Ima li Kina demokratiju? (2/2)


Kineski predsednik Si Đinping je 2015. godine zatražio pomoć Karterovog centra (Carter Center) u vezi sa analizom izbornih zakona, podučavanja glasača, registracije kampanje i pravičnosti procedura, dodajući tom prilikom: “Demokratija nije samo određena ljudskim pravom da se glasa na izborima, već i pravom ljudi da konstantno učestvuju u političkim pitanjima na dnevnoj bazi. Demokratija nije dekoracija, već rešavanje ljudskih problema”. Kao konkretan odgovor na nalaze i predloge Karterovog centra, ustanovljeni su petogodišnji uslovi za izabrane zvaničnike, koji sada započinju dvanaestomesečni probni rad, i, napokon – ukoliko ne uspeju da postignu svoje ciljeve, naime, da dobace do zacrtanog učinka – bivaju odbacivani. Njihova druga godina proteći će u pregledu, proceni i prilagođavanju svojih ciljeva na osnovu povratnih informacija iz prve godine. U poslednjoj godini probnog mandata, Peking objavljuje rezultate i propagira svoja najbolja rešenja na nacionalnom nivou: velika čast u zemlji u kojoj se veoma polaže na valjanost vladinih poteza.

Kina još uvek nosi ožiljke od lidera kakav je bio Mao, koji je ignorisao sopstveni savet: “Ako ne pitamo i ne istražimo javno mnjenje, nemamo pravo da izrazimo svoje mišljenje. Javno mišljenje je naša smernica za akciju.” Danas, kineska vlada sve više troši na ankete i ispitivanje javnog mnjenja, a njeni petogodišnji planovi su, zapravo, rezultati intenzivnog anketiranja „baze“ to jest – naroda.

Džef Braun (Jeff J. Brown) kaže: “Moj mesni komitet u Pekingu (ono što su bile mesne zajednice u nekadašnjoj Jugoslaviji, prim. prev.) i gradska skupština stalno postavljaju najave, pozivajući grupe ljudi svih starosnih dobi, društvenih i profesionalnih profila – grupe zakupaca, vlasnika kuća, sugrađana starijih od 70 godina, žena ispod četrdeset godina, onih sa ili bez zdravstvenog osiguranja, penzionera – da odgovore na ankete. Komunistička partija Kine (KPK) je, zapravo, najveći istraživač na svetu i to sa razlogom: demokratska “diktatura naroda” u Kini je visoko angažovana na svakodnevnom nivou običnih građana, tj onih koji se svakodnevno susreću na ulici. To znam jer živim u kineskoj zajednici sačinjenoj od ljudi iz srednje klase s kojima se stalno susrećem i kod kojih se raspitujem o situaciji. Smatram da su odziv i demokratičnost njihove vlade daleko veći nego kod kuće (u Americi), gde političari članovima lokalne zajednice serviraju trivijalne predstave (‘The dog-and-pony shows’), u kojima glumataju zabrinutost i spremnost da pomognu – a to mislim najozbiljnije”.

Kako je demokratija osvajala bazu u narodu (oličenu kroz 62% udela među glasačima), tako je rasla i tolerantnost na greške. Danas, birači biraju lokalno stanovništvo koje neretko i lično poznaju, a za koje znaju da su iskreni, sposobni i odgovorni – oni koji su se dobrovoljno javili da rešavaju lokalne probleme i koji će, zauzvrat, dobiti mogućnost i privilegiju da biraju svoje najuspešnije saborce kako bi napredovali u okrugu i, na kraju, na pokrajinskom nivou. Tamo se glasanje nastavlja sve dok se tri hiljade najtraženijih (neplaćenih) volontera konačno ne sastane na Nacionalnom narodnom kongresu u Pekingu, gde se trude da postignu opštu saglasnost – presudno važan korak u liferovanju odluka koje iz seoskih sredina kreću ka vrhu; jednoglasje je važno i za donošenje odluka na nacionalnom nivou – onih koji se tiču pravosuđa, svih zakona i imenovanja viših zvaničnika.

