Οι επιχειρήσεις συλλέγουν δεδομένα σχετικά με τις δραστηριότητες τους αλλά και των πελατών τους όπως ποτέ άλλοτε. Τα δεδομένα όμως για να είναι χρήσιμα, πρέπει να αναλυθούν και να εντοπιστούν μοτίβα ώστε να πάρουμε σωστή πληροφορία. Πολλές επιχειρήσεις πλέον στρέφονται στα Analytics, αλλά αυτό που μπορούν να κάνουν είναι να αναλύσουν το παρελθόν και όχι να προβλέψουν. Για την πρόβλεψη πρέπει να χρησιμοποιηθούν αλγόριθμοι και να κατασκευαστούν προβλεπτικά μοντέλα. Η παρακάτω συνέντευξη είναι από τον Michel Morvan, συνιδρυτής και εκτελεστικός πρόεδρος της THE COSMO COMPANY.

BN: Επαρκούν τα Analytics για τους επιχειρηματικούς σκοπούς;

MM: Πραγματικά εξαρτάται από την επιχείρηση. Κάποιες εταιρείες μπορούν να χρησιμοποιήσουν την γνώση που αποκτούν από το παρελθόν και να πάρουν αποφάσεις για ένα χρονικό διάστημα αλλά δεν θα είναι 100% σωστές. Αν η Google ή η Amazon για παράδειγμα καταφέρει να μου συστήσει με επιτυχία 90% διαφημίσεις και προϊόντα, τότε μπορούν να βασιστούν στις προβλέψεις που κάνουν χρησιμοποιώντας τα Analytics.

Άλλες επιχειρήσεις όμως πρέπει να λαμβάνουν τις αποφάσεις τους με μεγαλύτερο ποσοστό επιτυχίας. Για παράδειγμα, μια φαρμακευτική εταιρεία που λανσάρει ένα νέο φάρμακο ή μια κατασκευαστική εταιρεία που θέλει να κάνει μια επένδυση, χρειάζονται μεγάλη ακρίβεια στις προβλέψεις τους και στις επιπτώσεις που μπορούν να έχουν. Έτσι, μπορούμε να πούμε ότι τα Analytics χρησιμεύουν πιο πολύ για να μας παρουσιάσουν το παρελθόν και δεν μας δίνουν γνώση για το μέλλον.

BN: Τι μπορεί να προσφέρει η μοντελοποίηση που δεν μπορούν τα Analytics;

ΜΜ: Τα Analytics όπως είπαμε μπορούν να προσφέρουν στην επιχείρηση σχεδόν τα πάντα σε σχέση με το ιστορικό της. Οι επιχειρηματίες μπορούν να διακρίνουν τυχόν συσχετίσεις και να αποφασίσουν με την εμπειρία και την γνώση τους.

Η μοντελοποίηση και η προσομοίωση προσφέρουν απαντήσεις σχετικά με τις συσχετίσεις. Δηλαδή, τι συνέβη, γιατί συνέβη και εάν θα επαναληφθεί στο μέλλον. Επίσης, μπορούμε να προσομοιώνουμε μια απόφασή που πιθανόν να λάβουμε και να εντοπίσουμε τις επιπτώσεις που θα είχε στην επιχείρησή μας. Η χρησιμοποίηση πολλών μεταβλητών μας βοηθά να έχουμε μια πλήρης άποψη της εταιρείας μας και των προβλημάτων που αντιμετωπίζει ή που πρόκειται να αντιμετωπίσει.

BN: Πότε οι επιχειρήσεις πρέπει να στραφούν στα μοντέλα;

MM: Ένα από τα πράγματα που είναι πιο ενδιαφέρον για τη μοντελοποίηση σε ένα πολύπλοκο σύστημα όπως μια επιχείρηση, είναι το τελικό αποτέλεσμα της διαδικασίας που ωθεί τις εταιρείες να κάνουν μετατροπές, οι οποίες πρέπει να γίνου νωρίς πριν να είναι αργά.

