Trendfigyelő

18_www.govloop.com.jpg
Forrás: ITB
Mi várható az analitikában?

Beépül az adatelemzés az üzleti folyamatokba

Idén még inkább általános, mindennapi dolog lesz az adatelemzés – derül ki a témával foglalkozó kutatóintézet szokásos évi előrejelzéséből. A mindennapivá válás pedig egyértelműen azt tükrözi, hogy az analitika érett technológia lett.

Az amerikai International Institute for Analytics (IIA) szokásához híven most is közzétette 2016 elemzési trendjeiről szóló előrejelzéseit. Idén azonban ezt kiegészítették néhány olyan témával, feladattal, amelyekre az elemzésekkel foglalkozó vezetőknek különösen oda kell figyelniük idén. (Ezeket lásd a „Tennivalók adatszakembereknek” című keretes írásunkban!) A szervezet öt jóslatát az alábbiakban ismertetjük.

 

#1 A kognitív technológiák beolvasztják az automatizált elemzőrendszereket

Az adatelemző szakemberek többsége megkülönbözteti az automatizált elemzőrendszereket –  amelyek saját elemzéseik eredményei alapján hoznak döntéseket – a kognitív technológiától, amelynek egyik legismertebb megvalósítási formája az IBM Watson. Ám 2016-ban a kettő közötti különbség kezd eltűnni, mondja Tom Davenport, az IIA egyik társalapítója.

A határvonal már most is meglehetősen vékony, hiszen a kognitív informatika alapját képező technológiák némelyike – mint a mély tanulás vagy a neurális hálózatok – az elemzéssel foglalkozó szakemberek számára is ismerősek. A kognitív elemzőrendszerek ezeket  integrálják más képességekkel, hogy a szervezetek olyan mennyiségű adattal is megbirkózhassanak, amely az emberek számára már felfoghatatlan.

 

#2 Folyamatokba ágyazott elemzési mikroszolgáltatások

Tennivalók adatszakembereknek

Az adatelemzőknek egyre gyakrabban már nem a puszta létük értelmét kell bizonygatniuk, hanem érdemben hozzá kell járulniuk az vállalat eredményességéhez. Az IIA szakemberei szerint ehhez a következőket érdemes szem előtt tartaniuk az adatelemzéssel foglalkozó szakembereknek és vezetőiknek:

– Az adatelemzést alkalmazzuk az üzleti stratégia fejlesztésére!

Ne csak taktikai szinten, hanem a legfelsőbb vezetés köreiben is mutassuk meg, hogy az adatelemzés miként járulhat hozzá az üzleti stratégia megalkotásához és sikerre viteléhez.

– Használjuk ki a meglévő elemzési erőforrásokat!

Nagyvállalatoknál több területen, egymástól függetlenül is dolgozhatnak adatelemzők; keressük meg őket, és használjuk ki egyesített képességeinket.

– Az üzlettel karöltve definiáljunk elemzési projekteket!

Ezen nincs mit sokat magyarázni: meg kell érteni az üzlet igényeit és annak megfelelően kell létrehozni az elemzési projekteket is.

– Figyeljünk a tehetséggondozásra!

Nem csak karrierutat kell építeni, de érdemes az informatika vagy statisztika felől érkező elemzőket üzleti tudással is felvértezni.

– Mérjük az elemzés üzleti értékét!

Az elemzés egyre inkább beolvad más folyamatokba, de ettől még külön kellene mérni a hasznát, mert így könnyebb eladni házon belül.

Az elemzési megoldásokat hagyományosan úgy tekintik, mint funkciók széles halmazának készletét. Egyre nagyobb teret nyernek viszont a kisebb területre fókuszáló, egy-egy funkcióra alkalmas, a rendszerekbe és folyamatokba integrált elemzési mikroszolgáltatások. Jó példa erre az IBM Watsonja. Ez már nem olyan monolitikus alkalmazás, amilyen kezdetben volt: 32 különböző API-t (programozási interfészt) kínál, egyebek mellett szövegelemzésre, szövegfordításra vagy az eredmények értékelésére. Ahogy egyre több ilyen specializált szolgáltatás lesz elérhető, úgy lesz egyre könnyebb azokat beépíteni az üzleti folyamatokba, újabb és újabb területeken elterjesztve az adatok elemzésén alapuló döntéshozatalt.

 

#3 Összeolvadnak a különféle elemzési feladatok

Amikor az iparágban először kezdtek komolyabban beszélni a Nagy Adatról, olybá tűnt, hogy azt teljesen külön kell választani a hagyományos elemzési funkcióktól. Sokan egyenesen amellett érveltek, hogy szervezetileg is külön kell választani a Nagy Adattal foglalkozókat, mert csak így tudják befogadni, elemezni, kiaknázni a szervezethez beömlő irdatlan mennyiségű adatot.

Az IIA kutatásai szerint ez az álláspont kezd megváltozni. A Nagy Adattal foglalkozó adattudósok (data scientists) már nem külön elefántcsont-toronyban ülnek, hanem a központi elemzési csapat egyik részlegét alkotják. Méginkább elmosódik a határvonal a Nagy Adatra fókuszáló és a hagyományos elemzési megoldások és csapatok között azáltal, hogy a Big Data mind szorosabban integrálódik az üzleti folyamatokba, így a megkülönböztetésnek üzleti oldalról is mind kevesebb értelme lesz.

 

#4 Könnyebb lesz szakembert találni (már ahol)

Még 2011-ben azt jósolta a McKinsey, hogy 2018-ra 140-190 ezer képzett adatelemző fog hiányozni az amerikai munkaerő-piacról. Tom Davenport szerint a helyzet azért nem ennyire rossz – legalábbis az Egyesült Államokban.

A tengerentúlon a felsőoktatási intézmények gyorsan reagáltak a hiányra, és már bőven vannak olyan kurzusok, ahonnan adatelemzésre specializálódó fiatalok kerülnek ki. Emellett a cégek sem vártak a sült galambra: saját programokat indítottak, ahol elemzési szakembereiket felkészítették a Nagy Adattal való foglalkozásra, az üzleti felhasználóknak pedig megtanították az alapvető elemzési készségeket.

Természetesen a relatív szakemberbőség még az Egyesült Államokban is erősen területfüggő. Magyarországon még rosszabb a helyzet, mivel itthon az általános informatikushiányon belül is különösen kevés a jó adatelemző, a célirányos képzés pedig jószerével nem létezik.

 

#5 Segítség az előkészítésben

Minden adatelemző megmondhatja, hogy a legtöbb idő nem is az elemzéssel, hanem az adtok előkészítésével megy el. Újabban azonban megjelentek azok az eszközök, amelyek a gépi tanulás módszereit alkalmazva már nemcsak egy előkészített, tisztított adathalmazon tudnak dolgozni, hanem alkalmasak a nyers adatok tisztítására, rendbetételére is a tényleges elemzés megkezdése előtt. Davenport szerint ilyen eszközöket készít a Tamr, a Paxata és a Trifacta is. Ezek az eszközök nem a hagyományos módon, fentről lefelé indulva állnak neki az adatkezelésnek, hanem fordítva, az adatforrásnál kezdik a munkát.