Publikacja KDnuggets przedstawia praktyczne zastosowania sztucznej inteligencji w firmowej analityce biznesowej, czyli Business Intelligence (BI). AI ma ułatwić pracownikom zadawanie pytań o dane, przyspieszyć analizę i kierować uwagę na problemy wymagające reakcji. Ma to znaczenie szczególnie w organizacjach, które nadal opierają raportowanie na arkuszach kalkulacyjnych, rozproszonych systemach albo zlecają większość analiz zespołom IT.
Jak AI upraszcza dostęp do danych biznesowych
Pracownicy biznesowi często potrzebują odpowiedzi, których nie ma w gotowych raportach. W tradycyjnym modelu zgłaszają wtedy zapotrzebowanie do analityka lub działu IT. Nawet narzędzia samoobsługowe wymagają czasem znajomości struktur danych, kreatorów raportów albo języków zapytań, takich jak SQL.
Analityka konwersacyjna oparta na AI ma skrócić tę ścieżkę. Kierownik operacyjny może zapytać o liczbę zamówień oczekujących obecnie na realizację, a następnie poprosić o podział wyniku według magazynów. System interpretuje pytania i prezentuje dane bez konieczności tworzenia nowego raportu lub pisania zapytania do bazy.
Nowoczesne platformy BI udostępniają takie funkcje przez interfejs języka naturalnego połączony z firmowymi zbiorami danych. Pracownik nadal korzysta z informacji przygotowanych w środowisku analitycznym, ale nie musi znać jego technicznych szczegółów. Może to ograniczyć liczbę rutynowych próśb kierowanych do IT i skrócić czas oczekiwania na prostą odpowiedź.
Jak analityka wspomagana AI przyspiesza reakcję
Sam dostęp do danych nie rozwiązuje problemu, jeśli użytkownik nie potrafi połączyć informacji z kilku obszarów. Firma może mieć rozbudowane pulpity menedżerskie, a mimo to reagować z opóźnieniem, ponieważ poszczególne zespoły inaczej interpretują te same wskaźniki lub nie dostrzegają zależności między nimi.
AI może analizować kilka miar jednocześnie, proponować możliwe wyjaśnienia i pomagać w ocenie kolejnych działań. Gdy sprzedawca detaliczny regularnie mierzy się z brakami towarów pomimo odpowiedniego łącznego poziomu zapasów, system może zestawić wzorce popytu, rozmieszczenie zapasów w magazynach oraz czasy realizacji dostaw. Na tej podstawie wskaże prawdopodobne ograniczenia i priorytety uzupełniania towaru.
Sztuczna inteligencja może również przekształcać wyniki analiz w krótkie opisy zrozumiałe dla odbiorców biznesowych. Takie podsumowania oraz alerty można umieszczać bezpośrednio na pulpitach BI. Ułatwia to przekazanie informacji osobom, które powinny zareagować, ale nie oznacza automatycznego podejmowania decyzji w ich imieniu.
Jakie zabezpieczenia są potrzebne przed wdrożeniem
Użyteczność odpowiedzi generowanych przez AI zależy od jakości danych, definicji biznesowych i reguł dostępu. Źródło wskazuje sześć obszarów, które organizacja powinna uporządkować przed udostępnieniem analityki konwersacyjnej większej grupie pracowników.
- Aktualne i zaufane dane. Precyzyjnie sformułowana odpowiedź może być błędna, jeżeli opiera się na niepełnym lub nieodświeżonym zbiorze. Porównanie dzisiejszych zamówień ze sprzedażą z poprzedniego miesiąca będzie mylące, jeśli użyty wyciąg danych nie został zaktualizowany. Platforma BI powinna zarządzać połączeniami, przygotowaniem danych i harmonogramami odświeżania.
- Jednolite definicje wskaźników. Jeden zespół może rozumieć przychód jako sprzedaż brutto, a inny jako sprzedaż netto. W takim środowisku podobne pytania skierowane do AI przyniosą sprzeczne odpowiedzi. Zarządzane miary i modele semantyczne powinny opierać wyniki na tych samych obliczeniach oraz pojęciach, które firma stosuje w oficjalnych raportach.
