Технологические достижения новейшей истории поставили перед нами различные моральные дилеммы. Жертвуем ли мы человеческим общением лицом к лицу ради массовой связи? Заменяем ли мы человеческие роли автоматизированными устройствами? Позволим ли мы искусственному интеллекту (ИИ) воспроизводить чувствительные человеческие процессы принятия решений, такие как медицинские диагнозы?
Независимо от того, на чьей стороне этические дебаты вы остановились, трудно отрицать бесчисленное количество способов, с помощью которых технологии улучшили нашу жизнь, экономику и даже позволили нам выжить в условиях кризисов.
Новой и несколько спорной технологической тенденцией является «демократизация данных». Это идея о том, что постоянно растущие хранилища данных о клиентах, сотрудниках и операционных данных, собираемых компанией, должны быть доступны среднему сотруднику, а не только высшему руководству и специалистам по данным. Сотрудники проходят базовое обучение для комфортной работы с данными, а также им помогают инструменты бизнес-аналитики (BI) самообслуживания.
55% данных в организации не используются (Splunk). Расширяя уровень использования этих данных, вы можете получать более полезную бизнес-аналитику. Эта идея управления данными поддерживается экспертами и, как полагают, обеспечивает значительное конкурентное преимущество. По данным Forrester, к 2021 году бизнес, основанный на информации, будет воровать 1,8 триллиона долларов в год у конкурентов, которые не ориентируются на информацию.
Недавно мы стали свидетелями ускорения демократизации данных и ее преимуществ, особенно в обеспечении выживания бизнеса во время глобальной пандемии. Хотя исторически это было причиной многих спекуляций, поскольку общество ориентируется на последствия использования чего-то столь важного, как данные.
Демократизация — лучший друг компании
«Важным акцентом при воспитании такого типа культуры данных является объяснимость», — объясняет Бернард Марр, лидер в области технологий. «Просто люди с большей вероятностью поверят в потенциал новой технологии, если они понимают, как она работает, а также что она делает».
У нас действительно есть технология для реализации демократизации данных. Глубокое понимание данных может быть получено с помощью ИИ и машинного обучения (ML) и адаптировано к конкретным потребностям отрасли для запуска сложных аналитических планов. Бизнес-культура, основанная на данных, была ограничена только нашей культурной чувствительностью к обработке данных.
Однако, когда во время пандемии наши руки были вынуждены, и у нас не было другого выбора, кроме как иметь дело с удаленной работой и снижением производительности, многие из нас открыли глаза на методы демократизации данных. Нововведение достигло «объяснимости».
Облачная мобильная аналитика данных была необходима для совместного профессионального опыта во время пандемии. Accenture сообщает, что 64% компаний добились повышения эффективности после использования аналитики данных и повышения грамотности данных.
Данные играют особенно фундаментальную и универсальную роль в сфере финансовых услуг. AI/ML часто используется для алгоритмов борьбы с мошенничеством по запросу, заменяя службы ретроспективного расследования прошлого. Этот метод значительно предотвращает кризисы, блокируя мошеннические платежи. Это также оказывает косвенное влияние на оптимизацию процессов соответствия, позволяя соответствующим образом создавать новые продукты и услуги.
Например, телекоммуникационная и финтех-компания MTN group во время пандемии запустила программу, чтобы сделать данные максимально доступными для своих сотрудников. Старший вице-президент по разработке продуктов в Oracle Т. К. Ананд описывает этот проект и важность применения культуры, основанной на данных, в крупной компании. «Они смогли начать общаться друг с другом в действительно сложное время, имея актуальные данные», — продолжает он, — «Финансы были в некотором роде на руле в те трудные времена, но они могли общаться с бизнес-группами в в режиме реального времени и все будут говорить на одном языке на основе данных. Это была непростая ситуация, но они смогли пережить бурю».
Предоставляя бизнес-пользователям доступ к соответствующим данным, вы, по сути, даете им больше автономии для выполнения своей роли и создания полезных идей. Эта повышенная ответственность позволяет вашим сотрудникам больше инвестировать в результат и более творчески подходить к делу.
Стало совершенно очевидным, что предприятия теряют деньги, не демократизируя свои данные. Огромные хранилища данных, способные предоставить уникальную информацию, остаются нетронутыми и, по сути, являются узким местом для конечных пользователей внутри организации.
Управление данными — предотвращение анархии
Самой по себе идеи обмена данными недостаточно для эффективного повышения потенциала вашего бизнеса. С большой силой приходит большая ответственность, и к теме конфиденциальности нельзя относиться легкомысленно. Предоставление большему количеству сотрудников доступа к личным данным (PII) открывает двери для множества рисков.
