Объединение возможностей машинного обучения, аналитики и RPA

Аналитика и, в частности, бизнес-аналитика (BI) отличается от любого другого корпоративного программного обеспечения или решения тем, что демонстрирует парадокс: чем больше требований к аналитике реализуется, тем больше появляется новых. Слишком сильно полагаться на модели поддержки бизнес-аналитики, ориентированные на ИТ, больше нельзя. Учитывая масштаб приложений BI и частые изменения бизнес-требований, организации по-прежнему пытаются включить приложения BI по требованию. Предприятия могут ожидать, что жизненный цикл приложений для планирования ресурсов предприятия (ERP), управления взаимоотношениями с клиентами (CRM), управления персоналом (HR) и финансовых приложений составит не менее нескольких лет, но во время развертывания; BI-приложения могут стать неактуальными. Даже если время внедрения составит всего несколько недель, мир может полностью измениться из-за внезапного слияния, политического события, изменения в законодательстве, новой конкурентной угрозы, новой структуры управления или новых требований к отчетности.

Теперь добавьте к этому несколько экосистем, архитектур и облачных или гибридных подходов, чтобы создать довольно сложную архитектуру, с которой может справиться любой. Мы упоминали ИИ и предиктивную аналитику с автоматизацией на бэкенде, а также Интернет вещей и потоковые данные… Вы поняли!

В исследовании Forrester отмечается, что в идеальной среде бизнес-аналитики 80 % всех требований к бизнес-аналитике должны выполняться самими бизнес-пользователями. Далее в нем говорится, что «Бизнес и ИТ не всегда сходятся во взглядах на приложения и проекты бизнес-аналитики. В глазах руководителей предприятий, менеджеров и отдельных участников нет ничего важнее бизнес-требований. Кроме того, они хотят, чтобы их бизнес-требования BI выполнялись в соответствии с их графиком, а не графиком ИТ-отдела, чтобы они могли постоянно удовлетворять потребности своих клиентов и не отставать от конкурентов. С другой стороны, ИТ-отдел отвечает за поддержание правопорядка и настаивает на том, чтобы придерживаться стандартных инструментов бизнес-аналитики и следовать утвержденным методологиям разработки программного обеспечения и проектов».

В исследовании Forrester отмечается, что в идеальной среде бизнес-аналитики 80 % всех требований к бизнес-аналитике должны выполняться самими бизнес-пользователями.

Что требуется от инструмента или приложения бизнес-аналитики, чтобы все типы пользователей (обычные пользователи, опытные пользователи и руководители) могли самостоятельно обрабатывать новые запросы, отчеты, аналитику и информационные панели? «Интуитивно понятный» и «удобный для пользователя» — субъективные термины. В большинстве организаций нам, возможно, придется внимательно изучить модели юзабилити и, вероятно, провести несколько семинаров в каждом из отделов, чтобы популяризировать и социализировать инструмент.

В современном мире больших и быстрых данных никто не может позволить себе поместить почти 100 % своих корпоративных данных и информационного контента в структурированную базу данных. Таким образом, возможности виртуального связывания нескольких источников данных и детализации или поиска в любом месте этих источников становятся важными, если только вы не можете позволить себе ждать дни, недели или месяцы, пока эти новые источники данных будут загружены в EDW. Если вы можете ждать недели и месяцы, вы, как правило, теряете актуальность и возможности по запросу, возвращая вас к той же головоломке.

Привыкнув к Google, люди повсюду ищут подобную простоту, и современные инструменты бизнес-аналитики предлагают ее. Во-первых, это практически не требует обучения; Кто в современном мире не может пользоваться веб-инструментом поиска. Во-вторых, графический интерфейс типа «укажи и щелкни» предполагает, что пользователь точно знает, что ищет, хотя очень часто это не так, и подобный поиску графический интерфейс особенно удобен, когда ты не знаешь, что ищешь. неизвестные сценарии. И последнее, но не менее важное: подобный поиску графический интерфейс обеспечивает многогранную навигацию, которая часто является лучшим способом детализации вверх/вниз/по несбалансированным иерархиям и позволяет обнаруживать данные на основе ассоциаций или того, что не происходит.

