AI非常擅长回答问题。但它能帮助你更快地做出决定吗？
从发布页面和 LinkedIn 提要来看，分析的未来看起来像是一个巨大的讨论窗口。只需输入一个自然语言问题即可获得图表，并将其称为“人工智能驱动的分析”。这个想法很有吸引力。长期以来，从数据中获取答案意味着找到了解数据仓库、模式和足够 SQL 的人，以免破坏生产环境。聊天界面似乎是克服所有这些障碍的完美解决方案。现在每个人都可以“用数据说话”。
这一进展不应被低估。但任何深入研究过决策细节的人都知道，故事并没有就此结束。问题不在于您是否可以与数据对话，而在于它是否会影响组织从中学习的速度和可靠性。
对话式界面使数据更易于访问。然而，仅仅访问数据并不足以从问题检测转向解决问题。
仪表板并没有什么吸引人的地方，但是没有它们你就无法生活。
让我们从聊天机器人提供的更易于访问的工具开始：仪表板。这不是我们在产品发布期间强调的内容，但它们仍然是团队理解的核心要素。
借助现代技术和人工智能的一点帮助，人们可以在十五分钟内为生长实验创建一个可接受的仪表板。这就是我所做的：在午餐时使用振动编码将模型的想法变成现实。这曾经是一场令人印象深刻的表演。今天是基础。
当您已经知道什么是重要的时，仪表板尤其有效。在创建仪表板之前，您需要知道哪些指标很重要，哪些问题经常出现，以及您需要每周做出哪些类型的决策。仪表板成为一个共享的沟通工具，每个人都知道周一早上要寻找什么以及好的结果是什么样的。
当数字偏离目标时，它是可见的。无论模型的质量如何，在与聊天机器人一次性交流的情况下都很难重现这种普遍看法。
当然，人工智能正在改变我们设计仪表板以及与仪表板交互的方式，而对话界面是自然的伴侣，可以帮助我们在不改变工具的情况下深入挖掘仪表板的表面。但如果认为仪表板将被对话界面取代，那就是误解了它们的功能。仪表板用于使复杂的系统一目了然。这种必要性并不会仅仅因为我们可以与我们的工具进行对话而消失。
自然语言是一个真正的进步，但它并不是一切。
自然语言界面具有真正的实用性。您无需编写五行查询来检查给定发布日期后加拿大的收入趋势，而是可以用日常用语查询聊天界面并获得合理的答案。摩擦力较小。在团队需要兼顾货币、实体和监管环境的金融平台上，这种舒适感很快就会转化为生产力的提高。
但我们必须对改进的本质保持诚实。自然语言简化了请求。它降低了从业务中提取数据片段所需的时间、技能和上下文切换成本。这对于提出问题的人不是精通 SQL 的人的团队特别有用。但聊天界面根本无法帮助您知道要问什么。
这个问题仍然由你来提出。哪些队列是相关的、哪些时期是重要的、哪些比较需要研究以及哪些需要忽略，仍然由您决定。你必须保持查看图表和估计的能力，“这没有任何意义。”
如果你的“人工智能分析”结果简化为表格或图表，那么你还没有彻底改变系统。您只是消除了问题/答案循环中的瓶颈。这很有用。然而，这提高了你获取信息的能力，但并没有提高你的决策能力。所有这些想法都提出了一个问题：如果答案既不在于创建表格的便捷性，也不在于聊天界面的舒适性，我们如何才能最好地利用人工智能进行分析？
代理分析或如何从简单的问题/答案转向决策循环的概念
要回答这个问题，您需要从回答问题的工具过渡到为您进行一些思考的系统。这就是我所说的主体分析。
想想大多数组织当前的学习历程：
- 市场或产品正在发生一些事情。
- 有人意识到这一点，但往往很晚。
- 有人提出问题并从中提取数据。
- 有人解释这些数据并提出行动。
- 有人验证此操作。
- 最后，有人检查它是否有效。
每一步都存在延迟和性能问题。最终结果是，从市场变化到您的团队做出反应可能需要数周甚至数月的时间。
代理分析，无论其形式如何，都可以减少这种延迟。她没有等你问“上次活动表现如何”，而是：
- 存在于您的数据中并了解对您的业务重要的内容
- 知道什么是正常的，什么是变化的
- 寻找值得您关注的发展
- 建议尝试的具体行动
- 跟踪结果并随着时间的推移进行改进
换句话说，它不是充当简单的搜索引擎，而是充当同事的角色，负责监控数字、标记重要项目并帮助您更快地前进。这种行为对应于向代理分析的转变，该系统不仅能回答问题，还能为您进行推理、行动和学习，并由人类控制。这与与仪表板的讨论有本质上的不同，即使与这些代理的交互可以采取对话界面的形式。
关注指标：决策时间
一个指标反映了真正的问题：决策时间。您的组织需要多长时间才能注意到重要的事情、决定行动方案并实施该决定？
仪表板使每个人都可以看到重要的数字。对话界面可帮助更多人获得个性化视图并发现异常情况，而不会遇到商业智能瓶颈。但这两种工具的局限性仍然取决于人类检查数据、分析数据、就答案达成一致并采取行动的速度。
改进人工智能系统以了解变化背后的业务背景，解释导致变化的原因，运行或模拟实验来测试响应，并衡量响应的有效性，这将导致决策时间直线下降。以前需要一个月的时间，现在只需要一周，甚至一天。
然而，决策速度也存在缺陷。如果您只是优化代理建议和执行更改的速度，那么您可能会更快地犯错误。优秀的代理不仅仅访问数据。他们掌握背景和不同级别的治理。
换句话说，优秀的代理商了解数字背后的业务背景，根据每种情况调整自己的行动，并知道如何解释和尊重政策和最佳实践。如果没有这个基础，您可能会更快、更有信心地做出错误的决定。
区分知与行的重要性
人们可能会倾向于将人工智能辅助分析视为一个简单的界面问题。您所需要做的就是向您的 BI 基础架构添加一个对话层，仅此而已。风险是将你的人工智能预算花在让提问变得更容易上，而不考虑实现答案需要多长时间。
从决策时间开始，反向看问题会更有意义。问问自己：
- 在当前过程中，学习会在什么时候停止？
- 哪些决策太慢、太复杂或太依赖一个人的知识？
- 人工智能系统需要什么才能超越仅仅响应“发生了什么事？” ”，但有助于确定“我们现在应该尝试做什么？”和“它有效吗？” »
通过以此为起点，聊天将成为您整体策略中的一个强大工具。仪表板将继续履行其功能：让每个人对事实有一个共同的看法。对话式界面将继续让数据不再那么令人生畏，并且更易于使用。但真正的好处将来自您构建的系统：在幕后工作的代理，以缩短数据中出现某些内容和团队做出反应之间的时间。
人工智能辅助分析并不是要取代仪表板或创建最好的聊天界面。它是关于缩小知识和行动之间的差距，并了解决策是基于数据和背景的。这就是您如何武装您的组织以数据的速度而不是会议的速度可靠地学习。这就是执行良好的代理分析的样子。
Airwallex 帮助您将所有财务数据集中到一处，以便更快地做出决策。 点击此处了解具体方法。