Kako bi se osiguralo da se glas svih ljudi čuje na najvišem nivou, drugo telo, Kineska Narodna politička konsultativna konferencija tj KNPKK (People’s Political Consultative Conference, CPPCC), koja je masivni javni lobi odnosno opštenarodna interesna grupa a ne državni organ, konsultuje se sa Kongresom i, prilikom procesa oblikovanja zakona, reprezentuje posebne interese. Osam manjih stranaka, predstavnici svih industrija, sve trgovačke komore, seljaci, radnici, žene, mladi, formalni lobiji i, čak – nekada zakleti neprijatelj, Kuomintang na Tajvanu – svi oni daju kineskom državnom vrhu suštinski značajne političke savete, nadgledajući odluke Kongresa.

Kongres tada izabere svoj Stalni komitet (koji ostaje u Pekingu kako bi obezbedio valjani nadzor sprovođenja odluka), sedmočlani Upravni odbor Politibiroa (veoma slično kabinetu SAD-a) predsednika, premijera, uz obavezu javnog izglasavanja svake odluke kako bi se time omogućilo sprovođenje svih zakona. Predsednik ne može izabrati „svog premijera“ niti delovati na svoju ruku bez jednoglasne, demokratske podrške Upravnog odbora. Da bi se obezbedio demokratski, a ne autokratski ishod, predsednik ne bira i ne može odbaciti Stalni komitet, niti pak razrešiti ili raspoređivati vladine zvaničnike ili članove Kongresa.

Kao što i možemo očekivati u jednoj konfučijanskoj zemlji, Ustav još uvek ističe nadležnosti nad pravima, dok američki Ustav ovo ne pominje; Kina u svom ustavu navodi “demokratiju” u trideset tri navrata i, podsećajući na svoje rođenje na bojnom polju, očekuje da se svi ujedine iza odluka jednom kada one budu donete: “Svenarodni kongres i lokalni narodni kongresi na različitim nivoima konstituišu se kroz demokratske izbore i to primenom principa demokratskog centralizma – kroz demokratsku i otvorenu diskusiju tokom koje se formulišu politike i njeno sprovođenje pod uslovom da, kada se sporazum jednom postigne, politička diskusija oživi uz upotrebu postojećeg zakonodavstva; diskusija se potom suspenduje do izglasavanja tj trenutka postizanja jednoglasnog stava, kojim se, napokon, započinje s primenom donesenih političkih odluka”.

Koliko to dobro u praksi funkcioniše “demokratska i otvorena diskusija tokom formulacije politike”? U vezi ovog pitanja, korisno bi bilo uporediti ga s američkim sistemom. I dok zapadne zakone često pišu lobisti – koji potom bivaju usvajani od strane izabranih predstavnika koji ih nisu ni pročitali – kinesko zakonodavstvo, kako to objašnjava američki venčer kapitalista Robin Dejvermen, ima različito poreklo i korene:

“Kina je džinovski probni portfelj s milionima razvojnih programa, mesto gde se stalno nešto isprobava, najveća svetska test-zona u kojoj se eksperimenti odvijaju posvuda. Danas su inovacije prisutne u svemu: od zdravstvene zaštite do smanjenja siromaštva, od obrazovanja do energije, od trgovine do transporta – sve je u konstantnom pokušaju inoviranja i ispitivanja u različitim zajednicama, a svaki od 662 grada u Kini eksperimentiše: Šangaj sa slobodnim trgovinskim zonama, Guidžou sa smanjenjem siromaštva, dvadeset tri grada sa reformama u obrazovanju, severoistočne pokrajine sa reformom državnih preduzeća (SOE, state-owned enterprise): pilot-škole, pilot-gradovi, pilot-bolnice, pilot-tržišta, pilot-sve. Gradonačelnici i guverneri, šefovi istraživačkih timova, svi oni dele svoje “laboratorijske rezultate“ sa Centralnom partijskom školom i objavljuju ih u svojim naučnim časopisima i državnim novinama. Visoka politika prolazi kroz ‘klinička ispitivanja’, počev prvo od malih gradova, koji generišu i analiziraju podatke nastale testiranjem.

