H δυναμική των data analytics αναπτύσσεται και μορφοποιείται σε νέους ρόλους και αρχιτεκτονικές δεδομένων, υποσχόμενη όχι απλώς ανταγωνιστικά πλεονεκτήματα για τις επιχειρήσεις, αλλά την δημιουργία ενός εντελώς νέου επιχειρηματικού περιβάλλοντος.

Από την πρώτη φορά που γράφτηκε ότι «τα δεδομένα είναι το νέο πετρέλαιο», ποταμοί data έχουν κυλήσει στον παγκόσμιο επεξεργαστή. Σε βαθμό που λίγο πριν το 2019 κάποιοι υπέθεταν ότι το peak του πέρασε, η διαρκώς ανοδική δυναμική ανάπτυξης των data analytics σύντομα θα καμφθεί και η «στάθμη» του νέου πετρελαίου -που θα πάει- θα πέσει.
Τα data analytics άλλωστε ήταν κυρίαρχη δύναμη πίσω από την ανάπτυξη των επιχειρήσεων για χρόνια, προσφέροντας πολύτιμα συμπεράσματα για την επιχειρηματική πορεία και υποσχόμενα ένα μέλλον με διαφάνεια, ταχύτητα, αλλά κυρίως επιχειρηματικές αποφάσεις στηριγμένες πάνω σε ξεκάθαρα, φρέσκα και αξιόπιστα δεδομένα. Μετά προέκυψε η εντατικοποιημένη ψηφιοποίηση λόγω πανδημίας και το παγκόσμιο ποτάμι δεδομένων ξεχείλισε.

Το «νέο πετρέλαιο» ρέει σήμερα ακόμη πιο άφθονο χάρη στο ΙοΤ integration των πάντων. Στο μεταίχμιο ανάμεσα στον προ και μετά covid κόσμο, η πλημμυρίδα δεδομένων έθεσε νέες προκλήσεις. Ξαφνικά, το σημείο εστίασης έπαυσε να είναι το ίδιο το «καύσιμο» και πέρασε στο σύστημα που θα το διαχειριστεί. Επιχειρήσεις σε όλο τον κόσμο κατάλαβαν ότι η ανάλυση των δεδομένων τους ήταν στοιχείο επιβίωσης και μεταξύ άλλων ένα ιδανικό πολυεργαλείο crisis management. Αρκεί να άντεχε τους όλο και μεγαλύτερους όγκους δεδομένων.

Από τα «μεγάλα» στα «σωστά» data
«Υπάρχει έξαρση στη συλλογή προσωπικών δεδομένων από πριν την πανδημία που εντάθηκε σε αυτή» μας εξηγεί και ο Δρ. Ευάγγελος Πουρνάρας Associate Professor, School of Computing, University of Leeds. «Οι επιχειρήσεις βασίζονται σε αυτά για να προσφέρουν υπηρεσίες και ψηφιακές λύσεις. Το πρόβλημα είναι αφενός κατά πόσο όλα αυτά τα δεδομένα μπορούν να αποθηκευτούν και να επεξεργαστούν έγκαιρα με ένα κόστος που είναι οικονομικά, κοινωνικά και περιβαλλοντικά βιώσιμο. Ο ρυθμός παραγωγής και η ποσότητα δεδομένων ξεπερνά την δυνατότητα επεξεργασίας τους. Δημιουργείται έτσι μια απόκλιση ανάμεσα στο τι μπορεί να επεξεργαστεί και τι αποθηκεύεται από όσα συλλέγονται».
Τα data κάθε επιχείρησης λοιπόν, αποδείχθηκαν και στην πανδημική κρίση χρυσωρυχείο όσο και καταφύγιο, όταν για παράδειγμα έδιναν την δυνατότητα να ιχνηλατείται σε real time η κάθε ανάγκη στην αγορά. Προκειμένου να στήνονται γρήγορα αξιόπιστες στρατηγικές και σχεδόν ταυτόχρονα να αναπτύσσονται τα ανάλογα app που θα τις υλοποιούσαν. Φτάνει να μπορεί η επιχειρηματική υποδομή να επεξεργαστεί τη ροή δεδομένων και να την μετατρέπει από μια χαοτική τερατώδη μάζα δεδομένων σε μια προσπελάσιμη όσο και τεκμηριωμένη ψηφιακή απεικόνιση της πραγματικότητας.
Όπως εξηγεί και ο Κυριάκος Παντουβάκης, BI, Advanced Loyalty & Analytics Manager IT Department, της Diamantis Μasoutis, «οι σύγχρονες επιχειρήσεις και ειδικά του λιανεμπορίου τα τελευταία χρόνια καλούνται να αντιμετωπίσουν συχνότερα συνθήκες οξυμένου ανταγωνισμού, αβεβαιότητας στη σταθερότητα του οικονομικού κλίματος (πανδημία, ενεργειακή κρίση) και τέλος πολύ ενεργούς καταναλωτές. Η εταιρεία Μασούτης ακολουθώντας τις νέες τάσεις και προσπαθώντας πάντα να είναι οδηγός στις νέες εξελίξεις, έχει επενδύσει σημαντικά ποσά στην καινοτομία και στις νέες τεχνολογίες, ειδικά στα Data Analytics. Μετασχηματίζοντας τα πρωτογενή δεδομένα σε κανονικοποιημένα και τροφοδοτώντας στατιστικά μοντέλα, τα οποία μπορούν να απαντούν σε ερωτήσεις κατανόησης, ελέγχου αλλά και πρόβλεψης καταστάσεων, καθίσταται εφικτή άμεσα η ανάληψη δράσης προς την κατεύθυνση της βελτίωσης διάφορων ογκομετρικών δεικτών.

