Az amerikai Hurwitz & Associates kutatócég összegyűjtötte azokat a trendeket, melyek megkerülhetetlenek lesznek az üzleti analitikában, illetve néhány közülük már ma is nélkülözhetetlen. A 10 trend voltaképpen tizenegy, de a címben csaltunk kicsit: kit érdekelne, ha nem kerek szám lenne a címben?

A közhelyek (majdnem) mindig igazak

Az adatok elemzése soha nem azt a célt szolgálta, hogy megértsük, mi történt a múltban. Habár az adatelemző cégek a marketingszövegeikben előszeretettel utalnak arra, hogy itt most már predikcióról lenne szó, és megkapjuk a jövőbe látás képességét, ez soha nem is volt másképp. Az emberiség azért is gyűjtött össze bármiféle információkat a múltból, hogy azokat elemezve következtetéseket vonhasson le a jövő alakulására vonatkozóan. Ha úgy tetszik, a múlt tapasztalataiból szerette volna megjósolni a jövőt. A predikció meghatározása is ezt: a már megismert és bizonyított törvényszerűségekből levonható következtetéseken alapuló előrejelzés, jóslat.

Hol van itt akkor az újdonság? Elsősorban ott, hogy míg korábban az adatokat csak korlátozott számban tudtuk összegyűjteni, rendszerezni és főleg elemezni, ma már – a fejlett analitikai eszközöknek hála – lehetőségeink korlátlanok. A statisztikai megközelítés helyett tehát közel teljes mintákon lehet vizsgálatot végezni: akármennyi és akármilyen típusú adatot elemezhetünk, és kereshetünk kapcsolatot közöttük. Másrészt míg korábban az előrejelzés jellegének kitalálásában – mit jelezzünk előre, milyen időtávra – magunkra voltunk hagyatva, ma már a fejlett analitikai eszközöket igyekeznek intuitívvá és inspirálóvá tenni, azaz olyan dolgokról is előrejelzéseket készíthetünk, amik alapesetben talán eszünkbe sem jutottak volna.

És ez az, amitől egyre inkább univerzális – jelen esetben iparágtól, területtől független – lesz a fejlett üzleti analitika. A Hurwitz Victory Index Report 2014 szerzői, Marcia Kaufman és Daniel Kirsch olyan példákat hoznak erre, mint az influenzajárvány megjósolása, amire így hatékonyabban fel tudnak készülni a gyógyszertárak, vagy a mezőgazdaságban a terméshozam optimalizálása vagy a betakarítás legjobb időpontjának meghatározása. De akár a sportolóknál is meg lehet jósolni a sérülések kockázatait  a különböző testre szerelt szenzorokból nyert adatok elemzésével...

De a legfőbb az, hogy bármely cég bármikor testre szabott ajánlattal tudja elérni az ügyfeleit, legyen az kereskedő, gyártó vagy épp pénzintézet. Ez a kulcs: minél több adatot tudok feldolgozni, annál apróbb részletekig tudok lemenni.

Az üzleti analitika ma hihetetlen tempóban fejlődik, érezhető egy komoly felívelés ezen a területen, hiszen ma már nincs olyan szegmense a világnak a mezőgazdaságtól az iparon át a különböző szolgáltatásokig, a népegészségügyi, klinikai gyógyászat és biztonsági kérdésekig vagy az alapkutatásig, ahol ne lehetne – sőt kellene – alkalmazni ezeket a fejlett analitikai módszereket.

A tíz legfontosabb trend a Hurwitz & Associates szerint

1. A felhasználók hardvert és szoftvert integráló megoldásokat keresnek BI-feladatokra. A kutatók szerint minden jel arra mutat, hogy a felhasználóknak tetszik az integrált megközelítés, hiszen a fejlett analitikai eszközök használatát nagyban segítheti a feladatra optimalizált hardver. És ezen a területen közel sem csak az SAP HANA és az Oracle Exadata létezik ezen a piacon. Hasonló célokat szolgál az IBM PureData Systemje, de a tisztán szoftveres fronton mozgó SAS is együttműködik a Teradatával, hogy nagy adatokra optimalizált integrált megoldást nyújtsanak.

2. A szállítók iparágakra szabott megoldásokat kínálnak. A felhasználók egyre inkább azokat a megoldásokat keresik, melyek speciális iparági igényeiket, illetve azon belül a célfeladatokat: ügyfélszolgálat hatékonyságának javítását, ügyfelek lemorzsolódásának csökkentését, csalásmegelőzést stb. A gyártók törekednek arra, hogy egy sor részfeladatot automatizáljanak, és eleve beépítsék iparági megoldásaikba a jó gyakorlatokat, valamint testre szabási lehetőségeket is kínálnak.

