Новые инструменты AI делают BI умнее и гораздо полезнее

Демократизация науки о данных: то, что раньше занимало месяцы подготовки специалистов по работе с данными, скоро может быть собрано за несколько дней продвинутыми бизнес-пользователями.

 

Компании, которые хотят внедрить на предприятиях машинное обучение для анализа данных, несколько неожиданно встречаются со своим старым другом. Системы бизнес-аналитики, в основном предназначенные для анализа прошлой деятельности, дооснащаются искусственным интеллектом, чтобы добавить прогностические функции в их возможности отчетности.

Symphony Post Acute Network – одна из таких организаций. Медицинская компания, которая имеет 5000 мест в 28 медицинских учреждениях в штате Иллинойс, Индиана и Висконсин, хотела использовать искусственный интеллект и машинное обучение для улучшения ухода за 80 000 пациентами в год, восстанавливающихся после процедур, таких как операция на колене или лечение диализом. Например, частые обращения пациента в центры медицинского обслуживания могут быть индикатором того, что он особенно подвержен риску опасных падений и поэтому требует дополнительных мер предосторожности.

Поиск таких индикаторов, которые могут быть отдельными точками данных или тонкими шаблонами данных, является идеальным вариантом использования для машинного обучения. Но создание моделей – это непростая работа.

«Меня засыпали вопросами о прогнозировании, – говорит Натан Патрик Тейлор, директор по науке о данных и аналитике в Symphony Post Acute Network. – Но даже если я бы тратил каждую минуту своей жизни на создание моделей машинного обучения, я не смог бы успеть сделать все это».

Таким образом, компания наняла еще двух специалистов по данным. «И они обходились недешево, – говорит Тейлор. – Но мы все равно не получали нужного результата. Это было очень сложно и дорого».

Два года назад Symphony начала искать коммерческие альтернативы, продавцов, у которых уже были готовые модели машинного обучения. Теперь компания берет данные, уже собранные в хранилище данных, отправляет их через облачные AI-механизмы от своего поставщика DataRobot, и результаты каждые четыре часа возвращаются в информационные панели Microsoft PowerBI. «Сразу же я получил то что нужно, мой ИТ-директор получил то что нужно, и мы были просто поражены, – говорит Тейлор, – и это было похоже на волшебство».

Сегодня 240 врачей и медсестер получают прогнозы и рекомендации прямо на своих панелях PowerBI, к которым они могут получить доступ через планшеты и смартфоны. Так, например, пациенты с более высоким риском падения автоматически помечаются значком лестницы. Пациенты с высоким риском повторной госпитализации отмечаются значком скорой помощи.

Продолжение читайте у нас на сайте.

Что такое BI? Стратегии и решения BI

Что такое Business intelligence?

Business intelligence (BI) использует программное обеспечение и службы для преобразования данных в полезную информацию, которая информирует о стратегических и тактических бизнес-решениях организации. Инструменты бизнес-аналитики получают доступ к наборам данных и анализируют их, а также выводят результаты анализа в отчеты, сводки, панели мониторинга, графики, диаграммы и карты, чтобы предоставить пользователям подробные сведения о состоянии бизнеса.

Чем BI отличается от BA?

Business intelligence также называют описательной аналитикой, поскольку она описывает прошлое или текущее состояние. «Она не говорит вам, что делать; она говорит вам, что было и что есть», – говорит Майкл Ф. Горман, профессор операционного управления и науки принятия решений в Университете Дейтона в Огайо.

Сравните это объяснение business intelligence (BI) с определением business analytics (BA) – технологического процесса, с помощью которого программное обеспечение анализирует данные для прогнозирования того, что произойдет (прогнозная аналитика) или что может произойти при использовании определенного подхода (предписывающая аналитика). BA также иногда называют передовой аналитикой.

Как работает бизнес-аналитика? 

Размерные модели – логические или физические?

Размерные модели данных существовали в течение очень долгого времени, почти наверняка их происхождение восходит к первоначальному проекту Data Cube, затеянного Dartmouth University и General Mills в конце 1960-х годов. Привлекательность размерного моделирования проистекает из очевидной простоты моделей и естественного способа, с помощью которого как бизнесмены, так и технические специалисты могут понять, что означают модели. 

Размерные модели имеют два совершенно разных выражения: логическое и физическое. Чисто логическим выражением является пузырьковая диаграмма.

Поле в центре всегда представляет измерения событий, например, позиции строки заказа в примере. Мы называем это фактами. Пузырьки вокруг края представляют естественные размеры, связанные с измерениями событий. В логической модели пузырьковой диаграммы очень мало технического контента базы данных, но много ...

Продолжение у нас на сайте

Основные принципы метода Кимбалла

Большинство рекомендаций в методе Кимбалла для проектирования, разработки и развертывания системы DW/BI состоит именно в этом: руководство. Есть сотни или тысячи правил во многих книгах Kimball Group, и я признаю, что на протяжении десятилетий нарушала многие из них, сталкиваясь с противоречивыми целями или неприятными политическими реалиями.

