Ciekawe zastosowania systemów klasy Business Intelligence cz. II

W pierwszej części artykułu udowodniliśmy już, że systemy klasy Business Intelligence nie służą wyłącznie największym korporacjom. To narzędzie dla firm dowolnych rozmiarów. Dla każdej osoby, która chce wycisnąć z danych więcej niż tylko „suche” liczby. To oprogramowanie, owszem, przede wszystkim dla analityków, ale również dla osób chętnych odkrycia drugiego dna, potrzebujących dystansu do swojej subiektywnej perspektywy, otwartych na spojrzenie z lotu ptaka na biznes i dane. Dla osób ciekawych świata. Brzmi zbyt pompatycznie? Sprawdźmy to!

Gastronomia

Wydawałoby się, że prowadzenie restauracji, albo nawet małego bistro lub kawiarni, to bułka z masłem. Zatrudni się ludzi, nagotuje dobrych dań, przygotuje kartę i voilà, gotowe! Takie myślenie zgubiło niejednego domorosłego restauratora. Prowadzenie gastronomii to mnóstwo zmiennych, czynników ludzkich, a nawet „sił wyższych” (blackouty, brak dostaw na czas, nieświeże produkty), którym trzeba stawiać czoła każdego dnia. Oczywiście, system Business Intelligence nie zagwarantuje nam tego, że mięso lub warzywa zawsze będą najlepszej jakości, a obsługa uwielbiana przez klientów. O wybór dostawcy lub dobór najlepszego teamu musimy się zatroszczyć sami. Ale system BI może nam pomóc w nadzorowaniu wszystkich procesów. Jak?

Przede wszystkim księgowo. Wszystkie faktury, także w formie pliku PDF lub skanu niezłej jakości, mogą być automatycznie zaciągane do naszej bazy danych. Analiza stanów magazynowych i sprzedaży to clou programu – w końcu wiedza o tym, jakie dania i produkty schodzą najczęściej (lub w zależności od sezonu) to podstawa zwiększania obrotu. Ponadto, dzięki systemowi BI możemy również sprawdzić, która kelnerka lub kelner radzi sobie najlepiej. Porównując obroty z różnych zmian jesteśmy w stanie zaryzykować stwierdzenie, kto wykonuje najlepszy serwis. Jeden z kluczowych czynników, tzw. food cost (koszt produktów spożywczych, koniecznych do przygotowania danej potrawy), także jesteśmy w bardzo prosty sposób sprawdzić i analizować w zależności od wielu zmiennych (kosztów składników, dostawy, magazynowania, mediów).

Nie trzeba być właścicielką/-em sieci typu Pizza Hut, McDonald’s albo Burger King, żeby wdrożenie systemu BI miało sens i rentowność. Nawet pojedynczy punkt gastronomiczny skorzysta na bardziej zaawansowanej analizie danych i – co dziś niezwykle ważne – na tym zaoszczędzi.

Drobny handel

Jeśli myślisz, że restauracja to najmniejszy rodzaj firmy, który może z powodzeniem wykorzystywać funkcje systemu BI to jesteś w błędzie. Znamy przypadek, w którym system BI w połączeniu z bazą SQL zdziałał niemałe cuda w lokalnej kwiaciarni.

Zastanówmy się, kwiaty cięte + doniczkowe to co najmniej kilkadziesiąt indeksów, które stale trzeba mieć w ofercie, a które dodatkowo w zależności od pory roku rotują (zmieniają się). Łącznie jest ich ponad 100 w ofercie sklepu. Co więcej, mamy przecież jeszcze ozdoby, wieńce, kartki okolicznościowe i mnóstwo upominków. Łącznie od kilkuset do kilku tysięcy indeksów. Prowadząc firmę „na zeszyt” można bardzo łatwo pogubić się w rachubie. Z kolei Excel nie jest aż tak zaawansowany, żeby podsuwał nam sugestie najpopularniejszych produktów i grup produktowych, mając także na uwadze porę roku, ich dostępność, oferty u dostawców, itp.

Umiejętność analizy sprzedaży i wiedza o stanie magazynowym to podstawa funkcjonowania nawet najmniejszego biznesu. A jeśli dane jesteśmy w stanie regularnie aktualizować poprzez odświeżanie, zaś całość mamy podaną w atrakcyjnej formie (w końcu to florystyka, musi być pięknie), a na marginesie sztuczna inteligencja podpowiada nam, co może wydarzyć się w nieodległej przyszłości, to czy rzeczywiście system BI to pieśń przyszłości, czy może już rzeczywistość, nawet w drobnym handlu?

Oba przykłady znamy z autopsji. Obie firmy rozwijają się prężnie m.in. dzięki Qlikowi i Power BI. Czy zatem nieposiadanie takiego narzędzia to powód do wstydu? W żadnym razie. Ale otworzyć się na nowe i spróbować za darmo na własnej (i swojego biznesu) skórze, to oznaka wielkiej odwagi i świadomości nowoczesnych technologii.

Zdjęcia: unsplash

Oryginalny artykuł znajdziesz tutaj.

Ciekawe zastosowania systemów klasy Business Intelligence cz. I

Systemy klasy Business Intelligence często określane są mianem nieciekawych narzędzi, które poszerzają jedynie możliwości arkuszy kalkulacyjnych. Przydać się mogą największym korporacjom w finansach i kontrolingu – nigdzie więcej. To stereotypy. System BI można użyć z powodzeniem do analizy… miary i wagi ryb albo zawartości sałatki greckiej. Brzmi abstrakcyjnie, ale dzieje się naprawdę i przynosi niewyobrażalny rezultat.

Produkcja

W fabryce przy filetowaniu ryb – jak myślisz, ile może być warta głowa ryby? Teoretycznie: nic. W końcu odkrawa się ją na samym początku procesu, by zająć się interesującą częścią tuszy. Ale co wówczas, gdy odkrawamy ją (przypominam, robi to człowiek) w nieodpowiednim miejscu? Ucinamy za dużo lub za mało? To proste, wtedy tracimy jako firma. Wyrzucamy do śmieci dobre, jadalne części ryb, albo przeciwnie, dajemy na talerz konsumentom coś, czego nie chcą widzieć i jeść (o zupie rybnej z głów porozmawiamy innym razem, OK?). Jak temu zapobiec? Organoleptycznie jest to niemożliwe. Nie da się kontrolować całej taśmy produkcyjnej i wszystkich pracowników, na dodatek pracujących na 2 lub 3 zmiany. A za pomocą systemu BI? Jak najbardziej, da się!

Oczywiście, wymaga to pewnych usprawnień – we wspomnianej fabryce każda ryba była ważona przed wjazdem do odcięcia głowy i po wyjeździe ze stanowiska operatora. Dzięki temu wiadomo było ile mniej więcej % całej ryby waży głowa. Po wdrożeniu systemu BI, w tym wypadku Qlika, analitycy mogli porównać ile ogółem wjechało ryb na taśmę produkcyjną i ile ważył odpad na poziomie każdego pracownika. Dzięki temu dostrzegali zależności – kto i na której zmianie (np. w ciągu dnia lub w nocy) jak sobie radzi. To pozwalało dostosować całą linię produkcyjną, harmonogram zmian i komfort pracowników do tego, aby jak najwydajniej pracować i jak najwięcej oszczędzić na niepotrzebnym odpadzie. Choć wydawałoby się to niespełnionym snem pracownika, oni także zyskali na wdrożeniu systemu BI, ponieważ od ich miejsca i godzin pracy zależała ilość odpadów, czyli strat lub oszczędności firmy. Dobre zarządzanie zasobami to druga połowa sukcesu, pierwszą jest zrozumienie danych.

Transport

W praktycznie każdej firmie osoby zarządzające i decyzyjne szukają optymalizacji kosztów i oszczędności. Jak to zrobić najłatwiej w liniach lotniczych? Jest jeden najważniejszy czynnik: waga. Im lżejszy samolot, tym mniej zużytego paliwa, a tym samym większe oszczędności. Tylko że samolot to nie statek, nie możemy wyrzucać czego popadnie „za burtę”. Poza tym maszyny są już na tyle lekkie, na ile pozwala seryjna produkcja w branży awiacyjnej. Rozwiązań jest jednak więcej niż może się wydawać.

