Przyszłość BI to AI, czyli Augmented Analytics w SAP Analytics Cloud

Sztuczna inteligencja w Magicznym Kwadracie

Wśród wiodących dostawców systemów Business Intelligence od lat wymieniani są przez Gartnera: Microsoft, Qlik czy Tableu. W ofercie każdego z liderów znajdziemy już rozwiązania bazujące na sztucznej inteligencji.

• Narzędzie Power BI na przykład wykorzystuje potencjał Microsoft AI. Dzięki niemu użytkownicy biznesowi mogą w łatwy sposób przygotowywać dane, tworzyć modele dla uczenia maszynowego oraz wyciągać wnioski.
• Tableau, które w 2020 roku zajęło drugie miejsce w Magicznym Kwadracie Gartnera, korzysta z funkcjonalności Ask Data i Explain Data. Wykorzystują one przetwarzanie języka naturalnego, mechanizmy sztucznej inteligencji i statystykę, by zapewnić lepszą analizę danych – zarówno użytkownikom biznesowym, jak i osobom wtajemniczonym w zawiłości szeroko pojętego data science.
• Zestawienie zamyka Qlik, który z kolei wraz z wersją April 2018 wprowadził funkcjonalność o nazwie Cognitive Engine. Wykorzystuje ona mechanizmy uczenia maszynowego, by sugerować najbardziej optymalne wizualizacje, tym samym ułatwiając użytkownikom analizę danych.

SAP – wizjoner Business Intelligence

Magiczny kwadrat Gartnera jest dla przedstawicieli biznesu wskazówką w wyborze narzędzia. Wskazuje on liderów, jednak równie interesująca rozgrywka odbywa się w obszarze tzw. wizjonerów. Gartner wskazuje tu dostawców, którzy znają rynek i mają potencjał, aby go zmienić. Wśród nich jest między innymi SAP. I dziś właśnie przyjrzymy się temu, co ma do zaoferowania ten dobrze wszystkim znany gracz. Odkąd wiadomo, że chmura jest kierunkiem rozwoju dla narzędzi Business Intelligence, również SAP postanowił stworzyć coś, co będzie chmurową alternatywą dla SAP Busiess Object on-premise. Narzędzie SAP Analytics Cloud (SAC), które jest dostępne na rynku od  2018 roku, obecnie jest głównym kierunkiem rozwoju dla SAP w dziedzinie analizy danych i raportowania. Przyjrzyjmy się, w jaki sposób SAP na nowo definiuje pracę z narzędziami analitycznymi.

Funkcjonalości SAC

Data democracy to ostatnio gorący termin, propagujący m.in. szeroki dostęp użytkowników bez specjalistycznej wiedzy informatycznej do samodzielnej analizy danych. Do tej pory użytkownicy tacy byli zdani na specjalistów Business Intelligence. SAP, wprowadzając dobrodziejstwa sztucznej inteligencji do swojego narzędzia analitycznego, stara się wyjść naprzeciw potrzebom użytkowników bez wysokich kwalifikacji analitycznych lub informatycznych. Przyjrzyjmy się kilku ciekawym funkcjonalnościom wspierającym analizę danych, jakie możemy znaleźć w SAP Analytics Cloud.

Search to Insights

Wyobraźmy sobie na chwilę, że analizujemy dane sprzedażowe dotyczące napojów i chcemy na początek uzyskać kilka podstawowych informacji na temat wyników sprzedaży w minionych latach. W tradycyjnym podejściu próbowalibyśmy wyszukać na naszej platformie raport, mając nadzieję, że został on zatytułowany w wystarczająco intuicyjny dla nas sposób… A gdyby tak użyć pola wyszukiwarki w inny sposób i zamiast wyszukiwać określony tytuł raportu, spróbować zadać pytanie, na które chcemy uzyskać odpowiedź?

Oto klika przykładów, jak funkcjonalność Search to Insights wykorzystuje Natural Language Processing do budowy raportów na podstawie zapytań wprowadzonych do wyszukiwarki:

Zapytanie: „Gross margin time chart by location”

Odpowiedź:

Zapytanie: „Show me top 5 products in Location Reno in 2016 Q1”

Odpowiedź:

Funkcja przetwarzania zapytań tekstowych radzi sobie całkiem nieźle, jeśli tylko w  zapytaniach użyjemy nazw wymiarów dostępnych w modelu analitycznym, który ktoś wcześniej przygotował. Na szczęście użytkownik ma możliwość wyświetlenia dostępnej listy obiektów, jakich może użyć w swoich zapytaniach. Search to Insights działa sprawnie dla podstawowych zapytań związanych z agregacją dostępnych metryk. Jeśli jednak nasze zapytania przerosną możliwości tego narzędzia, wtedy nadal możemy liczyć na wsparcie AI w postaci innego modułu zwanego Smart Discovery. 

Machine Learning w SAC

Narzędzie do budowania raportu w SAC w oparciu o istniejący model danych daje nam możliwość wykorzystania mechanizmów Machine Learning. Uczenie maszynowe umożliwia odkrycie wzorców i zależności statystycznie istotnych dla naszego źródła danych. Uruchamiając taką analizę dla wcześniej użytego modelu sprzedażowego, użytkownik musi tylko wskazać, jaki element modelu będzie przedmiotem badania (czy będzie to wymiar lub miara), a następnie  wskazać, które pozostałe elementy mają być ocenione pod względem wpływu na analizowaną zmienną będącą częścią modelu.

