AI能強化你的數據分析能力

AI Can Help Companies Tap New Sources of Data for Analytics
湯瑪斯.戴文波特 Thomas Davenport , 喬伊.費茨 Joey Fitts
瀏覽人數:968
HBR Staff/David Rumsey Map Collection
科技迅速改變了企業數據分析的用途,但預測模型需要很大量的歷史數據,以及相當程度的專業,才能建立及使用模型,這些都限制了預測模型的使用方式及時機。然而,AI使新一代的企業分析法逐漸出現,同時納入了某種程度的自動化及情境資訊。不僅大企業能夠在數據分析面上更加游刃有餘,過去難以負擔數據科學家聘請費的中小型企業,將能夠更精準地分析自家的數據,並得到更清晰的見解。

過去幾年,科技迅速改變了企業數據分析的用途。結合了預測模型的數據分析法,已開始取代單純的描述型方法。描述型分析(descriptive analytics),對許多使用者仍然很有價值,但同時也一直演變發展,運用更多的視覺分析,並轉向一種自助服務模式,讓非技術背景的使用者往往也能開發出自己的分析。整體來說,數據分析正迅速變得更容易使用,而且更強大。

儘管有這樣的進步,仍然很難使用數據及數據分析,來了解並預測組織裡的許多重要現象。預測模型需要很大量的歷史數據,以及相當程度的專業,才能建立及使用模型,這限制了預測模型的使用方式及時機。雖然讓描述型分析的使用者有更多掌控是好的,但這種轉變往往需要使用者投入更多時間。此外,現有的分析方法(包括描述型與預測型)向來有點狹隘,只專注在特定的職能或單位,但其實許多商業問題及議題,是跨職能與跨單位的。這個重要的情境資訊(contextual information),鮮少被整合納入分析模型,因為各自為政的系統與數據,導致難以進行這種整合,而且因為分類不當,使得數據分析師往往不知道或不能夠輕易地取用相關數據。

好消息是,新一代的企業分析法逐漸出現,同時納入了某種程度的自動化及情境資訊。這些創新需要仰賴人工智慧(AI)及自動化、既有資訊系統之間的連結,以及以職務角色為基礎而建立一些假設,說明哪些決策應該是根據數據及分析來做。到最後,新一代的分析法能夠將各項見解與建議,直接送交給決策者,而不需要由分析師事前準備這些見解與建議。

Google應用程式會根據你的住址、行事曆紀錄及地圖資訊,告訴你何時該出門才能趕上飛機;同樣地,公司也愈來愈能夠利用本身各項企業系統裡的情境資訊。分析自動化常被稱為「智慧數據發掘」(smart data discovery)或「擴增分析」(augmented analytics),這種自動化正在降低對人類專業及判斷的依賴,因為它能自動指出數據當中的各種關係與模式。在有些例子中,這種自動分析系統甚至能建議使用者應採取什麼行動,來處理在自動分析中找到的情況。

背景情境的威力

一直以來,數據及分析是各自獨立的資源,必須結合起來才能產生價值。舉例來說,如果你要分析財務、人力資源或供應鏈的數據,就必須在數據倉庫(warehouse)、數據市場(mart)或數據湖(lake)裡找到那些數據,再指引你的分析工具去處理那些數據。

這需要廣泛地了解哪些數據適合你要做的分析,以及可以在哪裡找到那些數據,而許多分析師並不知道更廣大的背景情境。然而,數據分析、甚至AI應用程式,逐漸能夠提供背景情境。現在,重要的供應商固定會把這些功能,納入它們的交易型系統裡,例如企業資源規畫(enterprise resource planning,ERP)與顧客關係管理(customer relationship management,CRM)。

目前有許多新興的背景情境的例子,其中包括一些有關要做哪些決策與決策流程的假設。以人力資源為例,人力資本管理系統可以找出最適合某項工作說明的應徵者(運用自然語言處理系統來處理履歷,進行詞彙配對),並將他們按適配程度排序,如此就能以自動化的方式優化挑選應徵者的流程。為了做到這一點,這套應用程式需要情境知識,才能把應徵者的背景資料和技能資訊,連結到職務的要求條件。在供應鏈當中,情境分析(contextual analytics)可運用企業資源規畫系統的數據(公司用這種數據來優化存貨水準、預測產品出貨需求,並找到可能的未出貨訂單)。這裡的情境知識包括供應鏈比較基準指標、了解組成商業流程的各個階段,以及知道流程瓶頸可能會出現在哪裡。

