CXO Today: від маленьких даних – до великих інсайтів
26.05.2021
Широко поширена тенденція зосереджуватися на аналітиці великих даних, перш ніж розглядати основи управління малими даними в менших масштабах в організації, може виявитися не кращим підходом.
Звісно, Big Data стає дедалі важливішою частиною бізнес-ландшафту, але в більшості випадків це не найактуальніша проблема даних на підприємстві, пише онлайн-часопис
У звіті Gartner передбачається, що до 2025 року 70% організацій змістять свою увагу з великих на малі та широкі дані, забезпечуючи більше контексту для бізнес-аналітики та даючи штучному інтелекту (ШІ) більше інформації для опрацювання.
“Такі кризи, як пандемія COVID-19, призвели до того, що історичні дані, які відображають минулі умови, швидко застаріли, що порушує чимало виробничих моделей ШІ та машинного навчання”, – сказав Джим Гейр, старший віце-президент Gartner з досліджень. Крім того, додав він, ухвалення рішень людьми та ШІ стало більш складним та вимогливим, а також надмірно покладається на підходи до глибокого навчання, які потребують значної кількості даних.
На думку фахівця, за такого сценарію топ-менеджмент компаній повинен звернутися до нових методів аналітики, відомих як “малі дані” та “широкі дані”. Малі дані – це підхід, який вимагає менше даних, але все одно пропонує корисні інсайти. Зокрема, підхід включає певні методи аналізу часових рядів або навчання на кількох прикладах, синтетичні дані або навчання під самоконтролем.
Широкі дані дозволяють аналізувати та поєднувати різні малі та великі, неструктуровані та структуровані джерела даних. У них застосовується Ікс-аналітика, де”Ікс” означає пошук зв’язків між джерелами даних, а також різноманітність форматів даних. Вони включають табличні, текстові дані, зображення, відео, аудіо, голос, температуру або навіть запах і вібрацію.
“У сукупності вони здатні ефективніше використовувати наявні дані, або зменшуючи необхідний обсяг, або витягуючи більше цінності з неструктурованих, різноманітних джерел даних”, – пояснив Гейр. За його словами, обидва підходи сприяють більш надійній аналітиці та роботі ШІ, зменшуючи залежність організації від великих даних та забезпечуючи більш повне розуміння ситуації.
Як отримувати важливі інсайти з малих даних
Малі дані часто вносять ясність щодо бізнесу, яку не завжди може надати складна бізнес-аналітика. “Великі дані та прогнозна аналітика часто допомагають вам робити те, що ви вже робите швидше, ефективніше або цілеспрямованіше. Малі дані часто можуть сказати вам, чи робите ви правильні речі”, – пояснила Меріам Фарбоді, доцентка кафедри фінансів Школи менеджменту MIT Sloan.
“Великі дані – це пошук кореляційних зв’язків, але малі дані – пошук причинно-наслідкових зв’язків”, – додала вона. За словами Фарбоді, великі компанії, як-то Amazon та eBay, демонструють, як можна досягати успіхів завдяки великим даним, через що чимало малих підприємств вважають, що повинні слідувати цій тенденції. Утім, у малого бізнесу не завжди є багато даних. Більше того, через високий рівень невизначеності на ринках інвестори неохоче вкладаються в такі фірми.
Фарбоді та її співавтори, Джуліана Бегенау із Вищої школи бізнесу Стенфордського університету та Лора Велдкамп з Коледжу бізнес-школи Університету Колумбії, пишуть: “У міру вдосконалення технології Big Data великі фірми продовжуватимуть залучати більше пропорційну частку обробки даних, а також підтримку та інтерес інвесторів. Для менших компаній, чим більше даних вони виробляють, тим більше шансів зменшити собівартість капіталу”.
Дослідники роблять висновок, що якщо інвестори зможуть краще зрозуміти свою прибутковість від вкладень у малий бізнес, вони зіткнуться з меншим ризиком і будуть більш охоче фінансувати. Це зменшить вартість капіталу, з яким стикаються ці фірми, і допоможе їм вивчити можливості зростання.
На думку Gartner, потенційними сферами, де можна використовувати малі та широкі дані, є прогнозування попиту в роздрібній торгівлі, дані щодо поведінки та емоцій в режимі реального часу в службі обслуговування клієнтів, що сприяє “гіперперсоналізації”, а також покращення досвіду споживачів. Інші сфери включають фізичну безпеку або виявлення шахрайства та адаптивні автономні системи, такі як роботи, які постійно навчаються шляхом аналізу співвідношень у часі та просторі подій у різних сенсорних каналах.
