A klasszikus üzleti intelligencia (BI) kezdetben egyet jelentett a múlt megértésével: mennyi volt a bevétel vagy a költség, melyik termékcsoport ment nagyot, és melyik maradt el a várakozásoktól. Az elmúlt másfél évtizedben viszont az üzleti elemzés logikája gyökeresen átalakult. Közel sem azért, mert a grafikonok divatjamúlttá váltak, hanem, mert a környezet gyorsabban változik, mint valaha. Ezzel párhuzamosan megnőtt a döntések tétje is. A BI-tól eljutottunk a mesterséges intelligenciáig – és közben nemcsak technológiát, hanem többször szemléletet is váltottunk.

Amikor az igazság még egy helyen lakott

A klasszikus BI-korszak alapképlete egyszerű volt. A vállalati rendszerekből (ERP, CRM, számlázás, logisztika) kiemelt adatok tisztítás és átalakítás után bekerültek egy adattárházba. Ez biztosította a sztenderd jelentések, kontrolling kimutatások és a pénzügyi dashboardok alapját. A nagy szereplők – SAP, SAS, Microsoft Power BI – pont azt adták, amire a nagyvállalatoknak szükségük volt: integrációt, jogosultságkezelést, auditálhatóságot.

A modell erőssége a kontroll volt, cserébe viszont a sebesség és a rugalmasság szűk keresztmetszetet jelentett. Egy új riport gyakran hetekig-hónapokig vándorolt a specifikáció-fejlesztés-teszt-élesítés útvonalon. A vállalati szereplők viszont többnyire csak annyit éreztek, hogy minden lassan történik, és előfordult, hogy nem kaptak választ a kérdéseikre.

Az időszakra jellemzően az elemzés a havi zárás köré szerveződött a szervezeteknél. Az ERP-ből jött a könyvelésre és a készletre vonatkozó adat, a CRM-ből az értékesítési információ, és ezekből készült a vezetői riport. A klasszikus BI többnyire az elvártnak megfelelően működött, vagyis szabályozott, ismétlődő és auditálható volt. A gond akkor kezdődött, amikor a vezetés nemcsak azt akarta tudni, mi történt, hanem azt is, hogy mi fog történni a következő 4-6 hétben, és milyen beavatkozásokkal lehet elérni a tervszámot.

A big data kora: az adat túl gyors, túl sok és sokféle lett

A 2000-es évek végétől az üzleti adat definíciója kitágult. Megjelentek a webes és mobilos eseményadatok, ügyfélszolgálati szövegek, marketing kampányadatok – és egyre kevésbé fért bele minden a klasszikus adattárház-modellek szigorú sémáiba. A big data korszakában nem volt biztos, hogy előre tudjuk, mire lesz jó az adat, ezért olcsón és (lehetőleg) skálázhatóan mindent tároltunk, az értelmezés pedig későbbre maradt.

A big data elhozta magával a következő szemléletváltás: nem elég szép jelentéseket készíteni, a felmerülő elemzési kérdéseket – miért, melyik, mi fog történni, ha és így tovább – is meg kellett tudni válaszolni. Ehhez a koncepcióhoz viszont már olyan feldolgozási és modellezési minták kellettek, amelyek nagy adatmennyiséget és sokféle adatot bírtak kezelni.

Vagyis a bevétel és a rendelésszám riportolása önmagában már nem adott versenyelőnyt. A big data szemlélet azt célozta, hogy a vezetés valós időben láthassa, melyik kampány hozott értéket, hol akadt el a vásárlási folyamat, miért nőtt a visszáru. Ehhez új adatforrásokra, új tárolási mintákra és gyorsabb elemzési ciklusra volt szükség.

A demokratizálódás nem jött ingyen

A következő fordulatot a felhő és az "önkiszolgáló" BI hozta, az elemzés "kiszabadult" az IT "karmai" közül. Az üzleti elemzők és vezetők ráéreztek annak ízére, hogyan tudnak saját maguk dashboardokat építeni, adatokat kutatni, ad hoc kimutatásokat készíteni. A kor üzleti analitikai megoldásai igazodtak ezekhez az igényekhez: alacsonyabbá tették a belépési küszöböt, gyors vizualizációt és könnyű megosztást kínáltak.

Azonban a demokratizálódás ára gyakran a káosz lett. Ha egy vállalatnál több különböző definíció tartozott egy fogalomhoz, akkor ott a legszebb dashboard is csak vitát generált. A modern vállalati analitikában ezért visszatért a governance, hogy ismét megszülethessen a "közös igazság". A kezdetekhez képest azonban rugalmasabbá vált a módszer: már nem egyetlen monolit adattárházat, hanem adatplatformokat kezdtek a szervezetek használni.

Míg a klasszikus BI "csak" leírja, mi történt, az emeltebb analitika megmagyarázza, hogy miért történt. A gépi tanulást alkalmazó üzleti elemzés előre jelzi, mi fog történni, az előíró megközelítés pedig javaslatokat tesz, hogy mit érdemes tenni (descriptive, diagnostic, predictive és prescriptive analitika). Ezek alkalmazása konkrét üzleti esetekhez kötődik, például kereslet-előrejelzéshez, készletoptimalizáláshoz, csalásdetektáláshoz, karbantartási előrejelzéshez vagy éppen a dinamikus árazáshoz.

A vállalati elemzés MI-korszaka nem ott kezdődik, hogy "csevegünk az adatokkal", hanem ott, hogy a döntéseket modellek kezdik támogatni. A generatív MI új réteget hoz a képbe: olyan lehetőségekkel bővíti az eszköztárakat, mint a természetes nyelvű kérdezés, az automatikus összefoglalók készítése, a magyarázó narratívák megjelenése vagy a copilot-élmény a jelentések és elemzések esetében.

Együtt a jobb döntésekért

A klasszikus BI egyáltalán nem halt meg, sokkal inkább alapot nyújt a fejlettebb szolgáltatások számára. A pénzügyi igazgató zárására, a sztenderd riportokra, a megfelelőségi igényekre tehát továbbra is szükség van, de ezekre ráépül(t) egy rugalmasabb adatplatform. A kritikus folyamatokban megjelentek a prediktív és előíró modellek, a generatív MI pedig kényelmesebb (és éppen ezért szélesebb körben elérhető) felületet ad a megértéshez és a kommunikációhoz.

A vállalati analitika útja tehát nem az egyes állomások leváltásához, hanem a rétegződés felé vezet. Milyen döntéseket tudunk az adatokra támaszkodva a korábbinál gyorsabban, jobban meghozni, és hol érdemes ebbe bevonni a mesterséges intelligenciát – ezekre a kérdésekre kell tudni jól válaszolni napjainkban.

Ez a cikk független szerkesztőségi tartalom, mely a One Solutions támogatásával készült. Részletek »