Бизнес-аналитика и искусственный интеллект в эпоху Индустрии 4.0

Business Intelligence — это инструмент, который позволяет организациям использовать всю информацию о конкурентных преимуществах на рынке и принятии решений, так как, сочетая свой анализ с появляющимися технологиями, он позволяет получать информацию и прогнозировать возможные ситуации, которые могут возникнуть в процессе разработки продукта или его реализации. Интерес к этой области растёт с каждым годом. Тем не менее, бизнес-аналитика все ещё является развивающейся областью, и необходимы дальнейшие исследования, чтобы раскрыть его возможности и преимущества для своевременного принятия решений, а также для улучшения условий, в которых используются ресурсы.

Термин бизнес-аналитика относительно новый, а темы, которые обычно связаны с этим термином сейчас у всех на слуху: интеллектуальный анализ данных, маркетинг принятия решений, информационные системы, технологии больших данных и конкурентная разведка. Этот показывает, что другие области, такие как искусственный интеллект, актуальны для внедрения подходов к бизнес-аналитике в компаниях по всему миру. В связи с этим поддержка различных областей важна для преодоления некоторых проблем, с которыми сегодня сталкиваются процессы в этой области знаний. Среди таких проблем: необходимость сбора данных из нескольких источников и их эффективная обработка в режиме реального времени, чтобы результаты можно было использовать для принятия решений и устранить задержку между сбором данных и их анализом.

Первоначально этот процесс был представлен ​​как концепция, связанная с экономикой и способом управления ресурсами. Его можно определить, как процесс сбора данных, обработки этих данных и получения информации из данных для поддержки своевременного принятия решений.

Исторический экскурс

Чтобы понять происхождение бизнес-аналитики, важно понять, как статистика и математика использовались на протяжении всей истории для поддержки развития конкурентной разведки в организациях.

Во время промышленной революции статистика стала использоваться в процессах стандартизации и производства в качестве инструмента контроля. Кроме того, в центре внимания организаций находятся знания, призванные внедрить минимизацию отходов и, следовательно, оптимизацию производственных затрат, что становится тенденцией и закрепляется как движение за качество (Quality Movement). Из этого движения несколько десятилетий спустя и возникли такие практики, как «Шесть сигм», методология производства «точно в срок» от компании Toyota (Канбан, бережливое производство и т.п.).

Спустя годы, когда Соединенные Штаты участвовали в Первой мировой войне, качество и стандартизация стали фундаментальными аспектами производственных процессов, поскольку боеприпасы должны были быть совместимы с оружием разных производителей и стран. В настоящее время организации начинают вкладывать средства в процессы обучения и статистических измерений в области всеобщего управления качеством, что позволяет использовать различные методы, такие как контрольные диаграммы, гистограммы, диаграммы Парето и диаграммы рассеивания.

К середине 1920-х годов метод контроля качества, известный как статистический контроль процессов, также возник как механизм управления производственными процессами с целью их наилучшей стандартизации и с минимальными возможными потерями.

Точно так же исторические данные стали использоваться для прогнозирования климата. В 1950 году был разработан первый численный прогноз погоды, выполненный на компьютере ENIAC группой метеорологов и математиков. В 1956 году инженер Билл Фэйр и математик Эрл Исаак основали Fair Isaac Corporation (FICO) как компанию, которая разумно использует данные для развития конкурентной разведки. Два года спустя они запускают свою систему кредитного риска и оценки для инвестиций в США.

В 1958 году в журнале IBM Journal of Research and Development публикуется статья, в которой делается одно из первых упоминаний термина Business Intelligence. В этой статье предлагается построение интеллектуальной системы, использующей механизмы обработки данных для выполнения автоматического суммирования и автоматического кодирования документов для предоставления различных информационных профилей в соответствии с направлениями деятельности организации.

В 1960-х годах большинство компаний начали использовать централизованные системы управления запасами, а в 1970-х были разработаны руководящие принципы, облегчающие планирование материалов для больших производственных мощностей. Следует отметить, что в течение этого периода сбор данных производился ежегодно, а доступные данные поступали из ручных процессов посредством интервьюирования и заполнения бланков, на основе которых можно было построить математические модели для решения задач оптимизации с ограничениями. Таким образом, те проблемы, которые нельзя было решить с помощью линейных и нелинейных моделей, были решены с помощью моделирования.

В 1970-х годах также появились корпоративные системы, основанные на нормах регулирования и принципах, что знания эксперта в определённой области могут быть представлены в виде набора правил, которые могут быть обработаны машиной и использоваться для решения запросов, как это сделал бы эксперт.

Впоследствии, в 1980-х годах, появились системы планирования ресурсов предприятия (ERP — Enterprise Resource Planning), которые стали первыми системами сбора и хранения данных для организаций, обеспечивающими поддержку в таких областях, как планирование, продажи, производство, распределение и затраты.

Таким образом, появление систем реляционных баз данных позволило осуществлять сбор, хранение и организацию нужной информации, избегая дублирования. В то время объём хранимых данных представлялся огромным для существующих систем хранения, а поэтому одной из основных проблем было поддержание целостности, согласованности и непротиворечивости данных.

Так возникла концепция корпоративных хранилищ данных (EDW — Enterprise Data Warehouse) как унифицированных систем хранения информации для организаций. Эти системы были модернизированы таким образом, чтобы они могли эффективно реагировать на различные изменения в структуре и наполнении данных для отображения информации в режиме реального времени, что привело к созданию систем хранения в режиме реального времени.

