كيف يمكن لذكاء القرار تعزيز لعبة ذكاء الأعمال بجدية

بالنسبة لمعظمنا ، فإن اتخاذ قرارات العمل القائمة على البيانات هي عملية من أربع خطوات. أولاً ، تقوم بجمع البيانات. بعد ذلك ، أنت "خاصتي" ، مما يعني فقط أن مجموعة من الأدوات وعلماء البيانات يبحثون عن الأنماط والارتباطات بين أنواع مختلفة من البيانات. ثالثًا ، يتم ضخ هذه الاكتشافات في لوحات المعلومات والتصورات التي يراها المديرون. من هناك ، الأمر متروك للمدير لتفسير ما تخبرهم به لوحة القيادة واتخاذ قرارهم.

تكمن المشكلة في أن البيانات التي جمعتها والأنماط التي اكتشفها علماء البيانات والأدوات الخاصة بك ، تحدد الآن القرارات التي يمكنك اتخاذها. مثال مبسط:Say PCMag يجمع الكثير من البيانات عن المقالات التي حققت أفضل أداء من حيث عدد النقرات التي تلقتها مقالة معينة أو مجموعة من المقالات. ثم تنبض محركات قاعدة البيانات الخاصة بنا بالحياة ، وتجمع أفضل المقالات معًا ، وتبني تصورات جميلة حتى نتمكن من فهم ما تم العثور عليه. ما نبحث عنه يتيح لنا رؤية أكثر المقالات نجاحًا حتى تلك النقطة. يمكننا بعد ذلك العمل على تكرار هذا النجاح في المستقبل عن طريق كتابة المزيد من هذه المقالات على محور بيانات معين ، مثل الموضوع أو نوع المقالة أو حتى المؤلف. إذن ما نفعله هو استخدام بياناتنا لتكرار نجاحاتنا السابقة. بالتأكيد ممارسة فعالة.

لكن ماذا لو قلبنا ذلك؟

بدلاً من تقييد أنفسنا بالبيانات التي جمعناها ، ماذا لو بدأنا ببساطة بطرح السؤال الذي نريد حقًا الإجابة عليه:ما أنواع المقالات التي ستفعل الأفضل لنا في المستقبل؟ إذا بدأنا هناك ، فنحن بحاجة إلى عملية ليس فقط لاكتشاف الأسئلة التي نحتاج إلى طرحها للحصول على الإجابة ، ولكن أيضًا البيانات التي سنحتاج إلى جمعها لدعم هذه الاستفسارات. ولكن ما سنحصل عليه هو مجموعة إجابات أكثر قيمة بكثير يمكننا من خلالها اتخاذ قراراتنا التحريرية.

هذه واحدة من المنهجيات الجديدة الأكثر إثارة التي تظهر في الجيل التالي من أدوات تحليل الأعمال ، وتسمى "ذكاء القرار" (DI). أدناه ، نصف DI بمزيد من التفصيل ونناقش ما ستحتاج إلى معرفته لجعلها تعمل لصالح مؤسستك.

ما المقصود بذكاء القرار؟

تصف كاسي كوزيركوف ، كبيرة علماء القرار في Google ، DI بأنها وسيلة لزيادة علوم البيانات بالعلوم الاجتماعية ، ونظرية القرار ، والعلوم الإدارية. هذا المزيج أكثر فاعلية في مساعدة الأشخاص على استخدام بيانات ذكاء الأعمال فعليًا لاتخاذ قرارات أفضل. تصف الفرق بين علم البيانات و DI على أنه الفرق بين أولئك الذين يصنعون أفران الميكروويف والطهاة الذين يستخدمونها.

انبثقت شركة DI عن جهود هندسة البرمجيات لبناء قرارات محسّنة بشأن أفضل الممارسات والقيام بذلك على نطاق واسع. ووفقًا للخبراء ، فقد نضجت بدرجة كافية بحيث يجب أن تبدأ في التأثير حتى على الشركات الصغيرة والمتوسطة الحجم (SMBs) في التكرار التالي لأدوات BI السحابية الشائعة ، مثل Microsoft PowerBI أو Tableau.

"يربط ذكاء القرار بين الذكاء الاصطناعي وصنع القرار البشري لتكوين استنتاجات أكثر ذكاءً ، مما يؤدي إلى نتائج أكثر إيجابية" ، كما يقول جاك زمودزينسكي ، أحد كبار المساعدين في شركة Future Processing (تفتح في نافذة جديدة) ، وهي شركة مخصصة لتطوير البرمجيات. "لذا ، فبدلاً من اتخاذ قرار من قبل شخص أو قرار اتخذه جهاز كمبيوتر ، فهو أفضل ما في العالمين".

