Zrozumienie biznesu:
przekształcanie celów biznesowych w mierzalne pytania
Zrozumienie biznesu to pierwsza faza procesu data science według CRISP-DM: cele biznesowe stają się mierzalnymi pytaniami. Wspólnie definiujemy, na jakie pytania powinny odpowiedzieć Państwa dane.
Dlaczego zrozumienie biznesu jest kluczowe
Bez spisanego celu nie ma niczego, na czym model mógłby przejść albo polec.
Definicja celów
Wspólne wypracowanie jasnych, mierzalnych celów biznesowych z określonymi kryteriami sukcesu.
Zaangażowanie uczestników
Zaangażowanie wszystkich istotnych perspektyw, od działów specjalistycznych po kierownictwo.
Wykonalność
Realistyczna ocena dostępności danych i oczekiwanej wartości.
Od celu biznesowego do pytania analitycznego
Cel biznesowy to kierunek: mniej zwrotów, mniej nieplanowanych przestojów, mniej odejść. Model potrzebuje pytania, na które da się odpowiedzieć z danych i które przewiduje dokładnie jedną wielkość. To przełożenie, definicja celów, jest właściwą pracą w zrozumieniu biznesu, pierwszej fazie według CRISP-DM. Trzy przykłady z naszych przeliczonych przypadków użycia, wszystkie trzy to obliczenia modelowe dla fikcyjnych firm:
| Cel biznesowy, jak pada w pierwszej rozmowie | Pytanie analityczne | Zmienna docelowa |
|---|---|---|
| „Chcemy mniej zwrotów.” | Jakiej części zwrotów jeansów z powodu dopasowania da się uniknąć, jeśli klient przy zakupie dostanie rekomendację właściwego rozmiaru? | Rozmiar zatrzymany albo odesłany dla każdego klienta i kroju; kryterium sukcesu jest wskaźnik zwrotów w każdej kategorii |
| „Nasze maszyny zbyt często ulegają nieplanowanym awariom.” | Która instalacja ulegnie awarii w najbliższych tygodniach z jakim prawdopodobieństwem i ile dni ostrzeżenia zostaje na okno konserwacyjne? | Moment awarii z historii konserwacji, do tego przebieg czujników przed nią |
| „Odchodzi nam zbyt wielu kierowców.” | W których grupach kierowców rośnie ryzyko odejścia w najbliższych 90 dniach? Ocena tylko na poziomie grup, z radą pracowników od początku. | Odejście w ciągu 90 dni dla każdego kierowcy, raportowane dla grupy |
Każdy wiersz ustala trzy rzeczy: zmienną docelową, czyli wielkość, którą model ma przewidywać, populację, dla której obowiązuje predykcja, i horyzont czasowy. Czego brakuje w wierszu, tego brakuje później w modelu. Jeśli zmienna docelowa nigdy nie była rejestrowana, bo na przykład nikt nie zapisał, jaki rozmiar klient zatrzymał, nie ma modelu, jest tylko statystyka. Jak z pierwszego wiersza powstaje model w procesie zamówienia, pokazuje przypadek użycia obniżenie zwrotów dzięki rekomendacji rozmiaru.
Predictive maintenance: zobaczyć awarię, zanim nastąpi Przewidywanie rotacji kierowców: rozpoznać grupę na granicyKryteria sukcesu: co dobry model oznacza dla Państwa biznesu
Kryterium techniczne mówi, jak dobrze model trafia: wskaźnik trafień, recall, średni błąd. Kryterium biznesowe mówi, co to oznacza dla Państwa: uniknięte zwroty w każdej kategorii, planowane zamiast nieplanowanych godzin przestoju, zapobieżone odejścia. W fazie 1 ustalamy oba, razem z przełożeniem jednego na drugie. W przykładzie kierowców recall 60 procent oznacza: model rozpoznaje z wyprzedzeniem trzy z pięciu nadchodzących odejść. Czy ten odsetek wystarczy, rozstrzyga nie statystyka, lecz Państwa rachunek: ile kosztuje odejście i ile kosztuje przeplanowanie zmian.
Reguła linii bazowej
Drugie ustalenie to linia bazowa: jak dobre jest dzisiejsze rozwiązanie bez modelu? Doświadczenie dyspozytora, tabela rozmiarów w sklepie, stały interwał konserwacji. W fazie 1 spisujemy, jak dobra jest ta praktyka dzisiaj. Inaczej sukcesu modelu nie da się zmierzyć. Wobec „braku wsparcia” wygrywa każdy model; dlatego mierzymy wobec sprawdzonej praktyki. Wynikiem jest spisany, ustalony z góry punkt końcowy sukcesu: jaki wskaźnik na jakiej populacji w jakim okresie wobec jakiego porównania. Sprawdzany jest w fazie 5, bez zmian.
Jak kryteria sukcesu są sprawdzane w fazie 5 Dlaczego 95% pilotaży GenAI zawodziWarsztat discovery: przebieg, uczestnicy, rezultat
Zrozumienie biznesu zaczyna się u nas od bezpłatnej rozmowy wstępnej trwającej 30 minut i przechodzi w warsztat discovery. W warsztacie siedzą ludzie, którzy dziś podejmują decyzję i znają dane: dział biznesowy, który wie, co naprawdę oznacza pole w systemie gospodarki magazynowej, oraz osoba odpowiedzialna za przedsięwzięcie w firmie. Zaangażowanie uczestników oznacza tu: kto ma później korzystać z predykcji, ten siedzi przy stole.