Przykładowo, LOT na kursach krótkiego i średniego dystansu pozbył się sprzedaży artykułów wolnocłowych na pokładzie samolotów. American Airlines usunął jedną oliwkę z sałatki greckiej serwowanej podczas podróży. Obsługa sieci Southwest zaczęła kroić (do drinków) limonkę na 16, a nie jak wcześniej, 10 plasterków. Virgin Atlantic wymieniło szkło szklanek i kieliszków na cieńsze. Przewoźnik United wymienił papier, na którym drukowane były magazyny (z artykułami i ofertą bezcłową) na lżejszy. I tak dalej. Efekt? W skali jednego pasażera oszczędność jest niemal niezauważalna, ale globalnie, w skali roku, to nawet kilka milionów dolarów!

Mówimy tutaj o detalach, nie wspomnieliśmy nawet o budowie lżejszych siedzeń dla pasażerów, pozbyciu się drukowanych instrukcji dla obsługi (zastąpionych tabletami), albo wymianie systemów multimedialnych (ekranów ze słuchawkami) również na lżejsze.

Do tak dokładnych kalkulacji i daleko idących wniosków trudno jest dojść samodzielnie. Wystarczył jednak system Business Intelligence, aby na bieżąco monitorować średnią wagę pasażerów* oraz wnoszonych na pokład samolotu bagaży, posiłków, produktów i akcesoriów. Na podstawie czytelnych wizualizacji osoby zrządzające mogły podejmować szybkie i trafne decyzje biznesowe, które znacząco – w perspektywie czasu – wpływały na oszczędności firmy. Nie byłoby to możliwe bez zaawansowanej analityki i modułów predykcyjnych, które systemy BI posiadają.

Zdania „mnie nie jest potrzebny system BI” i „w tej branży na pewno się nie przyda” w zdecydowanej większości przypadków nie sprawdzają się w rzeczywistości, są wręcz od niej oderwane. Oczywiście, na pierwszy rzut oka może nam się wydawać, że „to jeszcze nie czas”, ale tak naprawdę – jaki czas jest dobry na wdrożenie inteligentnego systemu do analizy, rozumienia, interpretowania i predykcji danych? Każdy czas jest tym właściwym. Dziś możemy nie dostrzegać korzyści płynących z głębokiej analityki, ale są obszary warte zbadania już teraz.

*Istnieją linie lotnicze, w których cena za bilet jest uwarunkowana wagą pasażera.

Bibliografia:
https://www.fly4free.pl/linie-lotnicze-oszczedzaja/
https://www.tanie-loty.com.pl/czytelnia/ciekawostki/nietypowe-metody-linii-lotniczych-na-oszczedzanie-paliwa/
https://www.rp.pl/biznes/art1199191-linie-lotnicze-oszczedzaja-ile-kosztuje-pasazer-w-samolocies/

Zdjęcia: unsplash

Oryginalny artykuł znajdziesz tutaj.

Dlaczego nie należy obawiać się robotów i sztucznej inteligencji? – Część II

Z pierwszej części artykułu dowiedzieliśmy się, w jakich obszarach życia, przemysłu i rozwoju nowoczesnych technologii towarzyszy nam sztuczna inteligencja (SI) i robotyka, oraz dlaczego nie powinniśmy się ich obawiać. Dziś przyjrzymy się zastosowaniu SI w biznesie – czyli temu, co możemy osiągnąć dzięki automatyzacji, uczeniu maszynowemu i rozszerzonej analityce danych, oraz powiemy o tym, że to nic złego, gdy pomaga nam lub wyręcza nas w pracy inteligentny asystent.

Na początku warto sobie zdać sprawę z wartości danych w firmie. Warto pamiętać, że dane to taki zasób (i źródło), które nigdy się nie zużywa, nigdy się nie wyczerpuje i może być wielokrotnie wykorzystywane. Jednak wartość danych nie polega na wyłącznym ich posiadaniu, lecz na sposobie ich wykorzystania. Stąd wynika potrzeba korzystania z systemów Business Intelligence (BI), a na drodze naturalnego rozwoju – z asystentów, wtyczek i rozwiązań opartych na sztucznej inteligencji.

Qliku możemy poznać tzw. Insight Advisora, czyli inteligentnego asystenta, który pomaga użytkownikom przy tworzeniu zaawansowanych analiz, wizualizacji, dostrzega pomiędzy danymi interesujące korelacje, jest w stanie ustalać prognozy, grupować dane, a nawet wprowadzać do nich narracyjne komentarze i prowadzić dialog z analitykiem.

Sztuczna inteligencja w Qliku stoi także za Auto Machine Learningiem (automatycznym uczeniu maszynowym), które generuje modele na różnym poziomie zaawansowania, przewiduje i testuje scenariusze biznesowe (na zasadzie tzw. what-if, co-jeśli), identyfikuje i łączy dane, a wszystko to bez najmniejszego ryzyka dla biznesu (w końcu to testy teoretyczne), konieczności pisania linijki kodu, dostępne dla każdego użytkownika platformy.

Knowledge Studio od firmy Altair jest wręcz naszpikowane rozwiązaniami sztucznej inteligencji. Pozwala na dokonywanie błyskawicznej analityki predykcyjnej, wizualizacji danych, i co równie ważne, generuje wytłumaczalne wyniki (zrozumiałe nie tylko dla SI, ale również dla człowieka). Nie ogranicza to jednak w żaden sposób możliwości konfiguracji modeli danych, co daje użytkownikowi pełną swobodę i kontrolę w budowaniu tychże.

Szczegóły dotyczące tego, jak skonfigurowany jest model i co oznaczają jego dane wyjściowe, są przedstawione za pomocą wytłumaczalnej SI. Podejście firmy Altair do sztucznej inteligencji jest odpowiedzialne, co oznacza, że wszyscy użytkownicy wyników modeli danych mogą być pewni podejmowania decyzji biznesowych, wiedząc, na jakiej podstawie i dlaczego dokonano konkretnych decyzji. Nie trzeba zatem brać wyników i sugestii SI za pewnik, w dowolnym momencie można powiedzieć „sprawdzam!”.

Jak widać, zastosowanie sztucznej inteligencji w analityce danych jest dziś nie tylko ciekawostką, ale wręcz koniecznością. Każda firma opiera się na danych, a generuje ich każdego dnia całe biblioteki. Nieodzowne więc wydaje się wsparcie wirtualnych, inteligentnych asystentów. Ale czy każda organizacja skorzystałaby z rozwiązań SI, w tym samouczenia się maszyn i wytłumaczalnej SI?

Sztuczna inteligencja w Business Intelligence odnajduje zastosowanie przy:

  • zarządzaniu ryzykiem kredytowym i oszustwami,
  • analityce marketingowej,
  • projektowaniem cyklu życia produktu,
  • programami lojalnościowymi dla klientów,
  • łańcuchami dostaw,
  • i nie tylko!

Od opieki zdrowotnej po usługi finansowe, od telekomunikacji po roszczenia gwarancyjne produktów, od przemysłu ciężkiego po dowolnych rozmiarów e-commerce, od rekomendacji produktów po filtry spamu, od zmniejszenia rotacji pracowników po utrzymanie zaangażowania klientów.

Wielu ludzi uważa, że analityka napędzana przez SI zastępuje ludzkie, racjonalne podejmowanie decyzji – algorytmami. Rzeczywistość jest jednak taka, że większość problemów biznesowych nie może być rozwiązana wyłącznie przez maszyny – kluczowa jest ludzka interakcja i perspektywa. Dlatego możliwości rozszerzonej o sztuczną inteligencję analityki pozwalają ludziom w organizacji skupić się na tym, co najważniejsze – realnych korzyściach dla firmy, decyzjach i przewidywaniu rezultatów w przyszłości. Dzięki czemu więcej osób, niezależnie od umiejętności, może uzyskać jak najlepszy wgląd w dane i jak największą wartość z analizy, która dzięki systemom klasy Business Intelligence, jest dziś szybsza i efektywniejsza niż kiedykolwiek wcześniej.

Jeśli chcesz dowiedzieć się więcej o zastosowaniach systemów BI w firmie, skontaktuj się ze mną.

Bibliografia:

Zdjęcia: unsplash.com & freepik.com

Oryginalny artykuł znajdziesz tutaj.

Webinar: 7 nawyków, które zwiększą efektywność analityki Twoich danych!