Ο διεισδυτικός τρόπος της εφαρμογής αναλύσεων δεδομένων καθώς και η οπτικοποίηση των αποτελεσμάτων έχει πολλαπλά οφέλη, τα οποία ξεκινούν από την εσωτερική αναδιοργάνωση διαδικασιών και εκτείνονται μέχρι την εξατομικευμένη προσφορά προϊόντων στους πελάτες. Είναι γεγονός, ότι η χρήση τέτοιων συστημάτων οδηγεί αφενός μεν σε μείωση αποθεμάτων, λειτουργικών εξόδων, δαπανών διαφήμισης, αναβάθμιση του επιπέδου αξιοπιστίας των αποτελεσμάτων, αφετέρου δε σε αύξηση του τζίρου (κύκλου εργασιών), της αποτελεσματικότητας και της απόδοσης».

«Δεν είναι υπερβολή ότι τα data analytics δεν είναι το μέλλον στις επιχειρήσεις, αλλά είναι ήδη το παρόν!» τονίζει ο Γιώργος Γεωργάκης, Senior Mechatronics Manager της BIC, ο οποίος μιλά για μια πορεία που έχει και πάλι όχημα τα data analytics αλλά κατευθύνεται περισσότερο στην επιχειρηματική καινοτομία. «Στη BIC η ανάλυση δεδομένων δε μας βοηθά μόνο να λαμβάνουμε καλύτερες αποφάσεις, αλλά είναι και πηγή καινοτομίας. Για παράδειγμα, το πρόγραμμα “Next BIC Thing” ήλθε να αποδείξει ότι η προσωποποιημένη φροντίδα για τους χρήστες των προϊόντων μας μπορεί να επιτυγχάνεται μέσω χρήσης αλγορίθμων τεχνητής νοημοσύνης και ανάλυσης δεδομένων.

Για όσους δε γνωρίζουν το πρόγραμμα, η BIC σε συνεργασία με τη Satori Analytics, μια πρωτοπόρα ελληνική εταιρεία στον τομέα των Data και Αdvanced Analytics, κατόρθωσε να βελτιώσει τη διαδικασία σχεδιασμού ξυριστικών μηχανών και να προσφέρει προϊόντα που μπορούν να παρέχουν εξατομικευμένες εμπειρίες ξυρίσματος. Αυτό το κατάφερε με χρήση μοντέρνων μεθοδολογιών και τεχνολογιών όπως Internet of Things, εκπαίδευση των μοντέλων τεχνητής νοημοσύνης, κλπ. Σήμερα αυτό το πρόγραμμα χαιρετίζεται και διεθνώς μάλιστα, ως πρωτοποριακό και καινοτόμο, φρονώ όμως ότι στο μέλλον θα δούμε και πολλές άλλες αντίστοιχες πρωτοβουλίες από εταιρείες. Ο τρόπος με τον οποίο θα αξιοποιήσουν οι οργανισμοί τα δεδομένα τους θα καθορίσει σε σημαντικό βαθμό τα στρατηγικά τους πλεονεκτήματα και τους leaders της κάθε αγοράς».