Исследование и обнаружениеОтчеты, анализ, а также нарезка и нарезка информации на основе существующей модели данных — еще одна коммодитизированная функция большинства инструментов бизнес-аналитики. Этот подход часто называют предварительным обнаружением, поскольку все требования к будущей отчетности и анализу должны быть предварительно обнаружены и встроены в модель данных. Но анализ информации на основе новой иерархии, еще не встроенной в модель данных, или на основе сущностей и атрибутов, отношения которых не определены в модели данных, относится к области специализированных инструментов. Эти инструменты часто основаны на нереляционных или безразмерных моделях данных (таких как, например, ассоциативный индекс). Они также отлично справляются с трясиной «я не знаю, что я не знаю».

Большая часть управления происходит путем обработки исключений, и именно так мы смотрим на отчеты, мы смотрим на транзакции и тенденции, а затем на исключения, но обычно мы не смотрим на то, что не происходит сегодня, где мы не продали, какой продукт продался. не продать. Эти данные обычно скрыты, поскольку вы не видите их в традиционном смысле анализа.

Для большинства крупных и средних предприятий стремительный рост и бизнес-решения о внедрении инструментов бизнес-аналитики привели к еще одной серьезной проблеме — слишком большому количеству инструментов бизнес-аналитики и фрагментированной экосистеме. В то время как несколько лет назад ИТ-команды пытались консолидировать свои данные, чтобы получить единый источник достоверной информации и структурировать свои данные, распространение BI самообслуживания, если оно было правильно реализовано, было создано еще один островок информации в бизнес.

Даже при правильном внедрении сегодня у большинства организаций есть несколько ключевых проблем с внедрением BI внутри организации. Принятие конечным пользователем, простота доступа и доставки информации обычным и средним пользователям, возможность создавать диаграммы и объекты на лету, межплатформенная интеграция. Сочетать это с несколькими источниками данных и различными типами потребителей этой информации достаточно сложно, чтобы люди могли поставить это на первое место в своих приоритетах.

Сегодня с помощью автоматизации на основе BOT и RPA можно автоматизировать некоторые ручные процессы, которые были ключевыми для получения основных данных, которые будут поступать в базу данных, таких как формы, проверка информации, обновление счетов или транзакций на основе определенных правил. Поскольку каждый крупный производитель ERP или программного обеспечения придумывает своих собственных ботов, возникает множество проблем. Это привело к решениям для агрегации ботов или к созданию БОТ-королевы пчел, который разговаривает и координирует свои действия со всеми различными ботами, чтобы сначала понять, что именно вам нужно, определить и найти, где это получить, если это недоступно, создать это на лету и дать вам окончательный результат. Хотя этот процесс кажется достаточно простым, на самом деле это не так, хотя сегодня это становится проще благодаря развертыванию алгоритмов обработки на основе естественного языка (NLP) и машинного обучения (ML).

Доступ к искусственному интеллекту (ИИ) и машинному обучению и их развертывание становятся проще, внедрение источников больших данных с возможностью развертывания в мультиоблачной среде для более быстрого масштабирования, использование RPA и BOT для автоматизации и помощников, таких как Siri и Google, упрощается. грядут огромные изменения в том, как мы потребляем бизнес-информацию, которая является контекстно-зависимой, актуальной и доступной по запросу.

Современные технологические прорывы позволяют платформам объединять несколько инструментов бизнес-аналитики и получать единый результат, объединяя информацию из нескольких отделов, не вызывая сбоев в ваших процессах или бизнесе.

Объединенная мощность всех BI, RPA и AI на основе масштабируемой платформы, которую можно развернуть в облаке с традиционной архитектурой СУБД или масштабировать с помощью Apache spark на основе микросервисов и безопасной архитектуры на основе API, — это нарушение традиционных технологий Excel или единый инструментальный подход. Сегодня его развертывание дешевле, а развертывание и развертывание бесконечно быстрее.

Поднимите тост за мощь BI, RPA и AI вместе