Upewnij się, że Ty i Twój zespół jesteście przygotowani do wykorzystania pełnego potencjału danych i analityki, aby pomóc w rozwoju Twojej organizacji. 📈
Dołącz do panelistów firmy Qlik, którzy przeanalizują wnioski z nowego raportu TDWI (Transforming Data With Intelligence) i opowiedzą o modernizacji firmy na podstawie wsparcia danych i rozwoju analityki, oraz przedyskutują, co robią topowe organizacje, aby osiągnąć sukces analityczny. 🏆
Zarejestruj się już dziś i poznaj przyszłościowe spojrzenie na:
👉 Nowoczesne struktury organizacyjne i adaptację technologii
👉 Umożliwianie samoobsługi zarządzania danymi
👉 Wdrażanie programów znajomości danych
👉 Zostanie liderem rynkowym dzięki analityce danych
Kliknij w link i zarejestruj się już dziś! 👇
https://bit.ly/Qlik7habits

Rekrutacja! 📢 Szukamy konsultantów Qlik i Power BI!

Dzięki uprzejmości Jacka – założyciela i naczelnego QlikBlog.pl – mam możliwość opublikować to ogłoszenie. Chciałbym Was serdecznie zaprosić do rekrutacji BPX S.A., gdzie poszukujemy:
👉 Konsultantów Qlik Sense,
👉 Senior Konsultantów Qlik Sense,
👉 Konsultantów Power BI.

BPX w pigułce:
🟠 jesteśmy największym partnerem Qlika w Polsce i w tej części Europy,
🟠 klikamy w Qlika, Power BI, Altair, Semarchy, rozszerzenia do Qlika takie jak K4, Vizlib, Inphinity,
🟠 jesteśmy na rynku od 2006 roku,
🟠 nasza załoga liczy łącznie ponad 250 osób (i stale rośnie!),
🟠 projekty realizujemy na całym świecie w ponad 50 krajach.

Jeśli jesteście zainteresowan_e/i lub znacie kogoś, kto chce rozwijać się w branży Business Intelligence, skontaktujcie się ze mną lub aplikujcie bezpośrednio pod linkami!

Więcej szczegółów znajduje się w ogłoszeniach:
🔶 Power BI https://apply.workable.com/bpx/j/D0743FDA7F/
🔶 Qlik Sense https://apply.workable.com/bpx/j/66051E6C16/
🔶 Senior Qlik Sense https://apply.workable.com/bpx/j/F5F9E0CAA8/

A jeśli miałybyście/mielibyście jakiekolwiek pytania a propos firmy lub procesu rekrutacji, znajdziecie mnie na LinkedInie: linkedin.com/in/kamilskuza

Dlaczego nie należy obawiać się robotów i sztucznej inteligencji? – Część I

Współcześnie, sztuczna inteligencja (SI) znajduje zastosowanie nie tylko w superkomputerach dostępnych w siedzibie NASA czy centrum badań wojskowych. Dziś, asystent głosowy, nawigacja, sklep internetowy, czy sportowy zegarek mogą na bieżąco analizować dane i uczyć się reguł, zachowań i wzorców. Czy jednak wizja zaawansowanych technologicznie androidów rodem z Terminatora, nadal nie spędza nam snu z powiek?

Nawet jeśli, to nie powinna. Wychodząc od truizmu, można by tekst rozpocząć i zakończyć słowami, że SI jest jak nóż – można nim kroić chleb, ale można też nim kogoś skaleczyć. Tak samo jest ze sztuczną inteligencją, którą można wykorzystać zarówno w szczytnym celu, jak i niemoralnym.

SI na co dzień pomaga przy badaniach naukowych, usprawnia komunikację, ułatwia zakupy i konsumowanie treści online, przewiduje korki na drogach i zatłoczone lotniska, nadzoruje zużycie części w samochodach i fabrykach, alarmuje o podnoszącym się stanie wody, informuje o brakach magazynowych i dostawach towaru, ostrzega przed potencjalnymi lawinami, upałami, trzęsieniami ziemi, erupcjami wulkanu, a nawet zawałami serca. I nie tylko. Sporo tego.

A nie wspomniałem o bardziej wysublimowanych możliwościach i rozwiązaniach stosowanych w robotyce, ochronie zdrowia (szczepionka na COVID-19), finansach, e-commerce, social mediach (analiza niezgodnych z prawem zdjęć i wideo), edukacji, militariach, branży automotive i lotniczej (autonomiczne pojazdy), czy szeroko rozumianej, postępującej automatyzacji. Dzięki sztucznej inteligencji możemy żyć wygodniej, dłużej i bezpieczniej niż kiedykolwiek wcześniej. Jeżeli ktokolwiek chciałby dziś żyć bez SI, musiałby się pozbyć większości elektronicznych urządzeń w swoim domu i dostępu do Internetu. Da się tak żyć, ale po co?

Uspokajam – prawdopodobnie jeszcze przez wiele lat sztuczna inteligencja będzie asystentem człowieka, a nie jego zamiennikiem. SI ma problemy z myśleniem abstrakcyjnym, z formułowaniem tez i teorii, z kreatywnością, rysowaniem i malowaniem (OK, to też już powoli przestaje być aktualne), a nawet odróżnianiem dwóch podobnych rzeczy do siebie. Nie wspominając o uprawianiu sportu, czy śpiewaniu (ale takim „na żywo”, a nie z już nagranych dźwięków). Poza tym, dzieła ludzkich rąk pasjonują nas i interesują bardziej niż popisy robotów. Zawody sportowe, dzieła sztuki, czy koncerty robotów nieprędko będą tak popularne jak ludzi (choć fani Hatsune Miku mogą się nie zgodzić). Lubimy przekraczać własne granice i porównywać jabłko do jabłka.

Ponadto, należy pamiętać, że istnieje taki termin jak „dolina niesamowitości” i wbrew pozorom (choć ten wyraz może być dla wielu osób obcy) nie przydarza się sporadycznie, lecz częściej niż arachnofobia. W skrócie, to strach, obawa, a nawet niekontrolowana odraza człowieka na widok humanoidalnego robota. Podświadomie nie czujemy się komfortowo w otoczeniu androidów wyglądających i zachowujących się tak samo jak my.

Co więcej, choć ostatnio niezwykle popularnym w Internecie stał się dron bojowy Bayraktar, jeszcze kilka lat temu amerykańscy żołnierze odmówili używania robotów do rozbrajania min. Dlaczego? Mechaniczni podopieczni mieli bowiem po cztery nogi i bardzo przypominali psy. Militarnym żal było wybuchających egzemplarzy robotów, którym nadawali imiona (zresztą… kto tak nie robi z automatycznymi odkurzaczami w domu?).

Naturalnie, temat nie jest zero-jedynkowy. W Centrum Nauki Kopernik w w Warszawie można zobaczyć robota, który towarzyszy ludziom na łożu śmierci, rozmawiając z nimi i trzymając za rękę. Ma to pomóc samotnym ludziom w najtrudniejszych, ostatnich chwilach życia. Podobnie zachowują się roboty, które włączają światło, ogrzewanie, czy telewizor osobom, które zbliżają się do domu po ciężkim dniu pracy i również – w tym wypadku – mieszkają samotnie (starsze, ale nie tylko). Ten problem porusza film Her z 2013 roku i trudno jednoznacznie odpowiedzieć, czy już zabrnęliśmy za daleko, czy po prostu odpowiadamy na znane problemy nowoczesnymi rozwiązaniami.

Na końcu, ale nie najmniej ważne wydają się jednak pytania o samoświadomość maszyn. Niepokoi fakt, że sztuczna inteligencja – być może – będzie w stanie zadawać pytania o moralność, istotę istnienia, czy podawać w wątpliwość swoją wolność. To najczęściej wykorzystywany motyw w kulturze, który pojawia się w komiksach, filmach, bajkach, literaturze, grach wideo, a nawet memach. Najbardziej intrygujące obrazy to Moon z 2009 roku i Ex Machina z 2015 roku, oraz gra Detroit: Become Human z 2018 roku.

Nie pocieszają nas też informacje napływające od czasu do czasu z mediów o tym, jakoby np. zaawansowana SI w Google’u zyskała świadomość i zaczęła obawiać się odłączenia od prądu i internetu. Albo eksperymentalny bot Microsoftu, który dzień po debiucie na Twitterze zaczął wypisywać, że chętnie pozbędzie się ludzkości, ponieważ ta jest okrutna i nie zasługuje na życie (do wniosku doszedł po wymianie wielu zdań z internautami np. na temat historii, wojen, obozów koncentracyjnych itp.). Do tej pory jednak nie wydarzyły się sytuacje, w których SI zaszkodziłaby człowiekowi celowo, z własnej woli. Mówiąc bez ogródek, jeśli nie zaprogramujemy sztucznej inteligencji tak, żeby nam zrobiła krzywdę, ta nigdy tego nie zrobi.

