Comment passer des données en temps réel aux décisions en temps réel

Par Cori Land, stratège d'entreprise, DataStax

DansComment mesurer n'importe quoi, Douglas Hubbard propose une définition alternative de "mesure" à "la taille, la longueur ou la quantité de quelque chose" de l'Oxford English Dictionary. Hubbard définit la mesure comme :

 "Une réduction de l'incertitude exprimée quantitativement sur la base d'une ou plusieurs observations."

Cela reconnaît que le but de la mesure est de réduire l'incertitude. Et le but de réduire l'incertitude est de prendre de meilleures décisions. Les décisions sont souvent prises dans un certain degré d'incertitude; Une certitude à 100 % est généralement impossible, pas nécessaire, et peut être extrêmement coûteuse en termes de coût ou de temps. Il s'ensuit donc qu'il existe un niveau optimal de données où la collecte d'informations supplémentaires ne vaudra pas le coût supplémentaire. Ce point optimal est lorsque des données supplémentaires ne changeront pas de manière significative votre décision.

j'appelle ce pointsaturation des données . Dans la recherche universitaire, la saturation des données indique le point où de nouvelles informations ne changeront pas les résultats d'une étude. Nous pouvons emprunter le terme pour les entreprises en l'appliquant à la prise de décision d'entreprise et opérationnelle. La saturation des données nous aide à nous rappeler qu'en fin de compte, il ne s'agit pas de données, mais de décision. À quel client devons-nous prêter ? Quelle offre devrions-nous proposer ? Doit-on remplacer le moteur ?

Les données créent le contexte de la prise de décision. À mesure que vous approchez de la saturation des données, vos décisions deviennent plus susceptibles de gagner. Si vous avez quelque chose de moins que la saturation des données, vos décisions sont prises avec plus d'incertitude que nécessaire. Cela pourrait être acceptable si le risque de se tromper est acceptable. Mais si la précision compte, vous aurez besoin de plus de contexte. La saturation des données comporte deux dimensions : l'étendue et la profondeur de la couverture.

1. Étendue de la couverture :tout ce qui peut être mesuré est mesuré.
2. Profondeur de couverture :les mesures sont prises en temps réel.

Peut-être dirigez-vous un service de distribution. Vous installez des capteurs qui émettent des données de localisation sur l'ensemble de votre flotte de camions. Vous avez maintenant une couverture complète de votre flotte (vous pouvez également mesurer les niveaux d'huile, la pression des pneus, etc.), mais quelle est l'étendue de cette couverture ? Les camions émettant des données de localisation en temps réel vous offrent une couverture plus approfondie que les lectures de localisation par lots, car vous disposez d'une intelligence continue sur l'emplacement de vos camions. Cette profondeur pourrait offrir des avantages tels qu'une précision accrue de vos prévisions de livraison, des itinéraires optimisés répondant à des événements en temps réel ou une efficacité accrue grâce à la réduction des appels téléphoniques concernant l'emplacement d'un chauffeur.

Rappelant le point de Hubbard selon lequel le but de la mesure est de prendre de meilleures décisions, vos choix d'étendue et de profondeur doivent être faits en fonction des décisions que vous devez prendre. La saturation complète des données en temps réel est importante si vous souhaitez prendre des décisions bien calibrées en temps réel, et cela devient une capacité de plus en plus importante.

Prendre des décisions rapides et de haute qualité est essentiel alors que les entreprises s'efforcent d'augmenter la vitesse de leurs opérations pour la différenciation de la valeur, commeLivraison de pop-corn(dont le slogan est "Plus rapide que le 911") ouMa banque processus d'approbation de prêt en une seconde. En plus de la rapidité, il est important que les entreprises envoient ledroitproduits, ou faire ledroit décision de crédit, lickety-split. Pour y parvenir, il faut alimenter les données en temps réel à partir des sources qui importent contextuellement.

Automatisation des décisions en continu

Ressentant ce besoin de rapidité, les entreprises investissent dans des infrastructures de données en temps réel, commeflux de donnéesetbases de données conçu pour des lectures et des écritures rapides. Pourtant, de nombreuses données se retrouvent encore sur un tableau de bord. Même avec une saturation totale des données, si un humain cherche toujours à comprendre avant de prendre une décision, vous décidez beaucoup plus lentement que la vitesse de vos opérations. Cela vous expose au risque de prendre du retard sur des concurrents qui peuvent agir sur les données au fur et à mesure qu'elles arrivent. Comment pouvez-vous modifier votre architecture décisionnelle pour devenir plus proactif plutôt que réactif ? Automatisation des décisions en streaming.

