Kai skaičiai pradeda kalbėti patys
Buvo laikas, kai statistika organizacijose reiškė vieną dalyką: žmogų su Excel lentele ir kantrybe, kuri pribloškia. Duomenys rinkti rankomis, apklausos spausdintos ant popieriaus, o galutinė ataskaita pasirodydavo praėjus keliems mėnesiams nuo to momento, kai ji dar buvo aktuali. Šiandien tas pats procesas gali vykti beveik akimirksniu – ir tai nėra tik greičio klausimas.
Dirbtinis intelektas statistikos srityje nėra kažkoks ateities žaislas. Jis jau veikia – ligoninėse, savivaldybėse, mažose įmonėse, kurios galbūt net nežino, kad naudoja kažką, kas prieš dešimtmetį skambėjo kaip mokslinė fantastika.
Nuo duomenų chaoso iki prasmės
Didžiausia problema, su kuria susiduria organizacijos, nėra duomenų trūkumas. Priešingai – jų yra per daug. Pardavimų skaičiai, klientų atsiliepimai, socialinių tinklų srautas, darbuotojų apklausos, finansinės ataskaitos. Visa tai sėdi skirtinguose failuose, skirtingose sistemose, kartais skirtinguose kabinetuose.
Mašininio mokymosi algoritmai sugeba tai, ko žmogus fiziškai nepajėgus: peržiūrėti milijonus duomenų eilučių ir surasti ryšius, kurių niekas net neieškojo. Pavyzdžiui, viena prekybos įmonė pastebėjo, kad produkto grąžinimų pikas koreliuoja ne su jo kokybe, o su konkrečių darbuotojų pamainomis. Tai išaiškėjo ne per auditą, o per automatizuotą anomalijų aptikimą.
Praktiškai tai reiškia, kad organizacijos turėtų pradėti nuo paprastos, bet svarbios užduoties: duomenų konsolidavimo. Prieš diegiant bet kokį DI įrankį, verta suprasti, kokie duomenys apskritai egzistuoja ir kur jie gyvena. Tai skamba banaliai, tačiau daugelis organizacijų šio žingsnio praleido.
Rinkimas be klaidų – ar tai įmanoma?
Tradicinis statistikos rinkimas turi vieną neišvengiamą problemą: žmogų. Ne todėl, kad žmonės blogi, o todėl, kad jie pavargsta, apsirinka, interpretuoja klausimus skirtingai. Automatizuoti rinkimo įrankiai – nuo išmaniųjų apklausų sistemų iki jutiklių tinklų – šią problemą iš dalies išsprendžia.
Iš dalies – nes DI sukuria savo klaidų rūšis. Algoritmas, apmokytas ant šališkų duomenų, duos šališkus rezultatus. Tai vadinama bias problema, ir ji nėra teorinė. Buvo atvejų, kai personalo atrankos sistemos sistemingai ignoravo tam tikrų demografinių grupių kandidatus, nes istoriniai duomenys atspindėjo senas diskriminacines praktikas.
Todėl organizacijoms svarbu suprasti vieną dalyką: DI nėra neutralus. Jis atspindi tai, kuo jį maitinate. Reguliari modelių audito praktika – ne prabanga, o būtinybė.
Prognozavimas kaip nauja kompetencija
Vienas įdomiausių DI indėlių statistikoje – perėjimas nuo retrospektyvios analizės prie prognozavimo. Anksčiau organizacijos žiūrėjo atgal: kas nutiko praėjusį ketvirtį? Dabar galima klausti: kas nutiks kitą?
Prognozinė analitika jau naudojama sveikatos apsaugoje – numatyti, kurie pacientai turi didžiausią riziką pakartotinai patekti į ligoninę. Savivaldybėse – prognozuoti komunalinių paslaugų poreikį. Mažmeninėje prekyboje – valdyti atsargas taip, kad sandėlyje neliktų nei per daug, nei per mažai.
Organizacijoms, norinčioms pradėti, rekomenduojama rinktis vieną konkrečią problemą, o ne bandyti transformuoti viską iš karto. Koks klausimas jus kankina labiausiai? Kodėl klientai išeina? Kada darbuotojai palieka įmonę? Nuo to ir pradėkite.
Vizualizacija: kai lentelė tampa istorija
Statistika, kurios niekas nesupranta, yra bevertė. Čia DI taip pat padaro savo – šiuolaikiniai įrankiai ne tik analizuoja duomenis, bet ir paverčia juos interaktyviomis vizualizacijomis, kurias gali suprasti ir tas, kuris paskutinį kartą su statistika susidūrė mokykloje.
Tai keičia ir organizacinę kultūrą. Kai vadovas gali pats „pažaisti” su duomenimis, užduoti klausimus ir gauti atsakymus realiuoju laiku, sprendimai tampa labiau pagrįsti. Mažiau intuicijos, daugiau įrodymų. Nors intuicija, žinoma, niekur nedingsta – ir gerai, kad nedingsta.
Ten, kur skaičiai susitinka su sprendimais
Visa ši transformacija veda prie vieno esminio poslinkio: statistika nustoja būti IT departamento reikalu ir tampa vadovų kalba. Organizacijos, kurios tai supras anksčiau, turės aiškų pranašumą – ne todėl, kad turės geresnių algoritmų, o todėl, kad mokės geriau klausti.
Nes galiausiai DI tik atsako į klausimus. Teisingus klausimus vis dar turi užduoti žmogus. Ir tai, galbūt, yra geriausia žinia iš viso šio pokyčių sūkurio – technologija keičia įrankius, bet ne tai, kas svarbiausia: gebėjimą mąstyti, abejoti ir ieškoti prasmės ten, kur kiti mato tik eilutes ir stulpelius.