تعمل ذكاء القرار على تغيير ما تفعله الشركات عادةً ببياناتها. في نهج البيانات الضخمة ، يتم عادةً اختيار أدوات التحليل والاستعلامات لتناسب البيانات. مع شركة DI ، فإن القرار الذي يتم السعي إليه هو الذي يأخذ الأولوية الأولى ؛ ثم يتم إنشاء الاستعلام ، واختيار البيانات حسب صلتها بالسؤال. لذلك تأخذ البيانات دورًا داعمًا بدلاً من دور البطولة عند اتخاذ قرارات تعتمد على البيانات.

يعرّف الخبراء ذكاء القرار كمنهجية ، لكنها ليست منهجية واحدة شاملة. ستعتمد طريقة التعامل مع DI على عملك ، والبيانات التي تجمعها ، وكذلك إمكانيات مجموعة أدوات التحليلات الخاصة بك. ومع ذلك ، ستكون الفكرة الأساسية هي نفسها دائمًا:استخدام نهج مرئي يبدأ بالقرار المطلوب ثم يعمل بشكل عكسي لتحديد البيانات المطلوبة وكيفية الحصول عليها.

لماذا تحتاج DI

إذا كنت تعتقد أن كل هذا يبدو وكأنه مشكلة تجارية أو مؤسسة كبيرة ، ففكر مرة أخرى. حتى الشركات الصغيرة و "رواد الأعمال المنفردين" سيستخدمون قريبًا هذه التقنيات ، وسيكونون قادرين على إدارتها بجهد ضئيل للغاية ، وبتكلفة معقولة ، وبنجاح يعتمد على معارفهم ومواهبهم. خلاصة القول:حتى قادة الأعمال الصغيرة هذه الأيام يستخدمون قواعد بيانات سحابية معقدة تحتوي على الكثير من البيانات والتحليلات القوية. ما يفتقرون إليه هو أي إرشادات حقيقية حول كيفية استخدام هذه المعلومات لاتخاذ قرارات واقعية. هذا ينطبق بشكل خاص على الشركات الصغيرة ، وهذا بالضبط ما تعالجه شركة DI.

قال جوبي فيكرانث ، المدير المشارك في شركة ZS Associates شركة عالمية للاستشارات والخدمات المهنية. قبل انضمامه إلى ZS في عام 2019 ، شغل مناصب نائب الرئيس لتحليلات البيانات الضخمة والتسويق في Melco Resorts and Entertainment ، ونائب رئيس تحليلات التسويق في Caesars Entertainment.

"ذكاء القرار ، من ناحية أخرى ، يجيب على [السؤال]" إذا كنت ستتخذ الإجراء X ، فماذا ستكون النتيجة في العالم الحقيقي؟ "هذا أمر بالغ الأهمية للشركات حيث نادرًا ما يكون هناك موقف به معلومات مثالية ،" قال فيكرانث.

يصف شركة متوسطة الحجم كمثال نموذجي. لنفترض أن هذه الشركة لديها برنامج ولاء العملاء. تم تكليف الذكاء الاصطناعي بتحسين أرباح الأعمال ، حتى يتمكن من إيجاد طرق حسابية لتغيير أو إزالة امتيازات العملاء أو رفع الأسعار لتحسين هذا الربح. ولكن في حين أن هذه الاستنتاجات "صحيحة" من الناحية الموضوعية ، فإن مثل هذا القرار قد يتسبب في رد فعل مكلف مع العملاء والمؤثرين ، مما يؤدي في النهاية إلى خسارة طويلة الأمد في الولاء وبالتالي خسارة الإيرادات.

يستشهد جيسون كوتريل ، الرئيس التنفيذي لاستوديو البرمجيات Myplanet ، بما يلي كحالات استخدام محتملة لذكاء القرار:

• إضفاء الطابع الشخصي على مكونات الواجهة الأمامية للبرنامج (واجهة المستخدم التكيفية).

• توصيات المنتج.

• منع زبد العملاء.

• تحسين الأسعار للأنشطة التجارية كثيفة المعاملات ، مثل شركات الطيران أو المستحضرات الصيدلانية.

"بدلاً من قول" ما البيانات التي أحتاجها لاتخاذ هذا القرار؟ "قل" كيف يمكنني اتخاذ هذا القرار؟ يوضح جيمس تيلور ، مؤلف الكتاب " ، ما الأجزاء التي تتطلب تحليل البيانات وأيها يمكنني أتمتة؟" بهذه الطريقة ، ستستفيد بشكل أفضل من التحليلات والأتمتة " اتخاذ القرار الرقمي:استخدام إدارة القرار لإحداث تأثير على الأعمال من الذكاء الاصطناعي "والرئيس التنفيذي لحلول إدارة القرار.

قريبًا:أدوات اتخاذ القرار

إذا كنت شركة صغيرة تنغمس في البيانات الضخمة ، فقد تحتوي منصتك الحالية بالفعل على الأدوات التي تحتاجها لبدء استخدام DI. يقول الخبراء أنك قد لا تحتاج حتى إلى ذلك.

