Monētas iemešanas vietā pircējs ievada savas maksājumu kartes datus, un tas iedarbina automatizētu preces piegādes procesu gandrīz bez cilvēku iejaukšanās (tiesa gan, viens no pasaules lielākajiem interneta veikaliem – Amazon – savos loģistikas centros izmanto tūkstošiem preču pakotāju).
Pasūtījumu izpildīšana ir samērā vienkāršs biznesa process, tam diendienā nav vajadzīga cilvēku un to lemtspējas līdzdalība, savukārt, lai veidotu biznesa stratēģijas un tās ieviestu, ir vajadzīga cilvēku līdzdalība un lēmumi – vismaz pagaidām. Ir jāsaka gan, ka arvien vairāk stratēģisko un vidēja termiņa lēmumu uzņēmumu vadība pieņem ar informācijas sistēmu atbalstu. Lielos uzņēmumos (kā arī mazākās firmās, kam ir liels darījumu (transakciju) skaits) milzu datu krājumus analizē ar t. s. lielo datu (big data) paņēmieniem, analīzes rezultātus prezentējot vadībai kā pamatu turpmākajiem biznesa lēmumiem. Šādu informācijas sistēmu radītu analīzi sauc arī par izlūkošanu biznesa vajadzībām (business intelligence – BI).
Mākslīgais intelekts pret iekārtu avārijām un dīkstāvi
Vienlaikus uzņēmumos arvien vairāk ievieš t. s. mākslīgā intelekta (artificial intelligence) risinājumus, kas dažkārt pilda biznesam būtiskas funkcijas, arī tādas, kas bez IT atbalsta nebūtu iespējamas. Piemēram, IT sistēma reāllaikā vēro kādas mašīnas darbību, to salīdzinot ar datubāzes rādītājiem par konkrētās mašīnas agrāko darbību un par šādām mašīnām kopumā. Izmantojot īpašu algoritmu, sistēma var aprēķināt, kāda ir varbūtība, ka mašīnai kāda detaļa tuvākajā laikā salūzīs, un pasūtīt tās savlaicīgu apkopi, novēršot negaidītu kādas svarīgas ražošanas līnijas dīkstāvi. Šādu IT lietojumu sauc par prognozējošo analītiku (predictive analytics), un to izmanto ne tikai ražošanas līniju apkopei, bet arī dažādiem mārketinga projektiem, krāpšanas novēršanai un veselības aprūpē.
Mārketinga vajadzībām analītiskie rīki atlasa tās mārketinga kampaņas auditorijas daļas, kurām ir lielākā varbūtība pozitīvi reaģēt uz reklāmas vēstījumu, savukārt pretkrāpšanas risinājumi paceļ sarkanu karodziņu, ja bankas klienta darījums vai darījumu kombinācija izskatās pēc agrāk redzētiem krāpšanas mēģinājumiem, piemēram, ja ar tantes no Bauskas maksājumu karti, kas vakardien izmantota, lai pirktu maizi, pienu un olas vietējā Rimi, šodien cenšas apmaksāt lepnas 250 eiro pusdienas Honkongā. Starp poliklīnikas pacientiem, salīdzinot to datus un analīzes (ar attiecīgu piekrišanu), var atlasīt grupas, kurām ir paaugstināts otrā tipa cukura diabēta vai citas kaites risks.
Daudzi uzņēmēji uz pilnīgu automatizāciju skatās piesardzīgi
Vai samazināsies cilvēku lēmumu nozīme biznesa vadībā?
Arvien vairāk daži biznesa procesi virzās uz to, ka biznesa analītikas secinājumus lēmumos pārvērtīs nevis dzīvi cilvēki kādā valdes vai attiecīgas vadības grupas sēdē, bet kaut kas līdzīgs mākslīgajam intelektam jeb mašīna, kas prot mācīties (machine learning) un izdarīt secinājumus.
Globālās biznesa vadības programmatūras ražotāja SAP vadītājs Latvijā Ainārs Bemberis uzskata, ka „šis process vairs nav uzskatāms par futūristisku, jo faktiski daļēji jau noris. Piemēram, ja runa ir par modes industriju, tad ražotāji vēro un analizē modes cikliskumu, ņem vērā patēriņu, prognozē tendences, kā arī izmanto sociālos tīklus, kuros tiek apkopota ļoti plaša informācija par potenciālajiem pircējiem. Šo visu nodrošina arī dažādas biznesa programmatūras, kas ļauj paredzēt pieprasījumu un dot ziņu par nepieciešamību saražot attiecīgu produkciju”.
Šie procesi, protams, nav pilnveidoti, un ar tiem, izvērtējot katra uzņēmuma datu krājumus un kvalitāti, ir pastāvīgi jāstrādā. Jau no pirmsākumiem IT industrijā ir izteiciens GIGO jeb garbage in, garbage out (‘drazu liek iekšā, draza nāk ārā’). Kā atzīst A. Bemberis, „vislielākais izaicinājums, lai attīstītu šo procesu, ir datu kvalitāte un apstrāde – kā un ar kādu mērķi dati tiek apkopoti, kā analizēti un kāds ir rezultāts, ko potenciāli vēlamies iegūt”.
