Với sự tăng tốc của chuyển đổi kỹ thuật số trong kinh doanh, hầu hết các CTO, CIO và thậm chí cả quản lý cấp trung hoặc các nhà phân tích hiện đang hỏi, “Cần làm gì tiếp theo với các dữ liệu?” và vai trò liên tục của công nghệ trong cả chuyển đổi dữ liệu và kỹ thuật số?
Các câu hỏi khác đang gây tranh cãi bao gồm:
- Làm cách nào để mọi người ở tất cả các cấp, tổ chức được trao quyền nhiều hơn để sử dụng dữ liệu và giúp những người khác đưa ra quyết định tốt hơn?
- Điều gì ngăn cản mọi người khám phá sâu hơn và sử dụng dữ liệu?
- Theo những cách nào, các công cụ và phương pháp phân tích có thể giúp nhiều người sử dụng dữ liệu hơn trong quy trình kinh doanh hàng ngày — đặt câu hỏi, khám phá giả thuyết và thử nghiệm ý tưởng?
Với suy nghĩ này, cộng với những quan sát và thảo luận với nhiều khách hàng và đối tác của Tableau, có vẻ như hoàn cảnh, hành vi và nhu cầu của ngày nay đã khiến cho phân tích dữ liệu dự đoán (Predictive Analytics) trở thành giải pháp thích hợp giúp các doanh nghiệp và nhân viên của họ giải quyết vấn đề một cách hiệu quả.
Thực tế hiện tại và rào cản đối với quy mô ra quyết định thông minh hơn với AI
Với việc thu thập các tập dữ liệu đa dạng, ngày càng tăng, các trường hợp sử dụng phân tích dữ liệu để chuyển đổi dữ liệu thành thông tin chi tiết có giá trị, đang phát triển nhanh chóng. Ngày nay, một loạt các công cụ và các nhóm chuyên khám phá thông tin chi tiết về dữ liệu để cung cấp thông tin cho việc đưa ra quyết định, nhưng nhiều nơi, các tổ chức đang đấu tranh để đạt được sự cân bằng giữa việc kích hoạt các chuyên gia dữ liệu kỹ thuật cao và các nhóm kinh doanh có kinh nghiệm miền sâu.
Cho đến nay, việc sử dụng trí tuệ nhân tạo (AI), máy học (ML) và các phương pháp thống kê khác để giải quyết các vấn đề kinh doanh chủ yếu là lĩnh vực của các nhà khoa học dữ liệu. Nhiều tổ chức có các nhóm khoa học dữ liệu nhỏ tập trung vào nghiên cứu các vấn đề cụ thể, quan trọng và có khả năng mở rộng cao, nhưng các nhóm đó thường có một danh sách dự án dài cần xử lý. Tuy nhiên, đồng thời, có một số lượng lớn các quyết định kinh doanh dựa trên kinh nghiệm, kiến thức và dữ liệu — và điều đó sẽ có lợi rất nhiều nếu áp dụng các kỹ thuật phân tích nâng cao hơn. Những người có kiến thức về miền và gần với dữ liệu kinh doanh có thể được hưởng lợi rất nhiều nếu họ có quyền truy cập vào các kỹ thuật này.
Thay vào đó, hiện có một quy trình dựa vào các nhà khoa học dữ liệu và những người thực hành ML sử dụng để xây dựng và triển khai các mô hình tùy chỉnh — một chu trình thiếu tính linh hoạt và khả năng lặp lại nhanh chóng. Cuối cùng, dữ liệu mà mô hình được đào tạo có thể đã cũ và quá trình bắt đầu lại. Tuy nhiên, các tổ chức phụ thuộc vào người dùng doanh nghiệp để đưa ra các quyết định quan trọng hàng ngày không tăng lên mức độ ưu tiên của nhóm khoa học dữ liệu trung tâm của họ.
