Эксперт из машины: как ИИ расширяет возможности решений бизнес-аналитики

Человечество с каждым годом генерирует все больше информации. Как сообщает Statista, объем создаваемых, перехватываемых, копируемых и применяемых пользователями данных во всем мире достигнет 149 зеттабайт в 2024 г., а к 2028 г. превысит 394 зеттабайта. Для хранения одного зеттабайта данных требуется около 83 млн жестких дисков емкостью 12 терабайт, а общий объем цифровой информации, созданной человечеством в 2006 г., составлял 0,16 зеттабайт. Вручную анализировать такие огромные массивы данных невозможно, поэтому компании все чаще прибегают к решениям на базе ИИ. По прогнозам Market.us, к 2033 г. мировой рынок таких решений в области анализа данных достигнет $236,1 млрд по сравнению с $18,5 млрд в 2023 г., при совокупном годовом темпе роста (CAGR) в 29% в течение периода с 2024 по 2033 г.

«Использование ИИ в анализе данных подразумевает интеграцию технологий искусственного интеллекта, таких как алгоритмы машинного обучения, обработка естественного языка и прогнозная аналитика, в традиционные процессы анализа данных», ‒ рассуждают авторы исследования. Это расширяет возможности обработки больших объемов данных, выявления скрытых закономерностей и автоматизации процессов принятия решений. Аналитика, основанная на ИИ, все чаще используется в различных отраслях, включая финансы, здравоохранение, розничную торговлю и производство, для оптимизации операций, повышения качества обслуживания клиентов и улучшения продуктов и услуг, резюмируют аналитики Market.us.

В 2023 г. программное обеспечение занимало доминирующее положение (74,1%) на рынке аналитических решений на базе ИИ. Лидирующим регионом стала Северная Америка, где доходы профильных компаний в 2023 г. составили $7,3 млрд, это 39,5% от всей индустрии решений бизнес-аналитики на базе ИИ.

ИИ позволяет реализовать сценарий самообслуживания, когда сотрудник может работать в системе бизнес-аналитики без привлечения IT-специалиста. Это направление, которое развивают крупные международные вендоры, говорит Сергей Полехин, владелец продукта PIX BI, компания PIX Robotics. Применять ИИ можно для очистки и преобразования данных, формирования визуальных подсказок, упрощающих восприятие информации.

Есть и более продвинутые варианты использования ИИ, когда алгоритм учится на примере действий сотрудника в функциональных сценариях. После этого решение может само проделать часть необходимых операций. Еще одно направление – глубокая предиктивная аналитика. Она позволяет повысить точность и скорость принятия решений, заблаговременно выявляя и подсказывая закономерности в имеющихся данных и предлагая на их основе возможные варианты действий, рассуждает Полехин.

Одна из актуальных проблем для российского бизнеса ‒ замещение иностранных решений для бизнес-аналитики. Ранее для аналитики данных в реальном времени Т-Банк использовал продукт западного вендора Splunk, а в 2019 г. компания создала собственную платформу. Решение Sage Observability позволяет агрегировать и обрабатывать телеметрию ‒ так называемые машиногенерируемые данные (логи, журналы событий, метрики, трассировки) и использовать в самых разных сценариях, от мониторинга инфраструктуры до бизнес-процессов, информационной безопасности, анализа архитектуры, продуктовой и процессной аналитики, рассказал Николай Иванов, руководитель по развитию бизнеса департамента базовых технологий Т-Банка. Сейчас в контуре банка обрабатывается до 500 терабайт ежесуточно, а хранилище превышает 10 петабайт.

Одним из компонентов платформы Sage Observability является Anomaly Analyzer. Этот модуль позволяет в реальном времени отслеживать поведение метрик и сигнализировать, если поведение системы или процесса становится аномальным, например, возникают всплески показателей как в большую, так и в меньшую сторону. «Один из примеров: из-за ошибки в алгоритме расчета риска потребительского кредитования, произошедшего во время релиза, система начала выдавать одобрения чаще, чем нужно. Благодаря решению на базе ИИ эту ошибку обнаружили и устранили», ‒ рассказывает Иванов.

В рамках проекта по локализации BI-платформы для крупной российской продовольственной компании интегратор Рексофт создал единый источник данных для команды Data Science-специалистов заказчика. Все данные об изготовлении и потреблении продукции предприятия были перенесены из разных источников в один и структурированы для дальнейшего построения различных моделей на их основе. В качестве импортонезависимых инструментов для преобразования и анализа данных, разработки и эксплуатации моделей машинного обучения использовались «Яндекс DataProc» и DataSphere. В результате время на добавление новых источников данных и интеграцию со смежными системами сократилось в среднем на 20%.

Один из наиболее популярных сценариев использования ИИ ‒планирование бизнеса. Крупный российский производитель пропаната обратился к компании Softline Digital за решением по оптимизации планирования производства. Ранее планирование велось вручную, учитывались не все параметры. Задача заключалась в том, чтобы разработать систему планирования выпуска продукции для получения максимальной прибыли. Такая система была создана на базе ИИ-платформы AiLine Softline Digital. Она за секунды рассчитывает оптимальный план производства с учетом фактора прибыли, специфики и объема заказов, техобслуживания оборудования. Решение помогло компании минимизировать простой линий производства и производить больше продукции в меньшие сроки.

Для крупного производителя молочных продуктов Рексофт разработал модель прогнозирования цен на сырье. Предварительно было проведено исследование и анализ исторических данных цен и выявлены тренды в сезонности в различных кварталах. Модель была обучена на таких факторах, как историческая закупочная стоимость сырья, курсы валют, инфляция, ВВП, объем импорта сырья и другие факторы примерно за 10 лет. Модель позволяет рассчитать прогноз на год по каждому месяцу.

Крупная сеть супермаркетов решила внедрить систему на основе ИИ для анализа и прогнозирования спроса на продукты питания. ИИ анализировал большие объемы данных: сезонность, погодные условия, покупательские предпочтения, а также данные из CRM-системы по предыдущим продажам. В результате внедрения удалось сократить излишки на складах на 20%, снизить издержки на хранение и утилизацию просроченных товаров. «Клиент смог увеличить уровень доступности товаров на полках на 15%, а точность прогнозирования спроса выросла до 92%», ‒ рассказывает руководитель отдела мобильной разработки IT-компании SimbirSoft Людмила Гладких.

Источник: Ведомости

Изображение: Sergey Nivens/Shutterstock.com