Sociālajos tīklos meklē apmierinātus un dusmīgus klientus
Ziemeļvalstu biznesa vadības sistēmu kompānijas Visma Latvijas meitasuzņēmuma SIA Visma Enterprise BI grupas vadītāja Ilze Smeltere norāda, ka modernas sistēmas var nolasīt uzņēmuma klientu noskaņojumu, arī pētot sociālos tīklus.
„Attīstoties text mining iespējām, tiek veikta arī datu emocionālā analīze. Piemēram, pakalpojumu jomā, analizējot klientu uzvedību un veidojot dažādus pārdošanas vai klientu zaudēšanas analīzes algoritmus, ne tikai ņem vērā faktu, vai klients ir izteicies par konkrēto produktu sociālajos tīklos, bet arī tiek noteikts, ar kādu emocionālo ziņu šī pieminēšana ir veikta – vai klients pauda prieku vai vilšanos. Tādējādi ir iespējams precīzāk identificēt sasniedzamo grupu un piemērot mārketinga ziņojumus,” stāsta I. Smeltere.
Visma ienāca Latvijā 2014. gadā, nopērkot Latvijas kompāniju SIA FMS, kas izstrādāja Baltijā plaši lietoto sistēmu Horizon.
Līdzīgi SAP vadītājam Latvijā, Visma Enterprise pārdošanas un mārketinga direktors Jānis Rancāns uzsver, ka datu un datu analīzes paņēmienu kvalitāte ir pamats veiksmīgai biznesa prognozēšanas sistēmas lietošanai: „Pasaulē un arī Latvijā ir virkne ar klientiem, to vidū Visma izstrādātie risinājumi, kas to izmanto un meklē dažādas sakarības savu klientu rīcībā, paradumos, notikumos ar iekārtām, pēta tendences biznesa procesos, tirgus uzvedībā, analizē lojalitātes programmu datus un mēģina prognozēt, kas notiks nākotnē.”
IT speciālisti pagaidām ir piesardzīgi un skeptiski par to, vai jau drīz gandrīz visu kāda biznesa vadību varēs nodot kādai mākslīgā intelekta programmai vai programmu kopai
Atmasko ar momentānu analīzi
Savukārt SAP Latvijas filiāles vadītājs A. Bemberis uzsver, ka iespēja veikt prognozes gandrīz reāllaikā (gandrīz momentāni) ir lietojama krāpniecības novēršanai dažādās nozarēs, kur bez ātras reakcijas uz neparastu notikumu var rasties liels kaitējums – tāpat kā savlaicīgi nenomainot ražošanas mašīnas detaļu, kas plīstot var apturēt ražošanu uz ilgāku laiku. „Te varu minēt, piemēram, apdrošināšanas nozari, kur reiz, pateicoties sistēmas analīzei, tika atrasti krāpnieki, kas apdrošināšanas atlīdzību bija ieguvuši ļaunprātīgi, atkārtoti simulējot nelaimes gadījumus. Šajā gadījumā sistēma apkopoja datus un pēc noteiktiem kritērijiem pati izmeta rezultātus, kurus apdrošinātāji ņēma vērā. Varētu minēt daudz šādu piemēru praktiski visās tautsaimniecības nozarēs,” viņš norāda.
Tomēr IT speciālisti pagaidām ir piesardzīgi un skeptiski par to, vai jau drīz gandrīz visu kāda biznesa vadību varēs nodot kādai mākslīgā intelekta programmai vai programmu kopai. „Arī Latvijā ir izstrādāti algoritmi, kas automātiski apstrādā datus un dod signālu nākamajam procesa posmam. Latvijā pārsvarā šādi, datu apstrādē pamatoti automatizēti procesi tiek izmantoti pakalpojumu jomā, automatizējot kādus klientu apkalpošanas procesus. Tomēr, lai gan machine learning un artificial intelligence iespējas kļūst aizvien plašākas, vēl joprojām liela loma būs arī zinošiem cilvēkiem,” uzskata Visma pārstāvis J. Rancāns un piebilst, ka „uzdot datoram veikt pilnu ciklu – pamanīt modes tendences un attiecīgi reaģēt, pasūtot attiecīgu preci, droši vien teorētiski un tehniski ir iespējams jau šobrīd, bet vai tas sniegs sagaidāmo rezultātu, samazinās risku kļūdīties? Joprojām lielā mērā cilvēciskais faktors vēl būs noteicošais”.
Cilvēkiem vēl būs teikšana un nozīme
Līdzīgas domās ir A. Bemberis: „Daudzi uzņēmēji uz pilnīgu automatizāciju skatās piesardzīgi, iespējams, tāpēc, ka joprojām vairāk uzticas cilvēciskajam faktoram. Kā piemēru varu minēt autoražošanu, kur faktiski visi procesi ir automatizēti un ko varētu pilnīgi robotizēt, taču vienalga ir nepieciešams kāds, kas pieņem lēmumu par to, kā automašīna galu galā izskatīsies, un pārbauda kvalitātes kritēriju atbilstību. Te ir arī filozofiskas dabas jautājums, cik daudz atļausim robotikai valdīt pār cilvēku…”
No parastā patērētāja puses ir arvien grūtāk atšķirt, cik lielā mērā dažādu preču un pakalpojumu piedāvājums ir radies, saskaroties ar cilvēku lēmumu, un cik to nosaka sistēmas, kas patērētājus vēro un analizē. Tas ir, kā teiktu amerikāņi, creepy (‘rēgaini’).
