هیچ کمبودی در تجزیه و تحلیل وجود ندارد، مخصوصاً از نوعی که علم داده، هوش مصنوعی و یادگیری ماشین می توانند ارائه دهند.
این‌ها فناوری‌هایی هستند که نه تنها می‌توانند حجم حیرت‌انگیز داده‌ها را معنا کنند، بلکه می‌توانند کارهای پیش پاافتاده را بر عهده بگیرند و مردم را آزاد کنند تا روی مشکلاتی تمرکز کنند که رایانه‌ها به سادگی نمی‌توانند آنها را حل کنند.
اما حتی در دنیایی که بیش از هر زمان دیگری به سرعت و کارایی وابسته است، اتوماسیون محدودیت هایی دارد. و در اپیزود 5 از سری ویدیوهای کنجکاوی Domo (به کلیپ زیر مراجعه کنید)، سه کارشناس داده -دونالد فارمر، مایک بوگمبه و رایان شراپ- درباره علت آن بحث می کنند.
رایان گفت: یک چیز، ماشین نمی تواند برای روابطی که شما با مشتریان یا مشتریان خود دارید ارزش قائل شود.
معاون ارشد تحقیقات شرکتی در US Bank گفت: «اگر همین الان به اعداد و ارقام بپردازیم، مشتریان را پایین آورده و اعتبار را از بین خواهیم برد. اما ما می دانیم که این نوع تصمیمات تأثیر شدیدی بر روابط ما با این مشتریان خواهد داشت.»
دونالد گفت، موضوع دیگری که باید در نظر گرفت این است که ما در دنیای بسیار متفاوتی نسبت به یک سال پیش زندگی می‌کنیم، که تقریباً غیرممکن می‌کند به اندازه‌ای که قبلاً بر داده‌های تاریخی تکیه می‌کردیم.
مدیر استراتژی TreeHive گفت: «وقتی به مجموعه داده‌های تاریخی نگاه می‌کنید، آنها در طول زمان تغییر می‌کنند، بنابراین نگرانی‌هایی که چند سال پیش داشتیم، حتی ممکن است در این مجموعه داده‌ها به گونه‌ای که بتوانیم شناسایی کنیم، گنجانده نشود.»
برای کمک به دونالد برای رسیدن به این نقطه، مایک مشکلات اخیر امتحان بریتانیا را مطرح کرد. به طور خلاصه، از آنجایی که دانش آموزان امسال به دلیل بیماری همه گیر نتوانستند در آزمون های پایان سال شرکت کنند، الگوریتمی برای پیش بینی نحوه انجام این کار ایجاد و پیاده سازی شد.
مایک که در لندن زندگی می‌کند و پرفروش‌ترین نویسنده کتاب شکستن کد داده است، می‌گوید: «این فاجعه‌بار بود. بنابراین، اگرچه ما پیچیدگی خود را در الگوریتم‌هایی که می‌توانند به ما در راه‌حل‌ها کمک کنند، افزایش داده‌ایم، هنوز فکر می‌کنم که در این مرحله، انسان‌ها ماشین بهتری برای داده‌های بزرگ هستند.
مایک گفت، برای اینکه سازمان‌ها به جایی برسند که از وعده داده‌ها و اتوماسیون حداکثر استفاده را ببرند، باید بتوانند بهترین چیزهایی را که انسان و ماشین به ارمغان می‌آورند به میز بیاورند.
او افزود: «ما واقعاً در آنجا سود بزرگی به دست خواهیم آورد و یک گام تغییر در توانایی خود برای تصمیم گیری درست خواهیم داشت.»
رایان موافقت کرد.
او گفت: «در US Bank، ما سخت تلاش می‌کنیم تا داده‌های بیشتری را به هر کاری که انجام می‌دهیم تزریق کنیم، زیرا می‌توانیم برخی از تصمیم‌های گرفته شده را بهینه کنیم و می‌توانیم آن را به گونه‌ای انجام دهیم که خطا ایجاد نکند». “اما در عین حال، ما همیشه به مدیران روابطمان نیاز داریم که آنچه را که داده ها به آنها می گوید را درک کنند و کار درست را با آن انجام دهند.”
چگونه تعادل مناسب را پیدا می کنید؟ رایان گفت: ابتدا افراد را گرد هم می‌آوریم تا درباره نحوه برخورد با نتایج حاصل از الگوریتم‌های خود صحبت کنند.
او افزود: “شما باید گفتگوهای عمیقی در مورد آن داشته باشید، و سپس استراتژی نحوه برخورد با آن را تعیین کنید.”
به نظر مایک، همه چیز با شناسایی تصمیمات کلیدی شما شروع می شود.
او گفت: «بسیاری از سازمان‌ها در تلاش هستند تا داده‌ها و هوش مصنوعی و تحلیل‌های واقعاً پیچیده را اعمال کنند، اما برای چه؟» آنها راه‌حل‌هایی دارند که واقعاً می‌توانند از تجزیه و تحلیل پشتیبانی کنند، اما تمام وقت خود را صرف یک مورد استفاده فانتزی می‌کنند که واقعاً ارزش بسیار کمی اضافه می‌کند.»
برای کسب اطلاعات بیشتر در مورد نقشی که اتوماسیون می‌تواند و باید در کمک به کاربران و سیستم‌ها در انجام اقدامات بهتر ایفا کند، Analytics Is Not Enough را تماشا کنید یا گوش دهید.