Τα τελευταία 10 χρόνια η εμπορική διαθεσιμότητα εργαλείων τεχνητής νοημοσύνης (όπως η μηχανική μάθηση, σχεσιακά δίκτυα και νευρωνικά δίκτυα, ασαφή σύνολα, ρομποτικό λογισμικό, βαθιά μάθηση, αναπαράσταση γνώσης, κ.λπ.) έχει αυξηθεί κατακόρυφα., σύμφωνα με την έρευνα « special report», του Συνδέσμου Επιχειρήσεων και Βιομηχανιών.
Τα βασικά ευρήματα της έρευνας είναι τα εξής:
• Η αξιοποίηση δεδομένων ανέκαθεν έδινε ισχυρά πλεονεκτήματα, πλέον όμως τα εργαλεία ανάλυσης δεδομένων της 3ης Βιομηχανικής Επανάστασης που βασίζονταν σε στατιστικά μοτίβα, αντικαθίστανται από εργαλεία τεχνητής νοημοσύνης.
• Η ανάλυση του τεράστιου όγκου δεδομένων που παράγονται κάθε μέρα, μπορεί να αποτελέσει ανταγωνιστικό πλεονέκτημα, βελτιώνοντας λειτουργίες, τεκμηριώνοντας αποφάσεις και αυξάνοντας την προσαρμοστικότητα.
• Τα τελευταία 10 χρόνια η εμπορική διαθεσιμότητα εργαλείων τεχνητής νοημοσύνης (όπως η μηχανική μάθηση, σχεσιακά δίκτυα και νευρωνικά δίκτυα, ασαφή σύνολα, ρομποτικό λογισμικό, βαθιά μάθηση, αναπαράσταση γνώσης, κ.λπ.) έχει αυξηθεί κατακόρυφα.
• Στην Ελλάδα, αν και η αξιοποίηση σύγχρονων ψηφιακών εργαλείων κερδίζει συνεχώς έδαφος στις επιχειρήσεις, συχνά δεν συνοδεύονται από τον ανάλογο διοικητικό και λειτουργικό μηχανισμό.
• Για παράδειγμα, αν και η Ελλάδα βρίσκεται πάνω από τον ευρωπαϊκό μέσο όρο στην προμήθεια συστημάτων Big Data Analytics, μόνο το 39% των επιχειρήσεων έχει εντάξει την ανάλυση δεδομένων στην κουλτούρα και τις διαδικασίες λήψης αποφάσεων, παρά τα πολύ σημαντικά οφέλη που είναι ήδη ορατά.
• Το Παρατηρητήριο Ψηφιακού Μετασχηματισμού του ΣΕΒ με τη συνεργασία της Deloitte, προτείνει έναν οδικό χάρτη μέσω 10 καίριων ερωτημάτων, για τον ψηφιακό μετασχηματισμό.
Η αξία των δεδομένων
Η «ευφυής» αξιοποίηση κάθε είδους δεδομένων από ανθρώπους αλλά και επιχειρήσεις ανέκαθεν έδινε ισχυρά πλεονεκτήματα. Στις επιχειρήσεις, ήδη από την 1η Βιομηχανική Επανάσταση, αναλύονται δεδομένα, με διάφορες επιστημονικές μεθόδους, για βελτίωση της παραγωγής, κατανόηση των καταναλωτικών συνηθειών, διαχείριση του οικονομικού κινδύνου, αξιολόγηση των επενδυτικών ευκαιριών, διατήρηση της ανταγωνιστικότητας, κλπ.
Στην περίοδο της 3ης Βιομηχανικής Επανάστασης οι αναλύσεις δεδομένων εστίασαν στην αναγνώριση τάσεων και προοπτικών βασισμένων σε στατιστικά μοτίβα. Αρκετά από αυτά τα συστήματα αξιοποιούνται μέχρι και σήμερα. Αυτό που απουσίαζε ήταν οι προσιτές σε όρους διάδοσης και κόστους τεχνολογίες για ταχεία εκτέλεση σύνθετων υπολογισμών σε πολύ μεγάλο όγκο δεδομένων.
