Számos sikersztorit lehet hallani arról, hogy a közelmúltban egy-egy cég hogyan vált eredményesebbé adatelemzési módszerek segítségével. Az üzleti analitika jól támogathatja a vállalat ügyfélközpontúságát, és az elemzésekből nyert eredmények jól használhatók marketingcélokra és költségcsökkentésre. A vállalati sikert valóban támogató elemzések elkészítése során azonban számos nem várt buktatóra kell számítanunk, a big data korszakában még inkább, mint korábban.

Az üzleti analitikai rendszerek bevezetése általában az alábbi lépésekből áll – adatoktól „hemzsegő” napjainkban ezeknek szinte mindegyike számos megoldásra váró pluszfeladatot ad a szakembereknek:

• Mélységeiben meg kell ismernünk a vállalat termékeit.
• Nyomon követési mechanizmusokat kell kialakítanunk, hogy adatokat gyűjthessünk az egyes termékekről.
• Jó minőségű adatokat kell gyűjtenünk a teljes vállalati működésre vonatkozóan.
• Valós idejű elemzéseket kell végeznünk az adatokon.
• Standardizálnunk kell a beszámolórendszert üzletiintelligencia-rendszerek segítségével.
• Releváns tudásra kell szert tennünk a mintázatok megismerésével.
• Jó döntéseket kell hoznunk az így nyert felismerések alapján.

A mai informatikai környezetben elmosódnak az olyan alapvetően fontos definíciók, mint „mélységeiben megismerni”, „jó minőségű adatok”, „releváns tudás”, arról nem is beszélve, hogy mi a „jó döntés”, és felértékelődtek az olyan fogalmak, mint „valós idejűség”. Mégis mit tehetnek az
elemzők? A Business Analytics with Management Science Models Methods című könyv szerzője, Arben Asllani azt javasolja, hogy a gyökerekhez visszanyúlva kell újragondolni a hagyományos technikákat, hogy alkalmazhatók legyenek a hatalmas adatmennyiségek feldolgozására.

Az elemzés háromféle modellje

Az üzleti analitika háromféle modellel dolgozik: deskriptív, prediktív és preskriptív módszerekkel.

A deskriptív elemzések csupán összefoglalják a minták alapján nyert felismeréseket. Ez történik például a Fandangónál, a világ egyik vezető mozijegy-értékesítő vállalatánál, amely strukturált adatbázisokban tárolja az ügyfelekről, mozikról, jegyeladásokról és vetítési időpontokról automatikusan begyűjtött adatokat. Ezek alapján a cég deskriptív elemzéssel foglalkozó szakemberei meg tudják adni például az egyes filmek pontos nézettségét, ki tudják számítani az egy hétre eső átlagos jegyeladásokat, és azt is, hogy a nézők száma hogyan oszlik meg az egyes filmműfajok közt. A vállalat ezek alapján az információk alapján alakítja ki a jegyárakat, illetve az egyéni kedvezményrendszert.

A prediktív analitika már statisztikai modellezést használ arra, hogy következtetéseket vonjon le, és megjósolja a jövőt a korábbi események alapján. Súlyos terabyte-okat pásztáz végig ahhoz, hogy kiderüljön, hogy a Fandangónak mely napon érdemes egyes ügyfeleinek kedvezményes ajánlatokat küldeni bizonyos filmekkel kapcsolatban, például azoknak a scifirajongó mozibajáróknak, akik még nem látták az előző héten mozikba került legújabb alkotást.

A preskriptív elemzések a stratégiai és működési döntéseket támogatják, így járulva hozzá az üzleti értékteremtéshez. Például, a mozis példát folytatva, a preskriptív eszközök teszik lehetővé, hogy a Fandango által kínált jegyárak és kedvezmények óráról órára változzanak. Egyetlen pillanat alatt hihetetlen méretű adathalmot kell végigböngészni ahhoz, hogy az így nyert adatok alapján bármikor optimálisan tudjanak árazni egy mozijegyet – azaz úgy, hogy az ügylet eredménye maximális profit legyen a vállalat számára.

Az adatnyerés és -feldolgozás módszerei az új érában

Annak, hogy a big data kora komoly kihívásokkal jár az üzleti analitika, illetve a preskriptív modell számára, az egyik oka az, hogy az elmúlt években óriási változás állt be az adatnyerés és adatfeldolgozás módszereiben.

A big data három alapvető jellemzője a nagy mennyiség, a gyors áramlás és a hihetetlen változatosság (a szakirodalomban VVV: volume, velocity és variety).

Az adatok nagy mennyiségével elvileg csak nyer az üzleti analitika – bármelyik modellről is beszéljünk -, hiszen a nagy adatsokasággal mind a statisztikai elemzések, mind az előrejelzések minősége javulhat: az az elemzés, amely tényezők százaira (adatpontok ezreire vagy millióira) támaszkodik, lényegesen jobb hatásfokkal, megbízhatóbban tud működni annál, mint amelyik csak néhányból dolgozik.

Az online kereskedelem, a mobileszközök és okostelefonok, no meg a közösségi hálózatok felbukkanásával és elterjedésével lényegesen megnőtt az a sebesség, amellyel az információk a szervezetbe áramlanak. Ezek alapján ma már nagyon kevés időt vesz igénybe, hogy meg lehessen vizsgálni az ügyfelek viselkedését, vásárlási szokásait és vásárlási mintázatait. A gyorsan áramló információkat gyorsabban lehet üzletiintelligencia-rendszerekbe terelni, majd az eredmények alapján korábban lehet különféle személyre szabott ajánlatokat adni az ügyfeleknek. Tehát nemcsak a rendszer által fogadott információk sebessége nőtt, de a kimenet is jelentősen felgyorsult. Ezáltal a döntések előkészítése is lényegesen hamarabb megtörténhet.

