Чи потрібні спеціалісти з обробки даних у світі аналітики самообслуговування? - РЕЗУЛЬТАТ ДАНИХ

Чи потрібні спеціалісти з обробки даних у світі аналітики самообслуговування? – РЕЗУЛЬТАТ ДАНИХ

Мітка часу: 14 червня 2023 3:35
Вихідний вузол: 2731292
аналітика самообслуговуванняаналітика самообслуговування

Оскільки світ дедалі більше керується даними, компанії звертаються до самообслуговування аналітики, щоб дозволити бізнес-користувачам виконувати власні завдання аналізу даних. У аналітиці самообслуговування бізнес-користувачі можуть отримувати доступ до даних і аналізувати їх без допомоги чи підтримки з боку ІТ-персоналу чи фахівців із обробки даних. Прямий доступ до аналітичних платформ на базі ML дозволяє їм приймати кращі бізнес-рішення, аналізуючи поведінку клієнтів або визначаючи тенденції в реальному часі. 

За останні п’ять років повністю автоматизовані та напівавтоматичні системи програмного забезпечення стали більш надійними аналітика і звіти бізнес-аналітики (BI), ніж спеціалісти з обробки даних про людей. Оскільки технологія BI на основі штучного інтелекту рухається до повного самообслуговування, загальне занепокоєння спільноти Data Science полягає в тому, чи постійно зростаючий світ аналітики самообслуговування, Науковці даних про людину застаріють через наявність суперінтелектуальної аналітики та інструментів BI.

Чи є аналітика самообслуговування та бізнес-аналітика міфом?

Наразі багато завдань аналітики та бізнес-аналітики виконуються напівавтоматичними або повністю автоматизованими аналітичними платформами, особливо ті, що працюють на AI та інструменти машинного навчання (ML). Цікаво відзначити, що науковці з обробки даних домінували в галузі інтелектуального аналізу даних, поки нещодавно передові інструменти з підтримкою ML не взяли на себе багато завдань. Методи інтелектуального аналізу даних які роками пильно охоронялися фахівцями-людьми, тепер раптово замінені передовими інструментами машинного навчання. Ці інструменти можуть виявляти закономірності в даних, встановлювати кореляцію та отримувати необхідну інформацію, яка потрібна звичайним бізнес-користувачам.

Самообслуговування BI – це не міф, оскільки нинішні підприємства будь-якого розміру регулярно використовують пакети алгоритми машинного навчання для прийняття вигідних рішень. Економічність алгоритму залишається тут. Є дві очевидні переваги використання упакованих алгоритмів для бізнес-аналітики: вартість і миттєва доступність.

Дві помітні тенденції, які давно визначили світ бізнес-аналітики самообслуговування, все ще помітні: глибоке захоплення аналітикою за натисканням кнопки, а не функцією аналітики кодування, і заклопотаність віртуальними сховищами даних.

Роль спеціалістів із обробки даних у світі аналітики самообслуговування

У той час як «культура даних» швидко поширюється, науковці з обробки даних все ще додають переваги бізнесу, використовуючи технології, щоб надавати швидші та точніші рішення для всіх типів користувачів.

Революція самообслуговування BI приводить науковців у бізнес-коридор, де вони обговорюють складні питання аналітики з іншими співробітниками. Величезне зростання науковці з даних про громадян і інструменти машинного навчання призвели до зростання аналітики самообслуговування та самообслуговування BI. Це DATAVERSITY® стаття описує реальну подорож у бізнес-практику самообслуговування BI сьогодні. У ньому наголошується, що автоматизовані хмарні інструменти захопили роль бізнес-аналітиків і спеціалістів із обробки даних і віддали їх у руки дослідників даних громадян. Однак лише фахівець із обробки даних має кваліфікацію, щоб подолати розрив між «необробленими даними», отриманими з інтелектуальних платформ, і інформативними даними, що сприяють прийняттю рішень, що висвітлюються на інформаційних панелях. Пересічний бізнес-користувач може виконувати дещо більше, ніж просто фільтрувати та групувати дані у світі самообслуговування, але не може виконувати розширені завдання візуалізації.

Підготовка та вилучення даних ще залишаються найбільшими проблемами в автоматизованих платформах BI, а складні взаємозв’язки між багатьма пов’язаними технологіями, такими як Hadoop, великі дані, і виявлення даних становлять загрозу для доступу до технологій, їх використання та розуміння у світі самообслуговування. Термін «допоміжний BI» може бути кращим для опису майбутнього бізнес-аналітики самообслуговування. Крім того, безпека даних і управління даними виявилися складними питаннями у світі самообслуговування BI, для вирішення яких підприємствам доводилося вибирати між більш просунутими платформами BI або дорогі та добре навчені спеціалісти з обробки даних.

Підйом спеціалістів із даних громадян в Self-Service Analytics

Сьогодні звичайним бізнес-користувачам потрібні платформи самообслуговування, щоб швидко та легко виконувати свою роботу. Найголовнішою причиною цього трансформаційного переходу бізнесу в бік самообслуговування BI була загрозлива нестача кадрів у професії Data Science, прогнозована McKinsey багато років тому.

Дуже швидко компанії почали шукати шляхи вирішення цієї нестачі робочої сили, одним із яких було придбання, створення та розгортання аналітичних платформ самообслуговування та BI для задоволення своїх внутрішніх потреб. Звичайно, злиття технологій, як хмара, IoT та великих даних також зміцнив «життєздатність» платформ самообслуговування в довгостроковій перспективі. У цьому нещодавно розвиненому, автономному аналітичному світі громадянський фахівець із даних розглядається як партнер і співробітник для навченого фахівця з даних.

