Ärianalüütika ja masinõpe

Ärianalüütika ja masinõppepõhine otsustustugi infosüsteemis

Infosüsteem saab lihtsustada ja kiirendada igapäevaseid otsustusprotsesse, pakkudes olulise info töötlemist, esile tõstmist ja eeltäitmist. Sellist protsessi tuntakse otsustustoena – infosüsteem kogub ja valmistab ette kriitilise teabe, mille alusel inimene teeb informeeritud otsuse.

Otsustustoe funktsionaalsus infosüsteemides avaldub mitmel moel: töölauana, probleemse info esile tõstmisena, automaatsete soovituste või ülesannete genereerimisena, mis põhinevad kas eeldefineeritud reeglitel või masinõppe ja mustrite tuvastamisel. Teisisõnu öeldes, masin tuvastab potentsiaalsed riskikohad, jättes otsuse tegemise kasutajale. See efektiivsus võimaldab keskenduda kõige kriitilisematele ülesannetele, säästes aega ja ressursse.

Otsustustoega infosüsteemid võivad kujuneda tugeva ekspertiisiga kiireks otsustajaks ning see aitab organisatsioonil kasutada oma ekspertide aega kõige tõhusamalt, suurendades töövõimekust ja produktiivsust.

Otsustustuge soovitame luua tegevuste ja olukordade jaoks...

mida on palju isegi kui nende otsuste tegemine on lihtne – näiteks arve ridade markeerimine kulugrupi alla
mis vajavad palju aega info võrdlemiseks ja töötlemiseks – näiteks rikkumise tuvastamine ajalooliste andmete põhjal
mis vajavad pidevat plaani ümber tegemist, kuna asjad muutuvad kiiresti – näiteks tootmise planeerimine või logistika ülesanne
mida juhtub harva aga vajavad väga kiiret reageerimist – näiteks ohusituatsioonis riski ära hoidmine
mis vajavad ühe huvipakkuva kirje üles leidmiseks paljude mitte huvipakkuvate kirjete läbi töötamist – näiteks klient, kes tellis eelmine aasta konkreetse komponendiga toote
mis tekitavad probleemi mitmete ebasoodsate faktorite kokku langemisel – näiteks keskkonnas tekkivate olude tõttu suurenenud õnnetuse riski ära hoidmine
kus on vaja otsuse tegemiseks võrrelda mitme andmeallika infot – näiteks grupiettevõtete ülese koondatud sarnase info nägemine; projektis teostatud töö, pooleliolevad tellimused ning välja saadetud arvete laekumine; mitme tehase koondinfo tehasepõhistest infosüsteemidest
kus raporteerimise eesmärgil koondatakse andmeid ja mõõdikuid regulaarselt käsitsi – näiteks eelarves püsimise jälgimine; igakuine (või aastane) tegevus- ja tulemusaruanne või keskkonnamõjude näitajad
kus on vaja korrastada suurt hulka informatsiooni – näiteks kolmest allikast kokku toodud informatsiooni kogumis on sama objekti nimetatud erinevalt ning see andmestik uueneb pidevalt, mis teeb olukorra lahendamise inimese jaoks äärmiselt keeruliseks.

Otsustustoe lisamiseks organisatsiooni soovitame kolme peamist võimalust:

olemasoleva rätseparendatud infosüsteemi täiendamine otsustustoega

uue, otsustustoega varustatud infosüsteemi arendamine

eraldi töölaua väljatöötamine otsuste tegemiseks, mis kogub andmeid juba kasutusel olevatest süsteemidest

Analüüsi etapp

Kõige sobivama lahenduse valimiseks viime esmalt läbi analüüsi, mis selgitab välja vastused järgnevatele küsimustele:

Milliseid otsuseid soovitakse edaspidi toetada?
Milliste rollide ja protsessidega need otsused on seotud?
Milliseid andmeid on vaja otsuste tegemiseks?
Millisel kujul ja millistes süsteemides vastavad andmed paiknevad? Kas on vaja andmeid esmalt korrastada või koondada?
Kas meil on vaja koguda täiendavaid andmeid?
Millised lahendused aitavad otsuseid toetada? Kas toetamiseks on vaja luua andmekaeve, masinõppe algoritm või arvutada välja mõõdikud?
Milliste riskidega tuleb uue lahenduse loomisel arvestada?
Projekti plaan või teekaart (pikema perspektiiviga eesmärgi puhul) lahenduse teostamiseks

