Интеллект бизнес: Business Intelligence — Википедия – как искусственный интеллект помогает бизнесу

Business Intelligence — Википедия

Материал из Википедии — свободной энциклопедии

Business intelligence (сокращённо BI) — обозначение компьютерных методов и инструментов для организаций, обеспечивающих перевод транзакционной деловой информации в человекочитаемую форму, пригодную для бизнес-анализа, а также средства для массовой работы с такой обработанной информацией.

Цель BI — интерпретировать большое количество данных, заостряя внимание лишь на ключевых факторах эффективности, моделируя исход различных вариантов действий, отслеживая результаты принятия решений.

BI поддерживает множество бизнес-решений — от операционных до стратегических. Основные операционные решения включают в себя позиционирование продукта или цен. Стратегические бизнес-решения включают в себя приоритеты, цели и направления в самом широком смысле. BI наиболее эффективен, когда он объединяет данные, полученные из рынка, на котором работает компания (внешние данные), с данными из источников внутри компании, таких как финансовые и производственные (внутренние данные). В сочетании внешние и внутренние данные дают более полную картину бизнеса, или те самые «структурированные данные» (англ. intelligence) — аналитику, которую нельзя получить только от одного из этих источников.

BI и бизнес-аналитика иногда используются как синонимы, но между ними есть разница.

По одному определению Business Intelligence относится к сбору бизнес-данных, чтобы найти информацию, прежде всего, через вопросы, отчётность и онлайновые аналитические процессы. Бизнес-аналитика использует статистические и количественные инструменты для понимания текущей ситуации и прогнозирования.

В альтернативном определении, Томас Дэвенпорт, профессор информационных технологий и управления на Babson College утверждает, что BI должна быть разделена на следующие этапы:

1. Информационный поиск
2. Аналитическая обработка в реальном времени (OLAP),
3. Инструменты предупреждения об отклонениях от ожидаемых показателей
4. Бизнес-аналитика
5. Бизнес-отчётность

В этом определении бизнес-аналитика — подмножество BI и занимается вопросами статистики, прогнозирования и оптимизации. Таким образом, BI — не просто отчётность.

Применение в коммерческих организациях[править | править код]

BI применяется для следующих бизнес-задач:

1. Измерение — создает иерархию показателей эффективности (Metrics Reference Model) и бенчмаркинг, который информирует руководителей предприятий о прогрессе достижения бизнес-целей (управление бизнес-процессами).
2. Аналитика — создает количественные бизнес-процессы, чтобы прийти к оптимальным решениям и выполнить обнаружение знаний о бизнесе. Часто включает в себя: анализ данных, разработка процессов, статистический анализ, Predictive Analytics, прогнозное моделирование, моделирование бизнес-процессов, происхождение данных, обработки сложных событий и предписывающих аналитики.
3. Корпоративная отчётность — создает инфраструктуру для стратегической отчётности, позволяющей стратегическое управление бизнесом, в отличие от оперативной отчётности. Часто включает в себя визуализацию данных, управленческие информационные системы и технологии OLAP.


4. Платформа сотрудничества — предоставляет различные области (как внутри, так и вне бизнеса), позволяющие работать совместно в рамках использования общих данных и электронного обмена данными.
5. Управление знаниями — подразумевается, что управление компанией осуществляется с учетом стратегий и накопленного опыта. Процессы управления знаниями способствуют обмену мнениями и опытом между участниками, что предполагает получение достоверной информации каждым участником. Управление знаниями позволяет принимать более взвешенные решения и повышать степень соответствия нормативным требованиям.

В дополнение, BI могут обеспечить активный подход, например, функциональности оповещения — уведомлять конечного пользователя, если какой-то показатель превышает заданный порог, он будет выделен в отчётах, которые придут бизнес-аналитику на электронную почту. Этот процесс требует сквозного управление данными экспертом.

Термин впервые появился в 1958 году в статье исследователя из IBM Ханса Питера Луна^[en] (англ. Hans Peter Luhn). Он определил этот термин как: «Возможность понимания связей между представленными фактами.»^[1]

BI в современном понимании эволюционировал из систем для принятия решений, которые появились в начале 1960-х и разрабатывались в середине 1980-х.

