Szybkie przyjęcie technologii takich jak generatywna sztuczna inteligencja, które wymagają dużej ilości danych i mocy obliczeniowych, stanowi poważne zagrożenie dla inicjatyw dekarbonizacji. Aby do tego nie doprowadzić, organizacje muszą wziąć większą odpowiedzialność za swoje praktyki w zakresie wykorzystania danych i chmury – alarmują eksperci SAS, globalnego lidera w dziedzinie danych i sztucznej inteligencji, w raporcie „Rethinking data and AI. How to move to a sustainable future”.
CZYTAJ WIĘCEJ
Przepisy regulujące korzystanie ze sztucznej inteligencji przez firmy (tzw. AI Act) weszły w życie 1 sierpnia 2024 r. Ich celem jest wspieranie biznesu w odpowiedzialnym wdrażaniu oraz rozwoju AI, uwzględniając podnoszenie poziomu bezpieczeństwa obywateli Unii Europejskiej. Oznacza to, że przedsiębiorcy wszystkich branż będą mieli nowe obowiązki w zachowaniu transparentności w obszarze AI. Zmiany prawne obejmują wszystkie systemy i aplikacje, które wykorzystują technologię sztucznej inteligencji.
Wielkie pytania, na które warto znaleźć odpowiedzi
- Szczegóły
- Kategoria: Business Intelligence
Wielkie pytania, na które warto znaleźć odpowiedzi
Jeszcze 10 lat temu skompletowanie ludzkiego genomu kosztowało 100 mln USD. Dziś jest to zaledwie ok. 10 tys. USD. Rozwój technologii i możliwości, jakie one niosą, umożliwia zadawanie coraz bardziej odważnych pytań, analizowania coraz większych zbiorów danych.
{MosModule module=WhitePapersBI_Dzial}
Jeszcze 10 lat temu skompletowanie ludzkiego genomu kosztowało 100 mln USD. Dziś jest to zaledwie ok. 10 tys. USD. Rozwój technologii i możliwości, jakie one niosą, umożliwia zadawanie coraz bardziej odważnych pytań, analizowania coraz większych zbiorów danych.
Skala wyzwań wymaga nowego podejścia
Aby zobrazować ilość otaczającej nas informacji podamy jeden przykład. W roku 2012 wytworzyliśmy 2 zetabajty (tryliony GB) danych! Do 2020 roku będzie to 35 zetabajtów. Aż 80% tych danych to informacje nieustrukturyzowane. Nie da się więc zanalizować ich tradycyjnymi narzędziami. W dodatku mamy do tego zbyt mało odpowiednich specjalistów, zwłaszcza matematyków.
Skala wyzwań wymaga nowego podejścia Aby zobrazować ilość otaczającej nas informacji podamy jeden przykład. W roku 2012 wytworzyliśmy 2 zetabajty (tryliony GB) danych! Do 2020 roku będzie to 35 zetabajtów. Aż 80% tych danych to informacje nieustrukturyzowane. Nie da się więc zanalizować ich tradycyjnymi narzędziami. W dodatku mamy do tego zbyt mało odpowiednich specjalistów, zwłaszcza matematyków.
Czym jest Big Data?
Big Data często utożsamia się ze źródłami danych pochodzącymi z Internetu, takimi jak serwisy społecznościowe i fora dyskusyjne. Jest to jednak zbyt wąskie postrzeganie tego pojęcia. Z Big Data mamy bowiem do czynienia, gdy wielkość, szybkość i różnorodność danych przekracza konwencjonalne możliwości organizacji w zakresie ich przechowywania i przetwarzania. Definicja ta obejmuje, więc zakresem także dane archiwalne, których nie przechowuje się w hurtowniach danych ze względu na zbyt wysokie koszty. Tymczasem pewne charakterystyki - chociażby zachowań klientów, czy ich zmiany w czasie - najlepiej odzwierciedlone są właśnie w danych historycznych.