Προσδοκίες και προβλήματα
«Οι προσδοκίες εξαρτώνται από την επιχείρηση και τον τομέα εφαρμογής. Oι επιχειρήσεις προσδοκούν δεδομένα σαν μια βάση στην οποία δημιουργούν υπηρεσίες που θα διευκολύνουν την ζωή των πολιτών» μας εξηγεί ο Ευάγγελος Πουρνάρας. «Ο τομέας των μεταφορών και του mobility-as-a-service είναι χαρακτηριστικός. Το ευρωπαϊκό πλαίσιο πιθανώς να φέρει περαιτέρω μετατόπιση της αγοράς σε βελτιστοποιημένα μοντέλα συλλογής δεδομένων, στοχευμένα στην ελάχιστη δυνατή συγκέντρωση προσωπικών δεδομένων και στην μέγιστη που απαιτείται (as little as possible, as much as necessary). Τέτοια υποσχόμενα μοντέλα διαφαίνονται σε αποκεντρωμένα συστήματα edge computing, τα οποία θα διαχειρίζονται δεδομένα σε πιο τοπικό επίπεδο και θα συνοψίζουν ευαίσθητη πληροφορία, πριν διαμοιραστεί για την προστασία της ιδιωτικότητας.

Εναλλακτικά μοντέλα μηχανικής μάθησης, όπως το federated learning, θα περιορίσουν περαιτέρω την ανάγκη διαμοιρασμού προσωπικών δεδομένων, μετακινώντας τα μοντέλα στα δεδομένα και διατηρώντας την τοπικότητα ευαίσθητης πληροφορίας. Τέτοια μοντέλα αναμένουν ιδιαίτερη εφαρμογή στον τομέα της υγείας. Τεχνολογίες όπως homomorphic encryption και differential privacy έχουν την δυνατότητα συγκεντρωτικών μετρήσεων χωρίς να αποκαλύπτουν προσωπικά δεδομένα. Οπότε, πιθανώς να έχουν σημαντικό ρόλο στην ανάπτυξη εναλλακτικών επιχειρηματικών μοντέλων που βασίζονται στην συλλογή και ανάλυση δεδομένων».

Ανάμεσα στο τι data «μαζεύoνται» και τι μπορεί, αλλά και πρέπει να αναλυθεί λοιπόν προκύπτει ένα ολοκαίνουργιο σύνολο προκλήσεων που περιμένουν απάντηση. «Σε αυτό το πλαίσιο έχουμε το πρόβλημα της εμπιστοσύνης και της ιδιωτικότητας των πολιτών προς τα επιχειρηματικά συστήματα συλλογής και ανάλυσης δεδομένων, τα οποία συχνά δεν λειτουργούν με διαφάνεια. Ειδικά σε δεδομένα που αφορούν την πανδημία υπάρχει δυνατότητα των λεγομένων inferences (συμπερασματολογία), την αποκάλυψη πληροφορίας την οποία κάποιος δεν διαμοιράζει συνειδητά, αλλά προκύπτει συνδυαστικά και συμπερασματικά από επί μέρους διαθέσιμη πληροφορία. π.χ. αναγνώριση ανθρώπινων δραστηριοτήτων και επιτήρησης μέσω ιχνηλάτησης επαφών. Τέτοιες παραβιάσεις ανοίγουν ζητήματα διακρίσεων, αλλά και ζήτημα διαφάνειας της εκπαίδευσης των αλγορίθμων.