Ukoliko statistika obavljenih ispitivanja izgleda obećavajuće, država će dodati još lokacija za testiranje i obaviti dugoročne prakse u cilju razvijanja. Testiranja i podešavanja traju od 10 do 30 godina, a potom se od 3000 članova Svenarodnog kongresa traži da pregledaju podatke i eventualno odobre ispitivanja na nacionalnom nivou u tri glavne pokrajine. Ako se uspešno prođe evaluacija od strane Kongresa, Državni savet [trust mozgova] doteruje plan do najsitnijih detalja i vraća ga pred 3.000 članova Kongresa na završno glasanje. Proces je veoma transparentan i, ako su vaši podaci bolji od mojih, nacrt za vaš budžet će proći a moj ne; glasovi Kongresa su gotovo unisoni, jer su kvalitet zakona i zakonodavstva po pravilu potkrepljeni ogromnom količinom podataka. Ovo omogućava Kini da za kratko vreme postigne mnogo toga: vaše pobedničko rešenje će se brzo naći širom zemlje, bićete heroj s naslovnih strana, pozivani u Peking na sastanke na visokom nivou, a bićete, naravno, i unapređeni. I, kao što već možete pretpostaviti, trka za iznalaženjem najboljih rešenja je intenzivna i nikada ne prestaje.”

Kineski državni savet – dve stotine naučnika, inženjera i administratora kojima predsedava premijer – koji je po tradiciji doktor ekonomskih nauka – svi oni zajedno sprovode analizu podataka i na osnovu njih pripremaju sugestije za sprovođenje probnih političkih rešenja, koja su tada u svojoj pilot-fazi. Oni sugerišu kompromisna rešenja i sprovode probne simulacije, objavljujući svoje nalaze u stručnim časopisima i prezentirajući ih na konferencijama. Svaku politiku oni transformišu u metriku, nešto samerljivo, kao što su privredni rast, zelena agenda, rodna ravnopravnost ili indeksi siromaštva; na taj način, oni vladino upravljanje zemljom pretvaraju u svojevrsnu optimizaciju nastalu na osnovu eksperimenata i statistike. Oni su, kako kaže Žang Vejvej, “neutralna vlada koja oblikuje nacionalni konsenzus”. Trust mozgova tj skup najkompetentnijih stručnjaka vrši proveru i verifikuje podatke a potom svoje preporuke dostavlja Politbirou; njega sačinjava dvadeset pet zvaničnika koji svi zajedno imaju hiljadugodišnje političko iskustvo (svako od njih po 40god). Oni svoje preporuke usavršavaju i prosleđuju sedmočlanom Upravnom odboru koji ga upodobljava u zakonodavstvo i, napokon, prezentuje pred tri hiljade članova Kongresa.

S obzirom da je ogromna većina podataka koja je u posedu vrhunskih eksperata ipak nešto više od pojedinačnog ličnog iskustva, većina zakona se oslanja na matematiku – ovo je jedinstvena odlika kineske kulture koja je spasila zemlju od katastrofa poput ruske ekonomske šok-terapije, katastrofalnih privatizacija nalik onima u Britaniji, ali i od američkog neoliberalizma. Ukoliko vlada kaže: “Smanjiti zagađenje ove godine, ne uključujte svoje grejalice do 22. novembra”, devedeset odsto ljudi će drhtati zbog tih podataka koje im je prenela njihova vlada. Ako predsednik želi da modifikuje politiku o klimatskim promenama i ukoliko je u stanju da svojih pet saradnika iz vladinih kabineta ubedi da glasaju sa njim, moći će da podnese svoj predlog u procesu ispitivanja predloga; međutim, ukoliko je bez čvrstih podataka, on i članovi kabineta neće moći da to predlože članovima Kongresa (istočnjačka verzija zapadnjačkog parlamenta).

Kineski političari gledaju na svoje zapadne kolege na način na koji naučnici gledaju ljude koji sa ulice iznebuha uđu u njihovu laboratoriju jer na sebe gledaju kao na naučnike. Jer, kineski naučnici svoju najveću snagu vide u oslanjanju na čvrste podatke. Proceduralno, po rečima premijera Vena Đijabaoa, “uspostavljanje političkih smernica naglašava rešenja za velike probleme, bilo da su te smernice relevantne za veliku strategiju društveno-ekonomskog razvoja zemlje ili da su proistekle iz duboke brige javnosti”. Iako ovaj proces nije u potpunosti na naučnoj osnovi a ni potpuno demokratičan, označavati ga kao “autoritaran” (po zapadnom konceptu i viđenju) značilo bi promašiti suštinu. Ako predsednik Si tvrdi da je globalno zagrevanje prevara, šokirani Kinezi bi ga smatrali za autokratu a ne za demokrate, očekujući njegov skorašnji pad.

