Jestem analitykiem biznesowym. Pomagam klientom wprowadzać zmiany wnoszące wartość do biznesu. Pomagam określić właściwe rozwiązania — właściwe, to znaczy takie, które dostarczą realnych korzyści i są dopasowane do kontekstu klienta.
W niniejszym wpisie chciałabym podzielić się kilkoma przemyśleniami na temat roli sztucznej inteligencji (AI) i Data Science (DS) w pracy analityka biznesowego. Jest to jeden z „gorących” obecnie zagadnień, warto więc pochylić się nad tematem.
Sztuczna Inteligencja a Data Science
Tytułem wstępu — wiele osób myli koncepcję sztucznej inteligencji z Data Science. Dla niektórych jest to to samo, inni uważają, że sztuczna inteligencja to temat szerszy niż DS. W rzeczywistości relacja między tymi obszarami jest nieco bardziej złożona. DS jest swego rodzaju podstawą funkcjonowania AI, jednak sam obszar wykracza znacznie poza AI. Obrazuje to dość popularna w sieci grafika:
Sztuczna Inteligencja (AI) - to szerokie pojęcie, które obejmuje opracowanie mechanizmów zdolnych do symulowania ludzkiego myślenia, rozumowania i zachowania. Uczenie Maszynowe (ML) - to podzbiór AI, w którym systemy komputerowe uczą się na podstawie otoczenia i wykorzystują te nauki do poprawy doświadczeń i procesów. Wszystkie technologie uczenia maszynowego są podstawą AI, ale nie każda AI polega na uczeniu maszynowym. Głębokie Uczenie (DL) - to część szerszej rodziny metod uczenia maszynowego opartych na sztucznych sieciach neuronowych. DL używa wielu warstw do stopniowego wyodrębniania cech wyższego poziomu z surowego wejścia. Data Science - to przetwarzanie, analiza i wyciąganie istotnych założeń z danych. W uproszczeniu chodzi o odkrywanie ukrytych wzorców na podstawie danych. Data Scientist korzysta z uczenia maszynowego, aby przewidywać przyszłe zdarzenia.
Zastosowanie DS i AI w analizie biznesowej
Czy Data Science i sztuczna inteligencja mają zastosowanie w pracy analityka biznesowego? Oczywiście, że tak. Oba obszary mogą pomóc nam w co najmniej kilku konkretnych obszarach pracy analityka: analiza strategiczna, opracowanie rozwiązania, inżynieria wymagań.
Wsparcie analizy strategicznej
W analizie strategicznej Data Science i AI mogą pomóc wskazać nowe kierunki rozwoju biznesu poprzez analizę danych i wskazywanie ważnych wzorców. Przykładowo, możemy wykorzystać analizę danych do określania nowych potrzeb biznesowych, bazując na wnioskach wyciągniętych właśnie z owych danych. Przykładem zastosowania jest analiza danych historycznych dotyczących sprzedaży, zestawienie tych danych z czynnikami, które mogą mieć wpływ na sprzedaż, takimi jak trendy rynkowe, uwarunkowania polityczne czy gospodarcze. Następnie, na podstawie analizy danych historycznych i czynników wpływu, możemy pokusić się o prognozowanie przyszłej sprzedaży. Dzięki temu decydenci mogą podejmować decyzje dotyczące np. wprowadzenia nowej oferty produktowej, nie na podstawie intuicji czy wyczucia, ale na podstawie danych.
Innym przykładem zastosowania Data Science w analizie strategicznej jest usprawnianie procesów. Wyobraźmy sobie następującą sytuację: gromadzimy informacje o tym, kto i w jaki sposób obecnie wykonuje procesy biznesowe w organizacji. Analiza danych może wskazać obszary czynności w procesie, które nie są realizowane zgodnie z procedurami lub w ogóle nie są realizowane, a na tej podstawie algorytm może dać nam sugestie dotyczące konieczności usprawnienia lub aktualizacji tych obszarów procesowych. Może się również okazać, że konkretne działania w procesie są zbędne, a użytkownicy znaleźli umowną “drogę na skróty”. W takim wypadku może okazać się, że określone kroki procesu są zwyczajnie zbędne.
Wykonanie takiej analizy bez zastosowania algorytmów i wykorzystania danych byłoby bardzo trudne, ponieważ prawdopodobnie wymagałoby obserwacji użytkowników, wykonywania notatek czy też nagrywania działań użytkowników, porównywania obserwacji z dokumentacją procesową i wyciągania wniosków w ramach manualnego, lub częściowo manualnego, procesu. Data Science i sztuczna inteligencja mogą nam znakomicie ułatwić to zadanie. Jednakże nie oznacza to, że sztuczna inteligencja podejmie decyzję, że pewien krok w procesie jest zbędny. Ostateczna decyzja jest decyzją biznesową i powinna być pozostawiona ekspertowi dziedzinowemu. Sztuczna inteligencja może ułatwić nam podejmowanie tej decyzji, przedstawiając właściwie przetworzone dane. I na tym polega siła wsparcia narzędziowego.