Το δεύτερο πρόβλημα είναι η περιβαλλοντική βιωσιμότητα της διαχείρισης των δεδομένων. Εδώ οι επιχειρήσεις καλούνται να δημιουργήσουν νέα επιχειρηματικά μοντέλα και εταιρικά προφίλ βιωσιμότητας, σε μια εποχή που υπάρχει η πρόκληση της κλιματικής αλλαγής. Πρέπει να ανασχεδιαστεί η διαχείριση και ανάλυση δεδομένων με τρόπο που μειώνει την κατανάλωση ενέργειας και το αποτύπωμα διοξειδίου του άνθρακα σε data centers και υπολογιστικά νέφη. Ταυτόχρονα, απαιτούνται νέα κριτήρια βιωσιμότητας στον σχεδιασμό και την επιλογή αλγορίθμων».

Την ίδια στιγμή, η νέα ευρωπαϊκή νομοθεσία διαχείρισης των δεδομένων θέτει νομικές προκλήσεις για τις οποίες απευθυνθήκαμε στον Δρ. Παναγιώτη Κίτσο, Καθηγητή στη Σχολή Επιστημών Πληροφορίας, Εργαστήριο Τεχνολογίας Λογισμικού και Δεδομένων Ερευνητική Ομάδα Δικαίου Πληροφορικής του Πανεπιστημίου Μακεδονίας. «Μπαίνουμε σε μία περίοδο που η διαχείριση δεδομένων από την αρχική σύλληψη έως την κατανάλωση πληροφοριών βρίσκεται αντιμέτωπη με καταιγιστικές εξελίξεις στην παραγωγή νομοθεσίας και πολιτικού σχεδιασμού για το ψηφιακό μέλλον της Ε.Ε. Ήδη οι επιχειρήσεις βρέθηκαν μπροστά στις προκλήσεις διαχείρισης των δεδομένων τους από την εφαρμογή του Γενικoύ Κανονισμού Προστασίας των Προσωπικών Δεδομένων (GDPR). Τώρα ένα νέο πακέτο ρυθμιστικών παρεμβάσεων της Ευρωπαϊκής Επιτροπής διαμορφώνεται, έτσι ώστε να διασφαλιστεί ότι τα δεδομένα υποβάλλονται σε επεξεργασία με τον πιο αποτελεσματικό τρόπο και για να διασφαλιστεί ότι οι επιχειρήσεις και ο δημόσιος τομέας στην Ε.Ε έχουν πρόσβαση σε ανθεκτικές και ανταγωνιστικές δυνατότητες αποθήκευσης των Big Data και επεξεργασίας τους μέσω των Big Data Analytics.

Στις 23 Φεβρουαρίου υιοθετήθηκε από την Ευρωπαική Επιτροπή η πρόταση κανονισμού σχετικά με τη δίκαιη πρόσβαση στα δεδομένα και τη χρήση τους, γνωστός και ως νόμος περί δεδομένων (Data Act). Ο νέος αυτός κανονισμός που αποτελεί ένα μόνο μέρος ενός ευρύτερου πακέτου μέτρων της ευρωπαϊκής στρατηγικής για τα δεδομένα, έχει σαν στόχο:
•Την αύξηση της ασφάλειας δικαίου για τις εταιρείες και τους καταναλωτές που παράγουν δεδομένα, έτσι ώστε να διευκολυνθεί η μεταφορά δεδομένων μεταξύ παρόχων υπηρεσιών.
•Την εξάλειψη των συμβατικών ανισορροπιών που δημιουργούνται από καταχρηστικούς συμβατικούς όρους που επιβάλλονται από τα μέρη με ισχυρότερη θέση στην αγορά και που εμποδίζουν τη δίκαιη ανταλλαγή δεδομένων στις μικρές και μεσαίες επιχειρήσεις (Β2Β).
•Τη δημιουργία μέσων για την πρόσβαση και τη χρήση δεδομένων του ιδιωτικού τομέα από φορείς του δημόσιου τομέα, για σκοπούς δημοσίου συμφέροντος (Β2G).
•Τη δημιουργία κανόνων για τη διευκόλυνση μετακίνησης των χρηστών και αλλαγής παρόχου, έτσι ώστε για να ξεκλειδώσει η αγορά νέφους της ΕΕ.
Επιπλέον, το Data Act αποσαφηνίζει το δικαίωμα προστασίας του περιεχομένου ορισμένων βάσεων δεδομένων και την εφαρμογή του στις βάσεις δεδομένων που προκύπτουν από δεδομένα που παράγονται ή λαμβάνονται από συσκευές IoT.

