KPMG vállalati tréning 1. rész
Braining Hub képzési centrumunk a KPMG Hungary számára tartott hét alkalomból álló IT előadás sorozatot. A tréning célja az volt, hogy a vállalat munkavállalói ismeretekre tegyenek szert az aktuális IT technológiákból, piaci trendekből és szoftverfejlesztés folyamataiból, ezáltal nagyobb rálátást biztosítva az IT iparághoz kapcsolódó ügyvitelhez.
A tematika közösen lett kialakítva annak alapján, hogy mik azok a témák, amik iránt érdeklődnek és melyek azok, amit saját piaci ismereteink alapján javasolunk.
Az előadásokból készült blogsorozatunk első részében oktatónkkal Gutyán Gáborral a Business Intelligence témaköréről beszélgettem.
Manapság az adatkezelés és annak felhasználási módjai kulcsfontosságú kérdések minden vállalkozás számára. Hogyan válik hasznossá egy adathalmaz és hogyan tudunk kiszámítható jövőbeli döntéseket hozni az adatkezelés segítségével? Mit jelent számodra a BI (Business Intelligence)?
Legkönnyebben úgy tudnám megfogalmazni, hogy vannak adataink, amelyeket gyűjtünk különböző adatbázisokban, táblázatok formájában, amik jöhetnek akár egy épületen belül különböző részlegektől, de akár egy több időzónában működő cég leányvállalataitól is. A cél, hogy ezekből az adatokból érdekes kimutatást tudjunk készíteni de az sem baj, ha tudunk egy kicsit a jövőbe is tekinteni. Ennek előkészítéséhez gyúrunk egy hatalmas adathalmazt ezekből a kisebb szétszórt adathalmazokból különféle adattisztítási és adatelemzési technikákkal. Ennek eredményére már alapozhatunk és megfelelő statisztikai eszközökkel, valamint az üzleti igények feltérképezésével már megalkothatunk egy olyan kiértékelési modellt, amely alapján mérhetjük cégünk, embereink teljesítményét, és amikre felállíthatunk kívánt mérföldköveket a fejlődésben. A Business Intelligence pedig erre építkezik. A fentiek alapján képes olyan célzott kiértékeléseket, prediktív stratégiákat mutatni, vagy mondjuk úgy előremutató figyelmeztetéseket adni, melyek segíthetik vezetőink, döntéshozóink feladatát, amikor meghatározzák a holnapi irányt – legyen szó akár eladásról, belső performanciáról, piaci résekről és reakciókról, lényegében bármiről, ami fontos cégünk üzleti szegmensében, és melyre felkészítjük adatgyűjtő és adatelemző rendszerünket. Erre kínál megoldásokat a BI különböző formákban.
Mondanál nekem erre egy példát?
Egyrészt van a hagyományos vállalati megközelítés, akár az open-source óriás Google Data Studio csomagjára gondolunk, vagy a Microsoft Power BI, az Oracle BI Suite vagy akár az SAP megoldásai. Ezek sokszor testre szabható felülettel és rugalmas eszközkészlettel rendelkeznek, elősegítve az adatok könnyű megjelenítését, feldolgozását és kimutatások exportálását. Itt a felhasználó bejelentkezés után azonnal láthat számszerűsített live statisztikákat, vagy akár várható teljesítményeket.
De említhetek a mindennapi élet során előforduló példákat is, ahol személyi szinten fordulnak elő BI megoldások, mint például útvonaltervezők, elterjedt applikációk a Google Maps vagy Waze, de gondolhatunk a zenehallgatási szokásokat figyelemmel kisérő alkalmazásokra, mint a Spotify vagy a Musicovery. Ezeknél természetesen szóba kerülnek már más szakterületek is, mint mesterséges intelligencia, gépi tanulás, amelyek a hátterét adják ezen szolgáltatások működésének – de egy (mindennapi) ügyvitelt elősegítő felület és értesítési rendszer nélkül nem is tudnánk alkalmazni az eredményeiket.
A Spotify alkalmazást sokunk ismeri, de nem tudjuk, hogy mi alapján működik a személyre szabott szolgáltatás. Elmondanád, hogy milyen folyamatok zajlanak a háttérben?
A Spotify esetében a zenei ajánlórendszerhez egyrészről a regisztrált felhasználókon keresztül érkezik tömérdek adat, miközben zenét hallgatnak, előadókat, stílusokat keresnek, átkattintanak ajánlott együttesekre – az adatkezelési szabályzat elfogadásával hozzájárulnak, hogy ezeket az interakciókat gyűjtse a szolgáltató, aki ezekből hallgatói preferenciamodellt tud később gyártani. Ezek a hallgatási szokások mutatni fogják azt, hogy például ha valaki rendszerint hallgat Tankcsapdát és Metallicát is, akkor a rendszer már ezek alapján megpróbálja valamelyik hallgatói profilhoz hasonlítani a rendszer, és nagy valószínűséggel megjósolható, hogy melyik együttest vagy stílus, amit következőnek szívesen hallgatna a felhasználó. Az összegyűjtött több százmillió egyedi preferenciamodellt felhasználva a háttérben dolgozó algoritmus az ún. ízléstrendek megállapításával fogja tudni garantálni, hogy mindenki személyre szabottnak érezhesse a zeneajánlásokat.
