Tačiau vien informacijos gausa dar nereiškia, kad tampame išmintingesni. Išmanusis laikrodis gali tiksliai parodyti, kiek valandų miegojome, bet ne visada paaiškins, kodėl ryte jaučiamės pavargę. Įmonė gali žinoti, kiek prekių pardavė per pastaruosius penkerius metus, bet vis tiek nesugebės nuspręsti, kiek jų užsakyti kitai savaitei.
Čia ir prasideda įdomioji dalis. Duomenis sukaupti – viena, o suprasti, ką jie iš tiesų pasakoja – visai kas kita.
Kai skaičiai sako tiesą, bet mes suprantame neteisingai
Įsivaizduokime, kad kas nors pastebi įdomų dėsningumą: vasarą padidėja ir ledų pardavimai, ir skendimų skaičius. Skaičiai nemeluoja – abu reiškiniai iš tiesų gali augti kartu.
Galima būtų padaryti išvadą, kad ledai kelia pavojų gyvybei, ir nedelsiant imtis priemonių. Laimei, prieš uždraudžiant vanilinius ledus, verta prisiminti, kad vasarą paprasčiausiai daugiau žmonių maudosi.
Tai klasikinis pavyzdys, kodėl du kartu kintantys dydžiai nebūtinai susiję priežasties ir pasekmės ryšiu.
Versle panašių istorijų apstu. Padidinus reklamos išlaidas, išauga pardavimai. Vadinasi, reklama veiksminga? Galbūt. O gal tuo metu prasidėjo šventinis laikotarpis, konkurentai pakėlė kainas arba tiesiog atšilo orai.
Skaičiai gali būti visiškai teisingi, tačiau mūsų padarytos išvados – klaidingos. Todėl geras duomenų tyrimas prasideda ne nuo įspūdingai atrodančios diagramos, o nuo tinkamo klausimo. Ir, žinoma, nuo pasirengimo išgirsti atsakymą, kuris nebūtinai patiks.
Kiek duonos reikės rytoj?
Pabandykime išspręsti iš pirmo žvilgsnio paprastą uždavinį. Prekybos tinklas nori sumažinti neparduotos duonos kiekį.
Atrodytų, tereikia suskaičiuoti, kiek kepalų nuperkama kasdien, išvesti vidurkį ir pagal jį užsakyti naują partiją. Užduotis išspręsta, galima eiti pietauti.
Tačiau pirmadienį duonos perkama mažiau nei penktadienį. Prieš šventes – daugiau nei įprastai. Lietingą savaitgalį pirkėjai elgiasi kitaip nei saulėtą. Viename miesto rajone populiari ruginė duona, kitame – ilgi prancūziški batonai. O dar pasitaiko akcijų, tiekimo sutrikimų ir konkurentų, kurie irgi nesėdi rankų sudėję.
Staiga paprastas vidurkis nebeatrodo toks protingas pasirinkimas. Prekybos tinklas turi daugybę duomenų: pardavimų istoriją, prekių likučius, kainas, nuolaidas, tiekimo terminus, orų prognozes. Tačiau vien juos sukrauti į kompiuterį nepakanka. Reikia suprasti, kurie veiksniai svarbūs, kaip jie susiję ir ką daryti tada, kai rytojus nepanašus į vakar dieną.
Be to, klaidos kainuoja nevienodai. Užsakius per mažai duonos, dalis pirkėjų išeis tuščiomis. Užsakius per daug, vakare teks skaičiuoti nuostolius.
Todėl klausimas „Kiek duonos parduosime?“ pamažu virsta gerokai įdomesniu: „Kiek jos verta užsakyti, kad pirkėjai liktų patenkinti, o verslas nepatirtų nereikalingų nuostolių?“ Ir štai jau turime uždavinį, kuriam vien skaičiuotuvo nebepakanka.
Matematikas, informatikas ir ekonomistas – prie vieno stalo
Tarkime, prekybos tinklas nusprendė šią problemą spręsti rimtai ir pakvietė tris specialistus.
Matematikas pirmiausia imasi skaičių. Jis nagrinėja pardavimų dėsningumus, vertina tikimybes, kuria prognozavimo modelius ir aiškinasi, kiek galima pasitikėti jų rezultatais. Jam svarbu ne tik gauti prognozę, bet ir žinoti, kiek ji gali suklysti.
Informatikas domisi kiek kitais klausimais. Kur saugomi duomenys? Kaip sujungti informaciją iš šimtų parduotuvių? Kaip užtikrinti, kad sistema kasdien apdorotų milijonus įrašų ir nesustotų pačiu netinkamiausiu metu?
Ekonomistas, kantriai išklausęs kolegas, užduoda nemalonų, bet būtiną klausimą: kiek visa tai kainuos ir ar apsimokės?