H νέα αυτή πρόταση θα δημιουργήσει ένα νέο περιβάλλον για τους σχεδιαστές της αρχιτεκτονικής δεδομένων όπου εκ νέου θα κληθούν να συμβάλλουν στη διαμόρφωση μίας νέας στρατηγικής δεδομένων, έτσι ώστε οι επιχειρήσεις να επικαιροποιήσουν τις πολιτικές, διαδικασίες και ροές δεδομένων μέσα στο νέο ρυθμιστικό περιβάλλον που οδηγεί σε σταδιακή ενίσχυση των τεχνολογιών cloud computing».

Τhere is no business like data business
Παρόλα αυτά, ενδεικτικό της ανάγκης για αποτελεσματικότερα data analytics είναι ότι -την ώρα που γράφονται αυτές οι γραμμές- η πιο πρόσφατη unicorn startup που σκαρφάλωσε στους τίτλους των ειδήσεων των επιχειρηματικών σελίδων είναι η εταιρεία Firebolt. Παιδί της πανδημίας, ιδρύθηκε μέσα στο 2019 στο Τελ Αβίβ, δημιουργώντας data warehouses για engineering teams και έκλεισε πρόσφατα τον τρίτο κύκλο χρηματοδότησης φτάνοντας το συνολικό ύψος χρηματοδότησης της στα 1,4 δις δολάρια μέσα σε λιγότερο από 2 μόλις χρόνια! Το «μυστικό» της επιτυχίας της; Παρέχει αρχιτεκτονικές δεδομένων για data analytics, την δεδομένη ιστορική στιγμή, όταν η ψηφιοποίηση λόγω πανδημίας κορύφωσε τη ζήτηση τους.

«Τα data είναι στην καρδιά κάθε app σήμερα» δήλωσε ο CEO και συνιδρυτής της Firebolt, Eldad Farkash. «Αυτό σημαίνει ότι κάθε software engineer γίνεται αναγκαστικά και data engineer. Βλέπουμε το ρόλο του data warehouse ως του θεμελίου που πάνω του κάθε εταιρεία θα χτίσει κάθε είδους εμπειρία analytics. Και ο ρόλος της Firebolt είναι να επεκτείνει τα όρια του τι μπορεί να κάνει κανείς με τα data analytics και να επιτρέψει στις εταιρείες να αναβαθμίσουν και επεκτείνουν τα data τους, σε περιοχές που μέχρι τώρα ήταν απρόσιτες». Στην ίδια κατεύθυνση και ο Abhi Arun, managing partner στην πρωταγωνίστρια ανάμεσα στους χρηματοδότες της Firebolt, Alkeon Capital, επεσήμανε ότι «βλέπουμε την μετατόπιση στην αγορά όπου κάθε σύγχρονο app του σήμερα απαιτεί μια επεκτάσιμη και αποτελεσματική data infrastructure».  Για αυτό στη Firebolt περιμένουν την αγορά data analytics στο cloud να αναπτυχθεί φτάνοντας τα 65 δις δολάρια ως το 2025.  Όχι τυχαία, αυτή είναι και η πρόβλεψη της MarketsandMarkets που βλέπει ετήσια άνοδο 23% στην παραπάνω αγορά, που το 2020 ήταν 23.2 δις δολάρια, στην έρευνα της με τίτλο Cloud Analytics Market.

Την τάση επιβεβαιώνει και η αντίστοιχη μελέτη για την προοπτική της ευρύτερης αγοράς των data analytics, της Research And Markets. Η ευρύτερη αγορά των big data αναμένεται να αναπτυχθεί από τα 162 δις δολάρια το 2021 στα 273,4 δις δολάρια το 2026, με ετήσιο ρυθμό 11% και οι τρεις βασικοί λόγοι είναι η αύξηση των δεδομένων λόγω της εντατικής ψηφιοποίησης, η διάδοση των υπηρεσιών cloud και η ανάλυση των δεδομένων σαν βασικό πια μέρος των κορυφαίων επιχειρηματικών στρατηγικών.

