Jak wykorzystać sztuczną inteligencję w biznesie / Praktyczny przewodnik

Ostatnie miesiące to eksplozja narzędzi i systemów opartych o sztuczną inteligencję. Coraz więcej mówi się o wykorzystaniu AI (Artificial Intelligence) w biznesie i codziennym życiu. Powszechna narracja sugeruje jednak, że wykorzystanie sztucznej inteligencji w biznesie to jakaś magia, która sama rozwiązuje wszystkie problemy. Albo sposób na błyskawiczne generowanie fajnych obrazków. Managerowie i właściciele firm mają prawo poczuć się zagubieni.  

Jeśli i Ty czujesz się podobnie, przychodzimy z pomocą! Wyjaśnimy Ci, jak w praktyce przeprowadzić w swojej firmie projekt wykorzystujący algorytmy sztucznej inteligencji i systemy oparte o data science.

Sztuczna inteligencja w biznesie a data science – jak są ze sobą związane?

Data science i sztuczna inteligencja w biznesie są ze sobą mocno powiązane i wzajemnie się uzupełniają.

  • Data science polega na analizowaniu dużych zbiorów danych, aby uzyskać z nich wartościowe i przydatne informacje, które można przełożyć na konkretne decyzje biznesowe.
  • Z kolei sztuczna inteligencja koncentruje się na tworzeniu systemów, które mają zdolność myślenia i uczenia się w sposób podobny do ludzkiego mózgu. Na przykład popularny ostatnio ChatGPT, w którym w krótkim czasie można generować teksty i odpowiedzi na różne pytania.

Zależności między Data Science, AI, Machine Learning i Deepl learning wyjaśnione na grafice.

Data science wykorzystuje zaawansowaną matematykę oraz narzędzia sztucznej inteligencji, np. uczenie maszynowe czy przetwarzanie języka naturalnego, aby analizować dużą ilość danych. Sztuczna inteligencja umożliwia specjalistom data science dokładniejszą analizę danych i wykrywanie wzorców, które można przełożyć na realne biznesowe zastosowania i korzyści.

Zastosowanie sztucznej inteligencji i jej dobrodziejstw w biznesie to podejmowanie decyzji opartych o dane. Co jeszcze możesz osiągnąć?

  • Lepsze zrozumienie zachowań zakupowych klientów i rekomendowanie bardziej dopasowanych produktów
  • Dokładniejsza segmentacja klientów i lepsze dopasowanie komunikatów i tekstów reklamowych
  • Prognozowanie wielkości sprzedaży
  • Optymalizacja planowania tras transportu
  • Lepsze zarządzanie łańcuchem dostaw
  • Usprawnisz obsługę klienta dzięki przewidywaniu, którzy klienci mogą odejść.

Dlaczego projekty wykorzystujące sztuczną inteligencję w biznesie są inne?

Być może jesteś już na ścieżce cyfrowej transformacji w Twojej firmie i masz za sobą wdrożenia różnych rozwiązań IT. Może są to platformy e-commerce, systemy do zarządzania produktami czy budowa infrastruktury chmurowej. To wszystko pozwala Ci chociażby unikać powtarzalnych zadań i oszczędzać czas pracowników.

Teraz chcesz zrobić kolejny krok i wykorzystać zalety sztucznej inteligencji i data science do dalszego wzrostu Twojej firmy. Szukasz więc różnych sposobów i ekspertów, którzy wyciągną z Twoich danych ciekawe informacje i pomogą przełożyć je na realne biznesowe korzyści, np. wzrost sprzedaży.

The first step in data science is knowing that you don't know something

I tutaj właśnie spotykamy się z najczęstszym błędem w podejściu do projektów data science, które traktowane są jak każde inne wdrożenie systemu IT w firmie.

  • Projekty data science i AI przypominają projekt naukowy – stawia się hipotezy, następnie przeprowadza eksperymenty (na początku na mniejszej próbie, tzw. Proof of Concept), aby te hipotezy zweryfikować. Nie można mieć 100% pewności, że hipoteza, np. wzrost sprzedaży o 5-10%, się potwierdzi. Być może będzie to 3%, może 15%, a może 0. Są oczywiście sposoby, aby zmniejszyć ryzyko porażki, na przykład zbierać dane w odpowiedni sposób, o czym powiemy za chwilę.
  • Praca odbywa się w podejściu iteracyjnym – jeśli model nie spełnia założonych celów, jest udoskonalany i testowane są inne warianty. Ponownie, człon „science” w „data science” to nie przypadek.
  • Korzyści finansowe takiego projektu są odroczone w czasie, ponieważ pełna weryfikacja modelu odbywa się po jego wdrożeniu. Aby wiedzieć, czy model data science zwiększy sprzedaż, ta sprzedaż po prostu musi się wydarzyć.

Jak przygotować się do wykorzystania sztucznej inteligencji i data science w firmie?

Aby przejść do rozwoju sztucznej inteligencji i projektu data science w Twojej firmie, potrzebne są (zaskoczenie!) DANE. Brzmi to, jak oczywista oczywistość, ale tak właśnie jest i co więcej, nie mogą to być byle jakie dane.

