Home Biznes AutoML w Qlik Sense, czyli przewidywanie przyszłości

AutoML w Qlik Sense, czyli przewidywanie przyszłości

14 min
0
0
63

Uczenie maszynowe to gałąź sztucznej inteligencji, która skupia się na procesie znajdowania wzorców, korzystając z danych historycznych. Chcemy te dane historyczne wykorzystać w celu znalezienia wzorców, dzięki którym — po przetworzeniu przez funkcję machine learning mają nam pomóc w lepszym przewidywaniu przyszłości. Może to posłużyć na przykład do predykcji zachowań klientów.

W różnych typach modeli uczenia maszynowego stosuje się wiele algorytmów. Zaprojektowane są w celu klasyfikowania obiektów i znalezienia wzorców pomagających przewidywanie zdarzeń i podejmowanie świadomych decyzji. Celem jest stworzenie modelu, który pozwoli na podstawie danych historycznych lepiej przewidywać przyszłe zdarzenia. Dzięki temu jesteśmy w stanie podjąć decyzje szybciej od konkurencji, która nie korzysta z uczenia maszynowego. I co najważniejsze, chcielibyśmy, żeby za tą szybkością podejmowania decyzji stała również trafność.

Czym jest AutoML?

Budowanie prognoz nie jest niczym nowym, jednak zazwyczaj jest to bardzo rozbudowany proces, wymagający szeregu zaawansowanych umiejętności, w tym przede wszystkim programistycznych. W latach 90 minionego wieku w serwerach IBM była instalowana karta, która zbierała dane, które pozwalały określić uszkodzenia np. dysku twardego w ciągu najbliższego tygodnia. Wówczas ku zdumieniu klienta pojawiał się serwisant, który wymieniał dysk, zanim doszło do awarii.

Niestety były to rozwiązania bardzo drogie, o ograniczonych zastosowaniach.

Współczesne rozwiązanie, które trafiło na platformę Qlik, jest rewolucyjne i wpisuje się w ideę „demokratyzacji danych”. Praktycznie każdy użytkownik Qlik może pokusić się o tworzenie zaawansowanych prognoz bez potrzeby zatrudniania drogiego w utrzymaniu Data Scientist

Rozwiązanie AutoML (automated machine learning) pozwala zautomatyzować wiele operacji, czyli: przetwarzanie danych, wybór algorytmu, uczenie modelu, aż po jego wdrożenie. Co najważniejsze w przypadku Qlik nie musimy pisać żadnego skryptu. Tym samym jest on dostępny dla osób, które nie mają specjalistycznej wiedzy w obszarze machine learning.

Jest to takie podejście do uczenia maszynowego, które pozwala nam zautomatyzować cały proces. Od pozyskania danych, poprzez ich przygotowanie, po opracowanie modelu, który pozwoli zbudować prognozę.

Oczywiście im więcej wiemy – tym lepiej, bo pozwala to swobodnie interpretować wyniki. Jednak próg wejścia w machine learning dzięki tym rozwiązaniom AutoML jest dużo niższy. Dzięki temu jesteśmy w stanie szybko stworzyć odpowiedni model dla różnych obszarów działania naszego przedsiębiorstwa.

Co by było… gdyby?

Chcemy przewidywać, czy nasz pracownik odejdzie? Czy klient wybierze konkurencję? Czy maszyna na linii produkcyjnej się zepsuje, czy nie? Albo może chcemy przewidywać przyszłe koszty, czy  przyszły poziom sprzedaży. Na wszystkie te pytania jesteśmy w stanie znaleźć odpowiedzi właśnie dzięki funkcji uczenia maszynowego w Qlik.

Chcemy zatem przewidzieć zaistnienie konkretnego zdarzenia, pojawienie się konkretnej wartości, oraz zrozumieć co i w jaki sposób wpływa na dokonywanie przez ten model prognozy. Czyli z jednej strony mamy samą prognozę, a z drugiej czynniki, które na nią wpływają. Korzystając z funkcji  AutoML otrzymamy informację na temat prognozy, czyli konkretnej wartości: sprzedaży czy retencji pracowników z  określonym prawdopodobieństwem. Ale mamy też miary, które pozwalają nam ocenić, dlaczego model prognozował w taki, a nie inny sposób. Czyli mamy tak naprawdę dwie rzeczy: informację — co może się zdarzyć w przyszłości oraz jakie mogą być tego przyczyny.

Wiemy, co wpływa na taką prognozę i mamy od razu możliwość podjęcia różnych działań w wielu obszarach. Jest nam też łatwiej zrozumieć, dlaczego potencjalnie ten klient np. od nas odejdzie.

Zrób to sam!

Co potrzebujemy tak naprawdę zrobić, aby taki model zbudować i wdrożyć? Czy musimy przygotować rozbudowane skrypty? Tak naprawdę korzystamy z już przygotowanych scenariuszy, wybierając odpowiednie opcje. Dane historyczne są najistotniejsze, bo na ich podstawie chcemy znaleźć zależności, aby lepiej przewidywać przyszłość. Czyli zaczynamy od danych, które musimy przygotować w odpowiedni sposób do wykorzystania w modelu uczenia maszynowego. Danych możemy mieć bardzo dużo, ale musimy wybrać zmienne, na podstawie których będziemy chcieli prognozować przyszłe wartości.