Kolejny typ danych zasilających zbiór Big Data, to dane generowane maszynowo. To nieodwracalny trend związany z przenoszeniem operacji biznesowych i kontaktu z klientem w świat internetu, przeglądarek, tabletów i smartfonów, wykorzystaniem kart płatniczych, czy innych, nowoczesnych form płatności (np. telefonów z technologią NFC). Przykładem takich danych są informacje generowane podczas nawigacji użytkownika w bankowych serwisach internetowych; dane geolokalizacyjne powstające, gdy korzystamy z aplikacji mobilnych; czy też dane pochodzące z terminali POS i bankomatów. Do tego dochodzą jeszcze dane niestrukturalne, jak wypowiedzi klienta, gromadzone chociażby w czasie kontaktów z call/contact center.
Technologiczne wsparcie analizy danych
Trzeba pamiętać, że gromadzenie i przetwarzanie Big Data wymaga środowiska, które jest tanie, a jednocześnie pozwala na sprawne przetwarzanie olbrzymich ilości danych strukturalnych i niestrukturalnych. Warunki te spełnia np. projekt open source Hadoop. Szacuje się, że ok. 60% dużych organizacji implementuje Hadoop, bądź eksperymentuje i analizuje jego wykorzystanie. SAS Institute oferuje szeroką gamę mechanizmów integrujących ze środowiskiem Hadoop – począwszy od dedykowanych mechanizmów ładowania danych, poprzez wykorzystanie Hadoop jako rezpozytorium danych analitycznych i raportowych, aż do możliwości wykonywania modeli analitycznych bezpośrednio w tym rozproszonym środowisku. Co istotne użytkownicy pracują ciągle z doskonale im znanymi graficznymi środowiskami SAS.
Rekomendacje analityków rynku
Warto w tym miejscu wspomnieć, że Forrester Research – niezależna firma analityczna - sklasyfikowała SAS jako lidera w raporcie „The Forrester Wave: Big Data Predictive Analytics Solutions, Q1 2013”. Podsumowuje on rynek zaawansowanych narzędzi do analizy predykcyjnej wielkich zbiorów danych - Big Data. Wyniki raportu opierają się na analizie potencjału 10 dostawców w trzech obszarach: aktualna oferta, strategia rozwoju i pozycja rynkowa. SAS uzyskał najwyższe oceny we wszystkich 3 kategoriach. Autorzy raportu uwzględnili w badaniu aż 26 produktów SAS Institute. W przypadku pozostałych dostawców w badaniu uwzględniono od 1 do maksymalnie 12 produktów.
SAS High-Performance Analytics Server to oprogramowanie dla zaawansowanej analityki i Data Mining wykorzystujące przetwarzanie rozproszone i technologię in-memory. Pozwala ono na zdecydowane skrócenie czasu niezbędnego do przygotowania modeli analitycznych i późniejszego ich wykorzystania m.in. w zastosowaniach związanych z oceną ryzyka, wykrywaniem nadużyć oraz różnorodnymi działaniami marketingowymi. Stanowi ono rozszerzenie innych narzędzi SAS, dając analitykom dostęp do potężnej mocy obliczeniowej z poziomu - znanego im środowiska - SAS Enterprise Miner. Pozwala na budowę modeli analitycznych w oparciu o pełne zbiory treningowe, a także skraca czas potrzebny na wykonanie analiz z dni, czy godzin do minut, a nawet sekund.
Z kolei SAS Visual Analytics to wysoce wydajne i łatwe w obsłudze rozwiązanie do szybkiej i kompleksowej analizy zarówno mniejszych, jak i wielkich zbiorów danych – Big Data. W porównaniu z klasycznymi narzędziami Business Intelligence, pozwala ono szerokiej grupie użytkowników na znacząco szybszy dostęp do danych zgromadzonych w firmie. Wizualna eksploracja dowolnie dużych zbiorów danych pozwala na wyjście poza utarte schematy predefiniowanych raportów lub dashboardów i odkrywanie nieznanych do tej pory zależności, nisz biznesowych lub nieprawidłowości. Raporty i wyniki analiz mogą być niezwłocznie, w bezpieczny sposób, udostępniane przez przeglądarkę i na urządzeniach mobilnych. SAS DataFlux Event Stream Processing Engine – umożliwia tworzenie analiz bazujących na danych zbieranych w czasie rzeczywistym. Mogą to być dane o transakcjach klientów, informacje pozyskiwane z mediów społecznościowych, czy dane o zmieniających się warunkach otoczenia gospodarczego. Dzięki temu decyzje także można podejmować w czasie rzeczywistym.