Sztucna inteligencja w biznesie i projekt Data science krok po kroku

Strategia danych

Zanim przejdziesz do wdrażania zaawansowanych modeli machine learning, musisz stać się organizacją data centric, tzn. taką, gdzie wszyscy członkowie rozumieją potrzebę zbierania odpowiednich danych. Koniecznie odpowiedz też sobie na pytania „jakie dane?” i „w jakim celu?” chcesz zbierać.

Zbieranie danych

Jeśli masz już strategię, zacznij zbierać dane. Najlepiej sprawdzą się tutaj tzw. data lake, czyli miejsce do przechowywania dużej ilości różnorodnych danych, pozwalające na szybkie i elastyczne ich przetwarzanie. Innym rozwiązaniem może być hurtownia danych, czyli centralne miejsce przechowywania danych biznesowych, które zostały wstępnie przetworzone i ustrukturyzowane w celu ułatwienia ich wykorzystania przez organizację.

Proste analizy

Następnie możesz zacząć przeprowadzać proste analizy, za pomocą narzędzi takich jak na przykład PowerBI.

Na te wszystkie działania potrzebny jest jednak czas. Jeśli więc myślisz o korzystaniu z Twoich danych długofalowo do budowania przewagi konkurencyjnej i zwiększania przychodów, warto już teraz zacząć przygotowania, aby przejść do czwartego etapu, czyli praktycznej implementacji sztucznej inteligencji i data science do Twojej firmy. Jak za chwilę zobaczysz, takie podejście bardzo się opłaca.

Jak wygląda projekt sztucznej inteligencji & data science w biznesie krok po kroku

Jeśli masz już opracowaną strategię oraz odpowiednio zebrane dane, które już w jakiś sposób analizujesz, możesz przejść do projektów data science z prawdziwego zdarzenia, czyli zacząć eksplorację danych i budowę modeli. Przejdziemy przez ten proces razem, aby pomóc Ci lepiej zrozumieć, co się dzieje na każdym etapie. 

Data Science project lifecycle CRISP DM
Cross Industry Standard Process for Data Mining

1 / Analiza biznesowa

W pierwszym kroku biznes oraz specjaliści data prowadzą dialog, aby zrozumieć potrzebę biznesową oraz znaleźć rozwiązanie wykorzystujące narzędzia sztucznej inteligencji i data science. Twoją potrzebą może być na przykład zwiększenie sprzedaży w sklepie online i narzędziem, które pozwoli to osiągnąć, będą systemy rekomendacji lub dynamicznie ustalane ceny.

W tym kroku należy też sprawdzić, czy nie ma ograniczeń prawnych lub technicznych, które mogą zagrozić projektowi. Przykładowo: do poprawnego funkcjonowania modelu możesz potrzebować danych w czasie rzeczywistym, ale z różnych przyczyn nie możesz ich mieć. Tego typu różne trudności wyłapiesz już na starcie projektu.

2 / Zrozumienie danych

W drugim kroku data scientist musi przyjrzeć się danym, jakie posiada firma. Jeśli celem jest wspomniane wcześniej zwiększenie sprzedaży za pomocą systemów rekomendacji, to konieczne będzie przyjrzenie się np. historii sprzedaży.


Data scientist sprawdza zatem, które dane mogą wchodzić do modelu, jaka jest ich jakość, czy są kompletne, spójne. W przypadku analizy historii sprzedaży może się okazać, że należy pominąć okres pandemii, ponieważ wtedy zachowania zakupowe klientów odbiegały od normy i wykorzystanie tych danych dzisiaj mogłoby przekłamać model.

3 / Przygotowanie danych

Trzeci krok projektu data science to przygotowanie danych dla algorytmu. Dane są na tym etapie sprawdzane, czyszczone z luk, błędów oraz są transformowane do właściwej formy. Na przykład jeśli data scientist ma zbudować model prognozowania sprzedaży, może to zrobić w przedziale dziennym, tygodniowym lub miesięcznym. I tak też należy przygotować dane dla algorytmu, aby osiągnąć zamierzone rezultaty.

4 / Modelowanie danych

Na tym etapie data scientist rozwija właściwy model, który będzie podstawą wdrażanego rozwiązania sztucznej inteligencji i data science w biznesie, np. systemu rekomendacji czy systemu do prognozowania sprzedaży. Jest to etap mocno techniczny, w dużym stopniu poświęcony użyciu technik data mining (eksploracja danych).

Zrozumienie danych w projekcie data science

5 / Ewaluacja modelu

Na tym etapie model jest testowany pod kątem założonych celów biznesowych, na przykład wzrostu sprzedaży o 5-10%. Jeśli wybranym rozwiązaniem do realizacji tego celu był silnik rekomendacji, to w tym momencie jest on uruchamiany na stronie internetowej dla kilku procent klientów. W ten sposób można zweryfikować działanie modelu na mniejszej próbce.