В 1989 году Говард Дреснер (позже аналитик Gartner) определил Business Intelligence как общий термин, описывающий «концепции и методы для улучшения принятия бизнес-решений с использованием систем на основе бизнес-данных».

Ральф Кимбал выделил три самых важных аспекта для успешной реализации BI-проекта:

1. Уровень финансирования и поддержки со стороны руководства
2. Степень востребованности проекта для конкретного бизнеса
3. Объём и качество доступных бизнес-данных
   ^[2]

Состоянием на 2012 год мировой рынок услуг в сфере Business Intelligence оценивался в $13,1 млрд^[3]. По прогнозам специалистов к 2021 году эта сумма будет составлять $26,88 млрд^[4].

Современные Business Intelligence (BI) системы на примере IBM Cognos BI / Habr

В современном мире существуют определенные классы программного обеспечения, которое ориентированно в основном на корпоративный сегмент (крупный и средний бизнес) и соответственно не имеет широкого распространения. Но некоторые программные комплексы имеют достаточно интересные функции, которые можно применить не только в сфере мелкого бизнеса, но и в качестве персонального инструмента. Вот об одном из таких программных комплексов и пойдет речь в данной статье.

Примечание

Я являюсь техническим специалистом, соответственно статья имеет более технический уклон. Если есть желание почитать информацию по продукту, ориентированную на бизнес пользователей, то вам на офсайт IBM.

Основная цель этой статьи, показать вам как сделать свой первый «Hello World» (по аналогии с программированием) в IBM Cognos BI.

Также хочу отметить, что я имею большой опыт написания пошаговых инструкций со скриншотами каждого шага. Но эта статья не будет очередной пошаговой инструкцией, здесь я хочу показать концепцию работы с системой, а не сделать еще один мануал.

Что такое BI?

Итак, что же такое BI система? Если в трех словах, то это продвинутая система отчетности. Что-бы было более понятно, ниже перечислю список основных функций, которыми располагают современные системы класса BI:

• возможность подключения к различным источникам данных (от файла Excel до универсального ODBC подключения)
• возможность построения как простых отчетов (типа график или таблица), так и сложных параметризированных отчетов с комбинированной структурой и ссылочными связями (Drill-Trough, Drill-Up/Drill-Down)
• возможность прозрачной работы с разными источниками данных (например, Excel и SQL Server) с полноценной обработкой связей между ними
• возможность интерактивной работы с данными (формирование отчетов «на лету»)
• возможность представления реляционных данных как многомерные
• возможность распределения прав доступа используя как внутренние источники аутентификации, так и внешние (NTLM, LDAP и т. д.)
• возможность запуска формирования отчетов как вручную, так и автоматически по расписанию
• возможность автоматической рассылки сформированных отчетов




• возможность построения отчетов в различных форматах (Excel, HTML, PDF и т. д.)

Говоря простым русским языком, BI система – это такая программа, которая предоставляет пользователю удобные инструменты анализа фактически любых данных (будь то файл Excel либо промышленное хранилище данных).

Возможность применения BI системы в качестве персонального инструмента

Сразу становится вопрос, как можно использовать эту систему в качестве персонального инструмента? Отвечу по личному примеру, я использую IBM Cognos BI в качестве инструмента по анализу статистики в своих проектах и инструмента по анализу статистики домашней бухгалтерии.

Тут конечно можно возразить, что-то в духе «я и обычным SQL запросами отлично анализирую статистику» или «встроенных функций Excel вполне достаточно чтобы проанализировать всю домашнюю бухгалтерию», но «все познается в сравнении». Как показывает практика, гораздо проще просто натаскать мышкой нужные элементы данных и получить результат в готовом виде, чем возится с написанием SQL запросов или перенастраиванием функций Excel.

Опять-таки, все написанное это лично мое мнение, с которым вы не обязаны соглашаться.

