ПРИНЯТИЕ РЕШЕНИЙ НА ОСНОВЕ ДАННЫХ: ИСПОЛЬЗОВАНИЕ АНАЛИТИКИ ДЛЯ ПОВЫШЕНИЯ ПРОИЗВОДИТЕЛЬНОСТИ

ВВЕДЕНИЕ

Единственное, судьбоносное принятие решения стало причиной многих побед и катастроф в истории корпорации. Решения постоянно являются основными компонентами конкуренции и эффективности. Из-за этого лица, принимающие решения, находятся под чрезвычайным напряжением, чтобы сделать наилучший выбор как можно быстрее. Растущий корпус для изучения принятия решений и теории решений объединил ученых из различных академических областей, включая финансы, политику, социологические исследования, математику и психологические исследования. Эти исследования были сосредоточены на принятии решений и организационном поведении, а также на неопределенностях, риске, сложности, логике и совершенствовании.

Исследования структур принятия решений, в том числе принимаемых людьми и роботами с высокой способностью прогнозирования, начали проводиться в середине 20-го века. Системы принятия решений — люди, методы, процедуры и данные, используемые для принятия или поддержки решений — привлекли к себе новое внимание в результате этого. С обещанием улучшенного принятия решений через использование как человеческих, так и машинных навыков, возросший интерес к значительной аналитике данных способствовал вниманию. Несколько аналитических методов и процедур привлекли внимание в исследованиях в нескольких промышленных областях из-за растущего разнообразия и объема данных, в конечном итоге направленных на улучшение принятия решений. Принятие решений в организациях стало более зависимым от технологий, перейдя от частично автоматизированных процедур принятия решений к оказанию помощи лицам, принимающим решения. Тем не менее, все еще существует необходимость в дальнейшем изучении, поскольку участники по-прежнему не способны в полной мере использовать потенциал современных технологий, особенно при отсутствии строгих политик и процедур.

Цель и задачи:

Цель: Цель исследования — изучить принятие решений на основе данных с помощью инновационных технологий для повышения производительности.

Задачи:

• Изучить обзор принятия решений на основе данных;
• Объяснить традиционные компоненты принятия решений;
• Сосредоточиться на росте аналитики и больших данных в принятии решений на основе данных.

Традиционные компоненты принятия решений:

В этой статье рассматриваются традиционные теории выбора, которые являются евро-американскими и сосредоточены на лидерстве, принятии деловых решений и системах поддержки решений. Метод принятия решений, лицо, делающее выбор, и сам выбор являются важнейшими компонентами исследования. Эти идеи берут свое начало в работах таких ученых и мыслителей, как Саймон, Минцберг, Марч, а также Друкер.

• Процедуры принятия решений:

Сложный характер проблемы определит, насколько организованным или неорганизованным является метод принятия решений. Организованная стратегия состоит из интеллекта, дизайна, варианта, оценки или производительности. Интеллект собирает детали относительно решения, проектирует, оценивает потенциальные решения и в конечном итоге делает выбор среди вариантов. Согласно Друкеру (1967), эффективное принятие решений требует следования запланированному, логическому процессу с четко определенными компонентами. Решения, которые могут быть неорганизованными, никогда ранее не принимались, что означает отсутствие установленного, четкого набора руководящих принципов. Согласно Минцбергу и Уэстли (2001), логический выбор — это непрерывный метод, который фокусируется на идентификации, определении, создании и решении, а не всегда на мышлении или прямолинейном подходе. Но в ситуациях, когда вопросы принятия решений запутанны, неясны или нечетки, человеческие чувства, знания и суждения иногда могут быть основой для принятия решений, поэтому рациональность не должна быть единственным акцентом всей процедуры. В зависимости от условий принятия решения, периода, организационных методов и степени влияния результатов решения каждый шаг процедуры принятия решения может иметь различное значение.