Jeśli model nie spełnia oczekiwań i wymaga poprawy, proces zaczyna się od nowa, czyli należy ponownie przyjrzeć się założeniom biznesowym i danym, aby model dopracować. Weryfikacja może odbywać się również z udziałem biznesu i ekspertów wewnętrznych, którzy oceniają działanie modelu. Tak jak pisaliśmy wcześniej, data science to proces naukowy – weryfikacja hipotez i szukanie najlepszego rozwiązania.

Krok piąty to także moment, w którym uporządkowane i przemyślane zbieranie danych w data lake lub hurtowniach danych przynosi swoje owoce. Obróbka danych i weryfikacja hipotez jest o wiele szybsza i ryzyko porażki jest mniejsze, gdy specjaliści data mają dostęp do jednego scentralizowanego źródła danych. Wówczas budowanie i ewaluacja modelu mogą zająć zaledwie kilka tygodni. W efekcie kolejne wersje modelu testowane są szybciej.

6/ Pełne wdrożenie

W ostatnim kroku, gdy biznes jest zadowolony z rezultatów i ewaluacja skuteczności modelu na mniejszej próbce przebiegła pomyślnie, tworzony jest system informatyczny, który staje się częścią przedsiębiorstwa. Przykładowo silnik rekomendacji zostaje zaimplementowany dla wszystkich klientów i zaczyna dziać się magia. 😉Jakiś czas po wdrożeniu można w pełni ocenić skuteczność działania modelu i systemu jako całości. Jak wspominaliśmy, jeśli celem było zwiększenie sprzedaży, to ta sprzedaż musi się wydarzyć, aby policzyć, czy faktycznie wzrosła o założoną wartość.

AI chatbot dla biznesu

Wdrożyłeś sztuczną inteligencję w Twojej firmie. Co dalej?

Poza tym, że masz duży powód do radości, musisz wiedzieć, co robić dalej. 😉 Od czasu do czasu Twój algorytm będzie wymagał okresowych przeglądów pod kątem KPI oraz metryk biznesowych. Konieczne mogą być pewne modyfikacje w samym modelu. Jak już wiesz, rozwiązania oparte o sztuczną inteligencję i data science wymagają dobrej jakości danych.

A dane się zmieniają. Być może Twoja firma zrobiła ekspansję za granicę, gdzie rynek wygląda zupełnie inaczej? Konieczne jest wówczas uaktualnienie modelu o nowe informacje.

Magia sztucznej inteligencji i data science to nauka

Droga cyfrowej transformacji musi dzisiaj prowadzić do mądrego i strategicznego wykorzystania danych. W najbliższym czasie przewagę konkurencyjną będą budować ci, którzy w swojej branży potrafią wykorzystać dane do wzrostu biznesu. Sposobem na osiągnięcie tych celów jest zastosowanie AI w biznesie. Warto pamiętać, że nie są to magiczne narzędzia, które implementujemy dwoma kliknięciami. Działania te wymagają kreatywności i są rezultatem naukowego, iteracyjnego procesu – analizy danych, testów, weryfikacji – które prowadzą do mierzalnych efektów i podejmowania słusznych decyzji. W tym wszystkim ludzkie umiejętności wciąż są niezbędne. 😉

Chcesz dowiedzieć się więcej o projektach data science?

Nasi eksperci
/ Dzielą się wiedzą

Generative AI in healthcare
26.03.2024

Gen AI w ochronie zdrowia / Czy nadchodzi rewolucja?

AI

Czy naszym lekarzem pierwszego kontaktu zostanie wkrótce pracownik medyczny obsługujący zaawansowany chatbot AI? A może, wzorem dzisiejszych internautów próbujących diagnozować się z „doktorem Google”, samodzielnie sprawdzimy stan zdrowia z jednym z wielu specjalistycznych chatbotów? Nie wiemy dokładnie, jak rozwinie się gen AI w...

Rozwiązania omnichannel
19.03.2024

Rozwiązania omnichannel w 2024

Omnichannel

Wdrożenie strategii omnichannel wymaga uporządkowania i przemyślenia wielu aspektów biznesu. Jedną z kluczowych decyzji będzie wybór odpowiednich rozwiązań dla omnichannel. O jakich jednak rozwiązaniach mówimy? W tym poradniku zebraliśmy najpopularniejsze rozwiązania omnichannel, które pomogą Ci stworzyć Twoją unikalną układankę...

System PIM Best Practices
12.03.2024

System PIM / Najlepsze praktyki

Product Information Management

Jeśli chcesz w pełni wykorzystać możliwości systemu PIM nie wystarczy go po prostu wdrożyć. Być może wyzwanie stanowi duża liczba produktów, a może rozproszone zasoby cyfrowe? Niezależnie od tego, czy jesteś menedżerem produktu szukającym sposobów na oszczędność czasu, czy liderem biznesowym dążącym do poprawy efektywności...

Ekspercka wiedza
dla Twojego biznesu

Jak widać, przez lata zdobyliśmy ogromną wiedzę - i uwielbiamy się nią dzielić! Porozmawiajmy o tym, jak możemy Ci pomóc.

Napisz do nas

<dialogue.opened>