Podrazumeva li demokratija i nužnu brigu za građane? Primeri Kine i SAD prikazuju suštinu


Ljudi u Kini kažu mi da Kina nije komunistička, već da se samo vladajuća stranka zove KPK (Komunistička partija Kine). Zašto?”, pita se Godfri Roberts, stručnjak za geopolitiku sa univerziteta u Masačusetsu.

Ljudi koji žive u Sjedinjenim Državama kažu mi da 99% Amerikanaca nisu kapitalisti, već samo da Amerikom upravlja Kapitalistička partija Amerike.

Kapitalisti koji su Osnivači Amerike napisali su svoj Ustav koji je isključio bilo kakvo pominjanje “demokratije” jer je kapitalizam inherentno antidemokratski, kao i zato što bi ovakav, kapitalistički sistem, bio najbolji način da pomogne Americi da postane društvo u kojem niko nije siromašan i u kojem svi dobijaju obrazovanje, pristojno plaćen posao, više nego dovoljno hrane i odeće, pristup zdravstvenim uslugama, podršku države u starosti, dom i udoban život.

Kineska vladajuća partija zove se Komunistička partija Kine i obećala je da će, jednog dana, Kina postati društvo u kojem niko nije siromašan i u kojem svi dobijaju obrazovanje, pristojno plaćen posao, više nego dovoljno hrane i odeće, pristup zdravstvenim uslugama, podršku države građanima u starosti, dom i udoban život.

Evo i slikovitog izveštaja o neporecivom napretku, obećavanog i zvaničnim državnim sloganom “da nema siromašnih”:

Biti Kapitalista-u-Americi je prilično lako. Napravite nešto, ili pružite uslugu, prodate je i – uzmete novac.

Biti komunista u Kini je sinonim za puno posla kojeg treba obaviti: potrebne su godine da budete primljeni u Partiju, uz nužno volontiranje u svakoj prilici i svakim povodom, obavezno prisustvovanje dosadnim marksističkim predavanjima… Takođe – treba da uredno plaćate godišnju članarinu. Tek je mali broj onih koji su voljni da sve ovo čine, i to je sasvim u saglasju sa čitavom stvari. Jer, to znači da članovi partije rade na poboljšanju života za sve Kineze a da, pritom, dodatno ne moraju ništa da „dodatno čine“. Oni zadobijaju korist od takvog poretka – komunizma – a da pritom ne dolazi do sukoba među članstvom. Jer, svako ko želi u KPK ima da ispuni podjednake zadatke, pa dokle ko dogura – tek na osnovu tog rezultata dobijate dozvolu da krenete naviše – ali shodno rezultatima, i bez protekcije.

Koje su koristi od komunizma?

Pa, 1. jula 2021. godine, nigde u Kini više niko neće biti siromašan i svi će dobiti dobro obrazovanje, pristojne poslove, više nego dovoljno hrane i odeće, pristup zdravstvenim uslugama, državnu podršku građanima u starosti, svoj dom i udoban život. Svi. I to stvarno.

99% Amerikanaca i Kineza žele od svojih vlasti rezultat koji je u osnovi isti: društvo u kojem niko nije siromašan i svi dobijaju obrazovanje, pristojno zaposlenje, imaju više nego dovoljno hrane i odeće, pristup zdravstvenim uslugama, sistemsku podršku za starije sugrađane, svoj dom i udoban život.

Zar ne očekujemo da bi svaka vlast na svetu trebalo da sve ovo obezbedi svojim građanima, čak i bez da ih o tome obaveštava?

I, koja vlada – komunistička ili kapitalistička – bolje sprovodi sve ovo?

Godfree Roberts, Ed.D. Education & Geopolitics, University of Massachusetts, Amherst

QUORA

Kako pomiriti ljude i robote?


U narednim godinama, gotovo svi aspekti naših ekonomija i privreda biće preobraženi automatizacijom. Istorija i ekonomska teorija ukazuju na to da su strahovanja od tzv. “tehnološke nezaposlenosti”, termin koji je Džon Mejnard Kejnz uveo u ekonomiju skoro pre jednog veka, neutemeljena.

Inteligentne mašine transformišu način na koji proizvodimo, radimo, učimo i živimo širom sveta. Gotovo svaki aspekt naših ekonomija će se radikalno promeniti.