• Лицо, принимающее решения:

Чтобы принять решение, лицо, принимающее решения, должно использовать технику принятия решений и иметь доступ к полной и актуальной информации. Однако из-за их ограниченной власти над своими мыслительными способностями и внешними факторами лица, принимающие решения, не подходят. Фраза «ограниченная рациональность» подразумевает, что человеческое мышление ограничено технологическими ограничениями. Исходя из обстоятельств, лица, принимающие решения, должны быть готовы использовать любой метод принятия решений. Согласно традиционной теории, лица, принимающие решения, выбирают из определенных возможностей, которые имеют известные результаты. Это неверно, однако, поскольку в игру вступают человеческие умственные и сенсорные процессы. Как и люди, считается, что машины способны мыслить и демонстрировать интеллект. Это позволяет лицам, принимающим решения, находить потенциальные ответы, используя эффективные методы поиска. Несмотря на то, что ИИ сделал возможным имитировать принятие решений, люди, принимающие решения, продолжают играть важную роль в теории исследований принятия решений. Несмотря на то, что машины полезны для выполнения определенных задач, люди по-прежнему играют решающую роль в принятии решений.

• Решение:

Выбор лучшего варианта зависит от умственных способностей человека, а также от внешних переменных при принятии решения. Однако ограниченное рассуждение не позволяет человеку сделать лучший выбор. Чтобы прийти к приемлемым или адекватным выводам, лица, принимающие решения, создают сокращенную модель рассуждений. Поиск метода, позволяющего прийти к недостижимому идеальному выбору, никогда не прекращается. Однако традиционная модель предполагает, что человек знает о подходящих вариантах, результатах, вероятностях и ожидаемом мире. Большие миры не подходят для оптимального рассуждения, поскольку часть того, что необходимо, неизвестна или должна быть угадана. Эффективность, обоснованность, правдивость, надежность и безотказность — все это аспекты качества решения. В результате технологических достижений принятие решений теперь зависит от роботов и алгоритмов, а не только от человеческого суждения.

Рост аналитики и больших данных в принятии решений на основе данных:

В конце концов, представление Минцберга (1989) о знаниях как фундаментальном компоненте принятия решений изменилось. Большие данные и BDA (Big Data Analytics) становятся все более популярными в результате современных технологий и растущих данных. Принятие решений на основе данных основано на знаниях и статистике и включает использование аналитики для предоставления знаний, идей и тенденций, которые помогают делать лучший выбор.

• Большие данные:

Большие наборы данных, которые невозможно обработать обычными методами из-за их большого объема, разнообразия, скорости, ценности и подлинности, известны как большие данные. Большие данные представляют собой проблемы для традиционных технологий с точки зрения масштабирования, адаптивности и полезности. Для содействия улучшению принятия решений, поиска знаний и оптимизации процедур необходимы новые методы обработки. Большие данные могут создавать огромную ценность за счет повышения прозрачности и удобства использования более широкого спектра данных, способствуя созданию новых продуктов и услуг, повышая производительность, улучшая процесс принятия решений и приводя к лучшим организационным выборам. Однако сбор, анализ, связывание и сравнение таких наборов данных требуют правильных технологических устройств, вычислительной мощности и алгоритмической корректности. Кроме того, большие данные поступают с различных платформ и устройств, требуя аналитики для улучшения функциональной мобильности и адаптивности. Однако, прежде чем можно будет включить лучшее принятие решений, данные, быстро созданные в методах переменной организации, часто включают в себя звук, предубеждения, выбросы и нарушения, которые необходимо очистить и проанализировать. Управление большими данными и анализ, выполненные правильно, могут принести пользу бизнесу, предоставить возможности для более глубокого понимания и облегчить принятие решений.