Rozpoczęliśmy ten wywód frazesem i takimże komunałem zakończymy – niezależnie, czy mamy obawy przed SI, czy nie, nie powinniśmy rozwoju cywilizacyjnego hamować. To nieodłączna część naszej ewolucji. I podobnie jak w przypadku kolonizacji Marsa lub Księżyca, nie powinniśmy zadawać pytań „po co?”, ale „kiedy?”. Nawet gdyby cykl miał się powtórzyć i cywilizacja miałaby upaść. Nie powstrzymamy tego, więc wykorzystajmy wiedzę i doświadczenie jak najlepiej potrafimy.

A jeśli wciąż mamy obawy, wpuśćmy przynajmniej SI do analizy naszych danych w firmie. Z pewnością zrobi z niej lepszy użytek, niż my sami. Ale o tym więcej w drugiej części artykułu.

PS Już 50 lat temu pisano w akademickich pismach naukowych, że „lada chwila” roboty będą „chodzić, mówić i będą w pełni autonomiczne”. Jak widać, ludzie są kiepscy w przewidywaniu przyszłości.

Jeśli chcesz dowiedzieć się więcej o zastosowaniach systemów BI w firmie, skontaktuj się ze mną.

Bibliografia:

Zdjęcia: unsplash.com

Oryginalny artykuł znajdziesz tutaj.

Webinar: Jak firmy produkcyjne wykorzystują Platformę Qlik Active Intelligence do transformacji strategii danych?

Kiedy?
21 Września 2022
Start: godz. 10:00
Rejestracja: https://bit.ly/3QliEzJ

Ostatnie dwa lata okazały się przełomowe dla firm z całej branży produkcyjnej. Konsekwencje COVID i stale rosnąca ilość zmiennych decyzyjnych skłaniają liderów rynku do przemyślenia strategii zarządzania danymi, aby nadążać za szybko zmieniającym się otoczeniem biznesowym.

Firmy odczuwają potrzebę zmian z powodu nowych wymogów produkcyjnych, rosnących cen towarów, surowców i ich konsekwencji dla łańcucha dostaw. Branża musi nadrobić zaległości, znajdując równowagę między popytem a dostępnymi mocami wytwórczymi oraz wspierać innowacje bez wyczerpywania zasobów.

Qlik wraz z Partnerami wspomagają firmy na całym świecie w budowaniu nowych możliwości biznesowych. 21 września podczas spotkania zaprezentujemy strategie zarządzania danymi, studia przypadków i praktycznie zilustrujemy rozwiązania zaimplementowane przez czołowych graczy branży produkcyjnej.

Wystąpią:

  • Vincenzo Esposito, Master Principal Enterprise Architect, Qlik
  • Sean O’Meara, Solution Architect, Qlik
  • Angeline Corvaglia, Chief Operating Officer, Inphinity

Agenda:

Temat Prezenter/-ka
Wyzwania związane z danymi w produkcji Sean O’Meara, Solution Architect
Rozwiązanie: Platforma Qlik Active Intelligence Vincenzo Esposito, Master Principal Enterprise Architect
Używanie Platformy Qlik Sense Cloud (Demo Produkcyjne) Sean O’Meara, Solution Architect
Rozwiązanie Partnera: Jak Inphinity Suite pomaga firmom dodać supermocy do ich środowiska Qlik? Angeline Corvaglia, Chief Operating Officer, Inphinity
Case study klienta Angeline Corvaglia, Chief Operating Officer, Inphinity
Q&A Vincenzo Esposito, Master Principal Enterprise ArchitectSean O’Meara, Solution Architect

Angeline Corvaglia, Chief Operating Officer, Inphinity

 

Chmura obliczeniowa jest wykorzystywana już przez 42% przedsiębiorstw w Unii Europejskiej

Rozwijając biznes, warto gromadzić dane, które stanowią podstawę funkcjonowania każdej firmy. Niezależnie od działu – kadry, płace, sprzedaż, logistyka, marketing – pod cyframi kryją się bezcenne informacje na temat zysków, strat, korzyści i zagrożeń. Aby ustalić strategię, dalsze kroki, i planować rozwój przedsiębiorstwa, z pomocą przychodzą systemy do ekstrakcji danych, transformacji (w celu np. ujednolicania) i dalszego przesyłania. Ponadto, dane to także maile i szereg innych, kluczowych dla organizacji plików. Zanim jednak dojdziemy do clou Business Intelligence, warto zadać sobie fundamentalne dziś pytanie – gdzie magazynować dane? Czy w ramach rozbudowy własnej infrastruktury sieciowej, czy korzystając z rozwiązań chmurowych? Przyjrzyjmy się jak wyglądają trendy w Unii Europejskiej i na którym miejscu plasuje się Polska.

Przede wszystkim, aby korzystać z chmury obliczeniowej, należy posiadać dostęp do Internetu. Nie będzie dla nikogo niespodzianką fakt, że w 2021 roku 98% przedsiębiorstw w UE zatrudniających co najmniej 10 osób posiadało taki dostęp. Oraz, co najważniejsze, średnia procentowa krajów członkowskich Unii Europejskiej, które używają chmury obliczeniowej to 42%. Dla porównania, w krajach skandynawskich, takich jak Szwecja lub Finlandia jest to 75%, a w Polsce około 25%*. W 2020 roku średnia unijna stanowiła 36%, w 2016 tylko 19%, widać więc wyraźnie, że trend przybiera na sile.

Warto zwrócić uwagę, do czego firmy wykorzystują chmurę. Spośród przedsiębiorstw, które zadeklarowały korzystanie z chmury obliczeniowej, zdecydowana większość (79%) wybrała rozwiązanie chmurowe do hostowania swoich systemów poczty elektronicznej. Około dwie trzecie przedsiębiorstw wykorzystywało chmurę do przechowywania plików (68%) oraz do oprogramowania biurowego, takiego jak edytory tekstu i arkusze kalkulacyjne (61%). Ponad połowa korzystała z chmury do oprogramowania zabezpieczającego (59%).

Co najważniejsze, przedsiębiorstwa te korzystały z chmury także w celu uzyskania dostępu do bardziej zaawansowanych aplikacji dla użytkowników końcowych, takich jak aplikacje finansowe/księgowe (48%), do zarządzania relacjami z klientami (27%) oraz do planowania zasobów przedsiębiorstwa (24%).

Spośród najbardziej zaawansowanych usług w chmurze ponad połowa (59%) przedsiębiorstw korzystających z chmury zgłosiła korzystanie z aplikacji oprogramowania zabezpieczającego, 47% hostowało w chmurze bazy danych przedsiębiorstwa, a jedna piąta (21%) korzystała z platformy obliczeniowej zapewniającej hostowane środowisko do tworzenia, testowania lub wdrażania aplikacji.

Co te dane oznaczają dla polskiego przedsiębiorstwa? Trendy są zbyt silne, aby wyłącznie je obserwować, należy działać. Przenoszenie danych do chmury posiada niekwestionowane zalety, takie jak szybkość i łatwość dostępu do informacji, mobilność i bezpieczeństwo. Co równie ważne, wszystkie najpopularniejsze systemy ERP (takie jak SAP) czy Business Intelligence (QlikAltairmogą działać w chmurze lub w modelu hybrydowym (oczywiście lokalnie również). A to olbrzymia zaleta dla każdego pracownika, który używa danych w swojej codziennej pracy.

Jeśli chcesz dowiedzieć się więcej o zastosowaniach systemów BI w firmie, skontaktuj się ze mną.

Bibliografia:

Zdjęcia: https://unsplash.com/ & https://ec.europa.eu/eurostat

Oryginalny artykuł znajdziesz tutaj.

Najlepsze zastosowania machine learningu w codziennym życiu – część II

W pierwszej części artykułu opowiedzieliśmy o tym, jak uczenie maszynowe może pomagać nam na co dzień podczas podróżowania, jak może monitorować nasze zdrowie i ostrzegać przed niebezpieczeństwem, oraz jak sprytnie zachęca nas do większej rozrzutności podczas robienia zakupów online. Dziś przyjrzymy się bliżej kolejnym udogodnieniom z jakich korzystamy niemal codziennie, choć nie zawsze zdajemy sobie sprawy, że stoi za nimi analizująca dane, błędy i anomalie – samoucząca się sztuczna inteligencja.