يقول Lorien Pratt ، مخترع نقل التعلم بالنسبة للآلات ، رائد استخبارات القرار ، وكبير العلماء والشريك المؤسس في Quantellia ، وهي شركة للتعلم الآلي واستخبارات القرار. وهي تعتقد أن DI ينضج بسرعة وأن هذا النوع من نمذجة البيانات سيكون متاحًا قريبًا لأي حجم أعمال.

وفقًا لـ Pratt ، ستدعم التكرارات القادمة لمنصات ذكاء الأعمال المشتركة شركة DI. "في المستوى التالي من التطور ، ستتمكن من تضمين نماذج DI داخل الأدوات الحالية ، مثل [Microsoft] Excel أو PowerBI ،" كما تقول. ومع ذلك ، بالنسبة للأدوات الأقل تعقيدًا ، من المحتمل أن تكون هذه العملية محدودة ، نظرًا لأن هؤلاء المستخدمين لن يتمكنوا من تغيير نماذجهم أثناء التنقل.

ولكن بينما يمكن للشركات الصغيرة أن تتطلع إلى منصات DI المبسطة في السحابة ، ستحتاج المؤسسات إلى المزيد من القوة النارية.

يقول برات:"المشكلة الأكبر هي نهج الاستثمار" ، مما يعني أن الشركات الكبيرة تحتاج إلى وضع القرارات في المقدمة وفي المنتصف. ويمكن أن يصبح ذلك معقدًا في المؤسسات الكبيرة. ستحتاج إلى معرفة ليس فقط أنواع القرارات التي يجب اتخاذها ، ولكن أيضًا كيفية تلبية هذه المتطلبات.

يقول تايلور:"بالنسبة لبعض القرارات ، ستكون حزمة ذكاء الأعمال الحالية كافية. ولكن بالنسبة للآخرين ، من المحتمل أن تجد [المؤسسات] أنها بحاجة إلى الاستثمار في تقنيات أكثر تقدمًا ، مثل التحليلات التنبؤية وأدوات التعلم الآلي." بالإضافة إلى ذلك ، ينصح بالنسبة للقرارات التي تحتاج الشركات إلى اتخاذها بشكل متكرر أو سريع ، فإن نشر نظام إدارة قواعد العمل ، مثل تلك من Agiloft (يفتح في نافذة جديدة) أو IBM (يفتح في نافذة جديدة) ، يمكن أن يؤدي إلى أتمتة العملية والاستفادة بشكل أفضل من التعلم الآلي الخاص بك الخوارزميات.

بالنسبة للشركات الصغيرة ، ربما يكون هذا مبالغة. خاصة وأن الجيل التالي من خدمات التحليلات السحابية يجب أن يوفر كل ما تحتاجه الشركات الصغيرة والمتوسطة في العضلات من شركة DI ، فقط مع عدد أقل من النشر والتعلم. ولكن إذا كنت لا تزال ترغب في استخدام DIY على DI ، فإليك ما يقول تايلور أن المؤسسة النموذجية ستحتاج إليه:

موصى به بواسطة محررينا

• برنامج نمذجة القرار للقيام بجمع المتطلبات ونمذجة البيانات.

• برنامج إدارة قواعد الأعمال لتطوير قواعد قرارك (إلا إذا كنت تتخذ قرارات قليلة نسبيًا مع السماح بفترات طويلة من النتائج).

• نوع من مكدس التعلم الآلي الذي يمكنك من خلاله تطوير الخوارزميات التي ستحتاج إليها.

• نظام أساسي للبيانات يتيح لك إنشاء الخوارزميات وإدارة تسليم بيانات المعاملات ، ويفضل أن يكون ذلك في الوقت الفعلي.

• أداة تصور البيانات ، خاصةً إذا كانت قراراتك النهائية ستظل تتضمن عنصرًا بشريًا مهمًا.

الأنماط مقابل الحدس

ترى الآلات أن المشاكل والأنماط محددة بوضوح:الأسود مقابل الأبيض. من ناحية أخرى ، يرى الناس الفروق الدقيقة ، والمعاني البديلة المحتملة ، والخيارات ، والجسور مع الأفكار الأخرى. غالبًا ما يكون الوضوح بشأن أي قضية وظيفة ذكاء بديهي وليس تدريبًا أكاديميًا. يمكن للبشر استخدام كليهما ، ويهدف DI إلى توسيع نطاق هذه القدرات.