3. A nyílt forráskódú R programozási nyelv széles körű alkalmazása. Az R egy speciális programozási nyelv és szoftverkörnyezet, amelyet kifejezetten statisztikai számításokhoz és ábrázoláshoz fejlesztettek. A tanulmány szerzői úgy látják, egyre több adatelemző eszközbe integrálják a nyelv nyújtotta lehetőségeket. De talán ennél is fontosabb, hogy vannak törekvések arra, hogy olyan felületet fejlesszenek az R-hez, ami varázslókkal segíti a programnyelv használatát. Ilyen cég például a Revolution Analytics és a Predixion.

4. A Python nyelv segíti az általános célú feladatok megoldását. Bár a Python nem rendelkezik azokkal a speciális elemzési képességekkel, mint az R, általános feladatokhoz nagyobb szervezetek is jól alkalmazhatják. Többek között a SAS és az IBM üzleti analitikai megoldásai is lehetővé teszik, hogy nagyobb, átfogó projektekbe lehessen integrálni Python (és R) projekteket.

5. A kezelőfelület és az adatok vizualizációja az üzleti felhasználók segítésére. Jó adatelemző szakemberből kevés van, a fejlett üzleti analitikára viszont mindenkinek szüksége van. A vizualizáció abban segít, hogy a nem adatelemző szakember üzleti felhasználók is hatékonyan kihasználhassák a fejlett analitikai eszközök nyújtotta lehetőségeket. Jól példázza ezt a törekvést a SAS Visual Analytics vagy az IBM Analytics Catalyst. A vizualizáció egyszerre jelenti a hatékony grafikus felhasználói felületet, valamint az elemzés eredményeinek vizuális, akár folyamatában történő megjelenítését is. A tanulmány szerzői szerint ez kulcsfontosságú, hiszen az elemzett adatmennyiségek ma már más formában átláthatatlanok lennének.

6. A valós idejű adatfolyamok és az Internet of Things hajtóereje. Ahogy egyre több eszköz csatlakozik az internetre, úgy nő az igény az ebből származó adatok valós idejű elemzésére. Ez ugyanis növeli a szervezet agilitását, legyen szó bármilyen iparágról: az energiakereskedelemben (smart metering) például rövid távú személyre szabott ajánlatokat lehet kínálni, a gyártásban pedig nagyban növelheti a gyártási folyamat biztonságát azáltal, hogy a karbantartás mindig ott és akkor történik meg, ahol és amikor arra szükség van.

7. A big data elemzések a teljes döntéshozatali folyamat részévé válnak. Korábban az adatelemzéssel foglalkozó részleg kiváltsága volt, hogy hozzáférjen az adatforrások széles köréhez, és azokat elemzésnek vesse alá. Ma azonban már a menedzsment legszélesebb körének van szüksége arra, hogy gyorsan lefuttasson elemzéseket a napi munkája során: az értékesítés, az üzemeltetés, a pénzügy, a HR stb. egyaránt sokkal hatékonyabban képes működni akkor, ha a folyamataiba tudja integrálni az analitikát. A gyártók is igyekeznek ezt az igényt kiszolgálni holisztikus platformjaikkal.

8. Az adatelemzés (is) a felhőbe költözik. Az analitikai eszközök drágák, erőforrás-igényesek. Egy ilyen jellegű beruházást csak a nagyvállalatok engedhetnek meg maguknak. A kisebb szervezeteknek ugyanezt a lehetőséget nyújtja a felhő. A szállítók, köztük a legnagyobbak is, mint az SAP, egyértelműen ebbe az irányba mozdulnak. Így az analitika bárki számára elérhető használatarányos díj ellenében.

9. Az analitikai modellek adatbázisba helyezése. A fejlett üzleti elemzések egyik legnagyobb kihívása, hogy az egyre nagyobb adathalmazok esetében hogyan lehet biztosítani az adatok minőségét (data governance), a gyors feldolgozást és az adatok biztonságát. Az adatbetöltéssel (ETL – extract, transform and load) összefüggő problémák egyik hatékony kezelése, ha az adatelemzési modelleket magában az adatbázisban lehet alkalmazni, és nem kell átmozgatni az adatokat egy elemző környezetbe. Ez nemcsak a feldogozás sebességét, hanem a biztonságot is nagyban növeli, hiszen az adatok sohasem hagyják el az adatbázist.

10. A vállalatok a PMML (Predictive Model Markup Language) felé fordulnak. Egyre fontosabb, hogy nagy tömegű adatfeldolgozás folyamatából valós idejű visszacsatolást is kapjanak a szervezetek, hogy folyamatosan lehessen javítani az elemzési modellek pontosságát. A PMML – amely szabványt gondozó Data Mining Groupon keresztül széles körű iparági támogatást élvez – a szoftverfüggetlen modellezés megvalósítását segíti azzal, hogy segítségével szabványos XML-alapú formátumban lehet kimenteni és beolvasni adatbányászati modelleket. A modellek újrafelhasználhatósága gyorsítja a feldolgozás folyamatát, és csökkenti az egyedi fejlesztések költségét és időigényét.