Modele analityczne wspierają procesy decyzyjne i mają ogromny wpływ na efektywność biznesową i operacyjną przedsiębiorstw. Mogą one identyfikować nowe możliwości, pomagają nawiązać lepsze relacje z klientami oraz umożliwiają skuteczne zarządzanie ryzykiem i prognozowanie przyszłych wyzwań. Z tych i wielu innych powodów powinny być tworzone i traktowane jako aktywa organizacyjne o wysokiej wartości.

Zależnie od wielkości, firmy wykorzystują setki, a nawet tysiące modeli analitycznych. Aby nad nimi zapanować i móc właściwie ocenić ich przydatność, konieczne jest wybranie odpowiedniej strategii zarządzania. Przyjrzyjmy się platformie SAS Viya , która upraszcza procesy tworzenia i wdrażania modeli oraz zarządzania całym procesem przechodzenia od danych do decyzji.

Analityczny cykl życia (ang. Analytical Life Cycle) jest rodzajem łańcucha wartości z konkretnym modelem data science w centrum. W odróżnieniu od opisywanego przez nas wcześniej w serwisie Data Science robię cyklu zaproponowanego przez Sudeepa Agarwala, analityczny cykl życia według SAS składa się z dwóch głównych etapów, które odpowiadają fazom odkrywania i późniejszego wprowadzenia modelu do procesów biznesowych. Pierwsza część zaczyna się od postawienia pytań kluczowych dla odkrycia innowacji, które mogłyby zwiększyć efektywność przedsiębiorstwa. Zarówno drugą fazę, jak i cały cykl zamyka wyciągnięcie wniosków z zebranych informacji oraz ponowne postawienie tych samych pytań, aby dostosować model do zmieniających się warunków zewnętrznych oraz innych czynników wpływających na skuteczność biznesową. Cały cykl od strony technologicznej wspierają narzędzia dostępne w ramach paltformy SAS Viya. Obydwie fazy składają się w sumie z 7 kroków — przedstawiamy je poniżej.

Analityczny cykl życia modelu — faza odkrywania

Fazę odkrywania rozpoczyna zadanie właściwych pytań i przełożenie ich na reprezentację matematyczną badanego zagadnienia. Konieczne jest także zdefiniowanie uwarunkowań rynkowych oraz zakresu potrzeb i celów biznesowych, dlatego szczególnie na tym etapie potrzeba współpracy z odpowiednimi działami i ekspertami, którzy posiadają głębokie zrozumienie procesów biznesowych. Pozwoli to na łatwiejsze dobranie odpowiednich narzędzi analitycznych, a same modele będą odpowiednio dopasowane do konkretnych potrzeb i realiów.

Przygotowanie danych

Kiedy już ustalimy, jaki proces biznesowy badamy i co należy wziąć pod uwagę, kolejny etap to przygotowanie danych do analiz. Wyzwaniem może być ich różnorodność i duża ilość  źródeł, z których trzeba je pobrać. Aby maksymalnie skrócić ten czas, warto skorzystać z narzędzi, takich jak SAS Data Loader, które jest w stanie uporządkować dane i wydobyć z nich to, co najważniejsze.

Eksploracja danych

Po oczyszczeniu informacji z nieistotnych szumów, analitycy przystępują do właściwego zadania, czyli próby wyłonienia potencjalnych odpowiedzi na pytanie postawione na samym początku. Potrzebują wskazówek, które nie są widoczne na pierwszy rzut oka, a skrywają istotne informacje. W tym wypadku warto skorzystać z dostępnych narzędzi do wizualizacji, co pozwoli etap uczynić bardziej powtarzalnym. Rozwiązaniem pomocnym w tym kroku będzie SAS Visual Analytics, z którego pomocą znacznie szybciej można odnaleźć interesujące korelacje i powiązania pomiędzy różnymi typami danych.

Budowanie modelu

Budowanie modelu jest zwieńczeniem fazy odkrywania. Warto mieć jednak na uwadze, że zazwyczaj nie istnieje jeden uniwersalny algorytm, który będzie się sprawdzał w każdych warunkach. To, który da najbardziej trafne wyniki, zależy od wielu czynników, możliwych do wywnioskowania z danych historycznych. Dane treningowe warunkują, czy modele równie dobrze sprawdzą się na "żywym organizmie" w środowisku produkcyjnym. Poszukiwania najlepszego modelu dla określonych warunków można rozpocząć, kiedy ma się wiedzę na temat najważniejszych charakterystyk związanych z badanymi procesami. Wybór spośród setek, a nawet tysięcy dostępnych rozwiązań ułatwia dostępne oprogramowanie, jak np. SAS Factory Miner, gdzie wyłonienie efektywnych modeli predykcyjnych umożliwiają automatyczne “turnieje” algorytmów.