يقول إرفين سيديك ، الأستاذ المشارك في الهندسة الكهربائية وهندسة الكمبيوتر والأنظمة الذكية في كلية الهندسة بجامعة بيتسبرغ سوانسون:"يستند استخبارات القرار إلى فكرة محاولة دمج مناهج واقعية تحاكي القرارات الشبيهة بالإنسان". بينما في الوضع النموذجي الذكاء الاصطناعي ، فأنت في الأساس قد أعددت قواعد التعلم الآلي:إذا كانت حمراء ، فهي هذه ، وإذا كانت زرقاء ، فهي كذلك. "

يستشهد Sejdic بشراء سيارة كمثال. "إذا كنت تشتري سيارة ، وقمت بتعيين معايير معينة مثل الأميال لكل جالون أو نوع معين ، فستجد خوارزمية سيارة لك. لكننا نختبر قيادة السيارة ونرى كيف تشعر بها وما هي قيادتها ، وهذه هي المدخلات اللينة التي يصعب ترميزها ، "يشرح. "لهذه الأسباب ، يحاول ذكاء القرار ترميز القرارات الأكثر ليونة التي نتخذها ، وتلك الأشياء مختلفة عن الذكاء الاصطناعي النموذجي الخاص بك."

يلاحظ Sejdic أنه في حالة نجاحه ، يمكن تطبيق DI على أي شيء. طريقة تحديد مكان استخدامه هي العثور على المناطق التي تريد أن تعرف فيها الإجراء الأفضل بالنسبة لك.

"معظم التحليلات وذكاء الأعمال وصفي. تقوم بتسجيل ما يحدث ثم تقوم برسم الأرقام في مخطط. يخبرك بما حدث للتو حتى تتمكن من محاولة فهمه. الأشكال الأخرى تنبؤية. إنهم مثل التنبؤ بالطقس. يخبرونك بما سيحدث ". أوضح كريس نيكولسون ، الرئيس التنفيذي لشركة Pathmind (يفتح في نافذة جديدة) ، وهي شركة ذكاء اصطناعي تستهدف العمليات الصناعية وسلاسل التوريد.

يقول Vikranth من ZS Associates:"هناك جانب كمي ونوعي لذكاء القرار ، ويجب على الشركات أن تأخذ كليهما في الاعتبار". ويوضح على الجانب الكمي جمع البيانات ، والتثليث والهندسة ، والبنية التحتية للذكاء الاصطناعي وعلوم البيانات ، وموهبة البرمجة. المفتاح في هذا الجانب هو البيانات الدقيقة. ستحتاج الشركات من أي حجم إلى استثمار الوقت والجهد لتحديد مؤشرات الأداء والتأكد من أنها تجمع البيانات الصحيحة وتخزينها بطريقة يمكن استخدامها بواسطة مكدس DI.

على الجانب النوعي ، يقول فيكرانث إن الشركات بحاجة إلى المواهب المناسبة لتحويل الأفكار أو الاستنتاجات أو المخرجات إلى قرارات وأفعال. هذه تحتاج إلى سياق لأعمالهم. يمكن لأدوات ماذا لو والاختبار والتعلم أن تساعد بشكل كبير في هذه العملية.

يقول فيكرانث:"يعتبر كلا الجانبين مجتمعين ذكاء اتخاذ القرار. وبهذه الطريقة ، لا يخرج الذكاء الاصطناعي البشر من المعادلة." يعتقد فيكرانث أن هذا مهم لأن الخوارزميات الرياضية ، خاصة إذا كانت تعمل على بيانات غير كاملة ، لا يمكنها التوصل إلى أي نوع من القرار الأمثل.

تطور عالم البيانات

أدى مديرو قواعد البيانات القديمة إلى ظهور محللي ذكاء الأعمال وعلوم البيانات التقليدية. تساعد DI في تطوير هذا التخصص إلى دور جديد وأكثر فاعلية ، وهو دور مترجمي علوم البيانات. وفقًا لخبراء مثل Vikranth ، سيستخدم هؤلاء الأشخاص DI لاتخاذ سيناريوهات "ماذا لو" الخاصة بشركة ما والعمل عليها من خلال مجموعة ذكاء اصطناعي لفهم الإجراءات التي يحتاجها العمل التجاري ونوع النتائج التي يمكن أن توفرها هذه الإجراءات.

تتيح ذكاء القرار للتكنولوجيا والأشخاص كل منهم يفعل ما يفعله بشكل أفضل. تجد التقنيات ، مثل التحليلات والذكاء الاصطناعي ، الروابط والأنماط بسرعة في مجموعات ضخمة من البيانات ، ولكن هذا نصف الرحلة فقط. يمكن لشركة DI استخدام هذه المعلومات ومساعدتك في تطبيق العوامل البشرية غير الملموسة ، مثل الذكاء البديهي والإبداع والخبرة والقدرة على التنقل بنجاح عبر الفروق الدقيقة. وهذا يجعل DI نموذج تحليل هجين جديد وقوي حتى بالنسبة للمؤسسات الصغيرة ، وهو نموذج فعال بشكل خاص على نطاق واسع.