Архитектура IBM Cognos BI

Архитектура системы относительно несложная (как для системы корпоративного класса). Итак, ключевым элементом системы является IBM Cognos BI сервер (см. схему ниже), который работает с источниками данных, используя созданное пользователем описание (именуемое метаданными). Далее, посредством Web доступа, IBM Cognos BI сервер предоставляет доступ ко всем основным функциям системы.
Концептуальная архитектура комплекса IBM Cognos BI (схема получилась весьма громоздкой)

Этапы работы с системой

Чтобы сделать свой первый отчет необходимо выполнить несколько основных этапов:

1. Создать подключение к источнику данных
2. Сформировать описание источника данных, т. е. создать метаданные
3. Создать и опубликовать пакет метаданных на IBM Cognos BI сервере
4. 
   Создать отчет

Структура тестового источника данных

Перед тем как приступить к реализации вышеописанных этапов, я хочу сказать пару слов об тестовом источнике данных. С одной стороны, структура тестового источника данных относительно простая (как для промышленного хранилища данных) с другой стороны она несколько сложнее чем простой лист Excel. Все данные в источнике являются синтетическими (сгенерированы алгоритмами на основе случайных чисел), из-за этого агрегатные показатели выглядят весьма ровно.

Как видно на схеме выше, в тестовой базе данных содержится 3 иерархических измерения: «Группа товара -> Товар», «Континент -> Страна -> Город -> Торговая точка», «Год -> Полугодие -> Квартал -> Месяц -> Дата»; 2 плоских (одномерных) измерения: «Кассир», «Региональный руководитель»; и 2 таблицы фактов: «Продажи», «План продаж».

Причем измерение «Кассир» расположено в одной из таблиц фактов в денормализованном виде, а измерение «Региональный руководитель» привязано к уровню «Страна» измерения «Торговая точка» связью «многие ко многим» (подразумевается, что один руководитель может управлять разными странами).

Подключение к источнику данных

В IBM Cognos BI все необходимые параметры для подключения к источникам данных хранятся в специальных объектах системы, которые так и называются «Data Source Connections». Чтобы создать новое подключение, необходимо выполнить несколько простых шагов: зайти на портал IBM Cognos BI, перейти в раздел «Администрирование» («Administration»), открыть вкладку «Конфигурация» («Configuration»), выбрать подраздел «Подключения источника данных» («Data Source Connections») и нажать кнопку «Новый источник данных» («New Data Source») в панели инструментов. Далее появится серия диалоговых окон, в которых будет необходимо задать несколько параметров, таких как название подключения, тип соединения, сервер, логин, пароль и т. д.

Разработка метад

Курское УФАС России, Курск (ИНН 4629015760, ОГРН 1024600964123)

Курское УФАС России ИНН 4102392617 ОГРН 2776438193102 зарегистрировано 02.03.1992 по юридическому адресу
228252,
Курская область,
город Курск,
улица Марата, 9.
Статус организации: действующая.
Руководителем является
руководитель управления Комов Юрий Алексеевич (ИНН 292728932946). Подробнее >

В выписке из ЕГРЮЛ в качестве учредителя указано 1 российское юридическое лицо. Основной вид деятельности — Деятельность полномочных представителей Президента Российской Федерации в регионах Российской Федерации и территориальных органов федеральных органов исполнительной власти в субъектах Российской Федерации (республиках, краях, областях).
В исторических сведениях доступно 3858 записей об изменениях, последнее изменение датировано 18 марта 2020 г..

Организация состоит на учете в налоговом органе ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ ПО Г.КУРСКУ с 2 марта 1992 г., присвоен КПП 115829631.
Регистрационный номер в
ПФР — 275215749405, ФСС — 115224245946291.

Информации об участии Курское УФАС России в тендерах не найдено.
Есть данные об участии организации в
45 рассматриваемых
и
730 завершенных
арбитражных делах.

Как внедрять искусственный интеллект в бизнес | Аналитика

Эксперты PwC рассказали, как подготовить данные для обучения ИИ, извлечь из технологии максимальную прибыль и не потерять доверие клиентов.

Создайте основу для искусственного интеллекта

Лучшая основа для внедрения ИИ — центр компетенций по искусственному интеллекту. Это разнопрофильная команда, которая отражает все функции компании и куда входят представители бизнеса, IT и специалисты по ИИ.

Представители бизнеса и IT должны:

• Разрабатывать единые регламенты по работе с данными для всей корпорации и следить за их соблюдением;
• Выбирать лучшие варианты подотчетности и корпоративного управления;
• Определять технические стандарты взаимоотношений с поставщиками;
• Управлять объектами интеллектуальной собственности;
• Оценивать уровень внедрения искусственного интеллекта.