Samo-korekcija usred eksperimenata – od zemljišne reforme 1950-tih i privatizacije tokom 1960-tih, preko Velikog skoka napred do Kulturne revolucije, Reforme i Otvaranja, sve do borbe protiv korupcije – sve ovo učinilo je da domaća politika svake naredne decenije bude gotovo neprepoznatljiva u odnosu na one prethodne. Čini se kako je, na osnovu ovih informacija, prilično korektno pretpostaviti da je ova kombinacija politike tipa „iz-baze-ka-vrhu“, uz sprovođenje demokratije i njenih odluka isključivo na osnovu podataka o mišljenju javnog mnjenja i Konfučijanske vrline „izvrsnih pojedinaca“ koji svoju vrlinu demonstriraju u obratnom smeru, „sa vrha ka bazi“ – da je takva politika kreirala opštu podršku vladinim politikama na nivou višem čak i od onog koji je prisutan unutar ultra-demokratskih mehanizama koji su ugrađeni u, recimo, politički sistem jedne Švajcarske. To praktično znači, kako kaže Tomas Fridman iz Njujork tajmsa, da,”Ukoliko bismo mogli da na samo jedan dan budemo kao Kina, mogli bismo da provereno, osvedočeno i primereno donosimo prave odluke”. Umesto toga, kao što je rekao državni sekretar Vilijem Sjuard, “Izabrali smo kralja na četiri godine i dali mu apsolutnu moć u određenim granicama koje, uostalom, on može svojevoljno tumačiti”.

Konačni rezultati kineske demokratije su impresivni. Toni Sejč (Tony Saich) s univeriteta Harvard, koji je više od jedne decenije bio prisutan na izborima u Kini, navodi kako je devedeset šest posto (!) kineskih građana zadovoljno svojom  nacionalnom vladom, a Edelmanov izveštaj za 2016. godinu kaže da devedeset odsto njih ima u nju poverenja. Istraživanja o svetskim vrednostima (World Values Surveys) pokazuju da osamdeset tri odsto Kineza misli da njihova zemlja u radi u njihovu korist kao pojedinaca, a ne u korist posebnih grupa – što je svedočanstvo od izuzetnog značaja.

[1] The China Wave: Rise of a Civilizational State by Weiwei Zhang

[2] William Sewell, I Stayed in China.

Godfree Roberts, Quora

Big Data i biznis: Kako izvući smisao i korist  iz gigantskih baza podataka?


Koliko je vremena potrebno da se oporavite od hirurškog zahvata zamene kuka?

Za bolnice širom sveta ovo  nipošto nije akademsko pitanje. Bolnice su imale oko 36 milijardi dolara nekompenzovanih troškova zbrinjavanja u 2015. godini. Najveći deo njih potiče od neplaćenih računa pacijenata.

Jedno rešenje ovog problema je ograničavanje troškova vezanih za operaciju – ali kako? Odgovor: Machine learning („Mašinsko učenje“ je već uvrežen termin u srpskom jeziku, mada je pogrešan; „Učenje mašina“ daleko preciznije pogađa suštinu). Bolnice sada koriste prediktivnu analitiku kako bi prognozirale prosečne boravke i potencijalne komplikacije koje mogu iskrsnuti tokom operacija, poput operacije kičme.

Na primer, podaci od kupaca usluga zdravstvene zaštite pokazuju starosnu dob pacijenta, ustanove koje obezbeđuju osnovne zdravstvene usluge, i sekundarnu dijagnozu. Pomoću mašinskog učenja i prediktivne analize podaci sada mogu predvideti buduće troškove i doprineti identifikovanju pacijenata koji mogu imati probleme u oporavku. Ishod? Bolnice donose bolje kliničke odluke, doživljavaju niže stope readmisije, nudeći kraće bolničke boravke i pružajući bolju negu.

Biznisi ogromnog broja preduzeća pokazuju slične efekte „stvarne situacije na terenu“, dakle, dobijaju realističnije cifre u predikciji, a sve to zahvaljujući upotrebi mašinskog učenja za analiziranje svojih poslovnih podataka. Često je problem u nedovoljnoj količini podataka – potrebnih za što bolju analizu i predikciju – a ti im podaci često nedostaju.