• Аналитика больших данных:

Аналитика больших данных или BDA — это инклюзивная методология, которая использует сложные аналитические инструменты для управления, обработки и анализа больших объемов данных. Она позволяет разрабатывать работоспособные концепции для конкурентных преимуществ, оценки результатов и улучшенного принятия решений на основе данных. Технологии, процедуры, инструменты и методы, которые предлагают важные знания и полезные результаты, являются частью BDA. Это может усугубить проблемы с организациями, такие как обработка множества источников данных, прогнозирование и методы оптимизации, а также принятие решений, а также выявление и использование трансформации компании. BDA — это архитектура, работающая на основе технологий, которая облегчает сбор информации из данных, позволяя делать более разумный и лучший выбор. Однако существуют серьезные препятствия, связанные с данными, процедурами, аналитическим моделированием и управлением, при получении значимых выводов из BDA. Принятие решений с использованием аналитики и крупномасштабных данных имеет решающее значение, и BDA не следует путать с традиционными аналитическими методами.

• Принятие решений на основе данных и их компонентов:

Анализ информации сочетается со знаниями и пониманием для создания метода, известного как «принятие решений на основе данных». Он начинается с распознавания возможностей и проблем, установления долгосрочных целей, создания и оценки вариантов выбора, а затем ранжирования и выбора одного или нескольких из них. Эффективный сбор данных, единство и анализ становятся возможными благодаря технологии больших данных, аналитике и машинам на каждом этапе. Уровень принятия решений повышается за счет более глубокого понимания данных, аналитики и взаимодействия между факторами, что приводит к более обоснованным, высококачественным суждениям. Хотя аналитика не всегда может выносить превосходные или стратегические суждения, она может предоставить лицам, принимающим решения, доступ к ранее неизвестным данным и связям. В дополнение к традиционным компонентам принятия решений, решения на основе цифровых данных зависят от аналитики и данных и требуют таких факторов, как ответственность, ясность, честность, оценки и командная работа.

ОБСУЖДЕНИЕ

Интеграция аналитики и больших данных:

Новая эра принятия решений на основе данных (DDDM) началась с объединения аналитики и больших данных. Это оказывает большое влияние на то, как компании во многих областях получают информацию и строят планы для успеха. Компании могут использовать предиктивное моделирование, машинное обучение, интеллектуальный анализ данных и другие передовые методы аналитики, чтобы превратить необработанные данные в информацию, которую могут использовать компании. Бизнес может использовать эти инструменты для просмотра очень больших наборов данных и поиска скрытых закономерностей, корреляций и тенденций, которые другие инструменты могут упустить. Предиктивная аналитика может, например, предсказать, как будут действовать клиенты, улучшить работу цепочки поставок и найти возможные риски. Это позволяет менеджерам проявлять инициативу и строить разумные планы. Большие данные — это огромный объем, скорость и разнообразие данных, которые поступают из таких вещей, как социальные сети, устройства Интернета вещей и записи транзакций. Это похоже на расширенную аналитику. Когда компании добавляют большие данные в DDDM, они могут видеть общие тенденции рынка, вкусы клиентов и то, как вести свой бизнес более эффективно. Просматривая большие объемы различных записей, компании могут получить более подробную информацию, которая поможет им принимать разумные решения. Например, розничные торговцы используют аналитику больших данных, чтобы адаптировать свой маркетинг к каждому клиенту на основе его характеристик и привычек покупки. Это делает клиентов более заинтересованными и лояльными.

Когда аналитика и большие данные объединяются, они помогают людям принимать более обоснованные стратегические решения. Данные в реальном времени помогают людям, принимающим решения, быстро реагировать на изменения на рынке и проблемы с операциями. Компании могут наилучшим образом использовать свои ресурсы, работать более эффективно и использовать шансы по мере их появления, следя за ключевыми показателями эффективности (KPI) и бизнес-показателями в реальном времени. Информация, полученная из данных, также позволяет осуществлять стратегическое планирование, которое соответствует целям организации и принципам работы рынка. Это способствует гибкости и конкурентному преимуществу в областях, которые быстро меняются. Но организациям необходимо решать ряд проблем, которые возникают при объединении аналитики и больших данных. Обеспечение качества данных по-прежнему очень важно, поскольку оно гарантирует, что вводимые данные являются правильными, полными и надежными.

