05 ژانویه 2021توسط فرانسوا کندلون ، تام رایچرت ، سیلوین دورانتون و رودولف شارم دی کارلو
برخی از شرکت ها از هم اکنون آینده بعد از کرونا را شکل می دهند. آنها از یادگیری ماشینی برای تبدیل مقدار زیادی از اطلاعات خام به تصمیماتی “طلایی” استفاده خواهند کرد.
عملکرد کیمیاگری داده ها ، که از داده های مداوم تازه ، جمع آوری شده گسترده برای یافتن همبستگی ها و نتیجه گیری های عملی استفاده می کند ، برای چندین سال در حال پیشرفت بوده است. اما فقط با فشارهای COVID-19 ، در مرحله “مسطح” همه گیری ، این رویکرد در کسب و کار گسترده شد. شرکت ها دریافتند که یک باره با نوسانات در پویایی محیط کار (با افزایش کار از راه دور و کاهش بودجه و کارکنان) ، تعامل مشتری ، شرایط سیاسی ، سرمایه گذاری دولتی و خصوصی ، سفر و جهانگردی ، زنجیره های تأمین بین المللی و مراقبت های بهداشتی چگونه کنار می آیند.
یک مثال قدرتمند از ارزش کیمیاگری داده ها ، خود مربوط به COVID-19 است – و به شرکت ارزیابی ریسک مراقبت های بهداشتی کانادا ، BlueDot ، که همه گیری را قبل از هر کس دیگری پیش بینی می کرد. این شرکت در سال 2013 برای هشدار به دولت ها و کسب و کارها در مورد شیوع بالقوه بیماری های عفونی تاسیس شد ، به طور مداوم جدیدترین داده ها را از طیف گسترده ای از منابع جمع آوری می کند: رسانه های خبری به 67 زبان ، گزارش در مورد بیماری های حیوانات و گیاهان ، مطالب وبلاگها ، آمار بلیط هواپیما ، و شبکه های اجتماعی. این شرکت همه این داده ها را از طریق الگوریتم های یادگیری ماشین پردازش می کند که همبستگی ها و الگوهایی را می گیرد که دیدن آنها غیر ممکن است.
وقتی الگوریتم های BlueDot الگوهای غیرمعمولی از فعالیت در ووهان ، چین را نشان داد ، سیستم به طور خودکار آنها را مورد توجه اپیدمیولوژیست های شرکت قرار داد. در تاریخ 31 دسامبر 2019 – یک هفته قبل از اولین گزارش رسمی سازمان بهداشت جهانی – این شرکت هشدار در مورد ویروس COVID-19 و تأثیر احتمالی آن را منتشر کرد. در طول سال ، این شرکت به پیش بینی صحیح شیوع همه گیری در سراسر جهان ادامه داد ، رشد سریع آن را در مکانهایی مانند هند و برزیل ، ماه ها قبل از شروع واقعی افزایش و مرگ و میر ، پیش بینی کرد.
توانایی ایجاد کسب و کار با این نوع موارد در گذشته ، غیر معمول دیده می شد ، و امری منتسب به نبوغ بشری بود . اکنون ، شرکت ها در طیف گسترده ای از صنایع می توانند توانایی مشابهی را برای دیدن همبستگی های غیرمعمول دریافته و بلافاصله بر اساس آنها اقدام کنند. عملکرد کیمیاگری داده ها مبتنی بر ارزشیابی جدید از آنچه تجزیه و تحلیل ها می توانند انجام دهند ، نحوه استفاده موثر از آنها و مهمتر از همه – نحوه قرار دادن آنها در تصمیم گیری های روزمره است.
معرفی کیمیاگری داده ها
اگرچه ممکن است تغییرات گسترده در مقیاس گسترده مشهود نباشد ، اما در بسیاری از شرکت ها به دلیل تنظیم روش استفاده از تجزیه و تحلیل ، قابل مشاهده است. این عمل از کیمیاگری داده را می توان در یک معادله ساده با دو مولفه اصلی که با هم ترکیب می شوند و نتایج مثبت برای تصمیم گیری را ایجاد می کنند ، خلاصه کرد ، همانطور که در شکل 1 نشان داده شده است.
اولین عنصر الگوریتم هوش مصنوعی است که منطق آن با موارد استفاده سنتی تفاوتی ندارد. یک “عملکرد هدف” کافی – مشخصات رسمی مسئله ای که الگوریتم در حال حل آن است – برای بهینه سازی تصمیم گیری مشخص شده است. این الگوریتم ممکن است تکنیک های مختلف مهندسی نرم افزار ، مانند برنامه نویسی به زبان نرمال را برای پرداختن به انواع مختلف داده های خام که با آنها تغذیه می شود ، ترکیب کند.
