Machine Learning a dátová analytika

Machine Learning a dátová analytika.

Potenciál prínosov vyplývajúci z analýzy dát ukladaných na serveri je obrovský.  Banky, mobilní operátori, priemyselní výrobcovia, servisné organizácie môžu vhodným spôsobom využiť obrovské množstvo údajov ktorými disponujú, na zlepšenie svojej výkonnosti, lepšie porozumenie zákazníckych požiadaviek, zvýšenie konkurenčnej prednosti, podporu správnych rozhodnutí, dokonca modelovanie budúcich scenárov či príležitostí.

Väčšie objemy údajov, ktoré sú generované a ukladané pomocou stále modernejších a cenovo dostupnejších systémov prinášajú jedinečnú príležitosť ich hlbšej a presnejšej analýzy, oproti konvenčnému prístupu, s menšími množinami údajov resp. analýzami realizovanými na výberových  vzorkách.

Väčšia množina analyzovaných dát neznamená len vyššiu presnosť výsledku (vplyv na silu testu a elimináciu veľkostí chýb testovania), ale predovšetkým napomáha skúmať ďaleko viac premenných faktorov (prediktorov), ktoré sa v procesoch reálne nachádzajú, ale ktoré kvôli malým množinám skúmaných dát často nedokážeme objaviť.  Veľké objemy údajov, dlhodobo zbierané v reálnom prostredí (napr. on-line monitoring chodu výrobných zariadení, spotreby energií a pod.) nám takto dokážu cez dátovú analytiku významným spôsobom  zachytiť a pomenovať širšiu množinu vplyvových faktorov.

Tieto faktory  dokážeme objektívnejšie kvantifikovať, identifikovať ich vzájomné interakcie a vďaka dlhodobejšiemu vzorkovaniu tiež prediktívne modelovať ich budúci vývoj resp. správanie. Takáto komplexnosť riešení a zistení je neporovnateľná oproti bežnému prístupu „pozorne“ modelovaných experimentov (povedzme cez DoE), ktoré sú často realizované za umelo vytvorených podmienok a teda nedokážu identifikovať všetky kľúčové vplyvy resp. presnú veľkosť interakcie vplyvov, ba čo viac,  objektívnej interakcie vplyvov, ktoré sa v čase spravidla menia.

Výkonné nástroje podporujúce dátovú analytiku (CART, Bootstraping),  koncepty zamerané na detailnú prácu s dátami ako Machine Learning (strojové učenie), alebo Voice of the Machine (Hlas zariadenia), budú užitočným doplnkom každého praktika, obzvlášť v prípadoch, keď máme možnosť analyzovať veľké súbory údajov.

Machine learning predstavuje algoritmus, ktorý umožňuje software aplikáciám bežať presnejšie, alebo cielenejšie v predikovaní očakávaného výsledku bez toho, aby bolo explicitne použité programovanie.

Základným predpokladom strojového učenia je vytvorenie algoritmov, ktoré môžu prijímať vstupné dáta a používať štatistickú analýzu na predpovedanie výstupu a neskôr, keď budú dostupné nové vstupné údaje znova cielenejšie aktualizovať  kvalitu výstupu.

Typickým príkladom v bežnom živote je pozeranie videa na YouTube. Na základe Vami pozeraných videí (štatistika histórie), kanál YouTube automaticky generuje pre Vás osobne pri prezeraní, alebo pri ďalšej návšteve kanála YT obsahovo videá, ktoré sú s vysokou pravdepodobnosťou pre Vás zaujímavé. Tak ako v čase prehliadania meníte svoju oblasť záujmu, aj algoritmus YouTube mení personalizovanú ponuku obsahu pre Vás a postupne Vám ponúka viac oblastí, ktoré sú Vami preferované.

HR (Human Resources) oddelenie napr. dokáže využívať takéto učiace systémy na identifikáciu charakteristík efektívneho pracovníka a spolieha sa na základe tohto poznania na výber najlepšieho uchádzača pre otvorenú pracovnú pozíciu.

Customer Relationship management (CRM) systémy využívajú učiace sa systémy na analýzu obsahu emailov a promptne navigujú členov obchodného tímu, aby najskôr odpovedali na najdôležitejšie správy.

Akýkoľvek príklad fungovania v praktickom živote vyberieme, riešenie je vždy založené na štatistickej analýze množstva dostupných údajov.

Vďaka rýchlemu nástupu digitalizácie, IoT, či prvkov „smart (X)“  nie sú dni malých množín údajov a vzorkovania ďaleko od konca. Pohľadom do budúcna, sú stále viac zreteľnejšie požiadavky organizácií získavať hlbší a objektívnejší prehľad o fungovaní biznisu a teda dôležitosť získať správne nástroje pre analýzu dát rôznej veľkosti a zložitosti.

Robiť lepšie rozhodnutia a získavať konkurenčnú prednosť podnikania bude jedna z kľúčových kompetencií špecialistov, ktorí dokážu s dostupnými údajmi zmysluplne pracovať.

Ing. Peter Kormanec
konzultant
kormanec@4industry.consulting