Data science: firmy se přestávají bát práce s daty, znamená náskok před konkurencí, říká Jan Malý z STRV

Práce s daty je dodnes opředena mnoha mýty – že je příliš nákladná, že výsledky budou až dlouho, že je vhodná jenom pro někoho nebo že na ni bude čas později. Podle našich dat a zkušeností z STRV ale nic z toho dávno neplatí.

Data science dnes není předraženou srandou, která akorát přináší další nepotřebná data. Právě naopak – správné zpracování již existujících dat je jednou z těch nejjednodušších a nejrychlejších cest, jak získat náskok před konkurencí, a to téměř v každém odvětví.

Podstata data science

Co přesně se za pojmem skrývá, se v praxi zatím moc neustálilo. Pokud si vezmete dva data scientisty z různých společností, tak se jejich schopnosti a pracovní povinnosti budou diametrálně lišit.

Někde to bude člověk vytvářející reporty o prodejích. Jinde to bude jedinec vytvářející algoritmy pro doporučování produktů z nabídky.

V STRV chápeme data science jako proces pochopení a využití dostupných dat pro řešení konkrétních obchodních výzev. Například marketingových kampaní nebo rozhodnutí o směřování produktu. Cíl je jasný – využít data k lepším rozhodnutím a efektivnějšímu řešení problémů.

Data science je multidisciplinární obor, který kombinuje matematické a statistické schopnosti, informatiku, schopnost práce s daty a vhled do problematiky byznysu.

Každý data scientista v STRV má přesah do všech zmíněných oblastí, aby problém vyřešil.  Ať už pomocí jednoduchého reportu nebo sofistikovanějšího doporučovacího algoritmu. Zkrátka aby zvládl poskytnout klientovi kompletní end2end řešení.

Data lékem na firemní bolest

Obecně řečeno si už dnes firmy uvědomují, že právě lepší vhled a práce s daty, kterých mají plné servery, může vyřešit nejednu jejich bolístku.

Většina z nich data používá pro tvorbu reportů (například s trendy prodejů), při různých obchodních rozhodnutích (například plánování a zaměření marketingových kampaní), nastavování priorit vývoje produktu, automatizaci procesů (například automatické zpracovávání fakturace) a podobně.

Jde o tu méně abstraktní část využívání data science, kterou snad v nějaké míře využívá už každá firma. Existují pak samozřejmě rozdíly v hloubce a efektivitě využití – někde narazíte na excelové tabulky, jinde mají obrovská datacentra a business intelligence řešení.

Každý o tom mluví, každý to chce…

Pak tu ale máme abstraktnější stránku data science a dostáváme se k umělé inteligenci (AI) a strojovému učení (ML).

Kolem nich se povědomí ve firmách teprve rozšiřuje a zdaleka ne každá je ochotná do této oblasti investovat. A to i přesto, že v  některých oborech už se dávno objevují několikáté generace řešení s využitím AI a ML. 

Přístup firem k umělé inteligenci a strojovému učení můžeme přirovnat k přístupu ke cloudu před 10 lety. Každý o něm mluvil, každý ho chtěl, ale nikdo nevěděl, co a k čemu to je.

Zde ale analogie končí, protože umělá inteligence má mnohonásobně větší potenciál změnit naše životy. Algoritmy už dnes ovlivňují, na co se večer díváme ve smartphonu, vyhodnocují, jestli jste překročili rychlost v autě. Anebo rozhodují o tom, jestli dostanete hypotéku na nový byt.

Bez data science vás konkurence sežere

Každá firma musí inovovat, bez ohledu na velikost. Malé a střední firmy potřebují inovovat, aby vyrostly a získaly větší podíl na trhu. Velké firmy si potřebují držet svou pozici na trhu.

Data science může životní cyklus firmy výrazně urychlit a malá firma díky tomu může vyrůst prakticky přes noc.

Výborným příkladem je sociální síť TikTok čínské firmy ByteDance, jejíž algoritmus pro doporučování obsahu zatápí technologickým gigantům jako Meta nebo Google.

Na prahu revoluce

Mnoho odborníků napříč různými odvětvími právě z tohoto důvodu prohlašuje, že se nacházíme na prahu další průmyslové revoluce. 