Чтобы справиться с большим количеством и сложностью различных источников данных, компаниям нужны надежные структуры управления данными и обученные аналитики данных, которые могут читать и делать полезные выводы из больших наборов данных. Забота о моральных вопросах, таких как конфиденциальность, безопасность и открытость, также необходима для поддержания доверия и соблюдения правил, установленных законодателями. Когда аналитика и большие данные объединяются, они должны добиться большого прогресса в ближайшие годы. Инновации в области искусственного интеллекта (ИИ) и машинного обучения обещают еще больше улучшить аналитические навыки, позволяя компаниям автоматизировать процессы принятия решений и получать прогностические знания с большей точностью. Эти изменения сделают все более плавным, зажгут новые идеи и предоставят компаниям инструменты, необходимые для эффективного использования тактик, основанных на данных, в мире с высокой конкуренцией.

Повышенная точность и скорость принятия решений:

Они могут лучше справляться со сложным деловым миром сегодняшнего дня, принимая более разумные решения быстрее, когда они используют как аналитику, так и большие данные. Это позволяет людям, которые делают выбор, использовать высокотехнологичные инструменты анализа, такие как интеллектуальный анализ данных, прогностические модели и машинное обучение, чтобы находить полезные данные в очень больших и разнообразных наборах данных. Удивительно, насколько хорошо эти инструменты могут предсказывать, что будут делать люди и какие тенденции произойдут в будущем. Они также находят секретные закономерности и связи. Бизнес может предсказать, как изменится рынок, вкусы клиентов и повседневные проблемы, просматривая как старые, так и новые данные. Это помогает им делать то, что полезно для них, и достигать своих долгосрочных целей. «Большие данные» являются важной частью этого процесса, поскольку они помогают компаниям увидеть, как их бизнес вписывается в мир в целом. Старые способы сбора данных не могут получить доступ ко всем данным в источниках больших данных. Некоторые из этих источников — данные мониторинга IoT, разговоры в социальных сетях, записи транзакций и отзывы клиентов. Эта информация может помочь компаниям делать выбор во многих областях, таких как маркетинг и продажи, обслуживание клиентов и управление цепочкой поставок. Например, магазины используют прогнозную аналитику, чтобы убедиться, что у них есть необходимое количество запасов, продавать каждому клиенту наиболее релевантным для него способом и вовлекать их в бренд.

Проблемы качества данных и управления:

Компании не всегда могут использовать идеи, основанные на данных, наилучшим образом из-за проблем с качеством данных и управлением ими. Важно поддерживать хорошее качество данных, но это может быть сложно сделать, когда данные плохие, отсутствуют или разбросаны. Есть много вещей, которые могут привести к этим проблемам, включая опечатки, старые данные или различия в организации данных на разных платформах. Компаниям нужны надежные методы обеспечения качества данных, такие как очистка, нормализация и проверка, чтобы убедиться, что имеющиеся у них данные верны. Эти шаги устраняют любые проблемы и повышают точность результатов исследования. Также сложно собирать информацию из разных источников. Информация поступает к компаниям из многих мест, включая их собственные системы, партнеров за пределами компании и посторонних лиц. Все это структурировано и написано по-разному. Компаниям нужны высокотехнологичные методы и стратегии для интеграции данных, чтобы заставить эти разные наборы данных работать вместе для одного исследования. Компаниям нужно очищать и изменять данные из разных источников, чтобы убедиться, что они единообразны и могут использоваться для исследований и принятия решений.