Τι εννοώ με αυτό τον μετασχηματισμό; Έχουμε διαπιστώσει ότι οι εταιρείες που έχουν αρχίσει να βλέπουν τις διασυνδέσεις μεταξύ των διάφορων τμημάτων της επιχείρησής τους και να κατανοούν πως οι αποφάσεις για ένα τμήμα επηρεάει κάποιο άλλο. Οι εταιρείες που χρησιμοποιούν μοντέλα πράττουν καλύτερα, αφού υπολογίζουν όλες τις επιπτώσεις που μπορούν να προκύψουν σε κάθε τμήμα. Δηλαδή, αν κάνουν μια αλλαγή στο τμήμα Α και εντοπίσουν ότι επιλύθηκε το πρόβλημα αλλά στο τμήμα Β υπάρξει πρόβλημα, τότε δεν προχωρούν στην τροποποίηση και σκέφτονται καλύτερα την επόμενη απόφαση.

BN: Υπάρχει κάποιο πλεονέκτημα αν μια εταιρεία χρησιμοποιεί και μοντέλα πρόβλεψης αλλά και Analytics;

MM: Φυσικά! Η μοντελοποίηση είναι ιδανική για την στρατηγική λήψη αποφάσεων και πολλές επιχειρήσεις θα επωφεληθούν από την χρήση της. Η μοντελοποίηση είναι πιο αποτελεσματική για συστήματα που δεν μπορούν να γίνουν κατανοητά μέσα από την διαίσθηση ή την γνώση αυτού του συστήματος και μόνο. Ένα πολύπλοκο σύστημα, όπως αυτά που ασχολούμαι ο ίδιος και η Cosmo δεν μπορεί να προβλεφθεί ή να κατανοηθεί χωρίς την βοήθεια της μοντελοποίησης και της προσομοίωσης. Απλά συστήματα από την άλλη πλευρά, μπορούν να επωφεληθούν από τα Analytics, όπου η συσχέτιση είναι αρκετή ή όταν η εξέλιξη του συστήματος μπορεί να προβλεφθεί απλά. Επομένως, τα Analytics αλλά και το Modelling είναι χρήσιμα σε μια επιχείρηση που πρέπει να επιλύσει απλά και πολύπλοκα συστήματα.

BN: Θα αυξηθεί ο όγκος των δεδομένων; Από το Internet of Things για παράδειγμα, μπορούμε να αποκτήσουμε χρήσιμες πληροφορίες;

ΜΜ: Εάν μια επιχείρηση βασίζεται στις παραδοσιακές αναλύσεις μεγάλων δεδομένων, τότε μόνο θα υπερφορτώνεται με δεδομένα χωρίς να βελτιώνει τις ιδέες και τις αποφάσεις της. Αυτός είναι και ο λόγος που μεγάλες εταιρείες αποθαρρύνονται με την επιστήμη των δεδομένων και την συλλογή πολλών δεδομένων. Έχουν πληρώσει για να μάθουν σχετικά με την επιχείρησή τους, τους πελάτες τους και πως θα προχωρήσει στο μέλλον, αλλά απλά αυτό δεν δουλεύει. Όσα δεδομένα και να έχεις αυτό δεν λειτουργεί. Η μοντελοποίηση και η προσομοίωση από την άλλη πλευρά, μπορούν να αντλήσουν κάποια δεδομένα που συγκεντρώθηκαν από IoT (Internet of Things) συσκευές, αλλά δεν εκτελούν κάποια διαδικασία ανάλυσης. Ένα μοντέλο από ένα πολύπλοκο σύστημα αντ΄αυτού, συνδυάζει ουσιώδη δεδομένα για την απαραίτητη κατανόηση των συσχετίσεων των δεδομένων μεταξύ τους αλλά και με το σύστημα. Το τελικό αποτέλεσμα, που συμπεριλαμβάνει κυρίως τις κυριότερες συσχετίσεις των δεδομένων αλλά και τις μελλοντικές προβλέψεις, είναι η πληροφορία που λαμβάνει η επιχείρηση ώστε να λάβει την καλύτερη απόφαση.

Πηγή: betanews.com