«Τα data analytics θα βοηθήσουν στην διαχείριση της έντονης αλλαγής και αβεβαιότητας που θα ζήσουμε στα επόμενα τρία χρόνια, προσφέροντας ταυτόχρονα ευκαιρίες» επιβεβαιώνει και η διακεκριμένη VP Analyst της Gartner, Rita Sallam. «Οι ηγέτες του χώρου των data analytics πρέπει να εξετάσουν με proactive στάση όλα τα trends της ανάλυσης δεδομένων πριν αποφασίσουν εκείνες τις κρίσιμες επενδύσεις που θα τους δώσουν τη δυνατότητα να ανταπεξέλθουν στις δυσκολίες».

Data analytics trends
Ποια είναι όμως τα trends που διαγράφονται -μαζί με τις παραπάνω τάσεις- ήδη στην εξέλιξη των data analytics, μέσα από έρευνες τόσο της Gartner όσο και της Marketsand Markets αλλά και της ΙΒΜ;

Enterprise data analytics
Η νέα πραγματικότητα του ψηφιακού μετασχηματισμού προσφέρει στις επιχειρήσεις περισσότερα δεδομένα από ποτέ, αλλά με πηγές τόσο τον καταναλωτή (χάρη στο ΙοΤ integration), όσο και το data stream που «αναβλύζει» από την παραγωγή, διακίνηση και εμπορία των προιόντων όπως ποτέ άλλοτε, λόγω της αλλαγής του παγκόσμιου customer journey μέσα στην πανδημία. Αυτό ήδη απαιτεί νέα μοντέλα ανάλυσης δεδομένων, που θα εμπλέκονται από την παραγωγή των πρώτων υλών μέχρι και μετά την πώληση.

Mature data governance
Μεγάλο μέρος των δεδομένων μένουν ανεκμετάλλευτα λόγω αναποτελεσματικού data management, θεμάτων ασφαλείας δεδομένων, ή απλά κόστους με το 30% περίπου του επιχειρησιακού χρόνου να δαπανάται σε διαχείριση data χαμηλής ποιότητας ή διαθεσιμότητας. Μέρος του workload για τους data analysts θα είναι η εξέλιξη συστημάτων αυτόματης διαχείρισης των δεδομένων πριν την ανάλυση τους, κατά περίπτωση και βάση των ιδιαιτεροτήτων κάθε project.

Data analytics εκτάκτου ανάγκης
Μετά το σκληρό μάθημα της πανδημίας οι περισσότερες επιχειρήσεις εστιάζουν σε διαχείριση και ανάλυση data που θα τους αποδώσουν ανθεκτικότητα και ευελιξία σε έκτακτες συνθήκες. Μετά την υγεία, λίγοι χτυπήθηκαν όσο οι τομείς της εφοδιαστικής αλυσίδας, των μεταφορών και των πρώτων υλών. Για αυτό και ένα 87% των εταιρειών της, αναμένεται να επενδύσει τα επόμενα δύο χρόνια σε data analytics μοντέλα πρόβλεψης κινδύνων, διαχείριση data προμήθειας και παραγωγής από πολλαπλούς προμηθευτές και ηπείρους, με εναλλακτικές γραμμές παραγωγής για την μείωση ρίσκου, βελτιωμένου crisis management ή απλώς καλύτερων μοντέλων monitoring.

Data analysis για multi cloud λειτουργία
Τα τελευταία μοντέλα multicloud λειτουργίας προϋποθέτουν εκείνα τα εργαλεία διαχείρισης και ανάλυσης δεδομένων που θα μπορούν να υποστηρίξουν την επιλογή μια επιχείρησης να αλλάζει το μείγμα των cloud providers της διαρκώς και απρόσκοπτα. Συνδυάζοντας τις μεγάλες υποδομές των κυρίαρχων παρόχων cloud με τις niche υπηρεσίες μικρότερων, αλλά πιο εξειδικευμένων, ανάλογα με το κόστος, την ασφάλεια, την ταχύτητα ή την πολυπλοκότητα.