عنصر دوم داده است. بنگاه اقتصادی ، صرف نظر از کیفیت یا سودمندی اخذ شده ، تا آنجا که ممکن است داده ها را برای تجزیه و تحلیل جمع آوری می کند. ساختار آن نباید به روشی خاص باشد. بلکه داده ها باید خام (بدون تجزیه و تحلیل قبلی و پردازش) تجزیه و تحلیل ، گسترده (از طیف گسترده ای از منابع در حال افزایش) و تازه (به طور مداوم به روز شده و گسترش یافته) باشند.
این روش برای جمع آوری داده ها بسیار مهم است زیرا از سوگیری و ذهنیت بی مبنا در انسان جلوگیری می کند. از آنجا که هیچ کس نمی داند سیگنالهای ضعیف وقایع و بینشهای مهم از کجا می آیند ، چیزی به نام داده های بی فایده وجود ندارد.
به عنوان مثال ، در حدود سال 2015 ، بخش یونیلور بن و جری سیستم بازاریابی مبتنی بر هوش مصنوعی خود را برای ردیابی هرگونه مراجعه به بستنی در فرهنگ عامه یا در وب را تنظیم کرد. جستجو به نظر می رسد بسیار دور از انتظار و متمرکز بود ، تا اینکه این شرکت بیش از 50 آهنگ محبوب با شعر “بستنی برای صبحانه” پیدا کرد. این ایده ای بود که هیچ کس دریک بازار داخلی آن را تشخیص نداده بود. طبق گزارشی در وب سایت بازاریابی Campaign ، استن استانوناتان ، رئیس استراتژی یونیورور ، اظهار داشت که بن و جری از این بینش برای معرفی مجموعه صبحانه خود استفاده کرده است.
پیش بینی خطر و فرصت
در حال حاضر ، رویکرد كیمیاگری كامل داده ها در تصمیم گیری در بسیاری از شركت ها به یك شیوه زندگی تبدیل شده است. بعید است این پذیرندگان اولیه کیمیاگری داده ها به روش های گذشته خود بازگردند و دیگران احتمالاً به آنها بپیوندند. قدرت پیش بینی تغییرات آینده در میان تلاطم ها ، و استفاده از فرصت هایی که در غیر این صورت دیده نمی شوند ، بسیار چشمگیر است.
اگر رهبران کسب و کار انتظار داشتند که به رقابت و جریان نقدی خود ادامه دهند ، باید سریعتر و دقت بیشتری انتخاب های استراتژیک را انجام دهند. کیمیاگری داده ها به این معنی است. برای مقایسه ، روشهای قدیمی تجزیه و تحلیل – صرف نظر از اینکه آنها از یادگیری ماشین استفاده می کنند – بیشتر شبیه استخراج معمولی طلا هستند. آنها به سادگی نمی توانند با همان روش گام به گام یا با سرعت قابل مقایسه ای اتفاق بیفتند و فاقد توانایی های پیش بینی کننده ای که رهبران کسب و کار به سرعت می آموزند ، آن را مسلم بداند.
سایر کسب و کار ها همچنین در پی شیوع ویروس دریافتند که توانایی های کیمیاگری ، از جمله آنهایی که چندین سال قبل آغاز شده اند ، به آنها مقاومت قابل توجهی داده است. به عنوان مثال ، سیستم تجزیه و تحلیل پیش بینی را که British Airways با موسسه آلن تورینگ (سازمان ملی داده علوم انگلستان) ایجاد کرد ، در نظر بگیرید. هنگام مواجهه با کرونا ، این شرکت هواپیمایی از قبل برای یکی از ناگهانی ترین بحران های موجود با هر صنعتی در طول تاریخ روبرو شده بود. نه تنها شرکت های هواپیمایی یک شبه ۵۰ درصد از مسافران خود را از دست دادند ، و هیچ تصوری روشن از زمان بازگشت مشتریان نداشتند ، بلکه روش های قدیمی برنامه ریزی پروازها به سرعت منسوخ شد.
مسافران اکنون برنامه های خود را به طور مداوم تنظیم می کنند ، مرزها را باز و بسته می کنند ، و قوانین قرنطینه و فاصله اجتماعی بدون هشدار همچنان تغییر می کند. از طریق “پیش بینی پویا” ، همانطور که موسسه تورینگ فرم خود را از کیمیاگری داده می خواند ، هواپیمایی بریتیش ایرویز می تواند پروازهای خود را تغییر مسیر دهد و قیمت بلیط خود را تنظیم کند ، نه تنها با توجه به درخواست های سفر موجود مشتریان بلکه با توجه به احتمال وقایع خبری ، پاسخ به قیمت های قبلی در تغییرات ، و طیف گسترده ای از داده های اختصاصی و عمومی دیگر.
