Как Business Intelligence помогает Netflix, “Газпрому” и вам

Netflix не смогла бы заработать миллиарды долларов без технологий Business Intelligence. Если в 2012 году рынок услуг в сфере BI оценивался в $13,1 млрд, то к 2027 году он может вырасти до $60,49 млрд. В России объем использования решений для бизнес-анализа также стабильно растет. Особенно в кризис, связанный с COVID-19. Например, “ВкусВилл” в 2021 добавил BI, чтобы усилить логистические процессы и доставку в более чем 1300 точек. Без BI невозможно представить ни одну современную корпорацию и госкомпанию. Благодаря аналитической платформе OmegaBI, специалисты компании “Газпром проектирование” управляют проектами. Причем для работы с десятками аналитических панелей и графиков даже не требуется IT-специалист. 

Поговорим о передовых технологиях, используемых в BI, которые помогают перерабатывать любые массивы информации, анализировать транзакции, делать понятные графики и таблицы и даже давать прогнозы. 

BI становятся доступнее 

BI эволюционируют в сторону систем самообслуживания или self-service BI, оставляя позади классические модели, которые невозможно использовать без IT-специалиста или бизнес-аналитика с глубоким знанием Python/SQL/R. Чтобы бизнес мог самостоятельно пользоваться BI-системами, они должны содержать low-code или no-code инструменты для сбора и обработки данных (ETL). Интеграция современных BI может выглядеть так: Data-специалист настраивает источник, модель, данные, после чего пользователь может свободно формировать отчеты, дашборды, диаграммы, графики в любой момент и под любые критерии. 

Современные платформы для бизнес-анализа отличаются интенсивностью использования технологических трендов: искусственного интеллекта, нейросетей, машинного обучения, виртуальной реальности. Например, нейросетевые алгоритмы используются в BI для формирования прогнозов, а Deep Machine Learning – для выявления сложных закономерностей на этапе анализа данных. Пользователям необходимо разбираться в этих разработках как минимум на базовом уровне, потому что они уже проникли практически во все области нашей жизни. 

Мы решили остановится на наиболее известных алгоритмах, которые используются не только в BI, но и во многих других продуктах и технологиях.    

Искусственный интеллект (Artificial intelligence, AI)

AI – это набор систем, позволяющий решать “человеческие” задачи, творческие и интеллектуальные. Благодаря этой технологии, например, можно формировать максимально адресную отчетность, учитывающую контекст, задачу и другие условия. 

Без методов моделирования и прогнозирования, классические BI выдают усредненный “посмертный анализ”, не учитывая “движение” данных, нюансы, тренды и нетривиальные закономерности. AI, и все, что находится глубже, нейросети, машинное обучение и глубокое обучение,  позволяют получать более интересный результат. 

BI-системы помогают создавать сложные и разнообразные отчеты, чтобы бизнес мог не только анализировать ситуацию в режиме реального времени, но и прогнозировать дальнейшее изменение ситуации. 

Искусственный интеллект помогает адаптировать широчайшие возможности аналитических платформ для сотрудников компаний, вводя подсказки, чтобы они могли быстрее учиться и эффективно использовать систему. Таким образом, BI позволяет получать оперативные оповещения, например, если показатели производительности ползут вниз или бюджет проекта отклоняется от плана. BI, как правило, работают не только на компьютерах, но и на мобильных устройствах. 

Нейросетевые алгоритмы (Artificial neural networks, ANNs)

Нейросети – это частный случай технологии машинного обучения (Machine Learning). ML сама пишет алгоритм на основании обработанных данных. Например, помогает PowerPoint придумать дизайн слайда вместо пользователя нажатием кнопки Design ideas. Машину можно научить распознавать эмоции по фотографии и даже попросить ее описать на английском языке, что на ней изображено. Еще несколько лет назад, мы не могли представить, что компьютер наконец научится отличать собачек от котиков на картинках, но это произошло – благодаря нейросетям, обученных выполнять эту задачу. 