SAS DataFlux Event Stream Processing Engine pozwala bowiem analizować dane zaraz po ich otrzymaniu, a nie dopiero w momencie, gdy znajdą się w systemach przechowujących informacje. Dostęp do analiz w czasie rzeczywistym pozwala m.in. na: wykrywanie nadużyć w przypadku transakcji bankowych i zwiększanie bezpieczeństwa klientów instytucji finansowych; analizę szybko zmieniających się trendów w mediach społecznościowych w celu lepszego zrozumienia potrzeb klientów i ich oceny konkretnych produktów; czy personalizację oferty na serwisach internetowych w oparciu o kryteria wyszukiwania ich użytkowników.
Przykłady zastosowań rozwiązań SAS
BANKOWOŚĆ I FINANSE
Cosmos Bank – tajwański bank wykorzystuje SAS Visual Analytics do analizy informacji o klientach oraz do zarządzania ryzykiem. Analiza danych w czasie rzeczywistym pozwala na zaoferowanie klientom dopasowanej do ich potrzeb oferty, a także na skuteczniejsze utrzymanie dotychczasowych klientów, dzięki zwiększeniu ich lojalności w stosunku do banku. Cigna Indonesia –firma zajmująca się ubezpieczeniami życiowymi i zdrowotnymi wykorzystuje narzędzia SAS Institute do analizy danych klientów pod kątem przygotowywanych kampanii marketingowych, w tym przygotowania listy osób o odpowiednim profilu, dedykowanej dla nich oferty oraz najlepszej formy kontaktu.
ENERGETYKA
Oklahoma Gas & Electric Company – firma ta obsługuje ok. 800 tys. klientów i obecnie może zbierać i analizować dane o swoich klientach praktycznie w czasie rzeczywistym (co 15 minut), a nie - jak kiedyś - raz w miesiącu. Liczba zbieranych danych o każdym kliencie zwiększyła się więc z 12 do 30 tys. rocznie! Do ich analizy Oklahoma Gas & Electric Company wykorzystuje rozwiązanie SAS Visual Analytics. Służy ono do prognozowania zapotrzebowania na energię, optymalizacji oferty, a nawet skuteczniejszego zachęcania odbiorców do bardziej racjonalnego jej zużycia. Dzięki tym działaniom firma chce m.in. uniknąć konieczności budowy nowego bloku energetycznego przed rokiem 2020. Więcej – sas.com/iq-energy
TELEKOMUNIKACJA
Telecom Italia – operator ten wykorzystał narzędzia SAS Visual Analytics do przewidywania obciążenia sieci w czasie rzeczywistym. Dzięki temu możliwe jest zapobieganie anomaliom w jakości usług i dostępie klientów Telecom Italia do sieci.
SEKTOR PUBLICZNY
West Midlands Police –oddział brytyjskich sił policyjnych służy 2,6 mln mieszkańcom Birmingham, Coventry i Wolverhampton. Instytucja ta wdrożyła narzędzie SAS DataFlux Event Stream Processing Engine do skuteczniejszego szukania – w swoich 15 bazach danych - informacji o potencjalnych podejrzanych. Rozwiązanie SAS pozwala także na czyszczenie baz danych oraz znajdowanie powiązań i agregowanie zawartych w nich informacji.
Źródło: SAS
Skala wyzwań wymaga nowego podejścia
Aby zobrazować ilość otaczającej nas informacji podamy jeden przykład. W roku 2012 wytworzyliśmy 2 zetabajty (tryliony GB) danych! Do 2020 roku będzie to 35 zetabajtów. Aż 80% tych danych to informacje nieustrukturyzowane. Nie da się więc zanalizować ich tradycyjnymi narzędziami. W dodatku mamy do tego zbyt mało odpowiednich specjalistów, zwłaszcza matematyków.
Skala wyzwań wymaga nowego podejścia Aby zobrazować ilość otaczającej nas informacji podamy jeden przykład. W roku 2012 wytworzyliśmy 2 zetabajty (tryliony GB) danych! Do 2020 roku będzie to 35 zetabajtów. Aż 80% tych danych to informacje nieustrukturyzowane. Nie da się więc zanalizować ich tradycyjnymi narzędziami. W dodatku mamy do tego zbyt mało odpowiednich specjalistów, zwłaszcza matematyków.
Czym jest Big Data?