Glavne logističke kompanije i pojedinačni vozači koriste nove tehnologije za optimizaciju svog planiranja rute. Kompanije kao što su BMW i Tesla već su izbacile na tržište auto-pilot funkcije u svojim automobilima, koje se proizvode uz pomoć sofisticiranih robota. Associated Press koristi veštačku inteligenciju kao asistenta pri pisanju vesti. 3D štampači se koriste za proizvodnju rezervnih delova – kako one za mašine tako i za ljude. AT&T, u saradnji sa kompanijom Udacity nudi online “nano-struke” u analizi podataka („nanodegrees“) Dronovi već dopremaju zdravstvenu opremu i lekove na udaljene lokacije u siromašnim zemljama. (Nanodegree, strukovni kursevi koje obezbeđuju kompanije Udacity i AT&T, između ostalih, predstavljaju sertifikacionu mrežu obučavanja od 6-12 meseci (10-20 sati nedeljno) po ceni od 200 dolara mesečno. Cilj je podučavati se osnovnim veštinama programiranja koje će vas kvalifikovati za početne programerske i analitičke pozicije u kompanijama kao što je AT&T)

Ove izvanredne nove tehnologije obećavaju veću produktivnost, veću efikasnost i veću sigurnost, fleksibilnost i udobnost. Međutim, one takođe podstiču i strahove zbog svog uticaja i efekata koje mogu imati na “ljudske” strukovne profile, poslovne veštine i – plate. Ovi strahovi su dodatno podgrejani skorašnjim studijom Karla Fraja i Majkla Ozborna (Carl Frey, Michael Osborne) sa Univerziteta u Oksfordu, kao i onom koju je sačinio McKinsey Global Institute (MGI); u obe studije iznosi se stav da bi se veliki broj radnih mesta, kako u zemljama u razvoju tako i u razvijenim zemljama, tehnički, mogao veoma brzo automatizovati. Istorija, kao i ekonomska teorija, međutim, ukazuju na to da je zabrinutost usled porasta tehnološke nezaposlenosti – nastale prodiranjem tehnologije po svim dimenzijama i frontovima, izraza koji je još ekonomista Džon Mejnard Kejnz (John Mainard Keines) skovao pre gotovo jednog veka – mogla biti bespotrebna i pogrešno postavljena.

U budućnosti, baš kao što je to bio slučaj i u prošlosti, tehnološke promene će verovatno uvećati produktivnost i prihode, ujedno povećavajući potražnju za radnom snagom. Dodajmo uz to i da će se pad cena i poboljšanje kvaliteta, kao i potražnja za robama i uslugama, takođe uvećati. Mnogi od danas stvorenih i “friških”profila zanimanja nije se čak moglo ni zamisliti, baš kao što je tek mali broj onih koji su pre jednog veka bili u stanju da predvide kako će razvoj automobilske industrije i masovnog saobraćaja doprineti razvoju motela i drive-in  restorana.

U svom novom izveštaju, McKinsey Global Institute zaključuje da je, po jednom umerenom scenariju, brzina i širina proboja automatizacije obima oko 15% današnje svetske radne snage jednaka poslovima za 400 miliona radnika koji bi mogli biti ukinuti između 2017. i 2030. A brži tempo automatizacije bi izazvao i daleko veća pomeranja na tržištu rada – u korist mašina a na štetu čoveka.

Dobra vest je da cje, kao rezultat planiranog povećanja potražnje za robom i uslugama – pre svega usled povećanja prihoda, rastućih zdravstvenih potreba nastalih starenjem stanovništva i ulaganja u infrastrukturu, energetsku efikasnost i obnovljive izvore – prilično izvesno da bi se stvorilo dovoljno novih radnih mesta kako bi se kompenzovali gubici radnih mesta. Novi poslovi će se, međutim, značajno razlikovati od poslova koji su nestali usled automatizacije, uz nametanje tereta bolnih troškova tranzicije na radnike, preduzeća i društvene zajednice.

U zavisnosti od brzine automatizacije, 75-375 miliona radnika ili 3-14% globalne radne snage biće primorano da se do 2030. godine prekvalifikuje i svoja zanimanja prebaci u druge, nove strukovne profile. U Sjedinjenim Državama i drugim razvijenim ekonomijama, gde se automatizacija po svemu sudeći brže odvija, 9-32% radne snage će možda morati da promeniti svoja stručna zanimanja i veštine povezane s njima.

Svi su izgledi da se u ovim zemljama smanjuje broj radnih mesta u preovlađujućim kategorijama zanimanja – kao što su ona u direktnoj proizvodnji ili rutinski, administrativni poslovi koji zahtevaju srednjoškolsko obrazovanje, dok će se zapošljavanje u kategorijama zanimanja poput pružanja zdravstvenih usluga i nege, obrazovanja, građevinarstva ili menadžmenta, kao i radnih mesta koja zahtevaju fakultet ili napredni stepen, povećati.

Prema jednom nedavnom istraživanju, većina Amerikanaca zabrinuta je da će automatizacija povećati nejednakost u prihodima. Njihova zabrinutost je, izgleda, opravdana. Pošto mnoga zanimanja sa srednjom platom podležu automatizaciji, polarizacija prihoda u Sjedinjenim Državama i drugim razvijenim zemljama će se verovatno nastaviti. Ukoliko radnici, koji su usled automatizacije izgubili posao, ne mogu brzo da nađu novi, povećava se nezaposlenost, uz potiskivanje nivoa plata nadole.