Arendamise etapp

Selle etapi eesmärgiks on luua lahendus vastavalt projektiplaanis toodud funktsionaalsuste järjekorrale. Arendamise etapi käigus võidakse teha järgnevaid tegevusi:

täiendada olemasolevat tarkvara selleks, et uus lahendus hakkaks varem loodud tarkvaras tööle
arendada uus tarkvara koos uue võimekusega
täiendada või luua andmeladu või andmebaas
luua andmevahetus erinevate süsteemide vahel
luua visuaalseid andmeesitlusi ja arvutusi koos andmetöötlusega
luua ja testida uut masinõppemudelit
ühendada olemasolevat masinõppe platvormi olemasoleva tarkvaraga
testida ja hinnata arvutuste ja ennustuste täpsust
arendada funktsionaalsus, mille abil kasutaja saab masinõppemudeli osas anda tagasisidet ja hinnanguid masina treenimiseks
luua täiendavate andmete kirjeldamise funktsionaalsus, mis lihtsustab organisatsiooni andmete haldamist (masterdata)

Juurutamise etapp

See on oluline osa projekti õnnestumisest. Selles etapis toetatakse lahenduse kasutusele võtmist ja uue täienenud tööprotsessiga kohanemist. Juurutamise etapis võidakse teha järgnevaid tegevusi:

koolitada ja juhendada lahenduse kasutamist
luua erinevaid abistavaid materjale
aidata mõista lahenduse kasutamisest tulenevaid eetika põhimõtteid
hinnata masinõppemudelite päriselulist toimivust
toetada ja jälgida lahenduse tehnilist toimivust
täiendada süsteemi lisasoovidega.

Meie blogist saad lugeda postitusi selle kohta, kuidas orienteeruda andmeanalüütika maailmas ehk millised on põhimõisted, kuidas käib andmete migratsioon ja ristkasutus. Anname soovitusi ESG ehk kestlikkusaruandluseks valmistumiseks ning teeme tutvust Trinidad Wisemani masinõppe ja ärianalüütika keskuse asutaja ja tegevjuhi Kaur Kivirähkiga.

Edulood meie klientidest, kes on ärianalüütikast ja masinõppest kasu saanud

Tehisintellektiga tagasiside analüüsi automatiseerimine

Aitasime Rimi Baltikumil tehisintellekti abil kiirendada ja hõlbustada sissetuleva tagasiside analüüsi. Rimi Baltikum saab nüüd klientide antud tagasisidet analüüsida hõlpsalt ja efektiivselt ning märgata ja reageerida kiiresti murekohtadele. See omakorda tagab Rimi klientidele hea kasutajakogemuse.

Loe lähemalt

Kontakt

Soovid tellida meilt masinõppe ja ärianalüütika projekti? Võta ühendust meie teenusedisaini valdkonnajuhiga

Masinõpe ja ärianalüütika

Masinõpe ja ärianalüütika on meie selgroog, mis toetab meie projekte andmete ristkasutamises ja liidestuste loomises, andmete säilitamises ja süstemaatilises kaevandamises. Analüüsime andmeid mustrite tuvastamiseks, mis aitavad kaasa äriotsuste tõhususe suurendamisele ja süsteemide protsesside optimeerimisele. Kasutame tipptasemel masinõppe algoritme ja analüütilisi meetodeid, mis võimaldavad töödelda suuri andmekogumeid. Nii saame koguda olulist teavet klientide käitumise ja turutrendide kohta ning pakkuda tellijatele veelgi tõhusamaid ja asjakohasemaid lahendusi.

Kaur Kivirähk

Intelex Insight juht, partner

+3725293047

kaur [at] intelex.ee

Kaur Kivirähk on Intelex Insight'i asutaja ja partner, kellel on üle 20-aasta kogemust andmete analüüsi ja nõustamise valdkonnas. Ta omab majandusteaduste magistrikraadi ning on aastate jooksul aidanud paljudel ettevõtetel ja riigiasutustel optimeerida strateegiaid ja analüüsida äriprotsesse. Kauri lai teadmiste pagas ja pikaajaline kogemus teevad temast hinnatud spetsialisti, kes suudab pakkuda praktilisi ja innovaatilisi lahendusi keerukatele väljakutsetele andmeanalüütika ja tehisintellekti vallas. Lisaks oma tööle Intelex Insight'is on Kaur olnud külalisõppejõud nii Tartu Ülikoolis kui ka Tallinna Tehnikaülikoolis, õpetades majandust ja jagades oma teadmisi järgmise põlvkonnaga.

Jälgi meid sotsiaalmeedias!