให้องค์กรมุ่งเน้นไปที่การวิเคราะห์ที่แท้จริงคืออะไร” เธอเชื่อว่าผู้ปฏิบัติงานด้านการวิเคราะห์จำเป็นต้องตรวจสอบให้แน่ใจเป็นประจำในการทบทวนธุรกิจ ไปที่การวิเคราะห์ล่าสุด พูดคุยเกี่ยวกับสถานที่ เมื่อใด และวิธีที่จะนำข้อมูลเชิงลึกไปใช้ในกระบวนการทางธุรกิจที่เปลี่ยนแปลงไป แน่นอนว่าผู้เชี่ยวชาญด้านการวิเคราะห์จำเป็นต้องวัดผลและจัดการกระบวนการทั้งหมดนั้น ท่ามกลางการกำหนดกลยุทธ์การทดสอบที่เป็นกลางและทักษะที่มีอิทธิพล เธอลงเอยด้วยการบอกผู้ฟังว่า “ให้ความสำคัญกับการวิเคราะห์มากขึ้น และให้ความสำคัญกับสิ่งที่สามารถทำได้แต่ไม่จำเป็นต้องทำ” ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับกิจกรรมที่จะเกิดขึ้นของ DATAVERSITY หรือไม่ ตรวจสอบรายชื่อการประชุมออนไลน์และการประชุมแบบตัวต่อตัวในปัจจุบันของเราที่นี่ นี่คือวิดีโอของการนำเสนอ Enterprise Analytics Online: เครดิตภาพ: Molnia/Shutterstock.com

Leave a Reply

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

Back to top button