Dakle, šta se može učiniti kako bi se ubrzao i olakšao prelazak iz jedne u drugu struku  (tj prekvalifikacija), na koji će ljudi, usled masovne automatizacije, biti prisiljeni? Za početak, fiskalna i monetarna politika, potrebne da bi se postigli održivi nivoi agregatne tražnje za zaposlenima s punim radnim vremenom, sada su na kritičnom nivou. Politike za unapređenje ulaganja u infrastrukturu, stanovanje, alternativnu energiju i brigu o mladima i starim licima mogu podstaći ekonomsku konkurentnost i inkluzivni rast, dok, za to vreme, stvaraju milione radnih mesta u zanimanjima koja u budućnosti mogu doživeti ekspanziju, a ne gašenje, prouzrokovano automatizacijom.

Drugi odgovor na potencijalni gubitak poslova u budućnosti mora biti dramatično proširenje i redizajn programa obuke zaposlenih. Tokom protekle dve decenije, u većini zemalja OECD-a pali su izdaci vlade za obučavanje u novim veštinama i prilagođavanje novim zahtevima na tržištu rada. To je u Sjedinjenim Državama takođe u sadejstvu sa značajnim padom troškova poslovanja namenjenih prekvalifikaciji.

Ovi trendovi se nužno moraju preokrenuti. Doživotno učenje treba da postane realnost svih zaposlenih. Poslovi će se stalno menjati, dok će mašine, za to vreme konstantno preuzimati neke naše poslove i zadatke, a ljudske aktivnosti zahtevaće od nas neke stalno nove, drukčije veštine. Analiza MGI-a pokazuje da će kognitivne sposobnosti višeg nivoa – kao što su logično razmišljanje, veće komunikacijske veštine i poboljšane društvene i emocionalne veštine – postati sve važnije, dok mašine već danas preuzimaju naše rutinske operacije koje su sada uobičajene na radnom mestu – uključujući i kognitivne zadatke poput prikupljanja podataka i obrada.

Za zaposlene koji imaju srednje radno iskustvo, sa decom, hipotekama i drugim finansijskim obavezama, biće neophodna obuka čija se dužina meri nedeljama i mesecima – a ne godinama. Biće, takođe, neophodna i finansijska podrška za takvu obuku. Slanje ljudi na dvogodišnje školovanje potrebno do diplome – i to o sopstvenom a ne o trošku kompanije –  nije valjan odgovor na ovaj izazov.

Umesto toga, nano-struke i dosad stečena iskustva će, po svemu sudeći, u budućnosti igrati važnu ulogu. Stručna praksa u nemačkom stilu – koja kombinuje rad u učionici i praktičan rad, i koja učenicima omogućava da zarade platu tokom školovanja mogu se ispostaviti kao značajna rešenja čak i za radnike srednjih godina koji su u tranziciji. Saradnja između kompanija i obrazovnih institucija, kako AT&T (u čijem upravnom odboru radi jedan od autora), Starbucks, kao i druge firme, pokazuju da su u stanju da radnicima pruže nove strukovne veštine ili poboljšanje starih, za kojima je sve veća potražnja.

Možda su neophodni poreski i drugi podsticaji koji bi ohrabrili veća poslovna ulaganja u obuku radne snage, posebno malih i srednjih preduzeća. Vlade će, takođe, morati da ponude univerzalne i prenosive socijalne pogodnosti poput zdravstvene zaštite, brige o deci i penzionog osiguranja, kao i podrške tranziciji radnicima koji su prisiljeni da često menjaju poslove, zanimanja i poslodavce. Švedski saveti za sigurnost radnih mesta, kojima upravlja privatni sektor i koja se finansiraju iz poreza na zarade za kompanije, pružaju radnicima isključenim iz radnog procesa sveobuhvatan paket podrške za dohodak, obuku, učenje i procenu kod socijalnog radnika.

Kao i tehnologije koje su postojale u prošlosti, i automatizacija danas obećava veliko povećanje produktivnosti, i od koje će koristi imati pojedinci, zajednice i društva. Ali, za milione radnika, put ka budućnosti u kojoj je automatizacija sve dominantnija može biti dug i težak. Na nama je da napravimo političke i investicione izbore koji mogu olakšati tranziciju i smanjiti njene troškove, kao i osigurati da se dobit od prihoda ravnomerno raspodeljuje.

U Danskoj, recimo, maksimalna automatizacija i robotizacija doveli su i do pomeranja strukovnih profila, rasta nezaposlenosti nema, a potražnja za “novim” vrstama poslova nezadrživo raste. Danski model mogao bi biti samo početak jednog šireg, globalnog trenda. Problem je, zapravo, u “kašnjenju”, tj permanentnom zaostajanju procesa preobuke, dokvalifikacije ili prekvalifikacije. Permanentno zaostajanje moglo bi se, barem donekle, preduprediti ili ublažiti “obukom unapred”, odnosno, obukom koja bi se sprovodila tokom perioda u kojem nove mašine još uvek nisu uvedene u proizvodni proces. Ovo, međutim, značajno povećava troškove automatizacije i osavremenjivanja radnog procesa.

 

Project Syndicate

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