Rezultatem jest obraz celu, analiza potencjału AI dla dokładnie jednego przypadku użycia: cel biznesowy, pytanie analityczne, zmienna docelowa, kryteria sukcesu z linią bazową, pierwsza ocena dostępności danych i ramy projektu. Czy przedsięwzięcie się opłaca, jest ujęte obok jako business case: ile kosztuje wdrożenie, co przynosi, od kiedy się zwraca? Jeśli istnieje strategia AI dla średnich firm, wnosi ten rachunek, a faza 1 czyni go mierzalnym. Bez strategii obraz celu zapisuje na początek ocenę oczekiwanej korzyści. Z obrazem celu zaczyna się faza 2, w której inwentarz danych sprawdza tę ocenę.
Nasze podejście
Discovery & odkrywanie celów
W ustrukturyzowanych warsztatach wspólnie identyfikujemy problemy, szanse i priorytety strategiczne.
Kadrowanie problemu
Przekształcamy pytania biznesowe w precyzyjne, analitycznie adresowalne sformułowania problemu.
Kryteria sukcesu & zakres
Wspólnie ustalamy, które wskaźniki będą wyznaczać sukces projektu.
Typowe rezultaty
Najczęstsze pytania o zrozumienie biznesu
Czym jest zrozumienie biznesu w procesie data science?
Zrozumienie biznesu to pierwsza z sześciu faz CRISP-DM. Przekłada cel biznesowy na pytanie analityczne ze zmienną docelową, populacją i horyzontem czasowym oraz ustala, po czym mierzy się sukces. Rezultatem jest obraz celu z kryteriami sukcesu i oceną, czy dane udźwigną pytanie.
Jakie pytania wyjaśnia warsztat discovery?
Która decyzja ma być lepsza, kto podejmuje ją dziś i czym? Jaką wielkość musiałby przewidywać model, dla kogo i z jakim wyprzedzeniem? Jakie dane są w firmie i kto korzystałby z predykcji na co dzień? Linia bazowa, z którą model musi się zmierzyć, jest liczbowo określana na tym samym warsztacie.
Jak uczynić cele biznesowe mierzalnymi dla projektu AI?
Spisanym punktem końcowym sukcesu, który jest ustalony przed projektem: jaki wskaźnik, na jakiej populacji, w jakim okresie, wobec jakiego porównania. Z „mniej zwrotów” powstaje w ten sposób wskaźnik zwrotów w każdej kategorii, mierzony przed wprowadzeniem rekomendacji rozmiaru i po nim, w porównaniu z tabelą rozmiarów bez rekomendacji.
Ile kosztuje faza 1 i jak długo trwa?
30-minutowa rozmowa wstępna jest bezpłatna. Ryczałtowego czasu trwania fazy 1 celowo nie podajemy, bo zależy on od tego, ilu kandydatów przynoszą Państwo i jak jasna jest sytuacja danych. Kto chce sprawdzenia wykonalności jako wyodrębnionego pakietu, dostaje je w AI Readiness Assessment w stałej cenie.
Co się dzieje, gdy w fazie 1 okaże się, że projekt nie jest wykonalny?
Wtedy zapisujemy to w obrazie celu, z uzasadnieniem i z propozycją, co trzeba zrobić wcześniej: rejestrować brakującą wielkość docelową, budować historię albo wyjaśnić proces, który ma korzystać z predykcji. Odmowa po fazie 1 jest tania; odmowa po modelowaniu ma już za sobą przygotowanie danych, najbardziej pracochłonną fazę.
Czy przed fazą 1 potrzebujemy strategii AI?
Niekoniecznie. Na start wystarczą konkretny problem z odczuwalnymi kosztami, procesy, które już wytwarzają dane na jego temat, i osoba w firmie odpowiedzialna za przedsięwzięcie. Strategia AI wyjaśnia dodatkowo kolejność kilku kandydatów i business case każdego przedsięwzięcia. Faza 1 korzysta z tej pracy wstępnej tam, gdzie ona istnieje.
Jakie materiały przynieść na pierwszą rozmowę?
Żadnej prezentacji. Pomocne są trzy rzeczy: decyzja, która ma być lepsza, w jednym zdaniu; systemy, w których leżą dane na jej temat, na przykład ERP, gospodarka magazynowa, telematyka albo system sterowania; oraz osoba, która korzystałaby z wyniku na co dzień. O Państwa sytuację wyjściową i istniejące źródła danych pyta nasz kwestionariusz już przed rozmową. Decyzję i osobę przynoszą Państwo.
Pogłębienie
Predictive maintenance: zobaczyć awarię, zanim nastąpi Przewidywanie rotacji kierowców: rozpoznać grupę na granicy Jak kryteria sukcesu są sprawdzane w fazie 5 Dlaczego 95% pilotaży GenAI zawodzi AI Readiness Assessment: sprawdzenie danych, zmiennej docelowej i przypadku użycia przed projektem Pozyskiwanie danych w fazie 2: inwentarz danych sprawdza obraz celuPorozmawiajmy o Państwa projekcie
Prosimy przynieść decyzję, która ma być lepsza, i systemy, w których leżą dane na jej temat. Rozmowa wstępna trwa 30 minut.
Zarezerwuj bezpłatną rozmowę wstępną