AI i Data Science doskonale sprawdzają się również w automatyzacji niektórych zadań, na przykład w obszarze ubezpieczeń. Algorytm może analizować dane pod kątem wykrywania oszustw i przekazywać potencjalne przypadki do weryfikacji przez pracownika firmy ubezpieczeniowej. W ten sposób odciążamy ludzi od konieczności wykonywania manualnej analizy danych - w zamian mogą skupić się na bardziej strategicznych czynnościach i aspektach, przynoszących większą wartość biznesową.
Data Science pozwala wykorzystać potęgę danych, co w wielu firmach jest wciąż wyzwaniem. Dane są w organizacji dostępne - jednak ich nie wykorzystujemy do wsparcia decyzji biznesowych. Być może dlatego, że dane są, ale rozproszone i trudne do interpretacji, lub są, ale brakuje narzędzi do ich sprawnej analizy. W efekcie zdarza się, że wiele decyzji podejmowanych przez kierownictwo okazuje się błędnych - bazują bowiem nie na faktach, a na zgadywaniu czy wyczuciu. Należy pamiętać o tym, że jakość decyzji biznesowych w dużej mierze zależy od jakości danych, warto więc bazować na faktach i danych, aby zminimalizować ryzyko porażki i osiągnąć lepsze wyniki biznesowe. Podsumowując, na etapie strategicznym analiza danych i sztuczna inteligencja mogą pomóc ekspertom dziedzinowym i biznesowym podejmować świadome decyzje dotyczące strategii rozwoju, określać nowe potrzeby biznesowe i wprowadzać nowe rozwiązania. Ważne jest jednak zrozumienie, że sztuczna inteligencja może jedynie pomóc w prezentowaniu przetworzonych danych i wskazywaniu pewnych wzorców. Ostateczna decyzja o znaczeniu biznesowym powinna być pozostawiona decydentom, ponieważ algorytmy działają tylko na podstawie tego, czego się nauczyły i jakości danych, na których się uczyły. Algorytm - przynajmniej na obecnym etapie rozwoju technologii - nie wymyśli rozwiązania sam, nie przewidzi wielu zdarzeń i nie ma “intuicji biznesowej”. Zalecam więc ostrożność w korzystaniu ze sztucznej inteligencji, ponieważ jej skuteczność zależy od jakości danych i nie może zastąpić ludzkiej decyzyjności i intuicji w kluczowych kwestiach biznesowych.
Wsparcie inicjatyw biznesowych
Innym przykładem zastosowania Data Science i sztucznej inteligencji może być wsparcie biznesu w realizacji inicjatyw, takich jak strategie marketingowe i konkretne akcje promocyjne. Zdajemy sobie sprawę z tego, że wprowadzając nowe rozwiązanie (produkt, usługę), ważne jest, aby odpowiednio zadbać o marketing i reklamę. W innym przypadku nasz doskonały produkt czy usługa może być po prostu niewidoczny na rynku, potencjalni klienci nie będą mieli świadomości o pojawieniu się nowej oferty. Marketing nie jest co prawda typowym obszarem zainteresowania dla analityków “projektowych” zajmujących się rozwiązaniami systemowymi, jednak analitycy biznesowi poruszający się w obszarze strategicznym powinni uwzględnić także aspekty sprzedażowe i marketingowe.
W tym kontekście generatywna sztuczna inteligencja może nam pomóc generować konkretne strategie marketingu oraz treści do postów i publikacji, co znacznie skraca czas wykonywania tych zadań. Sztuczna inteligencja, choć może być bardzo pomocna, nie powinna zastępować ludzkiego myślenia i weryfikacji. Kluczowe jest zachowanie ostrożności i zweryfikować jakość generowanych treści, aby uniknąć publikacji niepoprawnych lub mylących informacji.
Bez wiedzy wystarczającej do sprawdzenia generowanego tekstu, istnieje ryzyko, że treść będzie niepoprawna merytorycznie i wprowadzi odbiorców w błąd. Z punktu widzenia biznesowego, opublikowanie komunikatu, który wprowadza odbiorców w błąd, może mieć poważne negatywne konsekwencje. Przykładowo, może się zdarzyć, że komunikat opublikowany w mediach społecznościowych, wygenerowany przez sztuczną inteligencję i niezweryfikowany przez osoby o odpowiedniej wiedzy, stworzy u odbiorców oczekiwania, które są niemożliwe do zrealizowania. Ślepe podążanie za technologią i wiara w nieomylność technologii to bardzo ryzykowny ruch - który może prowadzić do negatywnych konsekwencji dla reputacji firmy i relacji z klientami. Dlatego traktujemy wsparcie sztucznej inteligencji jako pomoc, nie przyjmujmy dostarczanych przez AI informacji za pewnik.