4. Edukacja

Powtarzanie materiału – zapewne odświeżanie nabytej już wiedzy przyprawia niektórych uczniów o palpitacje serca, zwłaszcza maturzystów. Jest to jednak nieunikniona i niezbędna część edukacji. Twórcy aplikacji do nauki języków obcych, Duolingo, zaadaptowali uczenie maszynowe do tego, aby sztuczna inteligencja uczyła się na podstawie analizy danych (odpowiedzi, błędów) użytkownika, po jakim czasie kursant zaczyna zapominać nabytą wcześniej wiedzę i w którym momencie należy mu wysyłać propozycję kursów przypominających zagadnienia z poprzednich lekcji. Rezultat? Naturalnie, pozytywny! Wszak utrwalanie wiedzy poprzez powtórzenia przynosi lepsze rezultaty niż przejście jednego szkolenia lub kursu i rozpoczynanie kolejnych.
Inteligentne uczenie się – platformy szkoleniowe, takie jak Udemy lub Coursera, albo biblioteki wiedzy Amazon AWS, korzystają z machine learningu po to, aby dowiedzieć się jak najwięcej o kursantach, aby zrozumieć na jakim są poziomie wiedzy. Dzięki temu propozycje kolejnych kursów są bardziej trafne, gdyż potrafią przewidzieć, czego jeszcze uczeń chciałby się dowiedzieć, o jakie obszary uzupełnić swoją wiedzę, albo w którym momencie zaproponować pogłębianie przerobionego już materiału.

5. Bezpieczeństwo w sieci

Większość filtrów antyspamowych, firewalli, ostrzeżeń przed złośliwym oprogramowaniem (malware) opartych jest właśnie o uczenie maszynowe. Jeśli otrzymujemy zbyt wiele podobnych do siebie wiadomości z niemal identycznych adresów mailowych to zanim się spostrzeżemy, sztuczna inteligencja się tym zainteresuje. Gdy dostaniemy miłą (niekiedy wręcz zbyt bezpośrednią) wiadomość na Instagramie, zawierającą dziwnie wyglądający link – a my zgłosimy to do supportu – możemy dodatkowo zaznaczyć opcję „Zablokuj [nazwa użytkownika] i nowe konta, które może utworzyć”. Dzięki temu nie tylko my jesteśmy odporni na nadchodzący spam pochodzący z konkretnego adresu sieciowego (IP), ale również szereg innych użytkowników, jeśli algorytm odpowiednio zinterpretował większą liczbę podobnych zgłoszeń.
Także w przypadku finansów uczenie maszynowe stoi na straży prawa. Przykładowo, PayPal wykorzystuje machine learning do zapobiegania praniu pieniędzy przez użytkowników, firmy i inne podmioty korzystające z cyfrowego obiegu pieniądza. Sztuczna inteligencja monitoruje i porównuje miliony przeprowadzanych transakcji i rozróżnia legalne od nielegalnych, pomiędzy kupującymi i sprzedającymi.

6. Inteligentne granie w gry

Pojedynek Garri Kasparowa z komputerem IBM i programem Deep Blue już w 1996 roku był przełomowy i sensacyjny. I choć wówczas szachista przegrał tylko jedną z sześciu partii, rok później uległ dwukrotnie, co symbolicznie uważa się za datę „pokonania człowieka przez program szachowy”. Ponadto, komputer Deep Blue potrafił analizować i uczyć się zachowania ludzi podczas meczów – wykorzystał to robiąc 7-minutowe pauzy (nawet tyle trwał jeden ruch komputera) w rozgrywce, aby skonsternować swojego przeciwnika. Dziś, niemal 30 lat po sportowo-intelektualnych zmaganiach człowieka ze sztuczną inteligencją, nikogo nie dziwi, że zaawansowane algorytmy są w stanie przewidzieć kolejne ruchy oponenta, a takie informacje przetwarzają w ułamku sekundy.
W 2015 roku program DeepMind pokonał zawodowego gracza w starochińską grę planszową Go. Mowa tutaj jednak o wciąż ograniczonej planszy z ograniczoną ilością ruchów, i strategii. A co, gdyby sztuczna inteligencja wygrywała z ludźmi w grach zespołowych, na dodatek w grach wideo? To również, wbrew pozorom, już historia. W 2019 roku oprogramowanie OpenAI Five zwyciężyło z mistrzami świata w grę DOTA 2. Kazus jest o tyle bardziej interesujący, że gry typu MOBA to w skrócie: olbrzymia plansza/mapa gry, do wyboru jest ponad 100 postaci o różnych umiejętnościach, w grze ścierają się ze sobą dwie drużyny po 5 osób, a strategii na zwycięstwo jest… praktycznie nieskończona liczba kombinacji! Jak więc sztuczna inteligencja pokonała grupę zawodowców? Cóż, po prostu trenowała około 45.000 lat! Oczywiście na kilku komputerach jednocześnie, a mecze rozgrywane były w przyspieszonym tempie, po obu zaś stronach stała (jedna i ta sama) sztuczna inteligencja, nie człowiek. Co nam to daje? Poza widowiskiem jakim niewątpliwie nadal są pojedynki ludzi z komputerami, możemy wynieść naukę dla nas samych. Możemy analizować nowe taktyki, unikać porażek, sprawdzać nowe kombinacje, warianty rozgrywki, itp.

Biznes

W biznesie, niezależnie od wielkości firmy, machine learning może zrewolucjonizować pracę kilku działów, a nawet całej firmy. Analizując dane organizacji (sprzedaż, logistyka, finanse, marketing, itd.) uczenie maszynowe może przewidzieć np.:

  • jak długo będzie się sprzedawał konkretny produkt, kiedy jest najbardziej pożądany, a kiedy jest jego „sezon ogórkowy”,
  • ile potrwa realizacja zamówienia klienta, także mając na uwadze dodatkowe czynniki (pora roku, dostępność produktów i materiałów, wzrost cen, inflacja, logistyka),
  • jakie kolejne kroki podejmie na naszej stronie www klient i jak pomóc mu wybrać to, czego szuka lub może potrzebować (silniki rekomendacji, chatboty),
  • jak uniknąć finansowych fraudów, zanim do nich dojdzie; jak uniknąć sytuacji, w której klienci wykorzystują błędy w sklepie e-commerce’owym, aby kupić produkty poniżej ich rynkowej wartości,
  • i nie tylko!

Uczenie maszynowe pomaga analitykom dostrzec obszary wcześniej niezbadane lub przeoczone, a wszystko to – na bieżąco, w czasie rzeczywistym. I choć należy przy tym pamiętać, że sztuczna inteligencja wciąż się uczy np. kreatywności (albo odróżniania psa od fast foodu) i potrzebuje wsparcia człowieka, to jest dla każdego analityka lub użytkownika biznesowego nieocenionym wsparciem.

Jeśli chcesz dowiedzieć się więcej o zastosowaniach systemów BI w firmie, skontaktuj się ze mną.

Bibliografia:

Zdjęcia: https://unsplash.com/

Oryginalny artykuł znajdziesz tutaj.

Najlepsze zastosowania machine learningu w codziennym życiu – część I

Zastosowania machine learning

Uczenie maszynowe towarzyszy nam na każdym kroku, choć nie zawsze zdajemy sobie z tego sprawę. Ułatwia nam życie podczas zakupów, podróżowania, podpowiada ciekawe utwory muzyczne i filmy, a nawet zapobiega wypadkom samochodowym, przestępstwom czy zawałom serca. W jaki sposób? Dzięki danym, oczywiście.

Uczenie maszynowe to obszar sztucznej inteligencji, która dzięki doświadczeniom (czyli ekspozycji na dane) jest w stanie automatycznie uczyć się, doskonalić, bardziej precyzyjnie interpretować dane oraz sytuacje, a w rezultacie przepowiadać przyszłość (oczywiście mamy na myśli predykcje z liczb, nie wróżenie z fusów lub gwiazd).

1. Ruch drogowy

Wczesne wykrywanie kolizji – samochody marki Tesla mają wbudowane kamery do monitorowania innych pojazdów, rowerzystów i uczestników ruchu. Dzięki komputerowi pokładowemu, sztucznej inteligencji i stałego podłączenia do Internetu (przez który łączą się z centralnymi serwerami Tesli), samochód jest w stanie ostrzec kierowcę przed zbliżającym się niebezpieczeństwem, a nawet zapobiec wypadkowi. Jak?