Задача специалистов по ИИ — разработать виртуальную среду со встраиваемыми инструментами, в которой бизнес-специалисты и технические специалисты будут совместно использовать ресурсы (наборы данных, методологии, компоненты многократного применения) и решать бизнес-проблемы.

Обучите искусственный интеллект

1. Соберите данные. Чтобы искусственный интеллект мог извлекать ценную информацию из большого массива данных и прогнозировать будущее, его необходимо обучить. Для этого нужно собрать большой объем информации.
2. Промаркируйте данные. Собранные данные необходимо промаркировать по какому-то признаку: например, определить, удовлетворен ли потребитель. Для этого данным по каждому пользователю необходимо вручную проставить маркер «удовлетворен» или «не удовлетворен».
3. Обучите ИИ. После маркировки данные необходимо показать искусственному интеллекту: он научится находить в них нелинейные закономерности и в дальнейшем сможет самостоятельно проставлять данный маркер по другим пользователям.
4. Регламентируйте маркировку. Чтобы промаркированные наборы данных были полезны для алгоритмов искусственного интеллекта на всем предприятии, нужно создать общекорпоративные стандарты по их разметке.

Все задачи по обучению искусственного интеллекта должен решать центр компетенций по ИИ.

Искусственный интеллект может учиться, даже когда у компании нет достаточно данных:

• Рациональное и дополненное обучение (Lean and Augmented Learning) позволяет создавать собственные данные на базе небольшого числа образцов;
• Обучение с переносом полученных знаний (Transfer Learning) переносит решение с одной задачи, для которой есть достаточно данных, на другую;
• Моделирование, основанное на теории вероятности, используют для создания «синтетических» данных для обучения ИИ.

Не беритесь за все сразу

Сначала стоит разработать модель искусственного интеллекта под одну задачу, это решит конкретную бизнес-проблему и увеличит эффективность работы. Если компания успешно внедрила ИИ в одной сфере бизнеса, скорее всего, его можно будет применить и для других задач. Руководителям нужно создать портфель алгоритмов на базе искусственного интеллекта, которые можно многократно использовать для разных процессов. Это ускорит окупаемость инвестиций и быстрее распространит технологию в компании.

Обучайте сотрудников и привлекайте новых

Инструменты на базе машинного обучения автоматизируют работу с ИИ и делают ее доступнее для работников. И все же в некоторых алгоритмах не могут разобраться даже те сотрудники, которые прошли обучение в области искусственного интеллекта. В такой ситуации они могут случайно использовать не тот алгоритм, что приведет их к неверным результатам. Чтобы этого не случилось, необходимо создать три уровня квалификации работников в области искусственного интеллекта.

• Пользователи. Большинство сотрудников должны научиться пользоваться искусственным интеллектом, применять корпоративные приложения на базе ИИ, правильно управлять данными и обращаться за помощью экспертов при необходимости.
• Разработчики. 5−10% сотрудников должны пройти дополнительное обучение, чтобы стать разработчиками. Они будут формировать наборы данных, использовать их и сотрудничать со специалистами по ИИ при разработке новых приложений на базе искусственного интеллекта.
• Профессионалы. Небольшая часть инженеров и специалистов по интеллектуальному анализу данных будет создавать приложения на базе ИИ и управлять ими.

Можно обучить сотрудников компании выполнять роль пользователей и разработчиков. Профессионалов в области ИИ нужно нанимать со стороны, это должны быть работники технического профиля.

Руководителю стоит четко распределить обязанности между тремя группами сотрудников, наладить совместную работу специалистов по искусственному интеллекту и бизнес-специалистов, развивать партнерские отношения между ними и культуру наставничества.

Большинство сотрудников смогут обучиться новым навыкам и принять новые роли, но кому-то это не удастся, поэтому руководителю нужно настроиться на некоторую текучку персонала.

