NOW T.31

ΣΕΠΤΕΜΒΡΙΟΣ 2021 #8 δεδομένων και ευθυγράμμισης μεταξύ των λειτουργιών. Ένα μειονέκτημα ήταν ότι οι αναφορές δεν ήταν πάντα έγκαιρες. Οι υπεύθυνοι λήψης επιχειρηματικών αποφάσεων μερικές φορές δεν ήταν σίγουροι ότι τα αποτελέσματα ευθυγραμμίστηκαν με το αρχικό ερώτημά τους. Από τεχνικής άποψης, τα μοντέλα αυτά χρησιμοποιούνται κυρίως στις εγκαταστάσεις, καθιστώντας τες οικονομικά αποδοτικές. Στη συνέχεια, η εξέλιξη των εργαλείων αυτοεξυπηρέτησης οδή- γησε τα analytics σε ένα ευρύτερο κοινό, δεδομένου ότι δεν απαιτούσαν ειδικές δεξιότητες. Αυτά τα εργαλεία analytics για επιτραπέζιους υπολογιστές επιχειρήσεων έχουν αποκτήσει με- γάλη δημοτικότητα τα τελευταία χρόνια, κυρίως στο cloud. Ενώ όμως η ευκολία χρήσης τους είναι ελκυστική, ο συνδυασμός δε- δομένων και η δημιουργία μιας “ενιαίας έκδοσης της αλήθειας” γίνεται όλο και πιο περίπλοκη υπόθεση. Από την άλλη μεριά, τα analytics επιτραπέζιων υπολογιστών δεν είναι πάντα επεκτάσιμα σε μεγαλύτερες ομάδες, ενώ είναι επίσης ευαίσθητα σε ασυνε- πείς ορισμούς. Πιο πρόσφατα, τα εργαλεία των analytics έχουν επιτρέψει έναν ευρύτερο μετασχηματισμό επιχειρηματικών πληροφοριών, με τη βοήθεια εργαλείων που αναβαθμίζουν και αυτοματοποιούν την ανακάλυψη, τον καθαρισμό και τη δημοσίευση των δεδομέ- νων. Οι επιχειρηματικοί χρήστες μπορούν να συνεργάζονται με οποιαδήποτε συσκευή με περιεχόμενο, να αξιοποιούν τις πληρο- φορίες σε πραγματικό χρόνο και να οδηγούν σε αποτελέσματα. Σήμερα, οι άνθρωποι εξακολουθούν να κάνουν το μεγαλύτε- ρο μέρος της δουλειάς, όμως ο αυτοματισμός κερδίζει συνεχώς έδαφος. Τα δεδομένα από υπάρχουσες πηγές μπορούν να συν- δυάζονται εύκολα. Ο πελάτης εργάζεται υποβάλλοντας ερωτή- ματα και στη συνέχεια αποκτάει γνώσεις αλληλεπιδρώντας με οπτικές αναπαραστάσεις των δεδομένων, ενώ δημιουργεί μο- ντέλα για την πρόβλεψη μελλοντικών τάσεων ή αποτελεσμά- των. Όλα αυτά διαχειρίζονται και ελέγχονται από άτομα εξειδι- κευμένου επιπέδου. Η ενσωμάτωση της συλλογής δεδομένων, της ανακάλυψης δεδομένων και της μηχανικής μάθησης, παρέ- χει στον τελικό χρήστη περισσότερες επιλογές σε πιο γρήγορους χρόνους από ποτέ. Τεχνολογίες data analytics Μερικές από τις τεχνολογίες data analytics που χρησιμοποιούνται από τις επιχειρήσεις είναι οι εξής: Μηχανική μάθηση (ML-Machine Learning): Το πεδίο της τεχνη- τής νοημοσύνης (AI-Artificial Intelligence) αναπτύσσεται συνεχώς και οι επιχειρήσεις το χρησιμοποιούν για διάφορους σκοπούς. Προσομοιώνουν την ανθρώπινη νοημοσύνη για να ολοκληρώ- σουν τις απαραίτητες εργασίες. Η μηχανική μάθηση είναι ένα υπο- σύνολο της AI που