اشکال مشابه کیمیاگری داده ها به بسیاری از صنایع دیگر نیز کمک کرده است. شرکت های بیمه از این روش ها برای ارزیابی ریسک پوشش شرکت های کوچک و متوسط (SME) استفاده کرده اند. پس از COVID-19 ، معیارهای عملکرد گذشته بیمه ها دیگر شاخص های دقیقی نبودند. مارک های لوکس از سناریوهای مبتنی بر روش های کیمیاگری داده ها برای مدیریت موجودی های جهانی خود استفاده کرده اند ، که با در نظر گرفتن عواملی به ظاهر غیرمرتبط مانند جستجوی آنلاین که در شرق آسیا انجام شده است. شرکت های لجستیکی از کیمیاگری داده ها برای ایجاد انعطاف پذیری بیشتر در زنجیره های تأمین استفاده کرده اند ، کیفیت اساسی در جهانی که تهدیدات تعرفه ها و موانع تجاری بسیار رایج است. در تمام این موارد ، و موارد دیگر ، الگوریتم ها به طور معمول خطرات و فرصت هایی را که تصمیم گیرندگان انسانی از دست می دهند شناسایی کرده و بر اساس آنها عمل می کنند.
فراتر از استخراج طلا ، هوش مصنوعی
در محیط های کاری نسبتاً پایدار و قابل پیش بینی ، استخراج طلا حتی با محدودیت های ذاتی کافی بود. تصمیم گیرندگان شرکت می دانستند که به دنبال چه اطلاعاتی هستند و می توانند برای زمان لازم برای یافتن و تصحیح داده ها برنامه ریزی کنند. از آنجا که محدوده مسیرهای استراتژیک بالقوه پیش رو محدود بود ، رهبران کسب و کار نگران استخراج طلا از داده و به دنبال آن نبودند. در عوض ، آنها تصمیم گرفتند تکه های اطلاعاتی را که به نظر می رسد بیشتر مربوط به مشکلات حیاتی باشد ، تجزیه و تحلیل کنند.
اما اکنون ، در این دوره آشفته تر ، بسیاری از شرکت ها برای بهینه سازی فرآیندهای استخراج طلا ی خود ، از هوش مصنوعی و داده های بزرگ استفاده کرده اند. به عنوان مثال ، هنگام معرفی یک محصول جدید ، آنها ممکن است تحقیقات بازار و تجزیه و تحلیل احساسات مشتری را برای ایجاد پیش بینی ها ، با یادگیری ماشین برای اصلاح پیش بینی ها انجام دهند.
از آنجا که انتخاب منابع ، زمان بر است ، استخراج طلا از داده ها کندتر از کیمیاگری داده ها نتیجه می گیرد. (به نمایشگر شماره 2 مراجعه کنید.) بعلاوه ، استخراج طلا به دلیل نحوه انتخاب ، تعداد محدودی از داده ها را پردازش می کند که ذاتاً مستعد سوگیری هستند. این امر توانایی پیش بینی نسبتاً کمی از استخراج طلا را می دهد.
ترکیب هوش مصنوعی و رویکرد استخراج طلا تا حدودی این نگرانی ها را برطرف می کند. به عنوان مثال ، هنگامی که کسب و کار جهانی شیرینی سازی مریخ با مرکز نوآوری Tmall بخش تحقیقات بازار تبلیغات الکترونیکی چینی Tmall همکاری کرد ، مریخ از یک رویکرد مجهز به هوش مصنوعی برای تجزیه و تحلیل داده های خریداری شده از 500 میلیون کاربر Tmall در چین استفاده کرد ، که خطر شکست محصولات توسعه را کاهش می دهد. تجزیه و تحلیل اطلاعات خرید میان وعده های تاریخی شرکت را از روند ترجیحات مصرف کنندگان محلی آگاه کرد ، بنابراین این شرکت نوار آب نبات Spicy Snickers را به بازار آورد. این یک ضربه فوری بود. اما حتی این موفقیت در مقایسه با فرصت های بیشتری که ممکن بود این شرکت با وضعیت گسترده تری از داده ها پیدا کرده باشد ، پیشرفت تا حدودی محدودی را نشان می داد – اگر حتی فراتر از استخراج طلا و اجرای کامل کیمیاگری داده بود.
