24 Σεπτεμβρίου 2017

Τα δεδομένα είναι άχρηστα

Όταν ο Alan Turing και οι συνεργάτες του έλυσαν το Κώδικα των Ναζί κατά τον δεύτερο παγκόσμιο πόλεμο, ο αντίκτυπος στον στρατηγικό σχεδιασμό της Βρετανίας ήταν ελάχιστος. Ο λόγος ήταν ότι οι ένοπλες δυνάμεις της Βρετανίας απλά δεν ήξεραν να εκμεταλλευτούν την πληθώρα δεδομένων που είχαν στα χέρια τους.

 

Οι στρατιωτικές επιχειρήσεις ήταν σχεδιασμένες για έναν κόσμο με έλλειψη πληροφοριών, αλλά τώρα μια ομάδα αμάχων πολιτών πλημύριζαν το σύστημα με λεπτομέρειες για τη τοποθεσία κάθε βάρκας και κάθε κίνηση στρατιωτών. Οι σχεδιαστές των επιχειρήσεων λοιπόν δεν γνώριζαν πώς να εκμεταλλευτούν αυτές τις πληροφορίες.

 

Οι επιχειρήσεις σήμερα βρίσκονται σε μία παρόμοια κατάσταση. Τα δεδομένα κάποτε ήταν δύσκολο να συλλεχθούν, ακριβά να αποθηκευτούν και αργά να αναλυθούν. Όλα αυτά πλέον έχουν αλλάξει. Οι περισσότερες επιχειρήσεις πνίγονται από δεδομένα, αλλά ακόμα δεν έχουν μάθει να κολυμπούν.

 

Όλοι έχουν αποδεχθεί τα δεδομένα γιατί είναι της μόδας. Ειδικά τα Big Data. Αλλά σιγά σιγά οι επιχειρήσεις ανακαλύπτουν ότι δεν ξέρουν ακριβώς τι να τα κάνουν. Θέλουν την πληροφορία και τη γνώση για να πάρουν καλύτερες αποφάσεις.

 

Πως λοιπόν φτάσαμε εδώ; Υπάρχουν τρεις παράγοντες.

 

Πρώτον, οι επιχειρήσεις σήμερα θα καταλάβουν την τεράστια αξία που προσφέρουν τα δεδομένα αν είναι δεκτικές σε νέους τρόπους εργασίας. Όπως η Βρετανία άλλαξε την στρατιωτική της γραφειοκρατία για να μεταφέρει την πληροφορία επαρκώς στους διοικητές στο πεδίο, οι επιχειρήσεις πρέπει να υιοθετήσουν νέες διαδικασίες. Απλά προσθέτοντας δεδομένα στις παλιές διαδικασίες και ελπίζοντας να γίνουν από μόνες τους καλύτερες.

 

Αν οι ηγέτες των επιχειρήσεων αρνηθούν να προσαρμόσουν τις μεθόδους τους και μπλοκάρουν την καινούρια πληροφορία σε παλιές διαδικασίες, τα αποτελέσματα θα είναι απογοητευτικά. Απογοητευτικά ως προς τις νέες τεχνολογίες και τις υποσχέσεις που έρχονταν με αυτές και από τους αναλυτές ότι η δουλειά τους πάει χαμένη.

 

Επιπλέον, οι ομάδες χρειάζονται τα σωστά εργαλεία για τη δουλειά. Δεν μπορούν να κρατηθούν σε συγκεκριμένα εργαλεία και να τα αφήσουν να καθορίζουν αυτά τι είναι δυνατό να γίνει και τι όχι. Οι δυνατότητες των αποθηκευτικών μέσων, οι αλγόριθμοι μηχανικής μάθησης, οι βιβλιοθήκες visualization και άλλα πολλά έχουν κάνει τον αριθμό των εργαλείων που πρέπει να ξέρουν οι αναλυτές πολύ μεγάλο. Υπάρχει ο κίνδυνος ο αναλυτής να κολλήσει σε εξεζητημένες και περίτεχνα εργαλεία και να ξεφύγει από το στόχο.

 

Πρέπει να θυμηθούν ότι κάποιες φορές μια γραμμική παλινδρόμηση δουλεύει εξίσου καλά με random forests ή νευρωνικά δίκτυα. Δεν έχει σημασία τι χρησιμοποιείς αρκεί να πάρεις την πληροφορία που χρειάζεσαι.

 

Ο τρίτος παράγοντας αφορά τους αναλυτές. Πρέπει να μετατρέπουν τις αναλύσεις τους από ενδιαφέρουσες σε χρήσιμες και από αναλύσεις σε ιστορίες δεδομένων που απαντούν σε ερωτήσεις των επιχειρήσεων. Οι αναλυτές συνήθως αγαπούν να αναλύουν δεδομένα και κάτι για αυτούς φαντάζει συναρπαστικό για τους συναδέλφους τους είναι άχρηστο. Για τους αναλυτές είναι δύσκολο να αποδεχτούν ότι αυτό που αγαπούν μπορεί να είναι άχρηστο. Πρέπει να βρουν μια ιστορία που λένε τα δεδομένα που να είναι χρήσιμη για τους πελάτες τους.

 

Γιατί το είχε καταλάβει και ο Alan Turing. Η ομάδα του έβαλε στην άκρη την πιο ενδιαφέρουσα θεωρητική κρυπτογραφία για να εστιάσουν σε στόχους που θα βοηθούσαν να κερδίσουν τον πόλεμο. Όταν δεν μπορούσαν να έχουν τα εφόδια που χρειάζονταν, ο Turing έγραψε στον Winston Churchill μια ιστορία για τι μπορεί να πετύχουν με τα σωστά εφόδια. Ο Churchill ανταποκρίθηκε, και η ομάδα του Turing έπαιξε κομβικό ρόλο στη νίκη τους.

 

Γιατί ο Turing συνειδητοποίησε πως τα δεδομένα είναι άχρηστα. Οι ιστορίες που λένε δεν είναι.