不同於以前的分析系統,這些新工具通常不需要使用者去進行情境的連結。分析所需要的數據會自動載入,使用者介面也和其它分析活動所用的介面一致。稍微更先進的情境應用程式,能夠自動擷取並分析跨職能領域的數據,例如,找出建議增加的雇用人數,與這可能對預算及財務績效造成的影響,這兩者之間的關聯。

保險巨擘安盛信利再保險(AXA XL)使用一個雲端人力資本管理系統,提供各項情境資訊給用戶。在沒有進行客製化的情況下,這套系統包括人資關鍵績效指標(KPI)、最佳實務比較基準,以及監測諸如多元化與離職率等人資趨勢的能力。具有這些能力的新企業報告工具,僅花了8週就導入全公司。

分析自動化

除了自動找到適當的數據,並結合這些數據以提供背景情境之外,分析流程本身正日益自動化,並由AI支援。供應商與使用者,正轉向採用這些擴增分析方法,也就是由分析軟體自動找出數據裡的各種模式,並且可使用自然語言介面來提問並分析數據。簡單來說,AI及傳統的數據分析,正結合起來讓數據分析變得更簡單,而且更有效。

這其中用到的工具,是預測分析法及機器學習、自然語言處理(natural language processing,NLP)與自然語言生成(natural language generation,NLG),以及較傳統的技術如規則引擎。預測分析及機器學習,可找出數據裡的模式有哪些趨勢與變異,並描述哪些變數或特性對結果的影響最大。由自然語言處理所強化的數據分析,讓透過口說指令來分析數據變得可能;而自然語言生成的能力,可以用自動化的方式,使用自然語言來說明分析結果的摘要。

這些新的能力,移除了準備數據、發現見解及分析過程中,在專業及時間方面的障礙,讓「平民數據分析師」能夠產生見解,並採取行動來改善自身的業務。這些新能力,對分析與數據科學支援單位也有正面的影響。分析及AI軟體專家,現在可以專注在極為困難的問題及分析上,不必把他們寶貴的時間,用在指導或支援不那麼專業的分析師或企業用戶。專家建立的模型,以及系統供應商建立的模型,也愈來愈能透過以自動化方式要求提供數據或進行分析,而被整合納入交易型系統。

甲骨文(Oracle)與Salesforce等主要的系統供應商,才剛推出這些擴增分析工具,但有些公司已經用這些系統測試成功。一家製造公司擁有數據導向的企業文化,但缺乏專業的數據科學家。它為顧客推出一套折扣定價法,根據顧客採購數量的級別來定價。一位商業分析師要求這套擴增分析系統檢視定價數據,並找出其中的任何趨勢。這套系統發現,儘管相當少顧客利用數量分級折扣,但許多顧客會從業務員那裡取得特別折扣。公司採取措施來終止那些未經授權的折扣,因而增加了數十萬美元的營收。

巨變在即

這個新一代的商業分析法仍在初期階段,但這些工具的潛力很驚人。這些工具可望以更快的速度,提供更多、更好的見解給組織內的更多人。商業情報分析師與量化專業人士,仍有重要的任務要執行,但他們有許多人不必再提供支援和訓練給業餘的數據使用者。過去負擔不起聘用數據科學家的中小型企業,將能夠更精準地分析自家的數據,並得到更清晰的見解。組織的數據分析實力,未來將取決於重視數據的企業文化、一套可產生數據以供分析的交易系統,以及投資並部署這些新科技的意願。

(潘東傑譯)



湯瑪斯.戴文波特

湯瑪斯.戴文波特 Thomas Davenport

美國貝伯森學院(Babson College)管理與資訊科技校聘傑出教授,麻省理工學院數位商業中心(MIT Center for Digital Business)研究員,國際分析研究院(International Institute for Analytics)共同創辦人,德勤分析(Deloitte Analytics)資深顧問。他的新著為《大數據@工作力》(Big Data at Work),另著有暢銷書《決勝分析力》(Competing on Analytics)。


喬伊.費茨 Joey Fitts

甲骨文(Oracle)分析產品策略副總裁。


本篇文章主題分析