Det er lett å være enig i at repetitive oppgaver kan og bør automatiseres, og at vi kan frigi mye tid ved å bruke ny teknologi bedre. Men hva med oppgaver som krever mer? For eksempel kunnskap om ting vi ikke har data på? Hva med beslutningsprosesser som omfatter helhetstenking og avveiing? Eller kreativitet? Evnen til kildekritikk?
BI-selskapet Qlik har som første teknologileverandør kommet med en god løsning på hvordan vi kan kombinere gode menneskelige egenskaper med datavitenskap, statistikk og kunstig intelligens.
Fra assosiativ til kognitiv motor
Basisen for Qliks teknologi er en unik minnebasert databehandlingsmetode de kaller ‘assosiativ’. Alle analyseverdige data, helst på helt detaljert nivå, kan lastes inn. Teknologien vil finne ut, automatisk eller assistert, hvilke sammenhenger som finnes. Det er enkelt å lage flotte visualiseringer for å oppdage både hva som har hendt, og ofte hva som ikke har hendt men burde ha gjort det. Dette har vært tilgjengelig en årrekke.
Det nye nå er at den ‘assosiative motoren’ har fått en bror – den kognitive motoren. Der man før måtte analysere informasjonen ved å stille spørsmål, se resultatene, reflektere over funnene og stille oppfølgingsspørsmål på reisen mot ny innsikt, vil den nye AI-baserte teknologien assistere på en spennende måte.
Der man før måtte analysere informasjonen ved å stille spørsmål, vil den nye AI-baserte teknologien assistere på en spennende måte.
Det som skjer er at når den kognitive motoren aktiveres, for eksempel når analysen mottar nye data, vil alle datafelt og verdier raskt bli scannet for egenskaper. Data som inneholder tallrekker sees på som forklaringsvariabler (måletall) og data som inneholder datoer, varenummer, navn og annet vil sees på som kategorivariabler (dimensjoner). Deretter vil teknologien se på mønster og avvik – og foreslå innsikter og presentasjonsmåter. Ved hjelp av søketeknologi kan du hinte om interesseområder, slik at analysefokuset dreies mot tema som ‘lønnsomhet’, ‘omløpshastighet’, ‘regionsfordelt salg’ eller annet du lurer særlig på.
De innsiktene du synes gir nytt prediktiv kan du ta vare på, og gjerne bygge videre på i din BI-løsning. Du kan dele den med andre eller basere fremtidige analyser på funnene fra den første.
Les mer om maskinlærte data her.
Mer effektiv med AI
I eksemplet under har BI-verktøyet lest inn en bred salgsstatistikk, der massevis av måletall og mye ekstrainformasjon om det enkelte salg ligger som en vanskelig tilgjengelig og massivt stor tabell. I Excel ville man brukt dager på å finne hvilke felt man burde se på eller lage grafer av, for det ser ut til at alt henger sammen med alt.
Etter en ti sekunders tid foreslår verktøyet 10 ulike innsikter, hver presentert med en egnet visningsform – her ved to av dem – en graf som viser at i Tyskland er salgskostnadene våre 3-4 ganger høyere enn i andre regioner, og en tabell som blant annet viser at i Argentina er Don Gerardo veldig aktiv.
Den ene innsikten var nyttig, den andre var helt håpløs. Vi som mennesker forstår sånt, AI gjør ikke. Derfor ligger det en liten knapp i bunnen av hver innsikt. ‘Add to Sheet’, eller ‘ta vare på’, for denne vil jeg bruke senere.
Videre hinter vi om at profitt er viktig og at vi ble litt skremt av Tysklands kostnadsbilde, slik at en regionsfordeling hadde vært supert. Se i søkefeltet. Tre stikkord er alt som trengs av hint. Da ser vi at selv om kostnadene er høye er også profitten høy i Tyskland og vi kan snu fokus et annet sted. Rett til høyre får vi se et Pareto-kart som oppsummerer hva som er mine viktigste bidragsytere. Klassisk 80/20. Veldig nyttig. Den tar vi vare på.
Dermed kan jeg jobbe videre med å se på årsaker og virkninger, og dele resultatet når jeg er klar. AI hjalp meg på sporet, BI tilbyr analyse basert på de utvalgte innsiktene, og ble ikke utkonkurrert av teknologien – jeg ble mer effektiv.
Vil du lære mer om hvordan du kan benytte maskinlæring i dine business intelligence og analytics prosjekter?