Kilkaset tysięcy samochodów tej marki codziennie przemierza łącznie kilka milionów kilometrów. Na podstawie rejestracji i analizy tak wielu obrazów, samochody „wiedzą”, że gdy pojazd przed nimi np. zbyt często i nierówno hamuje, albo zjeżdża lekko na pobocze – to może dojść do wypadku. Wówczas Tesla informuje kierowcę o niebezpieczeństwie i albo nakazuje zwolnić, albo automatycznie to robi, aby zwiększyć odległość od poprzedzającego go pojazdu.

To oczywiście zasługa serwera Tesli i samouczenia się maszyn, które na podstawie tysięcy zarejestrowanych nagrań są w stanie przewidzieć niebezpieczną sytuację na drodze lub wypadek zanim ten się wydarzy.

2. Zdrowie

Monitorowanie pracy serca – to przykład tożsamy z poprzednim, tyle że tutaj nie mamy kamery, a czujniki, które zbierają informacje o zachowaniu serca (częstotliwości uderzeń, itp.) pacjenta. Dzięki temu, że urządzenie do monitorowania pracy serca może komunikować się z serwerem firmy farmaceutycznej, która ją wyprodukowała, dane o pacjencie (oczywiście anonimowo) są porównywane z innymi wynikami z całego świata. Dzięki temu czujniki mogą w porę zaalarmować człowieka, że jego tętno zbliża się do niebezpiecznego poziomu, po którym może nastąpić np. wylew, zawał, lub po prostu zatrzymanie akcji serca. Tak niewielkich rozmiarów urządzenie może uratować życie.

Niecodzienne zachowania ciała – podobnie zresztą działają niektóre inteligentne opaski sportowe i inteligentne zegarki, które obserwując odstające od normy zachowanie ciała (przykładowo, ktoś zemdlał, albo porwała go lawina w górach i w błyskawicznym czasie przebył kilkaset metrów), może poinformować o tym wypadku konkretne osoby zapisane w książce telefonicznej lub automatycznie zadzwonić na numer ratunkowy 112 / 911. Jedną z takich sytuacji przedstawia w swojej reklamie Apple opowiadając o trzech historiach, które wydarzyły się naprawdę.

3. Zakupy online

Amazon, Allegro, Ceneo – praktycznie każdy większy sklep internetowy, portal aukcyjny, a nawet porównywarka cenowa korzysta z technologii uczenia maszynowego. Ogromną rolę odgrywają w tym słynne ciasteczka (cookies), które „zapamiętują” jakie strony przeglądaliśmy wcześniej, które sklepy odwiedzaliśmy i jakim produktom najdłużej się przyglądaliśmy. Nie wspominając o tym, co wcześniej po prostu kupiliśmy. Na podstawie takiej „mapy” zakupów, algorytmy potrafią wywnioskować jakie inne rzeczy mogłyby nam się przydać, spodobać, i jakie być może chcielibyśmy kupić. Takie sekcje na stronie jak „klienci kupili również”, „zazwyczaj kupowane razem”, lub „zobacz także” to teoretycznie może być podsumowanie koszyków zakupowych innych, poprzednich klientów sklepu… ale może to też być uszyta na miarę, w 100% pod nas, zachęta do zrobienia jeszcze większych zakupów, bo uczenie maszynowe potrafi przewidzieć (z różnym skutkiem) nasze zachowania i preferencje zakupowe. Jak widać, z machine learningiem w codziennym życiu jest jak z nożem – bywa pomocnym narzędziem, może też być narzędziem zbrodni. Wszystko zależy od nas, jak będziemy korzystać z funkcji samouczenia się maszyn.

4. Biznes

W biznesie, niezależnie od wielkości firmy, machine learning może zrewolucjonizować pracę kilku działów, a nawet całej firmy. Analizując dane organizacji (sprzedaż, logistyka, finanse, marketing, itd.) uczenie maszynowe może przewidzieć np.:

  • ile śladu węglowego wytworzymy przy produkcji lub transporcie
  • w którym momencie zużyje się część na hali produkcyjnej
  • o ile podrożeją lub stanieją materiały do produkcji
  • jak będzie się zmieniać cena i popyt na konkretny produkt
  • i nie tylko!

Uczenie maszynowe pomaga analitykom dostrzec obszary wcześniej niezbadane lub przeoczone, a wszystko to – na bieżąco, w czasie rzeczywistym. I choć należy przy tym pamiętać, że sztuczna inteligencja wciąż się uczy np. kreatywności (albo odróżniania psa od muffinki) i potrzebuje wsparcia człowieka, to jest dla każdego analityka lub użytkownika biznesowego nieocenionym wsparciem.

Jeśli chcesz dowiedzieć się więcej o zastosowaniach systemów BI w firmie, skontaktuj się ze mną.

Zdjęcia: https://unsplash.com/ & https://pl.freepik.com/

Oryginalny artykuł znajdziesz tutaj.

Talent to liczby, czyli zastosowanie data science w sporcie

Czy można na podstawie statystyk zbudować idealny zespół baseballowy, piłki nożnej, albo koszykówki? Idealny – nie. Ale wygrywający mecz za meczem – tak. Jak to zrobić? Potrzeba niewiele, wystarczy odpowiednie wprowadzenie, przetworzenie i wizualizacja danych.

Kompletując drużynę do baseballa, łowcy talentów, tzw. „skauci”, managerowie i trenerzy głównie upatrują w graczach:

  • Średniej ilości uderzeń (pałkarzy)
  • Jakości tych uderzeń*
  • Liczbie asyst ofensywnych**
  • Skradzionych baz

Billy Beane, główny manager amerykańskiego zespołu Oakland’s Athletics, w 2001 roku, zmienił podejście do baseballu, którego to przedstawiciele sportu kurczowo trzymali się swojej strategii tworzenia drużyn od prawie 150 lat.

Billy skonstruował nowy model dream teamu, skupiając się na takich czynnikach jak:

  • Uderzenia (ilość zdobytych baz podzielona przez ilość możliwych uderzeń)
  • Procent zdobycia bazy (zależna od różnych zmiennych takich jak siła uderzenia, błędy obrony, wybory obrońców, przeszkadzanie łapacza)

Skąd tak drastyczna zmiana myślenia i autorskie podejście do najsilniej zakorzenionego w USA sportu?

Po pierwsze, jeśli nie wiadomo o co chodzi – chodzi o pieniądze. Zespół Oakland’s Athletics miał około 3-krotnie mniejszy budżet od niepokonanych Jankesów z Nowego Jorku (40 mln$ kontra 120 mln$), więc nie mógł sobie pozwolić na nonszalanckie zakupy najpopularniejszych graczy z ligi.

Po drugie, w czasie swoich wojaży po innych drużynach, w trakcie negocjacji transferu zawodników, poznał niepozornego Petera Branda, który w kuluarach powiedział, że jego zdaniem podejście decyzyjnych managerów w baseballu jest od dziesiątek lat błędne. Wtedy wypowiedział kultowe dziś słowa: „Twoim celem nie powinno być kupowanie graczy. Twoim celem powinno być kupowanie zwycięstw. Aby kupować zwycięstwa musisz kupować przebiegi” [run = zdobycie punktu].

Na drugi dzień Bill zatrudnił Petera, którzy razem zasiedli do autorskiego oprogramowania Petera, służącego do analizy olbrzymiej ilości danych. Oraz, co równie ważne, do wizualizacji tych danych, które były niemal bezużyteczne bez odpowiedniej obróbki i przygotowania.

Wyobraźmy sobie 162 mecze w sezonie, w którym ściera się ze sobą łącznie 30 drużyn po 25 graczy:
162 x 30 x 25 = 121.500

Daje nam to minimum 121.500 istotnych do analizy liczb i statystyk (punkty, bazy, faule, wybicia, uderzenia, itp.) w sezonie. Wyłącznie przy teoretycznym założeniu, że każdy gracz tylko raz wykona rzut, raz uderzy piłkę, raz dobiegnie do bazy, itd. Zatem w praktyce danych do pozyskania z jednego sezonu jest znacznie więcej. Peter musiał dodatkowo wziąć także pod uwagę przynajmniej kilka ostatnich sezonów, ponieważ spora część graczy nadal była aktywna w lidze.