MLops (Machine Learning Operations) στην υιοθέτηση ΑΙ
Παρότι η αύξηση της υπολογιστικής δύναμης έκανε πιο εύκολη την δημιουργία ΑΙ μοντέλων, στην πραγματικότητα περίπου 50% των proof of concept, σε ΑΙ εφαρμογές, δεν περνάνε σε παραγωγή και από αυτά ακόμη λιγότερα αποδίδουν μετρήσιμη επιχειρηματική αξία. Τα εξελισσόμενα MLops προσφέρουν τα εργαλεία -συνδυασμούς machine learning και dev ops- ώστε οι data engineers και αναλυτές να μπορούν να δημιουργούν άμεσα και εύκολα «δοκιμασμένες» application-level quality εφαρμογές. Η Gartner προβλέπει ότι μέχρι το 2025 το 10% των επιχειρήσεων που θα τα εντάξουν στα AI engineering best practices τους, θα παράγουν τουλάχιστον τριπλάσια αξία σε ΑΙ εφαρμογές από το 90% των επιχειρήσεων που θα τις αγνοούν.

Νέα Αρχιτεκτονική Δεδομένων
Η αρχιτεκτονική του Data Mesh δημιουργήθηκε για να αντιμετωπίσει το πρόβλημα της συγκέντρωση των δεδομένων σε data warehouses και data lakes και τα ζητήματα καθυστέρησης και προσβασιμότητας που δημιουργούσαν. Συνδέοντας τα δεδομένα σε ένα αποκεντρωμένο peer-to-peer μοντέλο και διαπλέκοντας τα βασισμένη σε τέσσερις αρχές: domain-oriented data ownership / data as a product / self-serve data / proper governance για να διευκολύνει την αξιοποίηση των δεδομένων σε εφαρμογές machine learning, αλλά κυρίως την ανάπτυξη εφαρμογών αποκεντρωμένα, όπου το σύνολο των δεδομένων είναι διαθέσιμο εξίσου σε όλους τους developers ενός προϊόντος.
Σε παρόμοια φιλοσοφία αλλά με αντίστροφη προσέγγιση, η αρχιτεκτονική Data Fabric «στήνει» την υποδομή δεδομένων ώστε ο οργανισμός να βελτιστοποιεί την χρήση των διαθέσιμων data του. Αυτοματοποιεί το data integration, ενεργοποιεί data governance πρακτικές, προσφέρει self-service διάθεση δεδομένων για να προσφέρει γρηγορότερα τα data, ελαχιστοποιεί ενδεχόμενες ασυνέχειες σε αυτά και κάνει πιο εύκολη τόσο την βελτίωση της ποιότητας των δεδομένων όσο και την διαδικασία εναρμόνισης της διαχείρισης δεδομένων με τα εκάστοτε κανονιστικά πλαίσια.

Μειώνει έτσι τα κόστη της ανάλυσης δεδομένων, διαλέγοντας τα πιο ακριβή data sets, αυτοματοποιεί την επιλογή τους, ελαχιστοποιεί το ποσοστό λάθους και επιταχύνει την διαδικασία παραγωγής για τους developers. Αφού κάνει τα δεδομένα διαχειρίσιμα σε ένα ενιαίο περιβάλλον «συμβατότητας», όπου τα δεδομένα είναι προσβάσιμα ανεξάρτητα του είδους τους ή της πηγής τους, ενώ κάθε επιπλέον πηγή και εφαρμογή μπορεί να προστεθεί στην συγκεκριμένη αρχιτεκτονική σαν «τουβλάκι» επέκτασης της.
Μεγάλη συζήτηση γίνεται ήδη όχι μόνο για το ποια από τις αρχιτεκτονικές data είναι η καλύτερη, αλλά και αν μιλάμε για κάτι πραγματικά καινούργιο ή απλώς νέα εύηχα buzzwords. Πολλοί αναφέρουν ότι το data fabric μοντέλο είναι πιο τεχνοκεντρικό, ενώ το data mesh, κυρίως, προσέγγιση της οργανωτικής δομής και φιλοσοφίας του συστήματος, αλλά οι περισσότεροι περιμένουν να δοκιμαστούν στο «αμόνι» του χρόνου.