Analityczny cykl życia modelu — faza wdrażania

Faza wdrażania to ten moment, kiedy teoretyczne modele uczenia maszynowego zaczynają zmieniać procesy biznesowe i wywierają realny wpływ na wyniki sprzedaży i efektywność przedsiębiorstwa.

Implementacja modelu

W etapie implementacji modelu współpraca pomiędzy działami biznesowymi i IT jest kluczowa dla powodzenia całego przedsięwzięcia. Dla łatwiejszego zapanowania nad zmianami zachodzącymi w przedsiębiorstwie warto posłużyć się aplikacjami, jak SAS Decision Manager, za pomocą którego możemy nadzorować zachowanie modeli i wprowadzanie potrzebnych zmian. To rozwiązanie pozwala też zautomatyzować powtarzalne zadania.

Reaguj na zmieniające się informacje

Proces podejmowania decyzji jest złożonym zagadnieniem, przez co zazwyczaj wymaga wielu dyskusji i czasu. Jeśli jest oparty na danych, można go, przynajmniej częściowo, automatyzować za sprawą uczenia maszynowego. Wówczas należy pominąć wiele dyskusji o charakterze czysto organizacyjnym i po prostu wprowadzać kolejne zmiany, które wyłonią się z wyników pracy algorytmów. W ten sposób menadżerowie zamiast zajmować się mikrozarządzaniem i reagowaniem na bieżące problemy, mogą skupić się na kwestii rozwoju przedsiębiorstwa. Niezbędne jest jednak ciągłe doskonalenie algorytmów i dostosowywanie ich do zmieniających się warunków, żeby uwzględniały aktualne informacje zwrotne i trendy.

Wyciągnij wnioski

Najważniejszym etapem analitycznego cyklu życia modelu jest sprawdzenie, w jakim stopniu przewidywania i tezy, które powstały, okazały się słuszne. Wnioski z tego etapu mogą stać się częścią danych wsadowych do tworzenia kolejnych, jeszcze lepszych modeli uczenia maszynowego. Faza wniosków jest niezbędna, ponieważ wraz ze zmieniającymi się warunkami stare modele będą coraz gorzej dopasowane do nowych danych. Aby przeciwdziałać takiemu ryzyku, cały proces trzeba powtarzać, dzięki czemu organizacja będzie mogła sprawnie dopasowywać się do otoczenia, w którym funkcjonuje.

Zadaj ponownie pytania

Oczekiwania klientów odnośnie produktów i usług cały czas zmieniają się. Aby im sprostać, trzeba stawiać na nowo pytania dotyczące poprawy jakości, nowych towarów czy potencjalnych przewag firmy. Ten krok pozwala nieustannie udoskonalać działalność firmy, a jednocześnie pokazuje, że trudno o koniec analitycznego cyklu życia — bo zadanie pytań wymusza przejście wszystkich faz na nowo.

Podejścia do analitycznego cyklu życia

Podejścia proponowane przez SAS czy wspomnianego Sudeepa Agarwala nie są oczywiście jedynymi. Np. analityczny cykl życia złożony z 5 faz przygotował Data Science Process Alliance. Model DSPA obejmuje: zdefiniowanie problemu, przegląd i czyszczenie danych, przygotowanie „wystarczającego” modelu (tj. spełniającego wstępne założenia), wdrażanie i udoskonalanie, a także utrzymanie wprowadzonych rozwiązań. Z kolei Madison Hunter z Towardsdatascience.com jako ostatni etap cyklu proponuje budowanie i wdrożenie modeli. Wspólnym mianownikiem dla wszystkich podejść jest docenienie istotności prowadzenia przemyślanych procesów przetwarzania danych. Od tego, jak przedsiębiorstwo prowadzi swoją analitykę, zależy, czy odpowiedzi, wnioski i decyzje na nich oparte będą dobrze służyły celom biznesowym.