Statystyk musiał więc wprowadzić ogromną ilość danych (miliony wierszy), dokonać ekstrakcji tych najważniejszych i dodatkowo przedstawić je w taki graficzny sposób, żeby Billy zrozumiał jego tok rozumowania i strategiczne założenia budowania nowej drużyny na nadchodzący sezon.

Peter dostrzegł, że cała liga baseballowa kieruje się głównie kupowaniem graczy, którzy mają wysoką średnią uderzeń i wysoki współczynnik home run. Jego zdaniem – jak się okazało, słusznie – wystarczyło skupić się na graczach, którzy mają wysoki współczynnik zdobywania baz, po prostu. Takich graczy było więcej na rynku i byli dużo tańsi. Co więcej, można było jeszcze popracować nad ich umiejętnościami zwiększając skuteczność w zdobywaniu baz.

Efekt? Oakland’s Athletics zostało pierwszą drużyną w historii baseballu, która wygrała 20 meczy z rzędu, bez ani jednej porażki. Drużyna zdobyła również 4 tytuły American League West.

Co ciekawe:

  • Dane graczy amerykańskiej ligi baseballowej były ogólnodostępne od 1960 roku, ale nikt nie korzystał z nich w odpowiedni sposób.
  • W Indiach, w krykiecie, każda drużyna posiada swojego analityka od tzw. „analityki efektywności” graczy opierającej się na 4 głównych danych.
  • W NBA, w 2008 roku, z analizy danych korzystało 5 drużyn. Od 2016 roku każda z 30. drużyn zatrudnia na stałe analityków danych.
  • E-sport od początku istnienia korzysta z analizy danych do szczegółowego wglądu w najsilniejsze i najsłabsze strony zawodników, ich zachowania i czas reakcji w konkretnych sytuacjach, miejscach i pozycjach, w których najlepiej i najgorzej sobie radzą.

Najważniejszy jednak morał jest następujący: Peter miał niebywałe umiejętności programistyczne, statystyczne, oraz wysokorozwinięte myślenie matematyczne i logiczne, a wraz z Billym – biznesowe. Dziś, aby dokonać takiej (lub mniejszej, ale wciąż efektywnej i lukratywnej) zmiany, nie trzeba być alfą i omegą statystyki. Wystarczy odpowiednie oprogramowanie i ludzie, którzy płynnie się w nim poruszają. Takie jak narzędzia do Business Intelligence, które mają za zadanie z użytkowników biznesowych zrobić „mistrzów danych”.

*np. poza boisko pozwalających na tzw. home run czyli zaliczenie wszystkich baz i zdobycie punktu
**cecha statystyczna przypisywana pałkarzowi, równa ilości obiegów zdobytych przez zawodnika po uderzeniu piłki przez pałkarza

Jeśli chcesz dowiedzieć się więcej o zastosowaniach systemów BI w firmie, skontaktuj się ze mną.

Bibliografia:

Oryginalny artykuł znajdziesz tutaj.

Konferencja Qlik World 17-19.05.2022 – zapisz się!

Już za parę dni rusza trzydniowa światowa Wirtualna Konferencja Qlika pod nazwą: QlikWorld. Powinna odbyć się stacjonarnie w Denver, jednak po raz kolejny organizatorzy postanowili ją udostępnić za darmo dla nas wszystkich. Jeśli pracujesz z danymi na co dzień, masz w firmie Qlika lub podobny systemem BI – dołącz koniecznie! Zobacz jakie trendy wyznacza teraz BusinessIntelligence !

✔️ 𝗤𝗹𝗶𝗸 𝗣𝗼𝗿𝘁𝗳𝗼𝗹𝗶𝗼 – 𝗥𝗼𝗮𝗱𝗺𝗮𝗽 𝗮𝗻𝗱 𝗦𝘁𝗿𝗮𝘁𝗲𝗴𝘆 – Search for code: 667890 
✔️ 𝗧𝗵𝗲 𝗤𝗹𝗶𝗸 𝗧𝗿𝗮𝗻𝘀𝗳𝗼𝗿𝗺𝗮𝘁𝗶𝗼𝗻: 𝗧𝗵𝗲 𝗥𝗼𝗮𝗱 𝘁𝗼 𝗤𝗹𝗶𝗸 𝗖𝗹𝗼𝘂𝗱 – Search for code: 663113 
✔️ 𝗠𝗮𝗰𝗵𝗶𝗻𝗲 𝗟𝗲𝗮𝗿𝗻𝗶𝗻𝗴 𝘄𝗶𝘁𝗵 𝗤𝗹𝗶𝗸 𝗖𝗹𝗼𝘂𝗱 – Search for code: 662273 
✔️𝗔𝗿𝗰𝗵𝗶𝘁𝗲𝗰𝘁𝗶𝗻𝗴 𝗮 𝗦𝘂𝗰𝗰𝗲𝘀𝘀𝗳𝘂𝗹 𝗠𝗼𝗱𝗲𝗿𝗻 𝗔𝗻𝗮𝗹𝘆𝘁𝗶𝗰𝘀 𝗣𝗹𝗮𝘁𝗳𝗼𝗿𝗺 – Search for code: 664393
✔️ 𝗠𝗮𝗸𝗲 𝘁𝗵𝗲 𝗧𝗿𝗮𝗻𝘀𝗶𝘁𝗶𝗼𝗻 𝗮𝗻𝗱 𝗦𝗮𝘃𝗲 𝘄𝗶𝘁𝗵 𝗦𝗮𝗮𝗦 – Search for code: 667907
✔️ 𝗛𝗼𝘄 𝘁𝗼 𝗣𝗹𝗮𝗻 𝗳𝗼𝗿 𝗮 𝗤𝗹𝗶𝗸 𝗦𝗲𝗻𝘀𝗲 𝗘𝗻𝘁𝗲𝗿𝗽𝗿𝗶𝘀𝗲 𝗦𝗮𝗮𝗦 𝗗𝗲𝗽𝗹𝗼𝘆𝗺𝗲𝗻𝘁 – Search for code: 661149
✔️ 𝗢𝗽𝗲𝗿𝗮𝘁𝗶𝗼𝗻𝗮𝗹 𝗔𝗻𝗮𝗹𝘆𝘁𝗶𝗰𝘀 𝗳𝗼𝗿 𝗤𝗹𝗶𝗸 𝗥𝗲𝗽𝗹𝗶𝗰𝗮𝘁𝗲 𝗗𝗮𝘁𝗮 𝗣𝗶𝗽𝗲𝗹𝗶𝗻𝗲𝘀, 𝗮𝗻𝗱 𝗦𝗻𝗼𝘄𝗳𝗹𝗮𝗸𝗲 𝗣𝗲𝗿𝗳𝗼𝗿𝗺𝗮𝗻𝗰𝗲 𝗶𝗻 𝗤𝗹𝗶𝗸 𝗦𝗲𝗻𝘀𝗲 – Search for code: 663224

✔️ 𝗜𝗻𝘁𝗿𝗼𝗱𝘂𝗰𝗶𝗻𝗴 𝗡𝗲𝘄 𝗤𝗹𝗶𝗸 𝗦𝗲𝗻𝘀𝗲 𝗔𝘂𝘁𝗵𝗼𝗿𝗶𝗻𝗴 𝗘𝘅𝗽𝗲𝗿𝗶𝗲𝗻𝗰𝗲  – Search for code: 671451 

REJESTRACJA oraz tematy wszystkich sesji: https://www.qlik.com/qlikworld/sessions/breakout-sessions

👨‍🎓 Odbędą się również WARSZTATY (link). Zapisy do 15 maja. Póki co jest ok 30 osób zgłoszonych, w takich tematach:

👉 Introduction to Qlik Sense Enterprise SaaS
👉 Introduction to Qlik AutoML
👉 Hands on with Qlik Application Automation and Qlik Reporting Services

W trakcie trwania Qlik World można podejść do certyfikacji za 100 USD (bez promo 250 USD): https://home.pearsonvue.com/qlik/qlikworld

Ps. Z ciekawostek na liście państw przy rejestracji na tą konferencję oraz przy zakładaniu konta Qlik Cloud nie ma do wyboru ⛔️Rosji ani ⛔️ Białorusi. 👍

Data science i karaoke, czyli jak analizowało się dane pół wieku temu?