Po rečima Majka Gotjerija (Mike Gaultieri), analitičara kompanije za tehnološku predikciju marketinga i tržišta, Forrester Research, mašinsko učenje nije ni nalik tradicionalnoj poslovnoj inteligenciji u kojoj su garantovani rezultati. “Ukoliko tražite model za mašinsko učenje, možete reći ‘pokušaću’, ali možda nećete uspeti”, rekao je. “Preduzeća i biznisi moraju da razumeju da samo zato što ste želeli da imate model koji predviđa kretanje akcija na berzama ne znači da ćete ga i u stvarnosti imati.”

Rags Raghavendra, rukovodilac analitike u DXC Technology’s Analytics Data Labs, globalnom čvorištu koje analitičari podataka koriste, fokusirao se na konsalting i pronalaženje načina operacionalizacije analitike. On kaže da su “kompanije frustrirane jer često preteruju”. Žele da im big data analitika “odradi” prevelike grupe podataka, “žonglirajući” njima iako nisu dovoljno kvalifikovani za njihovo tumačenje i razumevanje, a i ne shvatajući koliko je taj zalogaj prevelik.  “Klijenti pokušavaju da učine nemoguće u smislu pokušaja da izvuku značenje iz svih mogućih vrsta podataka kojima imaju pristup”, rekao je on. “Ono što preporučujemo je da dobro razmotre podatke koje već poseduju i koji su lako dostupni, a tek potom da pređu na sledeći korak.”

Kompanije koje su pokušale i nisu uspele da proniknu u smisao i praktične aspekte analize velikih skupova podataka pre svega bi trebalo da prihvate da su neuspeh i iteracija tj ponavljanje neizostavni deo procesa analitike. One, ipak, mogu da svoje šanse za uspeh maksimiziraju tako što će postati pametniji kada je reč o korišćenju mašinskog učenja.

Evo osam načina za bolji i efikasniji pristup Big data analitici:

1. Počnite s problemom koji želite da rešite. Uranjati u podatke „skokom sa desetke“ a potom iščekivati da će oni volšebno izroniti pred vas je pogrešan pristup. Sve dobre priče o analitici podataka počinju identifikovanjem odgovarajuće metrike performansi koja povezuje poslovni rezultat sa pitanjima koja se odnose na podatke. Međutim, odabrana metrika ne bi trebalo da bude preširoka ili isuviše “granularna” tj usitnjena. Na primer, kada je DXC nedavno radio s jednom medijskom kompanijom na pojašnjenju razloga zbog kojih je pretplatnici napuštaju, najočiglednija metrika bila je promena u pretplatničkoj bazi. Kao što se ispostavilo, relevantnija metrika bio je Prosečni prihod po korisniku (ARPU), koji je bio direktno povezan sa većim poslovnim ciljevima koje je kompanije preduzimala kako bi povećala prihode.

2. Proces mašinskog učenja trebalo bi ’industrijalizovati’ odnosno razviti u širokom industrijskom obimu. “Čitav ovaj proces analize velikih skupova podataka nije industrijalizovan”, rekao je Raghavendra, čija Laboratorija podržava široku paletu oblasti, uključujući proizvodnju, telekomunikacije, automobilsku industriju, avio-kompaniju, energetiku, finansijske usluge i zdravstvenu zaštitu. “Dešava se da mnogo puta iznova i iznova ponavljate analizu ili je ne možete uvećati tj primeniti u širem obimu.” DXC je snažan zagovornik efikasnog i pojednostavljenog pristupa široko primenjivog mašinskog učenja, koji veruje da bi sve faze analize – od unošenja podataka i njihovog prečišćavanja, do stvaranja namenskih algoritama i njihovog stavljanja u proces aktivne analitike, a potom i generisanju uvida stečenih kroz podatke – trebalo da budu ponovno upotrebljive i raspoređene na kompanijske tehnologije.