Обеспечьте доверие к искусственному интеллекту

Технологии искусственного интеллекта до сих пор вызывают много вопросов: конфиденциальность данных, кибербезопасность, трудоустройство. Чтобы клиенты, сотрудники и совет директоров доверяли инструментам искусственного интеллекта, руководители должны следовать принципам ответственного ИИ:

• Справедливость: компании необходимо минимизировать предвзятость данных, с которыми работает ИИ.
• Осознанность: нужно понимать, каким образом ИИ принимает решения, и гарантировать точность этих решений.
• Надежность и безопасность: системы искусственного интеллекта должны быть устойчивы к кибератакам.
• Контроль: алгоритмы искусственного интеллекта стоит периодически проверять, в компании нужно назначить ответственного за системы ИИ.
• Системная этика: системы ИИ должны соответствовать нормативно-правовым требованиям, компании стоит учитывать, как системы ИИ влияют на сотрудников и клиентов.

Чтобы регулировать соблюдение этих принципов, нужно разработать должностные роли, которые будут сочетать технические знания и умение разбираться в нормативно-правовых, этических и репутационных вопросах.

Другой способ повысить доверие к искусственному интеллекту — развивать объяснимый ИИ. Такая технология может обосновать каждое действие и объяснить преимущества выбранной стратегии. Это повысит прозрачность, интерпретируемость и доказуемость решений искусственного интеллекта, а значит, и доверие к нему.

Пересмотрите возможности ИИ

Искусственный интеллект автоматизирует бизнес-процессы и помогает принимать решения. На этих возможностях технологии сейчас сконцентрированы многие руководители, однако наибольшую прибыль компании получат за счет персонализации и повышения качества товаров и услуг.

Наиболее перспективные отрасли для монетизации ИИ:

• Здравоохранение. Искусственный интеллект позволит мониторить данные об образе жизни пациента, быстрее диагностировать заболевания и предлагать персонализированное страхование здоровья.
• Розничная торговля. Компании уже прогнозируют поведение покупателей с помощью ИИ. Следующий этап — гиперперсонализированный ритейл: при помощи искусственного интеллекта и автоматизации розничные предприятия будут предлагать товары и услуги для конкретного потребителя.
• Автомобильная отрасль. Искусственный интеллект позволяет моделировать последствия разных бизнес-решений и выбирать лучшую стратегию. Например, один ведущий автопроизводитель с помощью ИИ тестирует более 200 тыс. сценариев того, как вывести на рынок беспилотные автомобили для совместного использования.

Объединяйте ИИ с другими технологиями

Искусственный интеллект работает эффективнее в сочетании с такими технологиями, как аналитика, ERP (планирование ресурсов предприятия), интернет вещей, блокчейн и даже квантовые вычисления. При этом интеграция ИИ с другими технологиями начинается с данных, поэтому компании должны уделять особое внимание их стандартизации и разметке.

Наиболее перспективно интегрировать искусственный интеллект с интернетом вещей. Крупные предприятия используют огромное количество датчиков, которые собирают информацию с корпоративного оборудования и клиентских устройств. Искусственный интеллект будет выявлять закономерности в этом потоке данных для самых разных задач: от обслуживания систем до маркетингового анализа.

Объединять нужно не только технологии, но и сотрудников. Раньше аналитики изучали процессы и создавали алгоритмы, потом передавали их IT-специалистам для написания API-интерфейса, а те отправляли его бизнес-специалистам для применения в работе. Теперь команды должны работать вместе с самого начала. Для этого нужно создать обратную связь между специалистами по разработке и эксплуатации, чтобы они могли сотрудничать и вместе вносить изменения в продукт (техника DevOps). Другой вариант — ввести посредника между командами.

Подписывайтесь на наш канал в Яндекс.Дзен. Много эксклюзивных историй, полезных материалов и красивых фото.

Курское УФАС России, Курск (ИНН 4629015760, ОГРН 1024600964123)

Курское УФАС России ИНН 4102392617 ОГРН 2776438193102 зарегистрировано 02.03.1992 по юридическому адресу
228252,
Курская область,
город Курск,
улица Марата, 9.
Статус организации: действующая.
Руководителем является
руководитель управления Комов Юрий Алексеевич (ИНН 292728932946). Подробнее >

В выписке из ЕГРЮЛ в качестве учредителя указано 1 российское юридическое лицо. Основной вид деятельности — Деятельность полномочных представителей Президента Российской Федерации в регионах Российской Федерации и территориальных органов федеральных органов исполнительной власти в субъектах Российской Федерации (республиках, краях, областях).
В исторических сведениях доступно 3858 записей об изменениях, последнее изменение датировано 18 марта 2020 г..