Następnie musimy stworzyć model, który iteracyjnie uczy się na podstawie różnych algorytmów i parametrów. Jeżeli opracowany model daje prognozy z dużą miarą dokładności – możemy przyjąć, że da nam wartość dodaną dla naszego przedsiębiorstwa. Będziemy w stanie przewidzieć przyszłe wartości, podejmować lepsze decyzje.

Na pewno też chcemy z tego modelu korzystać, czyli chcemy dokonywać różnych prognoz. Kolejnym punktem jest zatem integracja w Qlik Sense, która umożliwi w sposób zautomatyzowany dodawać nowe dane. I na podstawie danych spływających z różnych systemów, dokonywać prognoz. I przy okazji jesteśmy w stanie w sposób przystępny dla użytkowników wizualizować wyniki. Brzmi skomplikowanie? Nic bardziej mylnego – wszystkie operacje są typu „przeciągnij i upuść”!

Załóżmy, że rozpatrujemy kwestię wpływu wysokości abonamentu na lojalność klientów. Co się stanie, jeżeli zmniejszymy kwotę abonamentu o 10%? A co się stanie, jak zwiększymy np. o 20%? Dzięki AutoML będziemy w stanie w czasie rzeczywistym przeanalizować różne scenariusze i zobaczyć co się stanie — jeśli…

Spójrzmy na inne przypadki wykorzystania – możemy prognozować wolumen sprzedaży, przyszłe koszty, budować prognozy cen produktów na podstawie różnych cenników, czy ocenić prawdopodobieństwo sfinalizowania transakcji. Wszędzie tak naprawdę jesteśmy w stanie wykorzystać to, co nam daje uczenie maszynowe zarówno w marketingu, dziale finansowym, HR, czy serwisie.

Załóżmy, że nie stosujemy w naszym przedsiębiorstwie uczenia maszynowego, nawet w najprostszym ujęciu. Na jakie pytania możemy odpowiadać, nie korzystając z uczenia maszynowego w przypadku np. retencji pracowników? Jaki procent klientów w ostatnich 12 miesiącach zrezygnowało z naszych usług? Jaki jest wskaźnik zamkniętych sprzedaży i na przykład customer life time value?

Dane historyczne nie dają odpowiedzi. Dzięki AutoML możemy prognozować, co się wydarzy na bazie np. naszej aktualnej bazy klientów i zobaczyć, co nam model prognozuje i jakie są to rzędy wielkości.

Machine Learning trafia pod strzechy biznesu

Kiedyś mogło nam się wydawać, że to dziedzina zarezerwowana dla największych przedsiębiorstw, ale teraz korzystając z takich rozwiązań jak Auto ML, gdzie nie potrzebujemy wiedzy programistycznej.

Zalety uczenia maszynowego oferowane przez Qlik są oczywiste i można je zawrzeć w trzech punktach:

  • AutoML pozwala osobom niebędącym ekspertami ds. uczenia maszynowego wykorzystywać modele uczenia maszynowego i pomaga doświadczonym programistom i naukowcom zajmującym się przetwarzaniem danych w szybszym tworzeniu rozwiązań, które często są prostsze, a nawet działają lepiej niż modele kodowane ręcznie.
  • AutoML eliminuje czasochłonne i monotonne kodowanie w całym przepływie pracy uczenia maszynowego, od wstępnego przetwarzania i czyszczenia danych, przez wybór algorytmu, po optymalizację i monitorowanie parametrów modelu. Ponadto „wyszkolenie” komputera w zakresie identyfikowania treści może zmniejszyć liczbę błędów i zaoszczędzić niezliczone godziny ręcznego selekcjonowania tabel, tekstu, obrazów i filmów.
  • AutoML sprawia, że szybciej i łatwiej można zapewnić zespołom analitycznym moc analizy predykcyjnej, która może znacznie poprawić wydajność biznesową. Konkretne zastosowania obejmują wykrywanie oszustw, zapewnianie konsumentom bardziej spersonalizowanych doświadczeń i lepsze zarządzanie zapasami dzięki ulepszonemu prognozowaniu popytu.

Dzięki temu jesteśmy w stanie w dużej mierze zautomatyzować i uprościć cały proces tworzenia modelu i jego publikacji. To wszystko może się wydarzyć w sposób automatyczny. To rozwiązanie pomaga wprowadzić machine learning tak naprawdę do przedsiębiorstw dowolnej wielkości, które nie muszą mieć dedykowanych działów do wdrożenia wydajnych rozwiązań.

 

 

Pobierz więcej artykułów
Pobierz więcej  Robert Kamiński
Pobierz więcej z Biznes

Dodaj komentarz

Przeczytaj również

Chmura, mobile, modułowość. TOP3 kierunki dla ERP w 2023 roku

Producenci monolitycznych systemów ERP modernizują swoją ofertę, by sprostać wyzwaniom sta…