Data Scientist як співавтор на платформі бізнес-аналізу, що самостійно мислить

Наразі рішення бізнес-аналітики обслуговують два дуже різні сегменти споживачів: звичайних бізнес-користувачів і професійних ІТ-команд. У той час як бізнес-користувачі раді стати самодостатніми в звичайних аналітичних або BI-завданнях, члени ІТ-команд також в захваті від швидшого отримання глибокої інформації за допомогою автоматизованих або напівавтоматичних інструментів BI.

An AnalyticsInsights.net У статті досліджується, чи зникнуть спеціалісти з обробки даних із підприємства з раптовою появою вчених із обробки даних громадян. У цій статті є сильний натяк на те, що нарешті настане день, коли пересічний бізнес-користувач разом із надпотужними платформами машинного навчання може врешті-решт повністю замінити спільноту Data Science. 

За даними Всесвітнього економічного форуму, незважаючи на те, що нещодавні технологічні збої загрожують робочим місцям «білих комірців» у всьому світі, аналітики даних будуть затребувані в довгостроковій перспективі для допомоги платформам бізнес-аналітики самообслуговування.

Self-Service BI або Assisted BI: що більш досяжно?

Компанії повинні знайти користувачів, які розуміють як технології, так і бізнес-процеси, щоб забезпечити свій успіх у світі аналізу. У світі інтелектуальної аналітики компанії постійно шукають інструменти та рішення, які допоможуть їм зрозуміти величезні обсяги даних, які вони генерують. Однак неправильно керовані процеси аналізу можуть призвести до неточного уявлення та прийняття неправильних рішень. 

Саме тут на допомогу приходять необхідні спеціалісти з обробки даних – вони володіють навичками, необхідними для отримання значущої інформації з необроблених даних та інтерпретації складних кореляцій даних, які можуть бути неочевидними для звичайного користувача. Незважаючи на те, що останніми роками штучний інтелект та інші технології досягли значних успіхів, все ще існує потреба в науковцях з обробки даних, які можуть представити унікальну перспективу.

Спільнота Data Science відіграє важливу роль у вдосконаленні нашого розуміння даних і створенні нових інструментів для аналізу та відкриття в цьому світі BI, що постійно розвивається. економія алгоритму підштовхує бізнес-спільноти до «інсайтів» із простої інформації. Однак основною діяльністю, яка забезпечує розуміння бізнесу, є аналітика, і без розширеної аналітики чи інструментів бізнес-аналізу компанії зазнають краху в майбутньому світі глобальної конкуренції. Ось де вбудована аналітика вступають у гру. У проекті вбудованої аналітики необхідні аналітичні знання та кваліфікована робоча сила від початку до кінця. У діловому світі, де конкуренція зростає, знадобляться допоміжні аналітичні засоби разом із самообслуговуванням.

Аналітичні платформи самообслуговування сприймаються як «палиця з двома кінцями». Хоча легкість і потужність самообслуговування BI незаперечні, довгострокова придатність цих платформ з точки зору безпеки даних, управління даними та витоку даних становить серйозну проблему. Це означає, що для обслуговування цих систем будуть потрібні висококваліфіковані ІТ-команди.

Ризики та переваги самообслуговування BI

Найбільша перевага аналітики самообслуговування та платформи BI полягає в тому, що вона дає змогу звичайним бізнес-користувачам стати дослідниками даних громадян. Виконуючи свої повсякденні функції в строго обмежений час, бізнес-користувачі, безумовно, знаходять платформи самообслуговування зручними та доступними для отримання  їхня робота виконана без зайвої метушні.

Найбільшим недоліком або «ризиком» платформи самообслуговування є те, що користувачі можуть не отримати інформацію з доступних даних, неправильно інтерпретувати результати або неправильно застосувати інформацію. У той час як експерт з людських даних знає, як спілкуватися з машиною в разі проблем, середній бізнес-користувач не має таких навичок. У багатьох ситуаціях громадянський фахівець з даних все ще змушений звертатися до справжніх спеціалістів з обробки даних за допомогою та підтримкою.

Вибух даних, збільшення типів даних, нові технології та хмара склалися виклики самообслуговування аналітики, незважаючи на підготовку даних і інструменти доступу до них. Крім того, існують проблеми, які необхідно вирішити, пов’язані з безпекою даних і керування даними на аналітичних платформах самообслуговування. Загалом можна навести вагомі аргументи на користь «розподіленої BI-платформи», приділяючи повну увагу питанням безпеки та управління.

Висновок

У світі аналітики самообслуговування спеціалісти з обробки даних все ще потрібні для покращення бізнес-аналітики та допомоги компаніям у прийнятті кращих бізнес-рішень. Хоча аналітичні платформи самообслуговування дозволяють користувачам отримувати доступ і аналізувати дані самостійно, це обмежено знаннями користувачів про аналітичні методології. Науковці даних можуть покращити діяльність BI за допомогою прогнозної аналітики та потужних інструментів машинного навчання для створення прогнозної інформації. 

У світі аналітики самообслуговування бізнесмени тепер беруть на себе більше відповідальності за власні потреби в даних. Однак їм все ще потрібні групи експертів з даних, щоб знайти рішення. Науковці даних все ще важливі в цьому світі, оскільки користувачі потребують, щоб вони мали інформацію під рукою, коли вони ставлять запитання.

У той час як інструменти самообслуговування аналітики можуть допомогти бізнес-користувачам виконувати базові аналітичні завдання, спеціалісти з даних потрібні, щоб допомогти цим самим користувачам виконувати більш складні завдання та проводити глибоку аналітику. 

Зображення використовується за ліцензією Shutterstock.com

Часова мітка:

Більше від ПЕРЕДАЧА