Az adatok változatossága nyilvánvalóan nagy kihívást jelent, hiszen a jó minőségű üzleti elemzési eredmények uniformizált adatokra támaszkodnak. A big datában, durván fogalmazva, kétféle minőség egyesül: egyik része adatbázisokban gyűjtött, strukturált adat, amelyet valós idejű webapplikációkhoz kapcsolódó, automatikusan felhalmozódó, sokszor teljesen strukturálatlan adathalmaz egészít ki. Ezt a kombinációt nem lehet a hagyományos adattárházakban tárolni, és egészen más technológiát igényel a feldolgozás során, mint a relációs adatbázisok, amelyek egymáshoz kapcsolódó táblázatokból, adatokból és mezőkből építkeznek. Ma tehát általában be kell iktatni egy köztes szűrőt a beáramló adatok és a preskriptív modell közé.

Új technikák, új szaktudás, új típusú szakemberek

A megfelelő színvonalú üzleti elemzések elkészítése során alapvető fontosságú, hogy csak a releváns információk kerüljenek be a modellbe. Ha helyes adatok kerülnek a helyes modellbe, jó eredmények születnek. Ezt az egyszerű formulát azonban ma már lényegesen nehezebb alkalmazni, hiszen az elemzőnek nem egyszerű rábukkannia a valóban releváns információkra az előtte tornyosuló adathegyben. Így történhet, hogy sokszor a legjobb modellek is rossz vagy használhatatlan eredményekre jutnak.

Ennek feloldására új technikákra is szükség lehet, az új eszközök megfelelő használatához azonban az is elengedhetetlen, hogy az emberek az anekdotikus gondolkodás helyett valószínűségekben kezdjenek gondolkodni. A döntéshozóknak pedig el kell kerülniük, hogy elvesszenek a zajban a valóban releváns jelzések fellelése helyett.

A szervezeti határokon átívelő, információalapú döntések a hatalmi viszonyokat is komolyan átrendezhetik. Várhatóan nagyobb befolyásra tesznek szert a jövőben azok a döntéshozók, akik az implementálni kívánt modellekről döntenek, illetve arról, hogy milyen igényeket kell mérni.

Egy példa a belülről jövő kezdeményezésre

Egy illinoisi farmer 1915-ben elkezdte árulni a szomszédai körében a számára felesleges tejmennyiséget. Ebből nőtte ki magát az Oberweis Dairy nevű vállalat, amely ma már három értékesítési csatornát használ: több ezer privát ügyfél számára házhoz szállítja a tejtermékeket, kiskereskedelmi tevékenységet folytat 47 saját és franchise-egységgel, illetve nagykereskedőként regionális és országos élelmiszeripari láncok polcain is megjelennek a termékei. A hosszú távú döntéseket a vállalat vezetői közösen hozzák: együtt jósolják meg a szerintük legvalószínűbb jövőbeli forgatókönyveket. 2012-ben a vállalat CEO-ja meghívta az ezzel a céllal összeülő kerekasztalba az adatelemzési vezetőt is, akinek megjelenése gyökeresen felforgatta a vezetőknek az ügyfelekről alkotott addigi elképzeléseit. Ekkor derült ki ugyanis, hogy a vállalat rengeteg energiát pazarol olyan célcsoportok megnyerésére, akik nem tartoztak a potenciális vevőik közé. A résztvevők hamarosan egy komoly stratégiai megbeszélés kellős közepén találták maguk, ahol a célpiacok definiálására került sor, ahelyett, hogy az eredetileg felvetett operatív kérdéseket feszegették volna tovább – például azt, hogy hány újabb teherautóra lenne szükség a szállításhoz. Ez a példa jól mutatja a változás és a változtatási igények mélyen kulturális jellegét. A vállalat vezetői maguk szerettek volna minél jobb rálátást nyerni az elemzések eredményeire, mert ettől valós üzleti előnyöket reméltek.

Lassan untig ismételt tény, hogy a big data néven emlegetett új paradigma az elképesztő lehetőségek mellett számos kihívást is tartogat. Az elemzési munka ma számos új technikát igényel, amelyek közül sok még csak fejlesztési fázisban van. Az pedig talán még ezek megalkotásánál is nagyobb feladat, hogy az elemzőknek magukévá kell tenniük egy merőben új gondolkodásmódot.

A Business Analytics with Management Science Models Methods című könyv szerzője, Arben Asllani véleménye szerint az elemzők ne hagyják, hogy csak az újdonság tudata vezérelje a gondolataikat. Először „vissza kell térniük a gyökerekhez”, és a hagyományos technikákat kell úgy átalakítaniuk, hogy alkalmazhatók legyenek a hatalmas adatmennyiségek feldolgozására. Az adatok szemkápráztató mennyiségben és sebességgel áramlanak, és változatosságuk lenyűgöző, ezért minél egyszerűbb és gyakorlatiasabb modelleket kell építeni, hogy a kidolgozott megoldások valóban valós időben alkalmazhatók legyenek.

Forrás: Business Analytics with Management Science Models Methods