Z oplemenitenjem podatkov do bogatega posla

Raba podatkov v poslovnih okoljih se »neusmiljeno« povečuje, v ospredje pa stopa kakovost podatkov. Sedenje na kupu neuporabnih podatkov je muka in poslovni strošek, oplemenitenje podatkov pa se lahko izkaže za zlato jamo.

Bržkone ste že slišali ali prebrali statistično ugotovitev, da smo ljudje kar 90 odstotkov podatkov na svetu ustvarili v zadnjih dveh letih. In še huje bo. Poplavo podatkov bo nadomestila eksplozija podatkov. Dobesedno. Količina, opisana kot 2,5 kvantilijona podatkov, se morebiti res sliši impresivno, a treba je vedeti, da večino predstavljajo »surovi« podatki. Preden iz njih dobimo uporabne informacije, ki bodo obogatile naša življenja ali nam pomagale do boljših poslovnih odločitev, jih moramo obdelati z napredno tehnologijo. Moramo jih oplemenititi.

Seveda so stopnje in postopki obogatitve podatkov različni. Podjetjem je na voljo vrsta orodij, ki se uporabljajo v tem procesu, katerega končni cilj je izboljšanje (kakovosti) podatkov. Včasih zadostuje že enostavno odpravljanje manjših napak pri vnosu podatkov, ko npr. vprežemo algoritem, ki odpravi tipkarske napake ali napačno črkovanje. Nekaj podobnega lahko dosežemo tudi v podatkovnih tabelah. Drugi zgled obogatitve podatkov ima opraviti z ekstrapoliranjem podatkov. Podatkovne metode, kot je t. i. mehka logika, skrbnikom zbirk podatkov in podatkovnim znanstvenikom omogočajo, da ustvarijo več uporabnih informacij iz danega nabora neobdelanih podatkov.

V svetu množičnih podatkov so se podjetja šele pred kratkim začela lotevati bogatitve podatkov, da bi izboljšali njihove poslovne vrednosti. Definicija plemenitenja podatkov se seveda razlikuje od podjetja do podjetja, saj imajo ta opraviti z edinstvenimi podatki in vsako zase zasledujejo svoje poslovne cilje. Podjetja brez podatkovnih znanstvenikov še niso nujno v zaostanku, saj so v zadnjih letih zrasli celo ponudniki storitev plemenitenja podatkov, kot so Lusha, Crunchbase, Trillium in drugi. Torej le izberejo ustreznega partnerja in mu kar se da natančno prenesejo svoje poslovne cilje.

Kdaj se lotiti plemenitenja podatkov?

Najlažje in tudi najbolj smotrno je podatke plemeniti že ob zbiranju in pred shranjevanjem oziroma obdelavo. Obdelava obogatenih podatkov prinaša boljše informacije in razumevanje podatkov, saj vodstvu in odločevalcem omogoči boljši vpogled v poslovanje in jim olajša sprejemanje poslovnih odločitev. Podjetje lahko na podlagi preprosto boljših informacij tudi bolje ustreže strankam, jim zagotovi boljše uporabniške izkušnje in tako pomembno izboljša prihodkovno stran poslovne enačbe.

Cilj podjetja je torej oplemenititi podatke, ki jih trenutno uporablja, ne glede na to, ali to stori na mestu zajema ali v že izdelani zbirki podatkov – dodajanje informacij iz drugega preverjenega vira informacij je tisto, kar pomaga ustvarjati dodano vrednost. Podjetje bo, oboroženo z nadgrajenimi podatki, bolje razumelo stranke in dogajanje na trgu in se ustrezno odzvalo. Lažje bo povezalo različne tržne in družbeno-ekonomske trende s svojim poslovanjem, »popredalčkalo« stranke in odkrilo nove poslovne priložnosti ali pa poskrbelo za zvišanje učinkovitosti dela zaposlenih. Ko podatki enkrat spregovorijo, jim je pač treba prisluhniti. Oplemeniteni podatki pa so podobni (zelo) pametnim ljudem – velja jim prisluhniti.

Naslednji korak – strojno učenje

Uporaba algoritmov za izboljšanje natančnosti podatkov je eden pogostejših načinov njihovega plemenitenja, a za preskok na novo kakovostno raven bo poskrbela tehnologija strojnega učenja. S strojnim učenjem pogosto povezujemo gradnjo prediktivnih modelov, ki ustvarjajo vpoglede, ki neposredno pomagajo menedžerjem pri odločanju.

Tehnologija strojnega učenja je tako pogosto del aplikacije za plemenitenje podatkov, navadno se uporablja za dodajanje uporabnih oznak ali drugega gradiva starim podatkom z namenom učinkovitejše rabe v analitičnih aplikacijah. V teh procesih se funkcija strojnega učenja izvaja na zgodnejših stopnjah analize ali plemenitenja podatkov. Pri obdelavi množičnih podatkov je včasih količina zbranih podatkov tolikšna, da »ročno« plemenitenje podatkov preprosto ne pride v poštev – takrat je zahtevni nalogi kos edino strojno učenje in razvrščanje podatkov.

Očitno je, da se bo z vse pogostejšo in intenzivnejšo obdelavo podatkov zvečala tudi kakovost teh. podatkov. Analitična orodja se že danes zdijo sposobna čudežev, rešitve, podprte s tehnologijami umetne inteligence, pa obljubljajo dobesedno »branje misli« in novo zlato mrzlico – tokrat podatkovne sorte.