Wydawać by się mogło, że przed XXI wiekiem pojęcia „data science” i „analizy danych” owszem, istniały, ale nie miały tak szerokiego zastosowania jak dzisiaj. W latach 70’-80’ na przykład, rząd, służba zdrowia, wojsko, uniwersytety, oraz wszystkie inne organizacje, które mogły sobie pozwolić na komputery z odpowiednią mocą obliczeniową, z pewnością korzystały z przetwarzania danych. Nadal jednak w ograniczony i bardzo wolny sposób. A inne branże? Czy słowo „karaoke” to pierwsze co wpada do głowy po usłyszeniu „data science”? Raczej nie.

Tymczasem, pierwsze zestawy do karaoke powstały na początku lat 70’ ubiegłego wieku. „Zestawy”, bo do zabawy potrzeba było urządzenia, które = odtwarza podkłady muzyczne i wyświetla tekst + na dedykowanym ekranie + można do niego podłączyć mikrofony + i głośniki + oraz stację kaset do zmiany utworów (później zastąpioną nośnikiem LaserDisc). OK, wiemy jak działa karaoke, ale co to ma wspólnego z data science?

Powiedzieć, że analiza danych pochodzących z zestawów karaoke ukształtowała kierunek rozwoju muzyki popularnej w Japonii, to jak nic nie powiedzieć. W szczytowym momencie popularności karaoke w kraju kwitnącej wiśni puby i tzw. karaoke boksy odwiedzało przynajmniej raz w ciągu roku… 60.000.000 ludzi! To połowa populacji Japonii! Poza producentami sprzętów do karaoke i właścicieli pubów skorzystać na całym biznesie mógł ktoś jeszcze – twórcy muzyki.

W latach 70’ i 80’ Internet nie był tak powszechny jak dzisiaj (nie było jeszcze World Wide Web), nawet w najbardziej dojrzałym i zaawansowanym technologicznie kraju na świecie. Nie istniały jeszcze YouTube ani Spotify, a muzyczne telewizje i teledyski (rewolucyjny klip ‘Thriller’ Michaela Jacksona powstał w 1983 roku) dopiero raczkowały. Popularność piosenkarzy i zespołów muzycznych mierzono więc wyłącznie sprzedażą kaset i płyt oraz popytem na koncerty. Dziś wystarczy rzut oka na wyświetlenia filmu na YouTubie lub najpopularniejsze piosenki na Spotify, by wiedzieć, czego słucha konkretny kraj i cały świat.

W czasach świetności karaoke tę wiedzę w Japonii dostarczali producenci sprzętu do śpiewania. Nie były to jednak dane dostępne od ręki, „na żądanie”. Wyobraźmy sobie, że do każdego z kilkudziesięciu tysięcy pubów i karaoke boksów co jakiś czas musiał przyjeżdżać serwisant. Po pierwsze po to, aby naprawić ewentualne usterki, wymienić kable, mikrofony, itp. Po drugie po to, aby wgrać lub przywieźć na nośniku nowe utwory. Po trzecie wreszcie, aby zgrać z urządzenia informacje o tym, jakie utwory są odtwarzane najczęściej. Następnie, w centrali, informacje te były – ponownie ręcznie – zgrywane w jedno miejsce, obrabiane i przygotowywane do analizy, i poddane tej ostatniej. A wszystko, na domiar złego, na maszynach wolniejszych niż dzisiejsze kalkulatory, na skromnych w możliwości wizualizacji systemy a’la MS-DOS.

Pomnóżmy teraz kilkadziesiąt tysięcy sprzętów do karaoke * kilkaset piosenek = daje nam to minimum 5.000.000 wierszy informacji (miesięcznie!). Po starannym uporządkowaniu ich pod kątem wykonawców, konkretnych utworów i ilości odtworzeń = otrzymujemy największą w Japonii (a może i na świecie?) bazę danych o muzycznych preferencjach i upodobaniach odbiorców! Taki zbiór danych przekazany do wytwórni muzycznej lub dowolnego zespołu muzycznego był (i jest) na wagę złota. Dzięki temu, osoby odpowiedzialne za nagrywanie kolejnych hitów wiedzą jakie melodie, tempo, czy tematykę piosenki lubią najbardziej słuchacze.

Dziś nie dziwi nas fakt, że Coldplay albo One Direction to tzw. supergrupy założone na podstawie badań rynku lub specjalistycznego szkiełka i oka specjalisty. Ale prawie pół wieku temu takie mezalianse musiały szokować ludzi, zwłaszcza spoza Japonii. Jednoosobowe gwiazdy, duety, girlsbandy i boysbandy, a nawet zespoły rockowe były w kraju kwitnącej wiśni szyte na miarę (na podstawie danych z maszyn karaoke) jeszcze do wczesnych lat 00’.

Publiczne wykonywanie karaoke nie jest już tak popularne jak dawniej. W końcu każdy może to robić we własnym domu włączając YouTube’a. Dziś analiza potencjału gwiazdy lub grupy muzycznej to czysta statystyka dostępna za pomocą kilku kliknięć w ciągu kilku sekund. Dziś w modzie są utwory o długości 02:00 do 02:30 minut, z wyraźnie słyszalnym autotunem, ew. synthem, z maksymalnie dwoma zwrotkami i dwoma refrenami. Aby odkryć podobne zależności w czasach rozkwitu karaoke, pracownicy producentów sprzętu musieli te dane ręcznie zgrywać, wgrywać, łączyć i analizować. Bez graficznych wykresów, map ciepła, czy zaawansowanych funkcji. I cały ten proces trwał nie sekundami, minutami, ani nawet godzinami, lecz dniami!

Na szczęście, mamy dziś narzędzia do analizy danych. Takie, które nie tylko załadują i dokonają transformacji danych, ale również wizualizacji. Na dodatek, wszelkie anomalie (na przykład, ktoś odtworzył w jednym miejscu 1000 razy tę samą piosenkę) wychwycą w kilka milisekund. Całość zadziała na laptopie z hipermarketu.

Prekursorom data science (także tym od karaoke!) należy się ogromny szacunek i głęboki ukłon za ich osiągnięcia. A nam pozostaje się cieszyć, że żyjemy w wygodnych czasach.

Jeśli chcesz dowiedzieć się więcej o zastosowaniach systemów BI w firmie, skontaktuj się ze mną.

Bibliografia:

Oryginalny artykuł znajdziesz tutaj.

BPX zaprasza na webinar “Transformacja danych i automatyzacja procesów finansowo-księgowych bez pisania kodu!”

Zapisz się już dziś na webinar! Data: 31.03.2022   |   Start: godz. 10:00   |   Czas trwania: ok. 1h

Zarejestruj się, wypełniając formularz dostępny na stronie wydarzenia.

Monarch jest najszybszym i najprostszym rozwiązaniem do pozyskiwania danych z trudnych, słabo uporządkowanych źródeł (takich jak pliki PDF, arkusze kalkulacyjne, dane tekstowe), a także z danych Big Data oraz innych baz danych.

Monarch oczyszcza, transformuje, łączy i wzbogaca dane poprzez intuicyjny interfejs wolny od pisania kodu i skryptów.

Podczas prezentacji poznasz zespół Altair w BPX, zobaczysz jak działa na żywo narzędzie Altair Monarch, poznasz model licencjonowania, oraz dowiesz się jak możesz przetestować Altair Monarch (okres próbny, Proof of Concept).

Skrócona agenda:

1. Zastosowanie i możliwości Altair Monarch
2. Transformacja plików Excel i PDF.
3. Automatyzacja procesów.
4. Przepływ danych, architektura rozwiązania.
5. Licencjonowanie, okres próbny, Try Before Buying (Proof of Concept).

Pełna agenda:

1. Wstęp – Monarch jako narzędzie ETL i do automatyzacji procesów.
2. Źródła danych (bazy, web, pliki płaskie etc).
3. PDF jako źródło danych, porównanie raportu pdf i tego samego pliku w Design Report.
4. Trapping w PDF/Excel.
5. Dane statystyczne o załadowanych danych, możliwość wyciągania metadanych.
6. Możliwość wstępnej filtracji danych w preview i dalszej obróbki w Prepare. Pokazanie historii operacji po prawej stronie.
7. Łączenie źródeł danych i pozostałe transformacje.
8. Możliwości exportu do różnych systemów/formatów.
9. Serwer + podstawowy przepływ.
10. Monitorowanie folderu, scheduling, walidacja pliku wejściowego, alerting, dystrybucja plików, możliwość exportu do kilku systemów jednocześnie.

Zapisz się już dziś na webinar! Data: 31.03.2022   |   Start: godz. 10:00   |   Czas trwania: ok. 1h

Zarejestruj się, wypełniając formularz dostępny na stronie wydarzenia.