Нейросети напоминают по архитектуре человеческий мозг. Только вместо нейронов – математические функции. Сами по себе они не очень интересны, до тех пор пока не начнут взаимодействовать друг с другом. Так же как в мозге -- чем больше используются определенные пути, тем выше у них проводимость. В BI нужно обучить взаимодействию миллионы функций. Так нейросети выигрывают у человека в Го и создают картины, которые продаются на известных арт-аукционах. 

А теперь попробуем разобраться, как это может выглядеть изнутри. Алгоритм нейросети создает сеть из трех слоев узлов: входного, скрытого и выходного. На входе определяются значения входных атрибутов для модели интеллектуального анализа данных (МИАД). В скрытом слое им назначаются весовые коэффициенты. Чем он выше, тем больше важность входного атрибута. Отрицательные коэффициенты мешают достичь необходимого результата. Постепенно эта ошибка должна уменьшаться.  В выходном слое передаются данные для МИАД. Прогнозы составляются на основе отработанной модели сети и весовых коэффициентов.

Кстати, переобучать нейросети, как и людей, сложнее, чем обучать заново, точнее, у переобученной сети снижается точность предсказаний.  

Что касается бизнеса, то нейросети помогают создавать предиктивный анализ или предсказательную аналитику. Это помогает, например, регулировать операционную деятельность компании, от управления логистикой до ценообразования. 

Например, в BI может быть встроена система поддержки принятия решений,   основанная на нейросетях. Она выявляет изменения показателей, анализирует причины, строит прогнозное поведение внешней среды и предлагает целесообразное решение в данной ситуации. 

Библиотека нейросетевых алгоритмов в BI может быть построена на основе методов:

• ассоциации (когда оценивается повторяемость события)

• последовательности (оценка цепочки связанных во времени событий)

• классификации (поиск признаков провоцирующих события)

• кластеризации (группировка связанных событий)

• закономерности (определение динамики)

Глубокое обучение (Deep Machine Learning, DML)

DML – это глубокие нейросети, которые позволяют решать наиболее сложные задачи. Они постепенно вытесняют остальные алгоритмы. Если при обычном машинном обучении программисту нужно вручную задавать примеры и исправлять ошибки, то глубокое обучение использует многослойные нейросети и самостоятельно задает функции и делает выводы. 

Например, в американском McDonald’s специалисты Microsoft давно “посадили” искусственный интеллект с технологией DML в МакАвто. Машина не устает и не ведет лишних разговоров, в отличие от сотрудника, который находится за стеклом и с трудом разбирает, что говорят клиенты, высовываясь из окна автомобиля. Тесты подтвердили, что алгоритм распознавания речи понимает людей быстрее и лучше продавца.  

Еще один пример, DML анализирует данные пользователей, чтобы найти наиболее лояльную аудиторию. В результате, банки, например, могут предлагать продукты более таргетированно. 

BI не остановить

BI сегодня используют многие компании: корпорации и малый бизнес, стартапы и госструктуры. С их помощью рассчитывают эффект от инвестиций в продвижение в соцсетях, экономят десятки миллионов рублей на оптимизации складов и ставят диагноз в поликлинике. 

Во время пандемии пользователи переместились в онлайн, оставляя все более ощутимый цифровой след. Компании быстро поняли, что нужно активнее внедрять BI-системы, которые бы позволили анализировать потоки данных и интерпретировать результаты в соответствии с задачами бизнеса. За пару лет количество пользователей BI увеличилось с сотен до тысяч. 

Одно из самых важных назначений BI-систем – помогать принимать быстрые и эффективные решения на основе оперативных данных. Ведь иногда реакция компании или службы должна быть незамедлительной и точной. Такие системы, как OmegaBI, помогают превращать данные в бизнес-озарения, информацию – в силу. 



#omegafutureblog #блог