Matematikas gali pasiūlyti itin tikslų modelį. Informatikas – sistemą, kuri veiktų nepriekaištingai. Tačiau jeigu jos išlaikymas kainuos daugiau, nei pavyks sutaupyti, žmogus net be ekonominio išsilavinimo turės pagrindo suabejoti tokio projekto prasme.
Žinoma, visi trys gali pradėti ginčytis, kuris klausimas svarbiausias. Tokie ginčai kartais trunka ilgiau nei pats skaičiavimas.
Vis dėlto būtent čia slypi šiuolaikinės duomenų analitikos stiprybė. Matematinis mąstymas, technologijų išmanymas ir ekonomikos žinios papildo vieni kitus. Tik sujungus šias sritis galima ne tik apskaičiuoti, kas tikriausiai nutiks, bet ir nuspręsti, ką verta daryti.
Toks gebėjimas svarbus ne vien prekyboje. Panašiai sprendžiami transporto maršrutų planavimo, finansinės rizikos, gamybos, energetikos ar sveikatos priežiūros klausimai.
Skiriasi duomenys ir uždaviniai, tačiau principas lieka tas pats: geras sprendimas retai išsitenka vienos profesijos ribose.
O jeigu viską patikėtume dirbtiniam intelektui?
Šiandien prekybos tinklas, žinoma, galėtų pasitelkti ir dirbtinį intelektą. Jis padėtų analizuoti pardavimus, ieškoti dėsningumų, rengti prognozes ar net pasiūlyti, kiek duonos užsakyti kiekvienai parduotuvei.
Puiku. Tačiau prieš džiaugiantis verta pasidomėti, iš kur paimti duomenys, ar jie patikimi ir ar modelis tinkamas būtent šiam uždaviniui.
Tarptautinė tyrimų bendrovė „Gartner“ 2025 metais atkreipė dėmesį, kad daugeliui organizacijų trūksta tinkamai sutvarkytų duomenų dirbtinio intelekto sprendimams. Tai primena gana paprastą tiesą: net ir pažangiausias įrankis nepadės, jeigu jam pateiksime netinkamą informaciją.
Dirbtinis intelektas gali labai greitai parengti dešimties puslapių ataskaitą, tačiau greitis savaime negarantuoja, kad išvados bus teisingos. Kartais naudingiausias žmogus kambaryje būna tas, kuris perskaitęs pirmą puslapį paklausia: „O iš kur mes tai žinome?“
Beje, šis klausimas buvo svarbus gerokai anksčiau, nei atsirado dirbtinis intelektas. Ir, tikėtina, dar ilgai toks išliks.
Kai svarbiausia – neturėti atsakymo
Pasaulio ekonomikos forumo praeitų metų darbo rinkos ataskaitoje didžiųjų duomenų specialistai minimi tarp profesijų, kurių paklausa iki 2030 metų turėtų augti sparčiausiai.
Tai nestebina. Duomenų daugėja beveik visose gyvenimo srityse, o kartu daugėja ir klausimų, į kuriuos norime atsakyti.
Vis dėlto, vien išmokti naudotis nauja programa ar algoritmu nepakanka. Technologijos keičiasi greitai. Šiandien populiarus įrankis po kelerių metų gali būti pamirštas, kaip kadaise nepakeičiamais laikyti mobilieji telefonai su mygtukais.
Kur kas ilgiau išlieka gebėjimas logiškai mąstyti, suprasti skaičius, pastebėti klaidingas prielaidas ir susieti skirtingų sričių žinias. Būtent todėl matematikos, informatikos ir ekonomikos derinys tampa vis vertingesnis – tiek versle, tiek universitetuose, kuriuose šių sričių specialistai kartu ieško būdų spręsti tikras, o ne vien vadovėliuose aprašytas problemas.
Grįžkime prie mūsų prekybos tinklo. Po ilgų skaičiavimų, modelių kūrimo ir diskusijų pagaliau pavyksta sumažinti neparduotos duonos kiekį. Parduotuvės užsako tiksliau, pirkėjai rečiau randa tuščias lentynas, o įmonė sutaupo.
Didelio technologinio stebuklo tarsi ir neįvyko. Tiesiog mažiau duonos nukeliauja pas kiaules.
Bet galbūt būtent taip ir atrodo tikroji pažanga – ne tada, kai kompiuteris pateikia dar vieną įspūdingą grafiką, o tada, kai dėl jo pagalbos priimamas geresnis sprendimas.
Juk duomenų pasaulyje svarbiausia ne tai, kiek atsakymų galime gauti. Svarbiausia – ar mokame užduoti klausimus, į kuriuos iš tiesų verta atsakyti.