چگونه هوش مصنوعی می‌تواند به رفع نقص‌های هوش تجاری کمک کند

منتشر شده در: forbes به تاریخ ۱۱ دسامبر ۲۰۲۰
لینک مطلب اصلی: How AI Can Help Surmount BI Shortcomings

شرکت‌ها در حال حاضر به ابزارهای هوش تجاری مانند Cognos, Tableau و Power BI برای چندین دهه تکیه کرده‌اند. این نوع نرم‌افزارها در چگونگی تولید گزارش‌ها، تحلیل آن‌ها و اتخاذ تصمیمات مهم (روزانه و بلند مدت) با هدف بهبود عملکرد بازار خود انقلابی ایجاد کردند. آن‌ها به ویژه سرعت کسب و کارها برای تولید اطلاعات و رسیدن به این تصمیمات را تغییر دادند.

اما در سال ۲۰۲۰، این ابزارها نشان دادند که عمر خود را کرده‌اند.

ابزارهای هوش تجاری کامل نیستند

وظیفه اصلی اغلب ابزارهای هوش تجاری کسب اطلاعات کسب‌وکار در مقابل کسانی است که باید بر روی آن عمل کنند. در عمل، این به معنی تولید گزارش‌ها یا ارایه داشبوردهای تعاملی است که داده‌های تجاری مهم را نمایش می‌دهند. مشکل این است که این ابزارها کار کمی برای انجام تحلیل و مشخص کردن مشکلات خاص انجام می‌دهند. این ضعف، ایجاد مشاغل جداگانه‌ای را ایجاب کرده‌است که حول بررسی از طریق گزارش‌ها و مدیریت داشبوردها می‌چرخد-تحلیلگران هوش تجاری تعمیم‌یافته و همچنین تحلیلگرانی که کل شغلشان مخصوص بس‌ترهای نرم‌افزاری خاص است.

سپس بسیاری از بنگاه های اقتصادی مجبور می شوند بین استخدام کارمندان اضافی برای تصمیم گیری و انجام کارهای ضروری یا ترک کارمند اصلی با دو شغل تمام وقت یکی را انتخاب کنند. کاربرانی که نیاز به تصمیم‌گیری روزانه در این زمینه دارند با صدها گزارش غرق شده‌اند که زمان را از عملیات‌هایی که برای سود بردن از این کسب‌وکار آموزش‌دیده اند، دور نگه می‌دارند. برخی از شرکت‌ها سرمایه غیر ضروری خود را صرف حقوق تحلیل‌گران می‌کنند.

کیفیت داشبوردها و گزارش‌ها هوش تجاری نیز کاملا وابسته به کیفیت کسانی است که آن‌ها را طراحی می‌کنند. در بیشتر سازمان‌ها، کارمندانی که داشبوردهای هوش تجاری را پیکربندی می‌کنند بخشی از هوش تجاری یا تیم‌های تجزیه و تحلیل هستند-این باعث می‌شود که آن‌ها در تحلیل کسب‌وکار متخصص شوند، اما آن‌ها به ندرت تلاش‌های روزانه کاربران نهایی را می‌دانند. این یکی از دلایلی است که گزارش‌ها اغلب بسیار پر بازده هستند و داشبوردها دارای پیکربندی‌های بی‌پایان هستند: کارمندانی که آن‌ها را می‌سازند به سادگی تا جایی که ممکن است اطلاعات را با جزئیات بیشتر فراهم می‌کنند، با تفکر کمی در مورد این که این اطلاعات چگونه در این زمینه مورد استفاده قرار خواهند گرفت.

یک نمونه بارز از این مشکل در خرده‌فروشی است که در آن تجار و خریداران از گزارش‌ها برای تحلیل برنامه KPI در طول زمان استفاده می‌کنند، سال به سال یا ماه به ماه را مقایسه می‌کنند و ناهنجاری‌ها مانند افت ناگهانی فروش دمپایی‌های اتاق‌خواب یا دوچرخه کودکان را شناسایی می‌کنند. آن‌ها اغلب با دسته‌های عظیمی از گزارش‌ها و یا داشبوردهای بی‌نهایت پیچیده مواجه هستند که آن‌ها باید ساعت‌ها وقت خود را صرف خرید و فروش کنند قبل از این که بتوانند به نتایج مورد نیاز برای ایجاد حرکات سودمند در طبقه فروش یا با تامین کنندگانشان برسند.

البته اپراتورها می‌توانند بازخوردی به تیم هوش تجاری یا تحلیلی خود ارایه دهند تا سودمندی گزارش‌ها و داشبوردهای خود را بهبود بخشند، اما متاسفانه، اغلب کسب و کارها مکانیزم ساده‌ای برای این کار ندارند. بازخورد به ندرت به اندازه کافی سریع گرفته می‌شود تا تغییرات با ارزش را ممکن سازد، و تفاوت بین اپراتورها به این معنی است که بعید است همان تویک‌ها به نفع هر کاربر نهایی باشد.

