1.     AI jako náhrada analytika

A začněme rovnou tou nejfuturističtější verzí, která už vlastně až tak vzdálená není. Co mám na mysli? Představte si, že potřebujete například zjistit, kdo patřil mezi vašich top 5 odběratelů v letošním a loňském roce, kdo vypadl, kdo přibyl, jak se změnila jejich hodnota a kolika % se podílí na celkovém objemu objednávek. Přesně na takovéto zadání už je dneska schopen dát velmi slušnou odpověď chatGPT díky svému modulu Advanced Data Analysis. Stačí mu dát k dispozici takový dataset, ze kterého lze dané informace vyčíst.

Pokud máte obavu o bezpečnost dat, tak je to naprosto na místě. Určitě tohle nezkoušejte s vašimi firemními daty v rámci free verze chatGPT. Máte-li některou z placených verzí, lze již sekuritu ošetřit lépe. Pokročilejším a ještě bezpečnějším avšak také náročnějším řešením na implementaci je vytvoření vlastní instance AI analytika např. skrze Azure OpenAI.

2.     AI jako pomocník analytika

A nejenom analytika, ale kohokoliv, kdo se ve své práci potřebuje opírat o data. Což už jsou dnes prakticky všichni. AI vás může podpořit v jakékoliv fázi analytického procesu. Za mě i v této oblasti stále vede chatGPT. Nicméně pokud je u vás ve firmě analytika synonymem psaní SQL nebo Python skriptů, vyplatí se investovat do GitHub Copilotu. Tvorbu reportů může usnadnit Copilot pro Power BI a brzy by měl být podobný asistent s názvem Einstein Copilot dostupný i pro Tableau.

A co tvorba prezentací nebo data stories? I tohle je oblast, se kterou AI pomůže. Osobně mě zaujal produkt Understand Labs, díky kterému vytvoříte profesionálně vypadající grafy i bez znalostí všech vizualizačních “best practices”.

3.     AI jako doplněk no-code nástrojů

Mezi umělou inteligenci a no-code nástroje rovnítko přímo položit nejde. Na druhou stranu je no-code určitě oblastí, kterou vlna zájmu o AI vynesla do popředí. Co si pod no-code analytickými nástroji představit? Jde o takový software, který vám umožní tvořit analýzy nebo reporty bez znalosti programovacích jazyků, protože v rozhraní si vše naklikáte nebo popřesouváte (“drag and drop”) dle potřeby. No-code nástroje nejsou novinkou, ale v  kombinaci s AI dostávají druhou mízu. Přestože totiž není potřeba umět programovat, nemusí být jejich ovládání na první dobrou hladké, resp. chvíli trvá se zorientovat ve všech nabídkách a nastaveních. A zde přichází na scénu generativní AI zabudovaná v podobě ochotně radícího chatbota jako je to např. u analytické no-code platformy Knime.

O kousek dál s uživatelským zážitkem je pak ThoughtSpot - business intelligence platforma pro získávání insightů. Díky jejich konverzačnímu rozhraní Sage můžete s vašimi daty konverzovat, resp. to, co byste si dříve museli naklikat, teď odbavíte dotazem v přirozeném jazyce. Stejný trend sleduje se svým Genie také platforma Databricks. Podobným směrem míří i Tableau se svým produktem Pulse, který má ale zatím jen užší využití a to na vysvětlování trendů a monitorování vybraných metrik.

4.     AI jako motor pro další automatizaci

Podobně jako no-code nejsou nástroje pro automatizaci ani novinkou a ani ztělesněním umělé inteligence, ale spíš dalším surferem na AI vlně. Mezi nejznámější zástupce patří Zapier, Power Automate a Make.

Proč se jim dostává zvýšené pozornosti právě teď? Skvěle totiž zapadají do automatizovaného postupu v místech, kde je potřeba pracovat s přirozeným jazykem, díky čemuž lze automatizovaně odbavit i úkoly, kde byl kvůli práci s textem potřeba člověk. Příkladem využití v analytice je třeba automatizované vytváření reportů včetně textových komentářů a souhrnů, které se samy rozesílají do chatu nebo emailem.

5.     AI ve významu machine learning

Poslední oblastí, která se s AI v datech pojí, je strojové učení - machine learning (ML). AI sice je jedním z typů machine learningu, ale zkratka AI se v současnosti vžila spíš pro označení generativní umělé inteligence, resp. velkých jazykových modelů, což si většina z nás spojí s “hmatatelným” rozhraním chatGPT, Claude nebo Gemini. Kvůli odlišení tak machine learningu přibyl přídomek “klasický”. Tahle klasika zahrnuje pro byznys spoustu užitečných nástrojů jako jsou např. modely retence zákazníků, predikce jejich hodnoty, optimalizace cenových nabídek nebo detekce podvodných chování.

I do klasiky ale proniká genAI a s ní spojené technologie popsané výše. Specialistům na ML s psaním kódu stále více pomáhají copiloti, popř. nástroje jako AutoML, které jsou schopné vytvořit model od A do Z a to ještě v několika variantách, aby měl data scientista na výběr.

Machine learningový model se nyní dá vytvořit i bez znalostí programování, ale nedoporučovala bych se do toho pouštět bez znalostí principů fungování a prerekvizit modelů. Obzvláště důležitá je zde kvalita dat. Víc než kde jinde totiž právě zde platí otřepané datařské pořekadlo “garbage in, garbage out”. Pokud tedy na vstupu modelu máte data s chybami, mezerami nebo zkresleními, nemůžete čekat, že vám vyleze něco jiného než model, který potenciálně může způsobit víc škod než užitku. Nicméně, máte-li datovou kvalitu dobře pohlídanou a zajímalo by vás, v jakém no-code softwaru se dá ML model vytvořit, můžete zkusit již zmiňovaný Knime nebo Akkio.

Co mají všechny podoby AI v datové analytice společné

AI v datové analytice může zastřešovat mnoho oblastí. Všechny však mají společný rys - vyšší efektivitu. Ta se může promítnou buď do časových úspor, zvýšení kapacity pro zpracování většího množství úkolů nebo ve schopnosti najít sofistikovanější řešení na problémy businessu. Vlna umělé inteligence tak otevírá mnohem širší možnosti, jak být data-driven. A co je pro to potřeba udělat? Probudit v sobě zvědavost a začít hledat nová řešení. Budu ráda, když vám tento článek bude inspirací.

Ing. Tereza Fukátková
Tereza se v oblasti dat pohybuje již deset let. V současnosti vede Data Insights tým ve FEGu, který se specializuje na využívání pokročilé analytiky a strojového učení pro přinášení strategických vhledů do sázení a online her v pěti zemích. Při práci klade důraz na spolupráci s byznysem a srozumitelnou komunikaci skrze vizualizace. Analytika jí je nejen prací, ale i vášní, a proto učí a mentoruje v rámci Digitální akademie od Czechitas.