Vedle rychlosti a adaptability hraje roli i škálovatelnost. Troufám si tvrdit, že jako nástroj automatizace je AI tím nejefektivnějším nástrojem pro škálování provozu, který je dnes k dispozici.

Dobře to ilustruje případ našeho klienta, který poskytuje katalog s enormním množstvím licencované hudby. Aby bylo možné v katalogu vyhledávat, klient má dedikovaný tým pro anotování tohoto katalogu (např. přiřazování emocí, příležitosti atp.).

Před nasazením AI nebylo vůbec anotováno přes 90 procent obsahu, přestože tým má několik členů. Během několika dní po nasazení umělé inteligence bylo možné automaticky anotovat celou databázi. Škálovat pak samotnou umělou inteligenci je pak už jednoduché. U zmíněného klienta jsme začali tímto procesem, ale nakonec jsme implementovali AI do řady dalších řešení.

Automatizace redukuje náklady

Automatizace prostřednictvím AI se pak výrazně podepisuje i na nákladech a kvalitě. Pokud dokážete automatizovat nějaký repetitivní proces, který týmu lidí zabere hodiny denně, například inspekci jakosti součástek na výrobní lince, výrazně tím ušetříte a můžete investovat do kvalitnějších služeb.

Skvělou ukázkou je třeba automatické plánování trasy doručování pro kurýry nebo jak naložit kontejner se zbožím na loď. Tato řešení nejen dávají firmám výraznou výhodu před konkurencí, ale jsou také udržitelná. S maximální efektivitou totiž také jde ruku v ruce nižší počet naježděných kilometrů a více klientů obsloužených naráz.

V některých odvětvích už to ani nelze považovat za inovaci, ale za samozřejmost – například právě v doporučování obsahu na sociálních sítích.

MOHLO BY VÁS ZAJÍMAT:

Úspěšný průnik moderních technologií do práva: digitalizaci notářství urychlila také pandemie

Místo tulipánů datová centra. Nizozemci už nechtějí internetové giganty

Denisa Parkosová (ČSOB): Zákony robotiky naši roboti a umělá inteligence v bance dodržují

Brzká implementace se vyplatí

Kdy by se měly vhodné prvky data science implementovat? Včera bylo pozdě. Čím dříve je firmy nasadí, tím dříve si začnou budovat náskok před konkurencí. Zaostalost se pak časem bude projevovat zřetelněji.

Délka implementace data science se velice těžce zobecňuje a záleží na daném projektu. Například v STRV k implementaci přistupujeme agilně. Začínáme se základním rámcovým řešením (tzv. baseline), které je pro nás důležité mít připravené co nejdříve.

Na něm ověřujeme proveditelnost, správné pochopení problému a zároveň dokazujeme, že se nejedná o promarněnou investici. Celá prototypovací fáze projektu trvá tři až pět týdnů.

Pak už pracujeme na první ostré verzi řešení, kterou v závěru nasadíme do provozu, monitorujeme a vyhodnocujeme KPIs (zkratka Key Performance Indicators, česky klíčové ukazatele výkonnosti, pozn. red.). Tyto dvě fáze nám dohromady trvají průměrně tři měsíce.

Další práce už závisí na daném projektu a problému. Můžeme vyvíjet další verze, můžeme už jenom zapracovat pár úprav a na některých řešeních již není potřeba další práce a fungují. Výsledky pak postupně přicházejí a s uběhlou dobou se výrazně zvyšují – nižší náklady na lidi, rychleji dostupná data, efektivnější rozhodování a kvalitnější produkt.

Data scientistů jako šafránu

Co se firmám na druhou stranu nemusí vyplatit, je budovat si vlastní specializované data science týmy. V první řadě je to velice drahá záležitost s výrazným rizikem.

V řadě druhé na trhu zkrátka není dostatek kvalifikovaných lidí. Pozice datového vědce je multidisciplinární, vychází z relativně nových poznatků a české školství má dle mého problém reagovat na poptávku po profesích, které ještě před pár lety neexistovaly.

Je to škoda, protože se v tomto oboru skrývá ohromný potenciál a v Česku rozhodně máme talent, který by nás mohl vynést mezi lídry…