Όμως, τα τελευταία 10 χρόνια η εμπορική διαθεσιμότητα εργαλείων τεχνητής νοημοσύνης (όπως η μηχανική μάθηση, σχεσιακά δίκτυα και νευρωνικά δίκτυα, ασαφή σύνολα, ρομποτικό λογισμικό, βαθιά μάθηση, αναπαράσταση γνώσης, κ.λπ.) έχει αυξηθεί κατακόρυφα. Η τεχνητή νοημοσύνη έχει διευρύνει τις δυνατότητες «παραδοσιακής» ανάλυση δεδομένων σε τέτοιο βαθμό που πλέον δημιουργούνται συμπεράσματα, γνώσεις και αποφάσεις ευθέως συγκρίσιμες με την εμπειρία της ανώτερης διοίκησης της επιχείρησης.
Επιπλέον, η συνεχής «εκπαίδευσή» της με νέα δεδομένα την εξελίσσει περαιτέρω, με αποτέλεσμα να περιορίζεται η ανάγκη ανθρώπινης παρέμβασης στη λήψη αποφάσεων.
Πλέον, η ανάλυση μέρους των 2,5 πεντάκις εκατομμυρίων (quintillion) bytes δεδομένων που παράγονται κάθε ημέρα παγκοσμίως αποτελεί θεμέλιο ανταγωνιστικότητας. Τέτοιες αναλύσεις μπορούν να βελτιώνουν προβληματικές και χρονοβόρες λειτουργίες, να αναγνωρίζουν ευκαιρίες αυτοματοποίησης και τυποποίησης, να τεκμηριώνουν διοικητικές αποφάσεις, να προβλέπουν τις επιπτώσεις εξωτερικών παραγόντων στη επιχείρηση, να προσαρμόζουν την παραγωγή στη ζήτηση, να δημιουργούν προσωποποιημένες υπηρεσίες και προϊόντα σε πραγματικό χρόνο.
Η θέση της Ελλάδας
Η αξιοποίηση σύγχρονων εργαλείων ανάλυσης δεδομένων κερδίζει συνεχώς έδαφος στις επιχειρήσεις. Όμως, παρόλο που ζούμε στην εποχή της 4ης Βιομηχανικής Επανάστασης, η ανθρώπινη «διαίσθηση» και η «εμπειρία» παραμένουν κυρίαρχα κριτήρια των επιχειρηματικών επιλογών στην Ελλάδα, καθώς τα ψηφιακά εργαλεία δεν συνοδεύονται από τον ανάλογο διοικητικό και λειτουργικό μετασχηματισμό. Ένα χαρακτηριστικό παράδειγμα είναι το εξής:
Η προμήθεια σύγχρονων εργαλείων ανάλυσης μεγάλου όγκου δεδομένων (Big Data Analytics) είναι ιδιαίτερα διαδεδομένη στον ιδιωτικό τομέα στην Ελλάδα, πάνω από το μέσο όρο της ΕΕ (12η θέση στην ΕΕ-28, στο σχετικό δείκτη DESI2020). Όμως τα εργαλεία αυτά σε μεγάλο βαθμό παραμένουν αναξιοποίητα. Σύμφωνα με πρόσφατη έρευνα της Deloitte, μόνο το 39% των επιχειρήσεων διαθέτει κουλτούρα και διαδικασίες λήψης διοικητικών αποφάσεων που βασίζονται σε ανάλυση δεδομένων.