Persze sokan csak azért használják, mert szeretik könnyedén magukkal vinni a kedvenc zenéiket bármerre is járnak, de ugyanakkor nagyon sok felhasználó pont az új együttesek, stílusok felfedezésének lehetősége miatt használják szívesen. Legyen tehát bármilyen a felhasználási megközelítésünk, a szolgáltató szempontjából vevők vagyunk, akiknek maximalizálni kívánják az elégedettségét, melyért cserébe a jól megválasztott prémium szolgáltatásokért sokkal szívesebben fogunk előfizetni. Ebből következik, hogy a fentiek előrelendítik a cég bevételét, akik ezáltal továbbfejleszthetik a kínált szolgáltatásokat – és kezdődik elölről a folyamat, adatgyűjtés, kiértékelés, döntéshozás, eredmények ellenőrzése.
Mit jelent ez adatkezelés szempontjából? A Spotify összeköti a személyes adataimat zenei listákkal?
Alapvetően nem. Amint elfogadjuk az adatkezelési szabályzatot, utána gyűjti a telefonunkról, illetve webes alkalmazásból az adatokat. Mielőtt bekerül a nagy adathalmazba egy tisztítási folyamaton megy keresztül, amely egyrészt ellenőrzi az adatok formátumát és valid jellegét, illetve ami ettől is fontosabb, megszünteti az adatok személyes jellegét, hogy azok ne legyenek visszakövethetőek, illetve egyedi profilhoz egyértelműen ne lehessen asszociálni. Ezáltal az adatelemzésekhez és kimutatásokhoz egy anonimizált adathalmaz fog rendelkezésre állni.
A háttérben pedig miután létrejött ez az adattenger, a szolgáltató által alkalmazott Business Intelligence eszközének felületén keresztül az adatelemzők és adminisztrátorok meg tudják alkotni azon adatfeldolgozási eljárásokat, amelyekkel még pontosabb ajánlási algoritmust tudnak a fejlesztők beépíteni az alkalmazásba, vagy fel tudják ismerni azon változtatási igényeket, amelyeket eszközölve javíthatnak a user experiencen, finomíthatják a felhasználói élményt – ez pedig egyidejűleg a forgalom és bevétel növekedését is elő fogja segíteni. Felhasználói oldalról egy jól kezelhető, testreszabott felületet eredményez, vállalati oldalon pedig profitot jelent, még erősebb reklámfelületi értéket, erősődő tőzsdei jelenlétet a jó híre miatt, és így tovább. Vállalati szinten egy másik jó példa lehet bármilyen webáruház, kézenfekvő példaként az Amazon. Ha megnézünk, egy terméket észrevehetjük, hogy egyből ajánl hozzá egy másikat „Akik ezt a terméket megnézték, azok még ezt és ezt is megnézték.” – emögött hasonló adatfeldolgozás történik, csak más a felhasználói felület, amin keresztül a döntést támogatja a rendszer különféle algoritmusokkal.
Ugyanakkor ne csak onlineban gondolkodjunk, hanem nézzük meg, hogy egy bevásárló üzlet, hogyan tudja hasznosítani a viselkedési mintákon alapuló adatelemzést és specifikus BI-t. Ebben az esetben nem grafikonok játszanak szerepet, hanem egy térkép – ún. heatmap, ami megmutatja, hogy milyen utat jár be a vásárló és közben milyen termékeket vesz le a polcról, melyik terméksoron időzik sokat, és így tovább. Ennek segítségével tudják a későbbiekben optimalizálni az egyes termékek elhelyezését, a promóciós kínálatok pozicionálását, de akár a nyitvatartási időket is finomhangolni az üzlet kihasználtságának elemzésével, vagy akár készletrendelést előre ütemezni a termékforgalom valósidejű azonnali kiértékelésével, amin keresztül remélhetőleg minél nagyobb forgalmat fog generálni az üzlet és a személyzet.
Említetted, hogy nagy volt az érdeklődés és sok kérdést kaptál az előadáson. Mit gondolsz, hogyan hasznosítható ez a tudás a mindennapokban?
Szerintem egy átfogó képet sikerült átadni magáról az adatanalízisről és BI-ról a résztvevőknek, mindkettőt megtámogatva valós példákkal, úgy mint hőkamerás és röntgensugaras szállítmányellenőrzés, vagy forgalmi csomópont terheltség elemzés, csak hogy néhányat említsek közülük, valamint enterprise szintű nagyvállalati megoldásokba is betekintést kínáltunk.
Az biztos, hogy ezentúl nem úgy tekintenek majd a Spotifyra, az okos órájukra vagy a különféle webes alkalmazásokra, mint azelőtt. 🙂