L'automatisation des décisions en continu ajoute de la valeur aux données en temps réel en les combinant avec d'autres flux de données, en appliquant des algorithmes au flux de données et en alimentant un moteur de décision capable de prendre des décisions en temps réel sans personne dans la boucle. Il s'agit de ML en direct en production activant des données en temps réel dans un client ou un résultat commercial.IDC projette de diffuser l'automatisation des décisions en continu pour devenir un marché de 2,1 milliards de dollars d'ici 2025 à un TCAC de 39,5 %. C'est rapide.

La fonctionnalité "Choix du client" de Walmart est un excellent exemple d'automatisation des décisions de diffusion en continu et de ses avantages. La fonctionnalité utilise des données historiques et en temps réel pour faire apparaître de bons substituts pour les articles qu'un client achète activement en ligne mais dont on prévoit qu'ils seront en rupture de stock. Cette fonctionnalité en temps réel a aidéWalmart double ses ventes en ligneau deuxième trimestre de 2020 – et aide probablement encore plus le détaillant face aux problèmes actuels de la chaîne d'approvisionnement.

Travailler à la saturation des décisions

Bien sûr, vous n'insufflerez pas immédiatement toutes vos décisions avec une automatisation basée sur l'IA – le temps et les ressources sont trop rares pour cela, et dans certains cas, cela peut ne pas être nécessaire. Au lieu de cela, vous avez un portefeuille de décisions à gérer : des processus qui n'ont pas besoin d'être surveillés ou décidés en temps réel ; les processus qui devraient être surveillés en temps réel mais qui ne le sont pas encore ; des processus suivis en temps réel mais avec des décideurs humains ; et des processus suivis en temps réel, alimentant des décisions automatisées.

Il existe également un éventail d'automatisation des décisions. L'automatisation la plus élémentaire utilise la logique métier "si-alors". Par exemple, une société de carte de crédit peut avoir une règle de décision automatisée telle quesile crédit du client est supérieur à 750 et le salaire supérieur à 100 000 $,ensuite approuver leur demande d'augmentation de limite de crédit. Une automatisation des décisions plus avancée repose sur des analyses prédictives qui peuvent prendre en compte de nombreux autres facteurs, tels que l'âge, l'historique des paiements et le montant des économies dans notre exemple de carte de crédit.

À mesure que le modèle devient plus sophistiqué, il peut devenir plus précis, mais il deviendra plus lent à produire une décision. Dans certains cas, ce n'est pas grave (peut-être que la société émettrice de la carte de crédit envoie quotidiennement des e-mails d'offre d'augmentation de la limite de crédit). Mais les temps de réponse lents laissent de la valeur sur la table.

Les consommateurs s'attendent de plus en plus à des expériences transparentes, immédiatement réactives et personnalisées en fonction de leurs besoins uniques. Cela nécessite une automatisation des décisions en temps réel. En prolongeant notre exemple d'augmentation de crédit, imaginez qu'un consommateur consulte des vols vers le Portugal dans le portail de réservation de voyage de sa carte de crédit. N'importe lequel des vols mettrait l'acheteur au-dessus de sa limite de crédit, de sorte qu'il ne complète pas la transaction. Le client est frustré et l'entreprise perd des revenus. Imaginez maintenant l'automatisation des décisions en streaming en jeu : l'entreprise envoie immédiatement une notification contextuelle indiquant que la limite de crédit du client a été augmentée, permettant au client de réserver ses vols avec joie sur-le-champ.

Cela a été possible parce que l'automatisation des décisions en continu a associé des données historiques (historique des paiements, salaire, par exemple) avec des données en temps réel (comportement de navigation, prix du tarif calculé et solde du compte) pour détecter que le client est avide de crédit et le considérer comme un crédit. -digne. L'automatisation des décisions en continu a créé une situation gagnant-gagnant pour le client et l'entreprise.

Et c'est la frontière !

Lorsque vous commencez votre voyage vers le développement de capacités de données en temps réel, vous pouvez revenir en arrière en évaluant intentionnellement où vous pouvez créer plus de valeur avec des décisions en temps réel, puis déterminer comment créer les flux de données pour y parvenir. Vous saurez que vous avez terminé lorsque vous aurez atteintdécisionsaturation –ce point optimal où l'activation de plus de décisions avec des données en temps réel n'améliorera pas les résultats de votre entreprise. D'ici là, je suis sûr que nous aurons une nouvelle frontière à affronter.

En savoir plus sur DataStaxici.

À propos de Cori Land:

Cori est stratège d'entreprise chez DataStax. Ils combinent leur expérience en analyse économique, en innovation d'entreprise et en conception organisationnelle pour aider les entreprises à trouver une nouvelle voie pour sortir de l'ambiguïté et de l'inertie. Cori se spécialise dans la mise en évidence de données empiriques et l'écoute empathique pour aider les dirigeants à retrouver une nouvelle confiance dans leurs décisions stratégiques. Cori est titulaire d'un MBA de la Haas School of Business de l'Université de Californie à Berkeley et vit à San Francisco, en Californie.