3. Nemojte dozvoliti da vas ometaju i koče podaci koje ljubomorno čuva svako odeljenje pojedinačno unutar kompanije (tzv „silosi“:  izolovane grupe podataka koje ne cirkulišu u data analitici jedne kompanije jer uposlenici nekog odeljenja naprosto ne žele da ih dele s drugima, misleći da na taj način „drže prednost“ u odnosu na druga kompanijska odeljenja). Silosi su zbog toga veliko “prokletstvo” brojnih računarskih programa koji rade na korporativnoj analitici, jer sprečavaju pristup jedinstvenoj bazi podataka. Silosi, ipak, nisu toliko velika prepreka, kako neki veruju. “Ukoliko posedujete strategiju za pravilno korišćenje pametnih podataka i platformi, ne bi trebalo da previše brinete o silosima”, kaže Raghavendra. Jednostavno rečeno, ne morate brinuti o silosima sve dok ne predstavljaju problem za zadatak koji ste odabrali da rešite. Međutim, trebalo bi da se pripremite za neki predstojeći skup problema u nizu (tzv pipeline*) tako što ćete obezbediti integraciju različitih izvora podataka. “Postoje fleksibilne i modularne platforme koje vam omogućavaju da integrišete podatke kada je potrebno”, dodao je Raghavendra. (U računarstvu, pajplajn* je skup elemenata za obradu podataka povezanih u niz, pri čemu je autput jednog elementa input sledećeg. Elementi u nizu često se procesiraju paralelno ili kroz sekvence tj „komadiće“; u tom slučaju, određena količina buffer tj pufernog skladišta često se ubacuje između elemenata).

4. Mislite od-spolja-ka-iznutra. Ne morate uvek imati sve informacije, talenat, analitiku i inteligenciju: Ovo je priča o ekosistemu, a pobediće oni koji dodirnu „matricu sposobnosti“ koja se nalazi oko njih. Analitičari podataka kroz kraudsorsing*, kao i kroz „mašinsko učenje-kao-servis“ i eksterne skupove podataka, dobijaju moćan potencijal u poslovoj trci.

Crowdsourcing (angažovanje javnosti) je korišćena i legitimna metoda preuzimanja tuđih ideja, postupak dobijanja potrebnih usluga, ideja ili podataka od neodređenog skupa ljudi (shodno izreci: “Uzeti podatke od pojedinca je krađa, uzeti podatke od većeg broja ljudi je – istraživanje”).

5. Koristite sirove skupove podataka (takozvana „data-jezera“). Jezera podataka su spremišta u kojima možete sačuvati sve vaše postojeće podatke u izvornom obliku, bez obzira na njihov format Jezero podataka je spremište za skladištenje podataka koje sadrži ogromnu količinu sirovih podataka u svom izvornom formatu, sve dok se za njima ne ukaže potreba. I dok hijerarhijski organizovano skladište podataka čuva podatke u fajlovima ili fasciklama (folderima), data-jezero koristi “ravnu”, tj. horizontalnu ili baznu arhitekturu za čuvanje podataka, dakle bez hijerarhije (organizacije) podataka. Svakom elementu podataka u data-jezeru dodeljen je jedinstveni identifikator i označen je skupom proširenih oznaka metapodataka. Kada se pojavi upit od strane biznisa, data jezero se može upitati za relevantne podatke, a zatim se može analizirati manji skup podataka kako bi se odgovorilo na upit).

Raghavendra je mišljenja da kompanije treba da se upuste u praksu stavljanja svih svojih podataka u „data-jezero“. Ovi veliki skupovi sirovih podataka nisu stavljeni u fajlove niti su klasifikovani u foldere po važnosti, već su „u rinfuzu“, iako su svi indeksirani i tagovani kao metadata, spremni da se pojave na upit poslovnog subjekta. “Nemojte razmišljati o strukturiranju (važnosti, smisla i korisnosti podataka) na samom početku”, preporučuje Ragavendra.

6. Vršite istraživačku analizu podataka (exploratory data analysis, EDA) sa ciljem kojeg imate na umu. Prva faza „rudarenja podataka“ je upravo EDA, koja nastoji da rezimira podatke, vizuelno i ne-vizuelno. “Ono što sam često imao prilike da vidim je da je istraživački deo analize podataka potisnut”, rekao je Bharathan Shamasundar, viši analitičar podataka u DXC. “Svrha EDA tj istraživačke analize podataka je da se upoznaju s uzorcima i obrascima koji se u podacima poavljuju i samo na osnovu toga zauzimaju stavove o tome šta da čine nakon toga. Kompanije to često rade površno. “DXC-ovo iskustvo sa kompanijom za energetske usluge naglašava važnost pametne EDA tehnologije.

Jedno privatno komunalno preduzeće tražilo je preciznu prognozu koliko će energije proizvesti njihove vetroelektrane. Zbog toga što je ovo preduzeće primenilo istraživački deo analize (EDA) na svoje algoritme, tim savetodavne firme DXC je uspešno opovrglo već postojeće repere za čak 95% performansi vetro-turbina, uprkos tome što je upotrebljavano manje varijabli kako bi obavili svoje proračune. To iskustvo pokazuje značajne potencijale EDA metoda, naročito ako se sprovedu unapred, što će češće dovesti do algoritama prikladnih raspoloživim podacima.