W mojej ocenie sztuczna inteligencja to narzędzie, które wspiera pewne czynności, nie jest jednak (na razie) zastępstwem dla kompetencji i doświadczenia ludzkiego. Warto traktować AI jako wsparcie, narzędzie - i weryfikować dostarczane przez to narzędzie wyniki. Decyzje biznesowe powinny być podejmowane przez ludzi, którzy posiadają odpowiednią wiedzę i doświadczenie w danym obszarze. Widzę tu ogromny potencjał ewolucji analizy biznesowej jako dyscypliny. W przyszłości może się zdarzyć, że wiele naszych kompetencji skoncentruje się na dostarczaniu odpowiednich danych i treści algorytmom sztucznej inteligencji celem umożliwienia wyciągania wniosków na podstawie właściwie spreparowanych danych. Dzięki temu będziemy mogli zaoszczędzić czas i zrezygnować z niektórych obecnie wykonywanych czynności, takich jak gromadzenie informacji na określony temat czy badania rynku. Dane te mogą być zdobywane lub przedstawiane automatycznie przez systemy. W efekcie będziemy mogli skupić się na właściwej interpretacji tych danych i wyciąganiu z nich wniosków. Będziemy w stanie proponować nowe rozwiązania, oferty biznesowe oraz wskazywać punkty do usprawnienia w bardziej efektywny sposób, bazując na szerszym zakresie danych. To z pewnością zapowiada interesującą przyszłość dla analizy biznesowej.
Wsparcie opracowania koncepcji rozwiązania
W czym jeszcze może nam pomóc sztuczna inteligencja? Może być wsparciem w wyborze czy opracowywaniu właściwych rozwiązań dla problemów biznesowych poprzez proponowanie sugestii rozwiązań dla podobnych wyzwań. Dzięki danych zgromadzonym w organizacji oraz publicznie dostępnym Data Science i sztuczna inteligencja mają niesamowity potencjał. Nie musimy już polegać wyłącznie na naszej wiedzy, perspektywie i doświadczeniu, aby zaproponować klientowi odpowiednie rozwiązanie dla problemu biznesowego. Dzięki generatywnej sztucznej inteligencji możemy poznać rozwiązania innych podobnych problemów biznesowych dostępne na rynku, choć oczywiście z pewnymi ograniczeniami. To otwiera nowe możliwości i umożliwia podejmowanie bardziej trafnych decyzji.
Rozwiązania oparte na sztucznej inteligencji, takie jak popularny chatGPT, mogą wydawać się kuszące ze względu na potencjalne oszczędności czasu i wysiłku, ważne jest, aby zachować ostrożność, zwłaszcza w kwestii bezpieczeństwa informacji. Dostarczanie chatGPT lub podobnym narzędziom poufnych danych firmy w celu uzyskania wskazówek dotyczących strategii rozwoju może wiązać się z ryzykiem naruszenia poufności i bezpieczeństwa danych.
Bezpieczeństwo danych klientów i firmy powinno być dla nas priorytetem. Nie zapominajmy o tym zachłystując się nowinkami technologicznymi. Technologie sztucznej inteligencji mają swoje ograniczenia, nie zastępują pełnej analizy i podejmowania decyzji przez ludzi. Wykorzystujmy te narzędzia jako wsparcie dla procesu myślowego, jednocześnie dbając o bezpieczeństwo i zaufanie klientów. W taki sposób można osiągnąć korzyści z nowych technologii, jednocześnie chroniąc interesy naszych klientów.
Jak jeszcze sztuczna inteligencja może wesprzeć pracę analityka biznesowego? Może dostarczyć sugestii rozwiązań problemów biznesowych, podpowiedzieć pewne funkcje czy wymagania właściwe dla danego kontekstu, a nawet przyspieszyć proces generowania treści czy kontrolę jakości artefaktów. Od pewnego czasu pojawiają się próby generowania diagramów na podstawie tekstu. Są to próby według mojego uznania, raczej nieudane z powodu słabej jakości dostarczonych tekstów i ograniczeń algorytmów, ale można mieć nadzieję, że z czasem efekty staną się bardziej użyteczne. Warto zwrócić uwagę na jeden prosty fakt – efekty w dużej mierze zależą od jakości dostarczonych danych. Sztuczna inteligencja opiera się na algorytmach, które uczą się na podstawie danych. Jeżeli te dane i wzorce są niepoprawne, to nie można oczekiwać dobrych wyników. Jest to zasada, która jest wspólna dla chyba całej inżynierii systemowej. Jeżeli na wejściu mamy produkt złej jakości, to wyjście – rezultat – prawdopodobnie nie zaskoczy wysoką jakością.
Podsumowanie
Podsumowując, AI i Data Science są niezwykle wartościowymi narzędziami dla analityka biznesowego, wspierając nas w podejmowaniu trafniejszych, bardziej świadomych, decyzji, automatyzacji zadań oraz odkrywaniu ukrytych wzorców. Dzięki nim możemy wnieść większą wartość do biznesu i osiągać lepsze rezultaty w naszej pracy analitycznej. Warto jednak – jak z każdym narzędziem – zachować zdrowy rozsądek i skupić się na właściwym określeniu celu i możliwości zastosowania narzędzia, niż na używaniu narzędzia jako celu samego w sobie.
Specjalne podziękowania dla Rossa Apostoł, który wprowadził mnie w świat AI.