περιλαμβάνει αλγόριθμους στατιστικών. Οι μηχανές μπορούν να μαθαίνουν από μόνες τους. Οι εφαρμογές μπορούν να λαμβάνουν δεδομένα ως είσοδο και να τα αναλύουν για να προβλέπουν μελλοντικά αποτελέσματα μέσω ML, χωρίς σαφή προγραμματισμό. Οι αλγόριθμοι ML μπορούν να χρησιμο- ποιούνται για εκπαίδευση ακόμη και με ένα μικρό δείγμα δεδομέ- νων, ενώ το σύστημα θα συνεχίσει να μαθαίνει από μόνο του, κα- θώς θα συλλέγει με μεγαλύτερη ακρίβεια περισσότερα δεδομένα. Διαχείριση δεδομένων: Πριν από την ανάλυση, τα δεδομένα θα πρέπει να διατηρούνται οργανωμένα. Επιπλέον, πρέπει να είναι υψηλής ποιότητας και να μπορούν να συλλέγονται από οποιαδή- ποτε κεντρική πλατφόρμα διαχείρισης δεδομένων, όπου ο καθέ- νας να μπορεί να τα χρησιμοποιήσει όποτε απαιτείται. Ωστόσο, ένα πρόγραμμα διαχείρισης δεδομένων μπορεί να καλύψει όλα τα τμήματα του οργανισμού. Εξόρυξη δεδομένων: Η εξόρυξη δεδομένων βοηθάει στη σύν- δεση πολλών σημείων δεδομένων και ανακαλύπτει τις σχετικές πληροφορίες για τη διεξαγωγή αναλύσεων και τη λήψη ενημε- ρωμένων αποφάσεων. Οι εργασίες μπορούν να ολοκληρώνο- νται γρήγορα και εξαιρετικά με τη χρήση τεχνολογιών εξόρυξης δεδομένων. Προγνωστική ανάλυση: Για την ανάλυση των ιστορικών δεδο- μένων, οι επιστήμονες χρησιμοποιούν κυρίως αυτήν την τεχνολο- γία. Μπορούν να προβλέπουν το μελλοντικό αποτέλεσμα οποιου- δήποτε συμβάντος και την πιθανότητα εμφάνισης οποιουδήποτε γεγονότος στο μέλλον. Συνήθως, οι αλγόριθμοι στατιστικής και μηχανικής μάθησης χρησιμοποιούνται για την προγνωστική ανά- λυση. Οι ακριβείς προβλέψεις βοηθούν επίσης τις επιχειρήσεις να λαμβάνουν καλύτερες αποφάσεις και να προχωρούν σε έναν αντα- γωνιστικό κόσμο με επιτυχία. Μπορούν να προβλέπουν τη μελ- λοντική τάση, τη συμπεριφορά των πελατών και να παραμένουν μπροστά στην αγορά. Ανάλυση προοπτικής: Η ανάλυση προοπτικής βοηθά στον καθο- ρισμό της σωστής πορείας δράσης και επιπλέον, βοηθάει τον ορ- γανισμό και τους μελλοντικούς πελάτες του. Συμπέρασμα Οι επιχειρήσεις λαμβάνουν πολύτιμες πληροφορίες για τα πάντα που αφορούν τους πελάτες τους, χρησιμοποιώντας τα analytics για την επεξεργασία τους. Οι πληροφορίες συμβάλλουν στη βελτίω- ση των στόχων και της απόδοσης της καμπάνιας τους, βοηθώντας τους οργανισμούς να παρέχουν εξατομικευμένες υπηρεσίες. Τα δεδομένα και τα αναλυτικά στοιχεία έχουν πλέον γίνει ουσιαστικό μέρος κάθε επιχείρησης, ειδικά εκείνων που θέλουν να γνωρίζουν τις απαιτήσεις των πελατών τους, ακόμη και προτού εκείνοι το συ- νειδητοποιήσουν. n Η προγνωστική ανάλυση μπορεί να προβλέπει το μελλοντικό αποτέλεσμα οποιουδήποτε συμβάντος. 5