خط پایین این است که بیشتر سیستم‌های هوش تجاری گزارش‌های بسیار زیادی را ارایه می‌دهند و یا خیلی از داشبوردها را برای کاربر نهایی فراهم می‌کنند تا به طور واقع‌بینانه در تصمیمات تجاری خود ترکیب کنند. این امر منجر به این می‌شود که اپراتورها با تکیه‌بر ارزیابی‌های ناقص و ایجاد خطاهای کسب‌وکار بحرانی که سود را روی میز می‌گذارند، به نتایج متناقض دست یابند.

چگونه هوش مصنوعی می‌تواند کمک کند؟

ما قبلا در مورد این مطلب نوشته‌ایم که هوش مصنوعی به بهترین شکل برای جایگزینی انسان‌ها به کار نمی‌رود، بلکه برای کمک به آن‌ها و کارآمدتر کردن آن‌ها استفاده می‌شود.

انسان‌ها در موارد زیر بهتر هستند:

• اتخاذ تصمیمات کلیدی در مورد کسب‌وکار.
• نوآوری روی طرح‌ها و برنامه‌ها.
• ایجاد استراتژی‌های جدید و بهبود یافته.

هوش مصنوعی در موارد زیر بهتر است:

• انجام تنظیمات کاری روزانه.
• ساختار و سازماندهی داده‌ها.
• اولویت دادن به اقدامات انسانی.

با استفاده از قدرت انسان و هوش مصنوعی، ما می‌توانیم ابزارهای هوش تجاری بهتری ایجاد کنیم که به انسان‌ها اجازه دهد کاری را که در آن بهترین هستند انجام دهند در حالی که هوش مصنوعی بقیه کارها را انجام می‌دهد. رهبران تجاری می‌توانند از تفکر بالا برای بهبود کاربردهای هوش مصنوعی خود استفاده کنند و آینده‌ای را تصور کنند که در آن کارمندان بتوانند با بهترین توانایی‌های خود کار کنند.

برخی از بهترین کاربردهای هوش مصنوعی عبارتند از:

• اتوماسیون عملیات‌های دفتری که تمایل به برون سپاری به خارج از کشور دارند و یا زمان ارزشمندی را از کارکنان ماهر می‌گیرند.
• فرآیندهای خودکار مانند داده‌های محصول سوار شدن بر آن که انسان‌ها به سادگی نمی‌توانند مقیاس بگیرند.
• بهبود کیفیت اطلاعات در دسترس اپراتورها، کاهش زمان صرف‌شده آن‌ها در برخورد با ابزارهای  هوش تجاری.

که آخرین مورد، خلاقانه‌ترین مورد است. هوش مصنوعی به جای مدیریت کار تکراری و زمان بر ورق زدن از طریق گزارش‌ها و پیکربندی داشبوردها، می‌تواند از طریق ترابایت داده‌ها با سرعت‌های باور نکردنی جریان یابد: معاملات، اطلاعات محصول، تدارکات، داده‌های فروشنده، موجودی کالا و ذخیره اطلاعات خاص همه می‌توانند به سرعت و به طور موثر سازمان دهی و تحلیل شوند.

از همه بهتر، هوش مصنوعی می‌تواند این اطلاعات را به بینش‌های کوچکی تبدیل کند که در واقع برای اپراتورها برای تصمیم‌گیری در مورد خرید و استراتژی‌های فروش مفید هستند. با استفاده استراتژیک از هوش مصنوعی، اپراتورها می‌توانند به سرعت بر روی بی قاعدگی‌هایی که هوش مصنوعی تشخیص می‌دهد، عمل کنند و سازمان‌های خود را به هدف قرار دادن معیارهای کسب‌وکار بدون اتلاف وقت و پول نزدیک‌تر کنند.

اگر رهبران کسب‌وکار بتوانند تفکر خود را در مورد ابزارهای هوش تجاری و هوش مصنوعی دوباره شکل دهند تا کارمندان هوش تجاری، هوش مصنوعی و انسان بتوانند کاری را که در آن بهتر هستند انجام دهند، شرکت‌ها می‌توانند بسیار کارآمدتر شوند و با سرعت بسیار بیشتری نسبت به قبل دست به نوآوری بزنند.

ترجمه این مقاله با استفاده از ربات ترجمه آنلاین مقالات هوش مصنوعی انجام شده و بصورت محدود مورد بازبینی انسانی قرار گرفته است. در نتیجه ممکن است دارای برخی اشکالات ترجمه باشد.