Big Data często utożsamia się ze źródłami danych pochodzącymi z Internetu, takimi jak serwisy społecznościowe i fora dyskusyjne. Jest to jednak zbyt wąskie postrzeganie tego pojęcia. Z Big Data mamy bowiem do czynienia, gdy wielkość, szybkość i różnorodność danych przekracza konwencjonalne możliwości organizacji w zakresie ich przechowywania i przetwarzania. Definicja ta obejmuje, więc zakresem także dane archiwalne, których nie przechowuje się w hurtowniach danych ze względu na zbyt wysokie koszty. Tymczasem pewne charakterystyki - chociażby zachowań klientów, czy ich zmiany w czasie - najlepiej odzwierciedlone są właśnie w danych historycznych.
Kolejny typ danych zasilających zbiór Big Data, to dane generowane maszynowo. To nieodwracalny trend związany z przenoszeniem operacji biznesowych i kontaktu z klientem w świat internetu, przeglądarek, tabletów i smartfonów, wykorzystaniem kart płatniczych, czy innych, nowoczesnych form płatności (np. telefonów z technologią NFC). Przykładem takich danych są informacje generowane podczas nawigacji użytkownika w bankowych serwisach internetowych; dane geolokalizacyjne powstające, gdy korzystamy z aplikacji mobilnych; czy też dane pochodzące z terminali POS i bankomatów. Do tego dochodzą jeszcze dane niestrukturalne, jak wypowiedzi klienta, gromadzone chociażby w czasie kontaktów z call/contact center.
Technologiczne wsparcie analizy danych
Trzeba pamiętać, że gromadzenie i przetwarzanie Big Data wymaga środowiska, które jest tanie, a jednocześnie pozwala na sprawne przetwarzanie olbrzymich ilości danych strukturalnych i niestrukturalnych. Warunki te spełnia np. projekt open source Hadoop. Szacuje się, że ok. 60% dużych organizacji implementuje Hadoop, bądź eksperymentuje i analizuje jego wykorzystanie. SAS Institute oferuje szeroką gamę mechanizmów integrujących ze środowiskiem Hadoop – począwszy od dedykowanych mechanizmów ładowania danych, poprzez wykorzystanie Hadoop jako rezpozytorium danych analitycznych i raportowych, aż do możliwości wykonywania modeli analitycznych bezpośrednio w tym rozproszonym środowisku. Co istotne użytkownicy pracują ciągle z doskonale im znanymi graficznymi środowiskami SAS.
Rekomendacje analityków rynku
Warto w tym miejscu wspomnieć, że Forrester Research – niezależna firma analityczna - sklasyfikowała SAS jako lidera w raporcie „The Forrester Wave: Big Data Predictive Analytics Solutions, Q1 2013”. Podsumowuje on rynek zaawansowanych narzędzi do analizy predykcyjnej wielkich zbiorów danych - Big Data. Wyniki raportu opierają się na analizie potencjału 10 dostawców w trzech obszarach: aktualna oferta, strategia rozwoju i pozycja rynkowa. SAS uzyskał najwyższe oceny we wszystkich 3 kategoriach. Autorzy raportu uwzględnili w badaniu aż 26 produktów SAS Institute. W przypadku pozostałych dostawców w badaniu uwzględniono od 1 do maksymalnie 12 produktów.
SAS High-Performance Analytics Server to oprogramowanie dla zaawansowanej analityki i Data Mining wykorzystujące przetwarzanie rozproszone i technologię in-memory. Pozwala ono na zdecydowane skrócenie czasu niezbędnego do przygotowania modeli analitycznych i późniejszego ich wykorzystania m.in. w zastosowaniach związanych z oceną ryzyka, wykrywaniem nadużyć oraz różnorodnymi działaniami marketingowymi. Stanowi ono rozszerzenie innych narzędzi SAS, dając analitykom dostęp do potężnej mocy obliczeniowej z poziomu - znanego im środowiska - SAS Enterprise Miner. Pozwala na budowę modeli analitycznych w oparciu o pełne zbiory treningowe, a także skraca czas potrzebny na wykonanie analiz z dni, czy godzin do minut, a nawet sekund.