В период с 1990 по 2000 годы организации начали осознавать необходимость использования полученных данных для создания прогнозной аналитики с помощью описательных, логических, дифференциальных и ассоциативных статистических методов. Таким образом, объем полезной информации, производимой пользователями или потребителями (с помощью устройств и взаимодействия с социальными сетями и другими цифровыми медиа), привёл к появлению нового термина: большие данные (big data), который относится к методам и процедурам анализа больших объёмов неструктурированных данных и появлению таких методов, как «Глубокое обучение» (Deep learning).

Важно отметить, что термин бизнес-аналитика был связан с другими терминами, такими как анализ больших данных и управление цепочками поставок, которые в течение нескольких лет находились в центре внимания исследователей. Однако исследования, основанные на каждом из терминов, различаются по методике и полученным результатам. Например, управление цепочками поставок было одной из центральных тем бизнес-исследований в течение почти десятилетия с 2000 по 2009 год. Однако позже этот термин тоже трансформировался в бизнес-аналитику, поскольку при проведении исследований, сосредоточенных исключительно на цепочках поставок, другие типы информации были оставлены в стороне.

Прогнозы эффективности применения

Явление бизнес-аналитики родилось как ответ на недостаток информации у организаций для анализа существующей динамики развития и оптимизации производственных процессов. Кроме того, снижение затрат на услуги хранения данных увеличило объём данных, хранящихся в организациях, и это позволило бизнес-аналитике стать фундаментальной областью для организаций. Было подсчитано, что к 2025 году объем памяти, который должен быть достигнут, составит 50 зеттабайт (1 зеттабайт равен одному секстиллиону байт).

Сегодня все ещё проводятся некоторые исследования, которые гарантируют, что прогностическая ценность Business Intelligence мешает естественной динамике информации, поступающей от организаций. Таким образом, этот процесс автоматизации генерирует новую информацию из данных компании, не создавая новых данных, а скорее анализируя существующие данные.

Основываясь на этом предположении, исследования бизнес-аналитики показывают, что существует тесная связь между использованием анализа данных и эффективностью организации с точки зрения доходов, конкурентоспособности, прибыльности и доходности акционеров. Это означает, что организации с более высокими показателями — это те, в которых использование анализа данных является дополнительным компонентом по сравнению с их конкурентами, и это даёт им большую вероятность укрепления своей конкурентоспособности.

Результаты свидетельствуют о статистически значимой взаимосвязи между компетенциями организаций, использующими аналитические инструменты, на производительность и влиянием информационных систем, ориентированных на бизнес-процессы. Результаты позволяют лучше понять области, в которых влияние бизнес-аналитики может быть самым сильным

В 1950-х годах, когда исследования времени и развития начали использоваться в производственных процессах, и в 1960-х годах, когда компьютеры использовались для автоматической обработки данных, аналитические методы использовались для создания математических моделей по решения задач. проблема. Аналитика используется для использования математических моделей для обеспечения решения проблем, выявленных в организациях.

Именно поэтому, современная бизнес-аналитика использует статистические и математические модели для реагирования на проблемы или потребности в организациях. Фактически — это процесс использования необработанных данных для получения подсказок и улучшения понимания темы или явления. Нередко уточняется, что бизнес-аналитику нельзя рассматривать как простую генерацию отчётов, поскольку последняя ограничивается визуализацией поведения одной или нескольких переменных, тогда как первая даёт ответы на интересующие организацию вопросы, связанные с эффективным ведением её бизнеса. Такое применение даёт компании преимущество в повышении уровня зрелости, оперативности в решении возникающих проблем, обеспечивая устойчивое развитие в экономике от использования искусственного интеллекта.

Кроме того, большой объем данных и развитие цифровых продуктов заставляют организации использовать бизнес-аналитику для повышения вовлеченности клиентов. Культура бизнес-аналитики сама по себе не улучшает производительность напрямую, а должна быть интегрирована с существующими организационными преимуществами. Но применяемые методы смягчают отношения между клиентами и инновациями, поскольку они позволяют компаниям лучше информировать потенциальных потребителей в Интернете, получая мгновенную обратную связь от них.

Как результат развития цифровых технологий, появился термин «Индустрия 4.0» для характеристики различных внедрений информационных и коммуникационных технологий (ИКТ) в производственные процессы. Таким образом, бизнес-аналитика тоже является составляющей четвёртой промышленной революции, так как автоматизирует и облегчает анализ данных, связывая его с использованием новых технологий, которые позволяют трансформировать динамику принятия решений в организациях.

Управление ресурсами исходит из того, что технологии и аналитика данных служат повышению операционной эффективности, что позволяет организациям понимать поступающую информацию и использовать этот анализ для выявления проблем/принятия решений.

Искусственный интеллект стал важным элементом укрепления бизнес-структуры. Успехи, достигнутые в последние годы в результате внедрения технологий для улучшения производственной деятельности и позиционирования компаний на рынках, замечательны.

Связь между бизнес-аналитикой и искусственным интеллектом можно рассматривать с разных точек зрения. С одной стороны, искусственный интеллект считается одним из трёх столпов бизнес-аналитики вместе с визуализацией и статистическим моделированием. В частности, подмножество машинного обучения искусственного интеллекта является наиболее распространённым компонентом этого столпа. Машинное обучение предоставляет приёмы и методы для получения информации из бизнес-данных. С другой стороны, искусственный интеллект также считается эволюцией традиционной аналитики, а эпоха искусственного интеллекта называется аналитикой 4.0 в данном контексте.

Как вам статья?

Рейтинг
( Пока оценок нет )
Полезный софт, обзоры IT и советы по обслуживанию ПК
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!:

Яндекс.Метрика