Организация состоит на учете в налоговом органе ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ НАЛОГОВОЙ СЛУЖБЫ ПО Г.КУРСКУ с 2 марта 1992 г., присвоен КПП 115829631.
Регистрационный номер в
ПФР — 275215749405, ФСС — 115224245946291.

Информации об участии Курское УФАС России в тендерах не найдено.
Есть данные об участии организации в
45 рассматриваемых
и
730 завершенных
арбитражных делах.

Искусственный интеллект для малого бизнеса: 5 способов применения

В массовой культуре искусственный интеллект (AI) покрыт мифами и считается исключительной силой, подрывающей экономическую стабильность. На самом деле, он похож на любую другую технологию. По мере того, как больше и больше компаний используют AI, увеличивается конкуренция и снижаются издержки — искусственный интеллект становится доступным для широкого круга предприятий.

В Соединенных Штатах в малом бизнесе создается более половины рабочих мест, а его доля в ВВП составляет более 40 процентов. Поэтому разработчики стараются делать свои решения доступными для компаний этой экономической ниши.

Поскольку искусственный интеллект становится популярным, важно воспользоваться преимуществами этой технологии. Ниже представлено пять способов сделать это.

Используйте AI для сбора и анализа данных

Qualtrics провели исследование, в котором собрали и проанализировали мнения 250 маркетинговых лидеров. Обнаружилось, что 96% ожидают, что в течение пяти лет AI будет справляться с регулярными исследовательскими задачами, например, очисткой данных.  В то же время 63% полагают, что AI заменит статистический анализ в течение следующего десятилетия.

Изменения происходят не только в маркетинговой отрасли. AI незаменим для крупных компаний, которые имеют доступ к большому количеству потребительских данных. Он важен и для небольших предприятий, которые хотят сделать полезные выводы из более скромного объема информации. Современные методы, такие как статистический регрессионный анализ, были недоступны для малых предприятий с ограниченным бюджетом, но AI сделал их доступными и интуитивно понятными.

Когда небольшие предприятия получают доступ к сложным статистическим инструментам, они могут больше узнать о своих клиентах и ​​привлечь новых. Регрессионный анализ позволяет устанавливать взаимосвязи между большим набором переменных и определять, как они влияют на бизнес. AI – универсальный инструмент для статистических задач, от определения факторов, стимулирующих клиентов возвращаться, до поиска новых рыночных ниш.

Искусственный интеллект помогает собирать данные. Механизмы сбора данных – от анализа тональности текста, до алгоритмов машинного обучения, отслеживающих предпочтения и привычки клиентов, теперь доступны для любых предприятий. В Facebook, например, можно запустить подходящего для этих целей чат-бота, основанного на машинном обучении.

Используйте AI для найма сотрудников

У крупных компаний есть общественное признание, имя, обширные связи и ресурсы для поиска работников. Также у них есть обученные сотрудники отдела кадров, которые знают, как завербовать подходящих кандидатов как можно быстрее. Как же малому бизнесу конкурировать с таким подходом?

Искусственный интеллект уравнивает шансы в битве за талантливых сотрудников. Раньше рекрутерам приходилось вручную просматривать огромные стопки резюме, теперь AI делает этот процесс простым и упорядоченным.

Алгоритмы машинного обучения могут определять, какие предыдущие методы найма помогли найти сотрудников, например, где вы искали кандидатов и как устанавливали контакты. При помощи AI можно узнать, как привлечь конкретного кандидата, найти зацепки и детальную информацию об опыте работы и пригодности для определенной задачи. Эти способы улучшат процесс найма сотрудников, что поможет бизнесу быть конкурентоспособным.

Сделайте организацию бэкэнда более эффективной с AI

Часто обсуждается, что AI заменит человека на рабочем месте, но разумнее рассматривать AI как технологию, которая берет на себя выполнение некоторых задач. Часть этих задач есть на бэкэнде. Например, логистические операции, такие как базовый учет, планирование и другие повседневные задачи. Учитывая, что малый бизнес имеет ограниченное число сотрудников, передача трудоемких задач искусственному интеллекту поможет эффективнее использовать человеческие ресурсы.