Качество обучения и технических знаний среднего пользователя является главной проблемой. Делая данные более широко доступными в компании, люди, которые менее склонны к технологиям или не могут работать с большим объемом материала, могут неправильно интерпретировать данные и сделать неверный звонок.
Грамотность данных для всех
Для поддержания высокого уровня грамотности в работе с данными во всей компании необходимо проводить интенсивное регулярное обучение посредством семинаров, руководств по саморазвитию и (использовать проблему как решение) облачное обучение.
Также важно ограничить доступ к информации в зависимости от отдела или бизнес-задачи. Должна существовать иерархия доступа, подкрепленная адекватными мерами безопасности, обеспечивающими шифрование данных и отслеживание их совместного использования на всех уровнях.
Каталог данных — отличный инструмент, который облегчает идеи благодаря сотрудничеству между обычными членами команды и аналитиками данных. Он также модерирует использование данных за счет ввода данных от разных команд.
Машинное обучение — Data Wingman
Как добиться принятия решений на основе данных без специалистов по данным? Мы помогаем конечному пользователю понять и стратифицировать данные с помощью ИИ.
Работа специалиста по данным состоит в том, чтобы анализировать и очищать данные, управлять параметрами и разрабатывать алгоритмы, чтобы сделать данные пригодными для использования. Автоматизированное машинное обучение делает данные приемлемыми для среднего конечного пользователя и дает им возможность создавать свои собственные модели машинного обучения для удовлетворения своих конкретных потребностей.
Визуализация
Визуализация — это любой процесс, с помощью которого данные представляются визуально, то есть в виде диаграммы, диаграммы или изображения. Машинное обучение позволяет нам группировать шаблоны из необработанных данных, существенно ускоряя скорость обнаружения данных. Алгоритм будет постоянно «обучаться» и улучшать качество своего анализа по мере его развития, что делает его идеальным для организаций, имеющих постоянный поток данных.
Стратифицированные данные можно сжать в удобную графическую панель инструментов с помощью инструментов визуализации. Конкретные параметры могут применяться в соответствии с любыми необходимыми данными. В конечном счете, средний «гражданин-ученый по данным» может искать, читать и принимать решения на основе огромных объемов данных.
Предиктивная аналитика
Машинное обучение может анализировать прошлые статистические данные для поддержки прогнозного моделирования. Алгоритмы реагируют на новые данные, определяя тенденции, которые определяют будущие бизнес-цели. Его можно использовать, например, в сфере финансовых услуг для обнаружения и сокращения случаев мошенничества и измерения рыночного риска.
Помня о целях вашей компании, для обеспечения эффективной работы этих процессов у вас должно быть соответствующее аналитическое программное обеспечение. У вас также должна быть эффективная программа управления, которая поставляет вашему алгоритму высококачественные, согласованно отформатированные данные.
Ограничения самообслуживания
По сути, цель состоит в том, чтобы позволить конечному пользователю анализировать данные и делать выводы без необходимости изучения кода или сложных процессов обработки данных. ИИ облегчает их понимание, позволяя пользователю создавать действия, применимые к его цели.
Однако сама степень упрощения данных может вызвать серьезные проблемы, оставляя место для многих человеческих ошибок.
·Несколько групп потребления данных с разными интересами могут вызвать несколько версий правды и конфликты интересов при разработке действий.
·Определить качество данных сложно, выводы могут быть сделаны из ненадежных источников.
·Аналитики с минимальной подготовкой могут использовать плохо разработанные поисковые запросы, что приведет к искажению результатов.
Хотя на пути к демократии больших данных, безусловно, нужно преодолеть множество препятствий, ее преимущества и, что более важно, ее достижимость очевидны. Конечно, будет период адаптации, но использование наших постоянно расширяющихся массивов данных гражданским специалистом по данным кажется неизбежным и даже важным аспектом нового цифрового мира.
Бизнес-культура, основанная на данных, свободная от контроля доступа и хранилища данных, может и будет способствовать массовому повышению эффективности и безопасности. От выявления ошибок в существующих организационных практиках, указания плодотворных областей для улучшения бренда до обнаружения и предотвращения мошенничества. Передача данных в руки людей только повысит эффективность гибкости каждого бизнес-подразделения.
Дополнительная литература:
https://hevodata.com/learn/a-guide-to-understanding-data-democcratization/#tipdd