- Kontrola uprawnień. Interfejs języka naturalnego ma ułatwiać wyszukiwanie informacji, ale nie może rozszerzać dostępu do danych. Przedstawiciel handlowy nie powinien uzyskać poufnych danych finansowych lub pracowniczych przez odpowiednio sformułowane pytanie. Funkcje AI muszą respektować role i uprawnienia na poziomie danych. Firma powinna też sprawdzić, jakie informacje trafiają do zewnętrznych usług AI.
- Możliwość sprawdzenia wyniku. Jeżeli system wiąże spadek sprzedaży z określonym segmentem klientów, użytkownik powinien móc zobaczyć dane oraz założenia stojące za tym wnioskiem. Zarządzane obliczenia, raporty i przechodzenie do danych szczegółowych pozwalają zweryfikować sugestię przed podjęciem działania.
- Nadzór człowieka. Raport nie obejmuje całego kontekstu operacyjnego. AI może na przykład zasugerować zmniejszenie zapasów tuż przed dużą akcją promocyjną, o której nie ma informacji w analizowanym zbiorze. Zespół powinien zestawić rekomendację z planami biznesowymi i zachować odpowiedzialność za ostateczną decyzję.
- Monitorowanie efektów. Organizacja powinna mierzyć, czy pracownicy szybciej znajdują odpowiedzi, czy do IT trafia mniej rutynowych zgłoszeń oraz czy zespoły wcześniej reagują na ważne sygnały. Osobnego monitorowania wymagają dokładność odpowiedzi AI, problemy z integracjami i koszty działania rozwiązania.
Jak dobierać pierwsze zastosowania i mierzyć efekty
Przygotowanie wdrożenia powinno rozpocząć się od sprawdzenia danych oraz wybrania przypadków testowych, które mogą szybko dostarczyć użytecznego wyniku. Zamiast od razu udostępniać interfejs AI całej organizacji, firma może zacząć od powtarzalnych pytań operacyjnych, dla których istnieją już uzgodnione raporty i miary. Takie raporty stają się punktem odniesienia podczas kontroli odpowiedzi.
Przed uruchomieniem testu trzeba ustalić poziom bazowy. Materiał proponuje obserwowanie czasu potrzebnego na znalezienie odpowiedzi, liczby rutynowych zgłoszeń do IT oraz szybkości reakcji na wykryte problemy. Platforma BI może dostarczyć dane o wykorzystaniu raportów i wydajności, natomiast mechanizmy monitorowania AI powinny wykrywać błędy dokładności, problemy integracyjne oraz koszty.
Źródło nie podaje konkretnych progów skuteczności ani docelowych wartości tych wskaźników. Każda organizacja musi więc określić je na podstawie własnych procesów, liczby użytkowników i obecnego sposobu raportowania. Dopiero porównanie wyników pilotażu z takim punktem odniesienia pozwala ocenić, czy rozwiązanie rzeczywiście usprawnia pracę.
Co oferuje LANSA BI i co wynika z tego dla firm
W części produktowej opisano LANSA BI jako platformę łączącą i standaryzującą dane z różnych obszarów przedsiębiorstwa. Rozwiązanie integruje się z dostawcami modeli AI, aby obsługiwać pytania w języku naturalnym, wspomagać analizę oraz tworzyć opisy danych. Materiał nie wymienia jednak nazw obsługiwanych dostawców modeli.
LANSA BI pozwala również programistom osadzać funkcje analityczne wspierane przez AI bezpośrednio w aplikacjach biznesowych. Dzięki temu użytkownik może uzyskać informacje w narzędziu, w którym wykonuje zadanie, zamiast przechodzić do osobnego systemu raportowego. Platforma ma przy tym wykorzystywać mechanizmy bezpieczeństwa, zarządzane połączenia z danymi i reguły nadzoru dostępne w środowisku BI.
Dla firm w Polsce praktyczny wniosek jest niezależny od wyboru konkretnego produktu. Analityka konwersacyjna nie zastąpi uporządkowania źródeł danych, definicji wskaźników ani uprawnień. Pierwszy projekt powinien obejmować dobrze opisany proces, odpowiedzi możliwe do porównania z istniejącym raportem oraz osoby odpowiedzialne za ocenę wyniku i decyzję biznesową.