Τα data analytics και το «νέο επιχειρείν»
Κάποιες από τις παραπάνω τάσεις, ήδη αντικατοπτρίζονται και στην ελληνική αγορά. Όπως μας εξηγεί και ο Γιώργος Γεωργάκης, η ροή των data και η επιρροή τους σε εφαρμογές ήδη αλλάζει το business. «Το υπολογιστικό νέφος (cloud) έχει αλλάξει ριζικά τον τρόπο με τον οποίο σχεδιάζονται οι εφαρμογές, συμπεριλαμβανομένων των προδιαγραφών επεξεργασίας και αποθήκευσης των δεδομένων. Αντί για μια ενιαία βάση δεδομένων γενικού σκοπού που χειρίζεται όλα τα δεδομένα μιας λύσης, χρησιμοποιούνται πολλαπλοί, εξειδικευμένοι χώροι αποθήκευσης δεδομένων, καθένας από τους οποίους έχει βελτιστοποιηθεί για να παρέχει συγκεκριμένες δυνατότητες. Δεν υπάρχουν πλέον πολλά επίπεδα επιχειρηματικής λογικής που διαβάζουν και γράφουν σε ένα μοναδικό επίπεδο δεδομένων.

Αντίθετα, οι λύσεις σχεδιάζονται γύρω από μια ροή δεδομένων (data pipeline) που περιγράφει πώς τα δεδομένα ρέουν μέσω μιας λύσης, πως και πού τυχαίνουν επεξεργασίας, πού αποθηκεύονται και πώς “καταναλώνονται” από το επόμενο επιχειρησιακό σύστημα. Στη συνεργασία μας με τη Satori Analytics χρησιμοποιήσαμε το Microsoft Azure. Η συνεργασία των τριών οργανισμών υλοποιήθηκε σε υβριδικό μοντέλο Big Data αρχιτεκτονικής και παραδοσιακών σχεσιακών βάσεων ώστε να εξυπηρετούνται στο έπακρο οι συγκεκριμένες ανάγκες με την καλύτερη δυνατή απόδοση και ασφάλεια».

Για τον Κυριάκο Παντουβάκη, τα data analytics είναι ήδη αναπόσπαστο μέρος της επιχειρηματικής στρατηγικής. «Με στόχο την βελτίωση της αγοραστικής εμπειρίας, την αύξηση του επιπέδου πιστότητας και την αναζήτηση συγκριτικού πλεονεκτήματος, η Μασούτης έχει εισαγάγει στην εταιρική της κουλτούρα τη διεξοδική μελέτη της αγοραστικής συμπεριφοράς. Αυτό το επιτυγχάνει με τη μελέτη και την κατηγοριοποίηση των πελατών. Απώτερος στόχος μας είναι η προσωποποιημένη, εξατομικευμένη προσέγγιση των προσφορών. Η πλήρης χαρτογράφηση του τοπίου των αναγκών των καταναλωτών θα συμβάλλει στη διαμόρφωση της άριστης προσφοράς, με τη διάθεση των προϊόντων μας στην οικονομικότερη – πλέον συμφέρουσα τιμή. Το χρηματοοικονομικό κόστος, το οποίο προκύπτει από την έρευνα των προτιμήσεων των καταναλωτών και ακολούθως ο διαμοιρασμός του σε όλους όσους εμπλέκονται, οδηγεί στην αύξηση της χρηματικής αξίας του μέσου καλαθιού, που όμως περιέχει μεγαλύτερη ποικιλία και ποσότητα προϊόντων.

Με σκοπό, την μείωση των λειτουργικών δαπανών, του επιχειρηματικού κινδύνου και την έγκαιρη προσαρμογή μας στη διαφοροποιημένη, ευμετάβλητη καταναλωτική συμπεριφορά, η οργανική ένταξη συστημάτων και αλγορίθμων, τεχνητής νοημοσύνης και μηχανικής μάθησης, αποτελούν επιτακτική ανάγκη. Οι προαναφερθέντες τομείς μας απασχολούν και γίνονται σταθερά βήματα στην ανάπτυξή τους».