Размерная модель – это ключевое преимущество

Метод Кимбалла, описанный во втором издании книги «Инструментарий жизненного цикла данных», ориентирован на размерную модель. Принципы размерного моделирования являются наиболее известным вкладом Ральфа Кимбалла и Kimball Group в мир бизнес-аналитики. Наше внимание сосредоточено на этом, потому что хорошая размерная модель абсолютно необходима для успеха вашего предприятия DW/BI. Если вы правильно подберете модель и правильно произведете ее интеграцию, все остальное – просто.

Размерное моделирование – это групповая деятельность

Даже лучший специалист по размерному моделированию создаст плохую размерную модель, если он работает в одиночку. Многомерное моделирование – это не просто групповое действие, а групповое действие, в котором должно участвовать сообщество бизнес-пользователей. За прошедшие годы мы бесчисленное количество раз отказывались от консалтинговых запросов на разработку модели без учета бизнеса. Или, что еще хуже, боролись за мучительные проекты, когда обещанное участие бизнес-пользователей так и не состоялось.

Это, несомненно, важнейшее требование пользовательского сообщества. Наш процесс проектирования обычно занимает 50-60 часов в течение 4-6 недель (или более, в зависимости от сложности проекта). Люди, участие которых необходимо в проектных сессиях, чрезвычайно важны для получения положительного результата. Но если их не убедить вложить время и энергию, полученная система в итоге не сможет работать эффективно.

Размерная модель самая лучшая спецификация для системы DW/BI

Светлое будущее

Хранение данных никогда не было более ценным и интересным занятием, чем сейчас.

 Принятие решений на основе данных настолько фундаментально и очевидно, что нынешнее поколение бизнес-пользователей и разработчиков/конструкторов хранилищ данных не может представить себе мир без доступа к данным. Я все время подавляю в себе желание рассказывать истории о том, как это было до 1980 года.

Но это время перемен в практике хранения данных. Важно, чтобы «хранение данных» всегда охватывало сбор бизнес-потребностей и перечисление всех информационных активов организации в самом широком смысле. Если хранение данных когда-либо будет сводиться только к представлению текстовых и числовых данных из транзакционных систем записи, то будут потеряны огромные возможности.

Хранение данных определило архитектуру для публикации необходимых данных лицам, принимающим решения, и эта архитектура имеет имена: размерное моделирование, таблицы фактов, таблицы измерений, суррогатные ключи, медленно меняющиеся измерения, согласованные измерения и многое другое.

Большие изменения происходят сегодня в деловом мире: новые потоки данных из социальных сетей, бесплатные сообщения, датчики и счетчики, устройства геопозиционирования, спутники, камеры и другие записывающие устройства. Бизнес-пользователи ожидают принятия решений на основе...

Продолжение

Медленно меняющиеся измерения (часть 2)

Владелец хранилища данных должен решить, как реагировать на изменения в описаниях размерных сущностей, таких как «Сотрудник», «Клиент», «Продукт», «Поставщик», «Местоположение» и другие. За 30 лет изучения этого вопроса, я обнаружил, что необходимы только три различных типа реакций. Я называл эти медленно меняющиеся размеры (SCD) типами 1, 2 и 3. В прошлой статье, я описал Тип 1 (SCD Type 1), который перезаписывает измененные данные в измерении. В этой статье я разберу типы 2 и 3 (SCD Type 2 и SCD Type 3).

Тип 2 (SCD Type 2): добавление новой записи измерения

Давайте изменим сценарий предыдущей статьи, где я переписал поле «Город проживания» в записи сотрудника Ральфа Кимбалла, и предположим, что Ральф Кимбалл действительно переехал из Санта-Крус в Боулдер-Крик 18 июля 2008 года. Предположим, что наша политика заключается в точном отслеживании домашних адресов сотрудников в хранилище данных. Это классическое изменение SCD Type 2.

SCD Type 2 требует, чтобы мы выпустили новую запись сотрудника для Ральфа Кимбалла с 18 июля 2008 года. Это имеет много интересных побочных эффектов, а каких - узнаете у нас на сайте! Продолжение

Медленно меняющиеся измерения (часть 1)

Понятие времени пронизывает каждый уголок хранилища данных.

Большинство фундаментальных мер, которые мы храним в наших таблицах фактов, являются временными рядами, которые мы тщательно аннотируем метками времени и внешними ключами, соединяющимися с измерениями календарных дат. Но эффект времени не ограничивается только временными метками активностей. Все другие измерения, связанные с таблицами фактов, включая фундаментальные сущности, такие, как «Клиент», «Продукт», «Услуга», «Условия», «Местоположение» и «Сотрудник», также зависят от времени.

Как администраторы хранилищ данных, мы регулярно сталкиваемся с откорректированными описаниями этих объектов. Иногда откорректированное описание просто исправляет ошибку в данных. Но часто оно представляет собой настоящее изменение в определенный момент времени какого-либо элемента, например, «Клиента» или «Продукта». Поскольку эти изменения поступают неожиданно, от случая к случаю, и гораздо реже, чем изменения в таблице фактов, мы называем этот раздел – разделом медленно меняющихся измерений (SCDs).

Три типа

Удивительно, но за более чем 30 лет изучения временной дисперсии измерений, я обнаружил, что хранилище данных нуждается только в трех основных реакциях, когда сталкивается с откорректированным или обновленным описанием элемента измерения.

Продолжение