Cơ hội giải quyết các thách thức về khoa học dữ liệu
Đây là nơi có cơ hội dân chủ hóa các khả năng khoa học dữ liệu, giảm thiểu sự đánh đổi giữa độ chính xác và khả năng kiểm soát cực cao so với thời gian để hiểu rõ — và khả năng thực hiện hành động đối với những thông tin chi tiết này. Nếu có thể cung cấp cho mọi người các công cụ hoặc tính năng nâng cao để áp dụng tốt hơn các kỹ thuật phân tích dự đoán vào các vấn đề kinh doanh, các nhà khoa học dữ liệu có thể lấy lại thời gian để tập trung vào các vấn đề phức tạp hơn. Với cách tiếp cận này, các nhà lãnh đạo doanh nghiệp có thể cho phép nhiều nhóm hơn đưa ra các quyết định dựa trên dữ liệu trong khi vẫn tiếp tục theo kịp tốc độ kinh doanh. Các lợi ích bổ sung thu được từ việc dân chủ hóa khoa học dữ liệu theo cách này bao gồm:
- Giảm thiểu thời gian cho việc khám phá và chuẩn bị dữ liệu.
- Giúp cho các chuyên gia phân tích đưa ra thành quả nghiên cứu về khoa học dữ liệu với chi phí thấp hơn.
- Tăng khả năng tạo ra các mô hình thành công qua việc khám phá thêm các trường hợp sử dụng bởi các chuyên gia miền.
- Mở rộng, tự động hóa và tăng tốc phân tích cho các nhóm kinh doanh và chuyên gia miền.
- Giảm thời gian và chi phí dành cho việc triển khai và tích hợp các mô hình.
- Thúc đẩy việc sử dụng dữ liệu và AI có trách nhiệm với tính minh bạch được cải thiện và nhận được hướng dẫn về cách giảm thiểu hoặc giải quyết sự thiên vị.
Các tình huống kinh doanh được hưởng lợi từ phân tích dự đoán
Các bộ phận kinh doanh và tiếp thị có thể áp dụng nó để tính điểm khách hàng tiềm năng, tính điểm cơ hội, dự đoán thời gian đóng cửa và nhiều trường hợp khác liên quan đến CRM. Các nhà sản xuất và nhà bán lẻ có thể sử dụng nó để giúp tối ưu hóa và phân phối chuỗi cung ứng, dự báo nhu cầu của người tiêu dùng và khám phá thêm các sản phẩm mới vào tổ hợp của họ. Phòng nhân sự có thể sử dụng nó để đánh giá khả năng ứng viên chấp nhận một đề nghị và cách họ có thể điều chỉnh mức lương và lợi ích để đáp ứng các giá trị của ứng viên. Và các công ty có thể sử dụng nó để khám phá các lựa chọn và chi phí không gian văn phòng. Đây chỉ là một vài trong số các kịch bản tiềm năng.
AI và ML sẽ tiếp tục phát triển với nhiều tổ chức hơn, với trọng tâm tương tự như Tableau, cũng sẽ tiếp tục tìm kiếm các kỹ thuật có thể giúp những người gần gũi nhất với doanh nghiệp như xem, hiểu và sử dụng dữ liệu theo những cách mới để hỏi và trả lời câu hỏi, khám phá thông tin chi tiết, giải quyết vấn đề và hành động.
Mùa xuân năm nay, Tableau đã giới thiệu một lớp phân tích mới do AI cung cấp khả năng dự đoán cho những người thân cận với doanh nghiệp. Trong giai đoạn tiếp theo của quá trình khám phá và sử dụng dữ liệu mở rộng này, Tableau hy vọng các nhà lãnh đạo doanh nghiệp nắm bắt dữ liệu để giúp những người khác đưa ra quyết định tốt hơn và cung cấp thông tin chi tiết minh bạch về các yếu tố ảnh hưởng đến các quyết định đó.
Khi mọi người có thể suy nghĩ với dữ liệu của họ — khi phân tích thiên về hỏi và trả lời câu hỏi hơn là học phần mềm hoặc kỹ năng phức tạp — đó là lúc tiềm năng của con người được giải phóng, dẫn đến kết quả đáng kinh ngạc.
