Vývoj analytických nástrojů

V posledních letech prošly analytické nástroje velkou revolucí. Na začátku byly sálové počítače, zpracování dotazů trvalo až měsíce. V 90. letech se objevily reportingové nástroje, ve kterých specialisté vytvářeli reporty dle požadavků, což zabralo týdny až měsíce práce. Toto řešení se často používá i dnes. Po roce 2000 se na trhu objevily revoluční vizualizační nástroje s přínosem moderních grafických prvků, ale také zjednodušenou prací s daty a samotným vytvářením reportů díky funkcionalitě „drag and drop“. I tak se ukázalo, že je třeba několikadenních školení a následné samostudium, aby si člověk dokázal vytvořit jednoduchý pohled na data. To stále není optimální řešení.

Obrázek 1: Vývoj analytických nástrojů, moderní nástroje už nevyžadují po uživateli znalost SQL nebo jiného skiptovacího jazyka.

Vyhledávání jako běžný způsob získávání informací

Doba se změnila s používáním moderních aplikací poskytujících zábavu, informace i různé služby. Tím se zvyšují nároky na fungování a způsob ovládání analytických nástrojů ve společnostech. Nikdo nechce věnovat spoustu času teorii, aby pochopil, jak reportingový nástroj funguje a mohl ho rozumně používat. Představte si situaci, kdy je třeba rychle během několika desítek minut odevzdat analýzu: „Proč došlo k propadu prodejů v konkrétním regionu?“ Uživatel, který reportingový nástroj používá zřídka, si jen těžko v tak stresové situaci vzpomene, jak se vytváří hezká vizualizace, natož jak fungují pokročilé funkce. Nakonec se vrátí ke staré osvědčené technice a graf si vytvoří v Excelu. Pravdou je i skutečnost, že společnosti nejsou ochotné investovat do časově náročného vzdělávání svých zaměstnanců, aby se s těmito nástroji seznámili a začali je aktivně používat.

Další překážkou je i to, že nikdo nechce čekat na odpověď na svou otázku několik dní nebo snad týdnů. Často ani nemůže, protože pokud dostane odpověď za několik dní, stává se, že je již informace zastaralá, irelevantní a společnost tak může přijít o konkurenční výhodu. I proto moderní analytické aplikace mění přístup k datům a umožňují klást dotazy formou vyhledávače tak, jak jsme zvyklí z jiných aplikací. Díky jednoduchosti použití může nástroj využívat pracovník na jakékoliv pozici, nejen manažer, jak tomu bylo doposud. A to vše bez nutnosti znalosti jak datového modelu, tak i ovládání analytického nástroje. Aplikace se tak stává opravdu samoobslužnou.

Obrázek 2: Analýza dat formou chatovací aplikace

Personifikace obsahu a notifikace při změnách v datech

Vstupujeme do další etapy – na rozdíl od současné situace, kdy lidé ze systémů získávají informace na základě definovaných požadavků – do etapy, kde systém automaticky navrhuje personifikovaný obsah. Systém je natolik chytrý, aby uživateli nabídl další zajímavé náhledy a informace, když se zrovna dívá na vizualizaci postavenou na základě uživatelského dotazu. A to vše jen díky tomu, že se kontinuálně učí a doporučuje obsah na základě chování koncového uživatele – zná jeho profil, role, historii vyhledávání. Je to podobné jako při nakupování online. Pokud hledáte nějaké zboží, systém vám okamžitě doporučí, co by se k produktu hodilo, případně co si při koupi tohoto produktu zakoupili jiní lidé. A to je přesně směr, jakým se ubírá i analytika. Nastává doba, kdy systém sám proaktivně upozorní člověka na informaci, kterou by měl znát, a přinese mu konkurenční výhodu.

Jan Bednář Autor článku je specialistou na AI-Driven analytiku ve společnosti Adastra.