Η ίδια μελέτη δείχνει ότι τα 2/3 των επιχειρήσεων περιορίζουν τη συλλογή και ανάλυση δεδομένων σε μια πολύ μικρή ομάδα εργαζομένων, ενώ το 67% των ανώτερων διοικήσεων μεγαλύτερων οργανισμών δεν επικροτεί την ροή δεδομένων μεταξύ διαφορετικών μονάδων εντός της επιχείρησης. Το γεγονός ότι τα 2/3 των διοικήσεων σε μεγαλύτερους οργανισμούς δεν αναγνωρίζουν την ροή πληροφοριών εντός της επιχείρησης ως μία ζωτική λειτουργία παραγωγικότητας, είναι σημαντικός διοικητικός αναχρονισμός και ανασταλτικός παράγοντας στον ψηφιακό μετασχηματισμό της οικονομίας.
Τα οφέλη για τις επιχειρήσεις
Τα οφέλη είναι ήδη ορατά σε εκείνες τις επιχειρήσεις που επενδύουν σε τεχνολογίες ανάλυσης δεδομένων και ταυτόχρονα μετασχηματίζουν τη διοικητική λειτουργία τους. Η βιομηχανία έχει τη δυνατότητα να προσαρμόσει την ποσότητα παραγωγής βάσει προβλεπόμενης ζήτησης, να διαχειριστεί το ύψος των αποθεμάτων, να διενεργήσει προληπτική συντήρηση, να βελτιστοποιήσει το μίγμα πωλήσεων ανά κανάλι προώθησης, κ.λπ.
Ενδεικτικά, γνωστή ελληνική βιομηχανία συλλέγει και αναλύει δεδομένα προωθητικών ενεργειών σε πραγματικό χρόνο για να εκτιμήσει κρίσιμους δείκτες αποδοτικότητας (πχ ROI, αύξηση πωλήσεων ανά προϊόν και κανάλι). Το εμπόριο, εφαρμόζει λύσεις πρόβλεψης της ζήτησης, διαχείρισης των αποθεμάτων, δυναμικής τιμολόγησης, σύστασης προϊόντων σε πελάτες, κ.λπ. Ενδεικτικά, εταιρεία ηλεκτρονικού εμπορίου αναλύει δεδομένα διαδικτυακών πωλήσεων, με το 35% των εσόδων της να προέρχεται πλέον από τις αναλύσεις αυτές.
Στις χρηματοοικονομικές υπηρεσίες, τα εργαλεία επιτρέπουν την ανάλυση και έλεγχο κινδύνου, την αξιολόγηση της πιστοληπτικής ικανότητας, την ανάλυση cross-selling σε πραγματικό χρόνο. Επιχειρήσεις που αξιοποιούν τέτοια εργαλεία απολαμβάνουν (ενδεικτικά) ως 35% μείωση του χρόνου των εργασιών παραγωγής, ως 25% μείωση αποθεμάτων, ως 3% αύξηση εσόδων, ως 7 μονάδες υψηλότερη απόδοση επένδυσης (ROI), ως 25% μείωση των δαπανών Ε&Α, ως 5% μείωση σε δαπάνες marketing, κ.λπ.
Ειδικά οι μεσαίες και μεγάλες επιχειρήσεις που αξιοποιούν συστηματικά αναλύσεις δεδομένων έχουν διπλάσια πιθανότητα να υπερβούν τους στόχους ανάπτυξης και ανταγωνιστικότητας.
Οδικός χάρτης για την αξιοποίηση των δεδομένων
Η αλλαγή της διοικητικής κουλτούρας είναι το πρώτο βήμα για τη μετάβαση σε ένα επιχειρηματικό μοντέλο βασισμένο σε δεδομένα. Αυτή με τη σειρά της μετασχηματίζει τις διαδικασίες λειτουργίας ώστε να αξιοποιούν σε καθημερινή βάση ψηφιακά εργαλεία συλλογής και ανάλυσης δεδομένων. Το Παρατηρητήριο Ψηφιακού Μετασχηματισμού του ΣΕΒ, με τη συνεργασία της Deloitte, προτείνει έναν οδικό χάρτη για την επιτάχυνση της ψηφιακής μετάβασης και την επιτυχημένη αξιοποίηση των εργαλείων αυτών από κάθε επιχείρηση.