حتی در استفاده از هوش مصنوعی ، بیشتر تصمیم گیرندگان تجاری به رویکرد استخراج طلا را اتکا کرده اند. اما در دوره نوسانات COVID-19 ، استخراج طلا کمتر قابل دوام است. به بیان ساده ، تصمیم گیری بر اساس تجربه – با تکیه بر داده های گذشته (مانند کارزارهای تبلیغاتی با هدایت انسان یا یادگیری ماشینی آموزش دیده در مجموعه داده های قبلی که کاملاً مشخص شده اند) – اکنون منسوخ شده است. شرکت ها بهتر است کیمیاگری داده ها را انجام دهند و با توجه به سطح عدم اطمینان و غیرقابل پیش بینی بودن دنیای امروز ، کیمیاگری احتمالاً یک عمل همیشگی در بسیاری از شرکت ها است.
به عنوان مثال ، در چین ، Ant Financial زیرمجموعه Alibaba رویکرد کیمیاگری در اعطای وام به SME های چینی را انتخاب کرد. این شرکت الگوریتمی را توسعه داده است که برای هر برنامه وام معمول ، از جمله نرخ بهره پیشنهادی ، تصمیمی را ارائه می دهد. این الگوریتم با تکیه بر جریان مداوم داده های تازه ، خود را به طور مداوم اصلاح می کند ، با چندین میلیارد ورودی فعالیت از بیش از 3000 منبع فعالیت در سراسر سیستم Alibaba ، از جمله سیستم عامل های معروف کسب و کار الکترونیکی مانند Taobao ، دوباره پر می شود. درصد پیش فرض ها کمتر از 1٪ است – کمتر از آنچه یک شرکت با الگوی استخراج طلا بدست می آورد – و با بهبود دقت الگوریتم ، احتمالاً با گذشت زمان حتی بیشتر کاهش می یابد.
Ant Financial همچنین کیمیاگری داده را به عنوان منطق اصلی مدل تجاری خود و منبع مزیت رقابتی خود در نظر گرفته است. با تبلیغ مدل 3-1-0 خود به طور مستقیم به مشتریان (3 دقیقه برای پر کردن برنامه ، 1 ثانیه برای دریافت پاسخ ، و بدون صرف وقت پس از آن برای دریافت وجوه ، با مداخله صفر انسانی) ، شرکت به نقطه ای رسیده است که برای بیش از 50٪ کل SME های چینی وام دارد.
اگر این شرکت از رویکرد سنتی استخراج طلا استفاده می کرد ، تصمیمات خود در زمینه اعطای وام را بر اساس تجزیه و تحلیل (توسط انسان ، نرم افزار یا یادگیری ماشین) اعتبارنامه قبلی و چشم انداز پیش بینی کسب و کار برای هر متقاضی قرار می داد. این تجزیه و تحلیل ، به دلیل میزان تغییر در عملیات تجاری امروز ، به ویژه در رابطه با COVID-19 عملکرد گذشته پیش بینی کننده وضعیت مالی آینده نیست.
عملکرد کیمیاگری داده اگرچه در ابتدا ناآشنا به نظر می رسد اما قابل دسترسی و مقیاس پذیر است. این فقط کشور بومیان دیجیتال نیست. برعکس ، تعداد فزاینده ای از شرکت های سنتی در حال تغییر روش کار هستند و فرآیندهای تصمیم گیری خود را متناسب با آن به روز می کنند.
به عنوان مثال ، شرکت های بیمه سنتی هنگام پذیره نویسی بیمه نامه ها به طور فزاینده ای به کیمیاگری داده ها اعتماد می کنند. زیرا – همانطور که بعلت همه گیری برجسته شده است – تجزیه و تحلیل سنتی خسارات احتمالی کسب و کار ، با استفاده از داده های انتخاب شده مانند نتایج مالی سال های گذشته ، ناکافی است. کیمیاگری بیمه گران را قادر ساخته است تا تغییرات گسترده ای در روند تصمیم گیری داخلی خود ایجاد کنند: به عنوان مثال ، آنها می توانند چندین لایه تصمیم گیری را به یک روند سریع و بدون نشتی تبدیل کنند. این موضوع همچنین رویه های خارجی آنها ، مانند مدیریت تعاملات مشتری را تغییر می دهد.
نقش قویتر برای مردم
هنگامی که هوش مصنوعی معرفی می شود ، اغلب نگرانی هایی در مورد پیامدهای آن برای افراد ایجاد می شود. شکل 3 عملکرد تصمیم گیرندگان انسانی را در معادله کیمیاگری داده نشان می دهد. افراد چهار نقش اساسی را بازی می کنند: ساخت اکوسیستم داده ، طراحی الگوریتم و روند پیرامون آن ، نظارت انتخابی بر خروجی و سایر ناهنجاری ها و مدیریت موارد استثنایی که توسط سیستم مشخص شده است.