Организационная культура и управление изменениями:

Сегодня большинство предприятий используют данные для руководства проектами. Две важные вещи, которые следует помнить, — это то, как справляться с изменениями и как мыслить как организация. Организации должны иметь позитивный взгляд на принятие решений на основе данных, чтобы это работало хорошо. Люди, которые разделяют одни и те же убеждения, ценности и правила, решают, как данные воспринимаются, используются и применяются в процессе принятия стратегических решений. Чтобы помочь работникам эффективно использовать информацию о данных, предлагают создать культуру, которая поощряет открытость в отношении данных, пробует новое и постоянное обучение. Управление изменениями так же важно для реализации проектов на основе данных, как и для изменения культуры организации. Структурированные методы используются для того, чтобы подготовить людей и команды к новым способам работы с данными и помочь им в этом. Четкое информирование о видении трансформации на основе данных, вовлечение заинтересованных сторон на всех уровнях организации и преодоление сопротивления посредством образования и обучения — все это части хороших стратегий управления изменениями. Организации могут снизить сопротивление изменениям и повысить вовлеченность в проекты, основанные на данных, продвигая открытую и коллективную культуру.

Соображения этики и конфиденциальности:

Компаниям, которые используют данные для принятия решений, приходится иметь дело с большим количеством личных и частных данных, с которыми может быть сложно работать. Это делает проблемы конфиденциальности и этики очень важными. Этика важна в цифровом мире, в котором люди живут сейчас, не только для соблюдения правил, но и для построения доверия с партнерами и обеспечения того, чтобы данные использовались надлежащим образом. Быть честным и просить одобрения — самые важные вещи, когда речь идет об этике. То, что они делают для получения информации, должно быть открытым и честным. Им нужно объяснить, какие данные собираются, как они будут использоваться и кто может их видеть (1021). Быть честным с людьми — единственный способ для компаний заставить их согласиться использовать свои данные понятными им способами. Когда кто-то дает разрешение, его должно быть легко понять и найти. Это позволяет людям разумно защищать свою конфиденциальность. Как обеспечить безопасность данных — это еще одна тема, о которой стоит подумать. Необходимо ввести очень строгие правила безопасности, чтобы обеспечить безопасность данных людей и предотвратить утечки, незаконный доступ и плохое поведение. Такие инструменты, как шифрование, ограничения доступа и анонимизация информации должны использоваться для обеспечения безопасности данных и снижения рисков. Кроме того, компании должны следовать правилам сокращения данных. То есть они должны получать только ту информацию, которая им необходима для занимаемой ими должности.

Будущие направления и инновации:

Будет много новых инноваций и изменений в технологиях, которые сделают будущее принятия решений на основе данных захватывающим и революционным. Области анализа данных и науки принятия решений меняются из-за нескольких основных тенденций и направлений. Эти изменения открывают новые возможности и проблемы. Прогресс, достигнутый в системах искусственного интеллекта (ИИ) и машинного обучения (МО), является важной областью для будущего роста. Алгоритмы ИИ становятся умнее и теперь могут обрабатывать и анализировать огромные объемы данных с невиданной ранее скоростью. Эта функция улучшает предиктивную аналитику, что помогает компаниям узнавать больше и делать более точные предположения. Поскольку ИИ продолжает совершенствоваться, его объединение с аналитикой больших данных может изменить способ принятия решений во многих областях, таких как здравоохранение, маркетинг, управление цепочками поставок и финансы.

ЗАКЛЮЧЕНИЕ

Исследование подчеркивает ценность «родственных» решений, основанных на фактах, и необходимость дальнейших исследований для их улучшения. Интеграция компонентов данных и аналитики, характерных для современных контекстов принятия решений на основе данных, предлагается в качестве современной теории. Большие данные и аналитика, вместе с процессом принятия решений и принятия решений, являются основами принятия решений на основе данных. Выдвигается идея кооперативной логики, подчеркивающая оптимизацию выбора посредством сотрудничества человека и машины. Теория может стать основой для будущих исследований в области BDA, инфраструктуры метачеловека и сотрудничества человека и машины. Будущие исследования должны решать такие вопросы, как характер сотрудничества, виды принимаемых решений, их причины, кто несет ответственность за ошибки в суждениях, как научить людей делать выбор при использовании аналитики и данных и как создавать процедуры принятия решений на основе данных, включающие человеческий вклад.