Excel odchodzi do lamusa. Sztuczna inteligencja w analizie danych

Jeszcze kilka lat temu analiza danych w firmach była procesem powolnym i rozłożonym w czasie, opartym głównie na cyklicznych raportach oraz pracy w Excelu. Menedżerowie akceptowali opóźnienia w dostępie do informacji, a zespoły analityczne spędzały długie godziny na ręcznym porządkowaniu liczb i łączeniu danych z różnych źródeł. Biznes działał w rytmie miesięcznych podsumowań, a wiele organizacji mogło pozwolić sobie na analizę "po fakcie", bo tempo rynku było stabilniejsze.

Dziś to już nie działa. Tempo zmian jest zbyt szybkie, a dane rosną szybciej, niż ludzie są w stanie je przetworzyć. Firmy potrzebują odpowiedzi tu i teraz, a nie na koniec tygodnia czy miesiąca. W tym kontekście sztuczna inteligencja (AI) stała się nie modą, lecz codziennym narzędziem pracy. AI nie naprawi złych danych ani nie zastąpi procesu biznesowego, ale tam, gdzie firmy są przygotowane, pozwala przejść na zupełnie inny poziom pracy z informacją.

Obecnie AI znajduje zastosowanie niemal w każdym obszarze organizacji - nie jako dodatek, lecz jako rozszerzenie analityki, które wspiera konkretne decyzje.

• W finansach pomaga identyfikować anomalie i nadużycia, oceniać ryzyko, kontrolować wykonanie budżetu i sygnalizować odchylenia zanim pojawią się w klasycznym raporcie.
• W sprzedaży prognozuje popyt z dokładnością niedostępną dla tradycyjnych metod, analizuje skuteczność kampanii i wskazuje segmenty klientów o największym potencjale.
• W HR przewiduje rotację, ocenia ryzyko odejść kluczowych pracowników i dopasowuje działania rekrutacyjne.
• W logistyce analizuje tysiące zmiennych jednocześnie, przewidując opóźnienia w transporcie, awarie maszyn czy wahania zapotrzebowania w magazynach.

To nie są abstrakcyjne zastosowania - to scenariusze, które dzieją się w firmach każdego dnia. Menedżerowie coraz częściej patrzą nie na surowe tabele, lecz na gotowe wnioski generowane przez systemy. Narzędzia takie jak Qlik Sense, Insight Advisor czy AutoML pozwalają zadawać pytania w języku naturalnym, co jeszcze kilka lat temu było dostępne wyłącznie dla specjalistów data science.

- AI automatyzuje powtarzalne zadania, wychwytuje zależności niewidoczne na pierwszy rzut oka i podpowiada gotowe wnioski. Dzięki temu więcej osób w firmie może samodzielnie analizować dane i podejmować lepsze decyzje, szybciej niż kiedykolwiek - mówi Tomasz Samagalski, prezes Data Wizards.

Pomimo ogromnego entuzjazmu wokół AI, realne efekty w biznesie są wciąż rzadkie. Mniej niż 10% firm deklaruje widoczną poprawę wyników po wdrożeniach AI. Problem leży nie w technologii, lecz w organizacji.

Największą barierą pozostaje jakość danych. W ponad połowie projektów błędy, duplikaty, niespójności i braki danych uniemożliwiają modelom poprawne uczenie się. Firmy często odkrywają dopiero w trakcie wdrożenia, że różne systemy stosują odmienne definicje tego samego wskaźnika KPI, format dat różni się w zależności od działu, a dane z kluczowych procesów nie istnieją.

Drugą przeszkodą są kompetencje. Wiele organizacji próbuje wdrażać AI samodzielnie, zakładając, że to "kolejny moduł do włączenia", a nie pełnoprawny projekt wymagający analizy procesów, określenia celu i zdefiniowania ROI. Do tego dochodzą obawy prawne, brak jasnych odpowiedzialności i lęk dotyczący bezpieczeństwa danych.

- W ponad 50% projektów źródłem problemów jest niska jakość danych. Potem dochodzi brak kompetencji i chęć robienia wszystkiego samodzielnie. AI nie zadziała, jeśli firma nie ma fundamentów - technologicznych i organizacyjnych - dodaje Tomasz Samagalski.

Źródło: PAP