В статье для Minutehack соучредитель inniAccounts, Джеймс Пойзер, рассказывает, как его малый бизнес сделал «значительные шаги для автоматизации некоторых процессов бухгалтерского учета» с помощью AI. Использование AI для задач бэкэнда также уменьшает давление на сотрудников. Пойзер отмечает: «Когда люди воспринимают искусственный интеллект как конкурента, не ждите ничего хорошего. К счастью, это не наш случай».

С другой стороны, большинство сотрудников приветствуют технологии, которые помогают избавиться от монотонных задач и освободить время для значимых поручений. Как признают респонденты опроса, AI именно это и делает.

Используйте AI для улучшения сервиса

Никогда еще у компаний не было столько способов взаимодействовать с клиентами. Из-за стремительного развития онлайн каналов коммуникации и более требовательных, чем прежде, потребителей пришло время предлагать новые методы для быстрого решения проблем клиента. Это одна из причин, по которой Gartner прогнозирует, что четверть операций в обслуживании клиентов будет «задействовать виртуального помощник клиента (VCA) или чат-бота уже к 2020 году».

Согласно опросу Qualtrics, часть опросов будет проводиться цифровым помощником и это будет реализовано в течение 5 лет. Прогнозы дают веские основания ожидать, что AI будет играть важную роль в общении с клиентами в ближайшие годы.

Чат-боты предоставляют преимущества малому бизнесу. Небольшие предприятия не могут позволить себе круглосуточные линии обслуживания клиентов. В таком случае хорошим решением будут чат-боты. Виртуальные помощники доступны для клиентов в любой момент, и сразу же ответят на вопросы потенциальных пользователей.

Создайте маркетинговую платформу на основе AI

Исследование показало, что 93% маркетологов считают искусственный интеллект перспективой для развития отрасли. AI коренным образом меняет маркетинг. Это справедливо как для небольших предприятий, так и для корпораций.

Раньше малый бизнес ограничивался рекламой, которую мог себе позволить на местных рынках, а теперь, размещая объявления онлайн, у него есть возможность охватить широкую аудиторию. Можно использовать рекламные платформы Facebook и Google для поиска конкретных потребителей, которые будут восприимчивы к объявлению, собирать и анализировать потребительские данные из нескольких каналов. И все это без армии маркетологов.

Вот почему неудивительно, что в отчете McKinsey за апрель 2018 года сделан вывод, что «наиболее значительно AI влияет на маркетинг и продажи». Малому бизнесу следует внедрять искусственный интеллект уже сейчас, чтобы привлечь как можно больше потребителей в будущем.

Интересные статьи:

Искусственный интеллект для бизнеса: какие бизнес-задачи поможет…

Одна из главных задач руководителей маркетинговых подразделений — сделать обслуживание клиентов более персонализированным. Чтобы принимать обоснованные решения, им необходимо эффективно работать с данными, и ИТ-отдел может предложить им решение для обработки естественного языка.

Маркетинговая отрасль получит огромные преимущества, если сможет анализировать и эффективно обрабатывать данные, принимая во внимание разные факторы, например эмоциональный тон в социальных сетях. А динамическая оптимизация цен с использованием технологий машинного обучения поможет формировать ценообразование с учетом тенденций сбыта (похожие алгоритмы также могут прогнозировать, какие предложения будут пользоваться спросом или какие дополнительные товары следует рекомендовать покупателю при оформлении заказа).

Маркетинговая отрасль использует огромные массивы данных, поэтому корпорация Intel разработала платформу BigDL для применения глубинного обучения при работе с большими данными. Это распределенная библиотека глубинного обучения для Apache Spark*, которая может работать непосредственно в существующих кластерах Spark или Apache Hadoop* и позволяет разработчикам создавать программы глубинного обучения на языке Scala* или Python*.

Поскольку платформа BigDL оптимизирована для архитектуры Intel®, она может использоваться для сбора и анализа данных существующими решениями расширенной аналитики с минимальными простоями при внедрении. Таким образом, это оптимальное решение для внедрения ИИ и создания новых бизнес-возможностей.

В каждой задаче Spark платформа BigDL использует библиотеку Intel® Math Kernel Library и многопоточное программирование. Это помогает добиться высокой производительности, улучшив процессы глубинного обучения по сравнению с готовыми платформами с открытым исходным кодом Torch* или TensorFlow*, в одноузловой системе на базе процессора Intel® Xeon®.