Przykładowo, wskazując miarę gross margin jako główny obiekt naszej analizy, możemy uzyskać taki oto wynik:

• Summary overview:
  • podsumowanie przedstawiające trend wartości w minionych okresach wraz z wartościami prognozy dla przyszłych miesięcy, wyliczonej na podstawie danych historycznych
  • rozkład wartości danej miary przedstawiający wartości najbardziej „typowe” dla naszej miary
  • analiza agregatów z użyciem wymiarów dostępnych w modelu

• Key influencers:
  • Wskazanie obiektów modelu, które statystycznie mają największy wpływ na badaną zmienną. W analizowanym modelu wymiar „Produkt” został wskazany jako czynnik mający największy wpływ na analizowaną zmienną. Innymi słowy, marża na wybranych produktach jest bardzo zróżnicowana.
• Unexpected values:
  • Identyfikacja transakcji, w których wartość badanej zmiennej znacząco różni się od wartości prognozowanej za pomocą zbudowanego modelu. Tego typu wartości mogą być przedmiotem dalszej analizy celem wyjaśnienia lub zweryfikowania poprawności zrealizowanych transakcji.
• Simulation:
  • Prosty mechanizmy do analizy „what-if”. Pozwala ocenić wpływ zmiany poszczególnych parametrów modelu na badaną zmienną, jak np. zmiana wartości rabatu dla wybranych produktów. To funkcjonalność, która jest czymś wysoce pożądanym przez użytkowników biznesowych, choć moim zdaniem wymaga jeszcze pewnego dopracowania, aby przedstawiane wyniki były bardziej zrozumiałe dla użytkowników.

Przedstawione narzędzie Smart Discovery nie jest ostatnią funkcjonalnością, jaką SAC ma do zaoferowania w dziedzinie Augmented Analytics. Po zweryfikowaniu prawidłowości w danych historycznych SAC może pomóc nam spojrzeć w przyszłość za pomocą funkcjonalności Smart Predict.

Modele predykcyjne SAC

W ramach usług predykcyjnych SAC oferuje trzy typy modeli predykcyjnych:

• Classification – stosowany w przypadku, gdy badana zmienna może przyjmować wartości binarne. Przykładowo możemy próbować przewidzieć, czy klient dokona zakupu (prawda/fałsz) na podstawie dostępnych cech klienta.
• Regression – zastosowaniem tego modelu jest predykcja wartości numerycznej na podstawie zdiagnozowanej korelacji pomiędzy zmiennymi opisowymi a badaną zmienną. Za pomocą tego typu modelu możemy zidentyfikować zmienne opisowe, które mają największy wpływ na badaną zmienną wynikową, oraz ocenić potencjalną wartość numeryczną badanej zmiennej dla hipotetycznej kombinacji zmiennych opisowych.
• Time series – jest niczym innym jak prognozą szeregów czasowych na podstawie danych historycznych

W przypadku każdego typu modelu schemat działania jest podobny:

Użytkownik:

• Przygotwanie danych historcznych (plik lub podłązenie do bazy danych)
• Import danych do platformy

Użytkownik:

• Wskazanie kolumny z badaną zmienną
• Zdefiniowanie filtra dla zmiennych objaśniających

SAC:

• Podział dostarczonych danych na zbiór treningowy i weryfikacyjny
• Wygenrowanie kilku modeli predykcyjnych i wybór najlepszego na podstawie porównania wyników ze zbiorem weryfikacyjnym

Użytkownik:

• Analiza parametrów modelu (Accuarcy, Predictive Power)
• Budowa raportów (w SAC) z wykorzystaniem wyników modelu

Oceniając funkcjonalności SAC w zakresie predykcji danych, można stwierdzić, że ich głównym atutem jest prostota obsługi, która pozwoli wykonać złożoną analizę bez konieczności posiadania zaawansowanej wiedzy statystycznej. Dlatego też nie należy porównywać tego narzędzia z innymi dostępnymi na rynku narzędziami machine learning, które posiadają znacznie bardziej rozwinięte możliwości, ale tym samym wymagają bardziej dogłębnej wiedzy z dziedziny statystyki.

Czy nadal potrzebuję specjalistów Business Intelligence?

Po poznaniu możliwości, jakie otwierają przed użytkownikami narzędzia Business Intelligence wykorzystujące uczenie maszynowe, może nasuwać się pytanie: „Czy potrzebni są nam jeszcze specjaliści Business Intelligence?”. Moja odpowiedź to: zdecydowanie tak. Kompetencje specjalistów Business Intelligence będą nadal niezbędne do budowy modeli analitycznych w sposób, który pozwoli na ich właściwe wykorzystanie w wyżej opisanych narzędziach Self-Service Reporting w nowoczesnych systemach typu SAP Analytics Cloud. Wiedza specjalistów Business Intelligence będzie również nieoceniona w kwestii integracji danych pochodzących z wielu różnych źródeł oraz do budowy bardziej złożonych aplikacji analitycznych.

Przeczytaj również: system Business Intelligence – narzędzie do efektywnego zarządzania

Podsumowanie

Narzędzia Self-Service Reporting wyposażone w moc sztucznej inteligencji odkrywają nowe możliwości przed użytkownikami poszukującymi narzędzi Business Intelligence. I choć wciąż jeszcze nie wykorzystujemy całego potencjału uczenia maszynowego, jedno jest pewne: przyszłość BI to AI! Specjaliści Business Intelligence wyposażeni w nowe narzędzia będą w stanie dostarczać coraz lepsze rozwiązania dla biznesu. Jeśli Twoja organizacja stoi w obliczu nowych wyzwań analitycznych, skorzystaj z bogatego doświadczenia specjalistów Business Intelligence. W ten sposób wykorzystasz potencjał posiadanych narzędzi oraz osiągniesz swoje cele biznesowe.