1. Στόχευση: Ποιο είναι το συγκεκριμένο πρόβλημα που επιθυμεί να ανατρέψει η διοίκηση, ποιες είναι οι διαδικασίες που επιθυμεί να βελτιώσει, ποιος είναι ο συγκεκριμένος στόχος που επιθυμεί να πετύχει;
2. Σύνδεση με τη στρατηγική: Με ποιο τρόπο θα συνδέσει η επιχείρηση τον ψηφιακό μετασχηματισμό με τη συνολική στρατηγική της;
3. Πηγές δεδομένων: Πού βρίσκονται τα απαραίτητα δεδομένα προς συλλογή και ανάλυση (εντός / εκτός επιχείρησης); Ποιες είναι οι πηγές προέλευσης και ποια η σημερινή μορφή τους; Ποιο το κόστος και ποια η δυνατότητα συλλογής των δεδομένων; Πώς μπορεί να διασφαλιστεί η ποιότητα και αξιοπιστία τους;
4. Ευθύνη: Ποια οργανωτική δομή, με ποιες αρμοδιότητες και με ποια στελέχωση, θα υποστηρίξει τις νέες διαδικασίες συλλογής και ανάλυσης δεδομένων; Ποιοι εργαζόμενοι από ποια τμήματα θα εμπλακούν και πώς θα κατανεμηθούν ρόλοι και αρμοδιότητες;
5. Δεξιότητες: Υπάρχουν οι κατάλληλες δεξιότητες στην επιχείρηση (πχ ανάλυσης δεδομένων, αξιοποίησης εργαλείων τεχνητής νοημοσύνης, κ.λπ.) και αν όχι πώς θα αποκτηθούν;
6. Αναδιοργάνωση: Πώς πρέπει να μετασχηματιστούν οι οργανωτικές δομές (συμπεριλαμβανομένης και της ανώτερης διοίκησης) και οι διαδικασίες λήψης αποφάσεων για να αξιοποιούν σε καθημερινή βάση τις αναλύσεις δεδομένων; Πώς θα παρακολουθείται η απόδοση;
7. Τεχνολογίες: Ποια συστήματα ανάλυσης δεδομένων καλύπτουν τις ανάγκες της επιχείρησης σήμερα αλλά και σε μεσοπρόθεσμο ορίζοντα; Πώς προστατεύονται τα δεδομένα από κυβερνο-επιθέσεις;
8. Κίνδυνοι: Ποιοι είναι οι πιθανοί παράγοντες αποτυχίας του μετασχηματισμού, ποιες δομές ενδέχεται να αλλάξουν ριζικά τρόπο λειτουργίας; Πώς θα ενημερωθεί έγκαιρα το προσωπικό για τις αλλαγές;
9. Αξιοπιστία: Πώς διασφαλίζεται η ποιότητα, η αξιοπιστία και η εμπιστευτικότητα των δεδομένων χωρίς να περιορίζεται η ροή εντός της επιχείρησης; Ποιοι οι κανόνες δεοντολογίας αλλά και προστασίας της πνευματικής ιδιοκτησίας;
10. Προμήθεια: Ποια στρατηγική προμηθειών είναι κατάλληλη για το μέγεθος και τον κλάδο της επιχείρησης (πχ προμήθεια ως υπηρεσία, έτοιμο λογισμικό, πιλοτική εφαρμογή, κ.λπ.);
Δείτε https://www.sev.org.gr/Uploads/Documents/53335/SEV_Deloitte_Analytics_ΑΙ.pdf την πλήρη μελέτη του παρατηρητηρίου ψηφιακού μετασχηματισμού του ΣΕΒ για την ανάλυση δεδομένων και την τεχνητή νοημοσύνη.