7. Koristite inteligentno uzorkovanje. Jedan od razloga što kompanije imaju problema s pristupom u prave uvide Big data ishoda je zato što ih – previše koriste. “Uzorkovanje je postalo loša reč”, rekao je Šamasundar. “Uzorkovanje podataka je pametan način baratanja sirovim podacima.” Često se dešava da je ono što izgleda kao “big data” krcato redundantnim tj izlišnim informacijama. Analitičari iz DXC su za jedno robno-trgovačko preduzeće identifikovali  kako im je veliki deo uskladištenih podataka bio, zapravo, suvišan, jer je 94% svih njihovih trgovinskih poslova zasnovano na manjem podskupu podataka. Ovo pokazuje da je vrednovanje kvaliteta i relevantnosti važna komponenta strategije podataka.

8. Ustanovite fleksibilan operativni model za vaš program analitike podataka. Raghavendra vam savetuje da „Nikako ne odustajete od pokretanja programa za analizu podataka samo zato što ne možete da unajmite data-analitičara. Potražnja za ekspertima koji umeju da pravilno i smisleno „pročitaju“ velike hrpe podataka  trenutno je 60 procenata veća od broja stručnjaka, a nema znakova da se ovaj disparitet usporava. Međutim, ukoliko jedno preduzeće nije u stanju da zaposli dovoljno data-analitičara, Raghavendra preporučuje da, u tom slučaju, treba razmisliti o uporednom korišćenju partnerskih organizacija koje pružaju specijalističku analitičku podršku i “analitičara opštih podataka o građanima”. Stručnjak za prekopavanje tj „rudarenje podataka“ o građanima je osoba koja razume domen i poslovanje svojih poslodavaca/organizacija. Oni mogu obaviti razumnu analizu koristeći neke analitičke platforme koje su sada pojednostavile određene zadatke i zahteve u baratanju podacima. Pošto kompanije primenjuju analitiku za rešavanje problema, partnerske organizacije mogu biti od pomoći  kao podrška u uvećanju obima njihovih programa i izgradnji „dubljih“ mogućnosti u još raznovrsnijim oblastima.

I mada praćenje ovih smernica povećava verovatnoću za postizanje uspeha, preduzeća ne smeju smetnuti s uma da je mogućnost neuspeha realna i uvek prisutna. Analitika podataka sprovodi se kao naučni metod koji se zasniva na dokazivanju ili opovrgavanju hipoteze. Upotrebu podataka treba, potom, posmatrati kao istraživačku i razvojnu aktivnost (R&D). “Najbolje je imati pet-šest ili desetak i više ideja, i potom ih voditi paralelno”, opisuje Goltjeri upite zasnovane na podacima, “jer neće svi oni funkcionisati”.

Izazovi će postajati sve teži i teži, kako se količina podataka vremenom bude sve više uvećavala. Sa druge strane, što više podataka imate – to je i veća potencijalna nagrada i uspeh.

Prema Dejvu Aronu (Dave Aron), šefu istraživanja u  londonskoj IT firmi za istraživačko-savetodavne usluge Leading Edge Forum, DXC-ovom partneru za rukovođenje idejnim strategijama, još je uvek previše kompanija koje svojom najvrednijom imovinom smatraju ono što poseduju u fizičkom i finansijskom smislu.

“Preduzeća koja bi trebalo da dožive uspon i uvećanje svojih profita u narednoj deceniji jesu ona koja su prepoznala da su upravo informacije i njihova analiza ta nadasve “vredna imovina”, pa stoga grade i kontinuirano unapređuju svoje platforme za data-analitiku i izučavanje podataka”, kaže Aron. “Internet stvari (IoT), uz sve obimniji i glomazniji pravni okvir za zaštitu podataka čine da data-analitika postane relevantnija nego ikada pre.”

Obezbeđivanje koristi od analize „big date“ – bez obzira da li ste bolnica ili uslužna firma ili bilo koji drugi tip biznisa – zahtevaće promišljen pristup, puno hrabrosti, kao i respekta za naučne metode analize informacija dobijenih u vašem poslovanju.

WIRED Brand Lab, DXC Technology