Seuraava artikkeli auttaa sinua: Toimitamme mittakaavassa analytiikkaa asiakasketjun päästä päähän
Tarun Srinivasan, VP, Genpactin maailmanlaajuinen analytiikan johtaja, keskusteli vaiheista kustannussäästöjen analytiikkaputkien rakentamiseksi asiakkaille pitämässään puheessa Machine Learning Developers Summit (MLDS) -konferenssin neljännessä painoksessa, jonka otsikko oli “Analytics in scale for the end” asiakkaiden liiketoimintaketjun lopettamiseksi”. Hän laajensi perinteisten analytiikan työkalujen/tekniikoiden ja uuden aikakauden AI/ML-tekniikoiden soveltamista analytiikkapalveluihin, kuten tietojen valmisteluun, liiketoimintatiedotukseen, ennustamiseen, optimointiin ja neuvontapalveluihin.
”Alle 0,5 prosenttia maailmassa tuotetusta tiedosta analysoidaan todella koskaan. Luomme päivittäin enemmän ja enemmän dataa. Voin varmistaa, että meillä kaikilla on jatkossa työpaikkoja analytiikka-alalla, vaikka analysoimmekin vain 0,5 prosenttia kokonaisdatasta. COVID-19:n vuoksi olemme nähneet analytiikan käyttöönottoa nopeammin kuin koskaan ennen. Näemme tietoista liikettä autonomisesta autonomiaan”, Srinivasan sanoi.
Hän hahmotteli asiakkaiden esiin nostamia yleisiä ongelmia, kuten:
- Kuinka voimme skaalata analytiikkatoimiamme?
- Meillä ei ole tarpeeksi hyvää dataa
- Meillä on vanhentuneet vanhat järjestelmät, jotka eivät puhu keskenään
- Meillä ei ole tarpeeksi analytiikkakykyä
- IT-organisaatio ei puhu yrityksille
Analytics Continuum
Pyramidin alaosassa on peruskerros. ”Kun nousemme, monimutkaisuus kasvaa, mutta myös arvo kasvaa eksponentiaalisesti. Valitettavasti suurin osa ponnisteluista tapahtuu pyramidin pohjalla. Tämä rajoittaa datatieteilijöitä viettämään laatuaikaa ylöspäin”, Srinivasan sanoi.
Keskitytään siihen, miten tekoälyä ja koneoppimista voidaan käyttää apuna peruskerroksen prosesseissa. Kun ML yksinkertaistaa alakerroksen, datatutkijat voivat käyttää energiaa muihin prioriteetteihin, kuten kuvaavaan analytiikkaan, ennustavaan mallinnukseen jne.
Skaalautuvien analytiikkajärjestelmien rakentaminen
Srinivasan kehitti kahta peruselementtiä skaalautuvien järjestelmien rakentamiseksi:
- Vahva hallintomalli: Varmista, että analytiikan päästä päähän -arvoketju on linjassa yrityksen vision kanssa ja että käytössä on vahva analytiikan sitoutumismalli. Mallissa tulee olla jatkuva vuorovaikutusmekanismi loppuasiakkaiden kanssa. Myös kaksikielisten taitojen inkubointi (tietotieteilijöillä on asiantuntemusta tietyltä alueelta, kuten rahoitus, toimitusketju, valmistus jne.) on myös ratkaisevan tärkeää.
- Vahva toteutusmalli: Varmista, että käytössä on oikea infrastruktuuri, kuten automatisoidut dataputket, johtavat työkalut tietojen analysointiin ja valmisteluun. Asiakkaalle oikean kokemuksen rakentaminen on myös kriittistä.
Kustannusten vähentäminen
Srinivasan hahmotteli, kuinka analytiikkaa voidaan käyttää liiketoimintaprosesseissa asiakkaiden rahan säästämiseksi. Yrityksillä on valtava määrä kulutustietoja toimittajilta. Historiallisia kulutustietoja voidaan murskata liiketoimintanäkemysten poimimiseksi.
“Tämä on enimmäkseen laskentataulukkoanalytiikkaa. Teho on sen yksinkertaisuudessa. Kun analysoit kulutustietoja, saat paljon tehokkaita oivalluksia: Kuinka toimittajan hinta on vaihdellut tietyn ajanjakson aikana; onko ostettujen osien määrästä riippuvaisia; riippuvuus sijainnista; eri hintaindeksien riippuvuus jne. Kun ymmärrät hintavaihteluiden syyt, pystyt ennustamaan hintaa ja käyttämään sitä myös neuvottelumekanismina tavarantoimittajien kanssa.”
Sopimusanalytiikka
Suurimmalla osalla asiakkaista on satoja ja tuhansia sopimuksia, olipa kyseessä sitten loppuasiakkaiden tai tavarantoimittajien kanssa. Sopimukset eivät ole suuren volyyminsa vuoksi hyvä näkyvyys. Monilla teollisilla asiakkailla ei ole hyviä kontaktienhallintateknologiaratkaisuja. Sopimukset voivat olla skannattuina kuvina ja pdf-muodossa.
Genpactissa tietokonenäön OCR-tekniikoita käytetään asiakirjojen lukemiseen erittäin tarkasti monilla kielillä. NLP-tekniikoita käytetään oivallusten poimimiseen tiedoista. Sitten koneoppimista käytetään luokittelemaan ja luomaan jäsennelty tietokanta.
Diagnostiikka ja ennuste
Jos lentokone törmää ongelmaan ilmassa, viesti välitetään maa-asemalle ja vianmääritys tapahtuu yleensä lentokoneen laskeutumisen jälkeen.
Analytics voi parantaa ennusteiden tarkkuutta ja vähentää seisokkeja. “Havaitsimme, että hälytysten luomiseen käytetyt algoritmit ja säännöt ovat alkeellisia ja kaikki suunnittelupohjaisia. Olemme käyttäneet analytiikkaa varmistaaksemme, että oikeusvaroitukset luodaan oikeaan aikaan lentokoneen laskeutuessa. Meillä on ollut laaja hälytyshistoria ja työskentely tämän saavuttamiseksi. Se on klassinen tapaus valvotusta ML:stä, koska voisimme tuoda tekoälyn rakentamaan algoritmeja, jotka parantavat dramaattisesti tarkkuutta”, Srinivasan sanoi.
Terveydenhuollon innovaatio
Analyysista voi olla suurta hyötyä lääketieteen ammattilaisille, erityisesti radiologeille COVID-19-tilanteen aikana. Pandemian vuoksi radiologien stressi on lisääntynyt johtuen valtavasta skannauspyyntöjen määrästä. Radiologit voivat hyödyntää analytiikkaa jäsentääkseen historiallisia skannaustietoja tehdäkseen eroja uusille skannauksille. Tavoitteena ei ole eliminoida radiologeja, vaan auttaa heitä tekemään tietoisia päätöksiä.
