AI가 데이터 분석을 컨텍스트에 적용하는 방법

AI 및 증강 분석의 발전은 기업 팀이 데이터를 컨텍스트에 보다 효과적으로 배치할 수 있음을 의미합니다.

빅 데이터가 유행어가 되기 이전부터 비즈니스 리더와 데이터 전문가를 좌절시킨 과제가 있습니다. 분석의 맥락이 부족합니다.

이 사용 사례가 친숙하게 들리는지 확인하십시오. 비즈니스 리더는 원래 지역 판매가 감소한 이유에 대한 분석을 요청했고 데이터 분석가는 비즈니스 측면을 위한 모델을 구축하고 데이터를 가져오고 보고서를 개발하기 위해 몇 달 동안 열심히 일했습니다.

문제

결과가 돌아왔을 때 결과는 실망스러울 정도로 1차원적이었고 판매 둔화의 진정한 "이유"를 확인하지 못했습니다. 보고서에는 특정 제품 라인 또는 특정 영업 팀에 대한 식별 슬리피지가 있을 수 있습니다. 하지만 둘 다 아닙니다.

누락된 것은 컨텍스트였습니다. 미끄러짐의 실제 근본 원인을 감지할 방법이 없었습니다. 인사, 보상 또는 이직의 문제였습니까? 실제로 공급망 문제였습니까? 새로운 경쟁자가 될 수 있었습니까? 아니면 가격 인상 같은 것이 있었습니까? 그게 다였나요? 이러한 질문은 판매 분석에 대한 자연스러운 후속 조치가 될 것입니다.

그러나 다양한 잠재적 원인에 대한 깊은 통찰력 없이 비즈니스 리더와 데이터 전문가는 종종 시간과 리소스 낭비에 대해 서로를 비난하며 자리를 떴습니다.

증강 분석의 진화

위에서 언급한 맥락을 찾기 위해 오늘날 일부 기업은 AI로 눈을 돌리고 있습니다. 그들은 수많은 부서, 애플리케이션 및 프로세스 간의 관계와 종속성을 감지하는 AI의 능력 덕분에 성공했다고 보고합니다. 이러한 관계의 존재는 스프레드시트나 기존 데이터베이스에 나열되지 않은 새로운 데이터 유형에서 나타나며, 확실히 기업 조직도에도 표시되지 않습니다.

Babson College의 분석 및 IT 전문가인 Tom Davenport는 Oracle의 분석 제품 전략 부사장인 Joey Fitts가 공동 저술한 최근 HarvardBusiness Review 기사에서 이러한 새로운 데이터 유형을 조사했습니다.

"AI는 분석이 다양한 소스의 중요한 컨텍스트를 자동으로 통합하고 처리하는 것을 가능하게 합니다. 그 중 많은 소스가 이전에는 분석가가 사일로와 제대로 관리되지 않은 카탈로그를 탐색해야 했을 것입니다."라고 적었습니다.

그들은 "혁신은 AI와 자동화, 기존 정보 시스템 간의 연결, 데이터 및 분석에 대한 결정에 대한 역할 기반 가정에 의존합니다. 결국 분석가가 미리 준비할 필요 없이 의사 결정자에게 직접 전달할 수 있는 통찰력과 권장 사항을 준비할 수 있습니다.”

Davenport와 Fitts에 따르면 분석 프로젝트에 적합한 데이터를 찾는 것이 너무 자주 수동 작업이었습니다.

그들은 이렇게 썼습니다. “이를 위해서는 어떤 데이터가 분석에 적합하고 어디에서 찾을 수 있는지에 대한 광범위한 지식이 필요했으며 많은 분석가는 더 넓은 맥락에 대한 지식이 부족했습니다. 그러나 분석 및 AI 애플리케이션도 점점 더 컨텍스트를 제공할 수 있습니다. 그리고 이러한 기능은 이제 ERP(전사적 자원 관리) 및 CRM(고객 관계 관리)과 같은 트랜잭션 시스템 오퍼링에 주요 공급업체에 의해 정기적으로 포함됩니다.”

컨텍스트를 추가하는 이 기능은 부분적으로 "스마트 데이터 검색" 및 증강 분석을 사용하는 AI를 통한 자동화에 의존합니다.

2017년 Gartner는 증강 분석을 "데이터 준비, 통찰력 생성 및 통찰력 설명을 지원하여 사람들이 분석 및 BI 플랫폼에서 데이터를 탐색하고 분석하는 방법을 보강하는 기계 학습 및 AI와 같은 지원 기술의 사용"이라고 정의했습니다.

미래학자인 Bernard Marr는 "증강 분석은 원시 데이터 소스에서 자동으로 데이터를 가져와 편견 없는 방식으로 스크러빙 및 분석하고 인간이 이해할 수 있는 자연어 처리를 사용하여 보고서로 전달하는 프로세스를 설명합니다."라고 덧붙입니다.

시민 데이터 과학자 입력

Davenport와 Fitts는 분석에 대한 이 새로운 접근 방식이 대형 보험 회사에서 어떻게 구현되었는지에 대한 예를 인용했습니다. 그들은 새로운 인적 자원 시스템에 "인적 자원 KPI, 모범 사례 벤치마크, 다양성 및 감소 수준과 같은 HR 추세를 모니터링하는 기능이 포함됩니다. 이러한 기능을 갖춘 새로운 기업 보고 도구가 단 8주 만에 회사 전체에 도입되었습니다."

AI와 분석의 이러한 진화는 차세대 시민 데이터 과학자를 위한 길을 열어주는 것 같습니다.

후자의 용어가 친숙하게 들린다면 비기술적 비즈니스 전문가에게 고급 분석 기능을 제공한다는 개념이 5년 전부터 시작되었기 때문입니다.

그 당시 시민 데이터 과학은 비즈니스 사용자가 데이터 과학에서 중간 경력 교육을 받았음에도 불구하고 비즈니스 사용자를 도구로 신뢰하지 않는 일부 분석 전문가의 저항에 부딪쳤습니다. 또한 원래 개념은 수천 개의 애플리케이션이 있는 기업 전체로 확장될 가능성이 없었습니다.

그러나 이 새로운 버전의 시민 데이터 과학은 Davenport가 논의하는 "새로운 데이터 유형"을 활용하는 것 같습니다. 부서, 프로세스 및 데이터 유형 간의 관계를 발견하고 활용하는 무거운 작업은 상당 부분 AI 모델에서 수행될 것을 약속합니다. 이러한 모델은 여전히 ​​데이터 과학자에 의해 구축됩니다. 그러면 "시민"이 자신이 가장 잘하는 일을 하고 AI가 더 잘 답변할 수 있는 비즈니스 질문을 할 수 있습니다.