معماران داده های مردم برای جمع آوری هر چه بیشتر داده ها ، نقشی اساسی در ساخت اکوسیستم دیجیتال دارند. آنها نوعی معماری را تنظیم می کنند که جریان مداوم داده های تازه را از گسترده ترین منابع ممکن تضمین می کند. اینها شامل انواع منابع خارجی است: داده های قابل دسترسی عمومی از جستجوهای اینترنتی ، پایگاه های اطلاعاتی با دسترسی به خرید و بازارهای اطلاعات و سوابق اختصاصی که توسط شرکت های دیگر در یک اکوسیستم اشتراک داده که به اشتراک گذاشته شده است. برخی از شرکت ها همچنین دارای منابع داخلی ، ساکن در منابع داده های خود شرکت هستند که همراه با داده های خارجی تجزیه و تحلیل می شوند.
طراحان الگوریتم و فرآیند ، مهارت های متخصصان هوش مصنوعی ، که در بازار کار بسیار دنبال می شوند ، به ویژه به کیمیاگری داده مربوط می شود. طراحی الگوریتم کلید موفقیت است. و این تنها بخشی از یک فرایند تصمیم گیری گسترده است که باید کاملاً با هوش مصنوعی در هسته اصلی آن تعبیه شود. فقط متخصصان ماهر انسانی ، با توانایی های فنی و تجاری که در اختیار دارند ، دانش و خلاقیت لازم را برای طراحی و اجرای سیستم کیمیاگری دارند.
برخی از مدیران نگرانند كه كیمیاگری داده ها آنها را مجبور به كنترل تصمیمات خود كند. درواقع خلاف این موضوع صحت دارد. کیمیاگری داده ها توجه آنها را برای تصمیماتی که نیاز به بررسی دقیق دارند ، آزاد می کند. این الگوریتم همه انتخاب های معمول را انجام می دهد ، اما هر زمان که موردی را نشان می دهد (مانند سطح پایین اعتماد به نفس در یک نتیجه یا تصمیمی با پیامدهای مهم استراتژیک) ، مدیران انسانی وارد عمل می شوند و با استفاده از تخصص و شهود خود دوره را تعیین می کنند.
به عنوان مثال ، در بیمه نامه های پذیره نویسی ، الگوریتم یک شرکت بیمه بیشتر به صورت مستقل کار می کرد. این موارد تنها برای تشدید موارد زمانی است که حاشیه خطا از یک آستانه از پیش تعیین شده بیشتر شود یا مقدار پول مورد نظر از ارزش مالی توافق شده بیشتر شود. مزایای آن برای بیمه کننده انسانی مشخص است: زمان کمتری برای انجام کارهای عادی اما پر مشغله ضروری برای ادعاهای ساده و زمان بیشتری برای بررسی موارد پیچیده و چالش برانگیز و در نظر گرفتن پیامدهای استراتژیک آنها ، صرف می شود.
کیمیاگر شدن
در سالهای آینده بعید به نظر می رسد که میزان عدم اطمینان و غیرقابل پیش بینی بودن فضای کسب و کار کاهش یابد. کیمیاگری داده ها روندی کوتاه مدت نخواهد داشت. از آنجا که تصمیمات سریعتر و دقیق تر را امکان پذیر می کند ، قطعاً منجر به تغییرات دائمی در مکانیسم های تصمیم گیری می شود – چه برای شرکت های فعلی و چه برای بومیان دیجیتال.
پس باید از کجا شروع کنید؟ در سرتاسر سازمان خود ، به دلیل سرعت و بزرگی بی سابقه تغییری که با آن روبرو هستید ، تصمیمات مهم را در جایی که سطح دقت اخیراً کاهش یافته است ، شناسایی کنید. این یک شاخص کلیدی است که تغییر جهت کیمیاگری داده ها با ارزش خواهد بود. اگر احساس می کنید که دیگر همه عناصر را در دست ندارید تا بتوانید تصمیمی درست بگیرید ، این یک پرچم قرمز اضافی است. به خاطر داشته باشید: اگر این نیاز را تشخیص دهید ، رقبای شما نیز احتمالاً این کار را خواهند کرد. و از آنجا که کیمیاگری داده می تواند منبعی از مزیت رقابتی شود ، ضروری است قبل از اینکه دیگران این کار را انجام دهند ، اقدام کنید.