Z kolei SAS Visual Analytics to wysoce wydajne i łatwe w obsłudze rozwiązanie do szybkiej i kompleksowej analizy zarówno mniejszych, jak i wielkich zbiorów danych – Big Data. W porównaniu z klasycznymi narzędziami Business Intelligence, pozwala ono szerokiej grupie użytkowników na znacząco szybszy dostęp do danych zgromadzonych w firmie. Wizualna eksploracja dowolnie dużych zbiorów danych pozwala na wyjście poza utarte schematy predefiniowanych raportów lub dashboardów i odkrywanie nieznanych do tej pory zależności, nisz biznesowych lub nieprawidłowości. Raporty i wyniki analiz mogą być niezwłocznie, w bezpieczny sposób, udostępniane przez przeglądarkę i na urządzeniach mobilnych. SAS DataFlux Event Stream Processing Engine – umożliwia tworzenie analiz bazujących na danych zbieranych w czasie rzeczywistym. Mogą to być dane o transakcjach klientów, informacje pozyskiwane z mediów społecznościowych, czy dane o zmieniających się warunkach otoczenia gospodarczego. Dzięki temu decyzje także można podejmować w czasie rzeczywistym.
SAS DataFlux Event Stream Processing Engine pozwala bowiem analizować dane zaraz po ich otrzymaniu, a nie dopiero w momencie, gdy znajdą się w systemach przechowujących informacje. Dostęp do analiz w czasie rzeczywistym pozwala m.in. na: wykrywanie nadużyć w przypadku transakcji bankowych i zwiększanie bezpieczeństwa klientów instytucji finansowych; analizę szybko zmieniających się trendów w mediach społecznościowych w celu lepszego zrozumienia potrzeb klientów i ich oceny konkretnych produktów; czy personalizację oferty na serwisach internetowych w oparciu o kryteria wyszukiwania ich użytkowników.
Przykłady zastosowań rozwiązań SAS
BANKOWOŚĆ I FINANSE
Cosmos Bank – tajwański bank wykorzystuje SAS Visual Analytics do analizy informacji o klientach oraz do zarządzania ryzykiem. Analiza danych w czasie rzeczywistym pozwala na zaoferowanie klientom dopasowanej do ich potrzeb oferty, a także na skuteczniejsze utrzymanie dotychczasowych klientów, dzięki zwiększeniu ich lojalności w stosunku do banku. Cigna Indonesia –firma zajmująca się ubezpieczeniami życiowymi i zdrowotnymi wykorzystuje narzędzia SAS Institute do analizy danych klientów pod kątem przygotowywanych kampanii marketingowych, w tym przygotowania listy osób o odpowiednim profilu, dedykowanej dla nich oferty oraz najlepszej formy kontaktu.
ENERGETYKA
Oklahoma Gas & Electric Company – firma ta obsługuje ok. 800 tys. klientów i obecnie może zbierać i analizować dane o swoich klientach praktycznie w czasie rzeczywistym (co 15 minut), a nie - jak kiedyś - raz w miesiącu. Liczba zbieranych danych o każdym kliencie zwiększyła się więc z 12 do 30 tys. rocznie! Do ich analizy Oklahoma Gas & Electric Company wykorzystuje rozwiązanie SAS Visual Analytics. Służy ono do prognozowania zapotrzebowania na energię, optymalizacji oferty, a nawet skuteczniejszego zachęcania odbiorców do bardziej racjonalnego jej zużycia. Dzięki tym działaniom firma chce m.in. uniknąć konieczności budowy nowego bloku energetycznego przed rokiem 2020. Więcej – sas.com/iq-energy
TELEKOMUNIKACJA
Telecom Italia – operator ten wykorzystał narzędzia SAS Visual Analytics do przewidywania obciążenia sieci w czasie rzeczywistym. Dzięki temu możliwe jest zapobieganie anomaliom w jakości usług i dostępie klientów Telecom Italia do sieci.
SEKTOR PUBLICZNY
West Midlands Police –oddział brytyjskich sił policyjnych służy 2,6 mln mieszkańcom Birmingham, Coventry i Wolverhampton. Instytucja ta wdrożyła narzędzie SAS DataFlux Event Stream Processing Engine do skuteczniejszego szukania – w swoich 15 bazach danych - informacji o potencjalnych podejrzanych. Rozwiązanie SAS pozwala także na czyszczenie baz danych oraz znajdowanie powiązań i agregowanie zawartych w nich informacji.
Źródło: SAS
