Automatizaci procesů předchází datová integrace. Předtím, než algoritmy mohou začít konat své dílo a automatizovat naši práci, potřebují co nejlepší data v co největším množství. Právě rostoucí množství integrovaných dat nám umožňuje programovat lepší algoritmy. Stroje nemají zatím oči, uši nebo jiné smyslové orgány. Algoritmy dokonce nejsou zatím ani moc chytré, takže potřebují velmi čistá a přesná data, která jim musíme naservírovat. To ale platí dnes. Schopnosti strojů rychle rostou. Někdy vidíme tendenci mávnout rukou nad pokroky v oblasti strojového učení s argumentem „ale vždyť ještě neumí to nebo ono“. Zklamání často pramenní také z toho, že realita je daleko za markentingovými sliby. S tím lze souhlasit, ale to neznamená, že bychom měli podceňovat množství komerčních aplikací, které rychle vznikají jako platformy nad rostoucími schopnostmi algoritmů.

 

A proto věříme, že kdo se začne připravovat na příležitosti v oblasti automatizace kanceláře již dnes, tak bude odměněn. Když říkáme algoritmy, tak to je velmi široký pojem. Pojďme si je rozdělit alespoň do dvou základních skupin. Za prvé je to skupina algoritmů, které mají jasně dané pokyny a vzorec, jak data zpracovat. U těchto algoritmů máme vždy jasnou představu o výstupu a chování algoritmu na základě daných vstupů. Jedná se o tradiční programování, jak ho známe posledních 60 let.

 

Druhá kategorie algoritmů spadá do takzvaného strojového učení. Tyto algoritmy jsou užitečné především tam, kde první kategorie algoritmů selhává a nefunguje. Například se ukázalo, že je prakticky nemožné vytvořit jasný vzorec, jak má stroj poznat, že na obrázku je například kočka nebo loď. Lidé se pokoušeli takové vzorce a programy napsat, ale bez většího úspěchu. Na určité úkoly, jako je tento, se lépe osvědčil přístup, kde stroji dáme hodně dat, tedy příkladů, a algoritmus pro strojové učení si vzorec vytvoří sám skrze něco, čemu říkáme trénování modelu. To znamená, že algoritmus si optimalizuje svůj vzorec na skupině dat tak dlouho, až dosáhne nějaké maximální dosažitelné míry přesnosti. Tento maximální limit přesnosti je dán často především právě kvalitou dat a sofistikovaností daného algoritmu na strojové učení. Nicméně tady se zastavme, větší detaily pro nás nebudou užitečné.

 

Důležité je, že nemusíme být matematici, abychom z těchto nástrojů mohli benefitovat v našem podnikání. Tyto algoritmy jsou stále častěji neviditelně skryté v portfoliu komerčních aplikací, které nám ale v důsledku otevírají cestu k větší automatizaci i oblasti kancelářských procesů a rozhodování. Nyní pojďme již na konkrétní příklady, které posléze kategorizují do obecnějších benefitů, jež vám automatizace může přinést.

 

Pojďme začít od toho nejjednoduššího příkladu. Řekněme si, že máte jednoduchý e-shop. Pravidelně tak činíte rozhodnutí o tom, které online reklamy chcete nechat běžet. Například máte Google Adwords reklamu, která přestala mít pozitivní návratnost. Takovou reklamu chcete vypnout. Nebo chcete automaticky vypnout všechny reklamy propagující produkt, kterému klesla skladová zásoba, a víte, že vám během několika dní dojde. Nejen, že taková reklama je zbytečná, ale ještě zklamete zákazníka, kterého jste přesvědčili k nákupu, a teď je produkt nedostupný.

 

Abychom mohli mít takovýto automatický hlídač, potřebujeme mít datový sklad, který v sobě integruje data o skladové zásobě, data o prodejích a tempu odprodeje daných produktů. A také musíme být napojení na Google Adwords, kam pošleme datovou informaci o kampaních, které je potřeba vypnout. Takto jednoduchý příklad v sobě zahrnuje všechny aspekty, o kterých jsme doteď mluvili. Několik systémů, kde každý obsahuje kousek informace, a člověk slouží jako komunikační uzel, kdy v jeho hlavě, často pomocí Excelu, probíhá kalkulace, jaké akce učinit. Komunikačním uzlem by měl být datový sklad a rozhodnutí by mělo být zapsané ve skriptu v nějakém univerzálním programovacím jazyce jako SQL. Nikoliv jako těžko čitelné vzorce uložené v jedné verzi z mnoha Excelů.

 

Kdybychom příležitosti automatizace kanceláře zobecnili, tak za prvé nabízí možnost všechno zrychlit. Vaše rozhodnutí bez lidského elementu nebudou nutně chytřejší, ale budou rychlejší. A je hodně situací, kde rychlost hraje větší roli než přesnost.

 

Evidentním benefitem automatizace je nahrazení drahé lidské práce. To ale nutně neznamená hned propouštění. Znamená to, že lidé se budou věnovat těm skutečně těžkým, kreativním úkolům, kde mohou aplikovat svoje roky zkušeností. Tudíž v každém okamžiku, kdy dělají repetitivní práci, ztrácíte peníze dvakrát. Jednou za jejich čas a podruhé za ušlou příležitost.

 

Další oblastí, kde i hloupá pravidla a algoritmy mohou hodně pomoci, jsou takzvaná upozornění a notifikace, neboť ironickým benefitem kvalitní, automatické datové integrace je fakt, že budete výrazně méně času trávit s daty. Odpadnou časté diskuse o jejich kvalitě a jejich neustálé analyzování. Místo toho vás systém díky nastaveným pravidlům automaticky upozorní pouze v případně, že se děje něco zajímavého. Například když se změní trend, distribuce hodnot nebo je nějaké číslo mimo povolené rozmezí.

 

Ve chvíli, kdy vaše rozhodnutí budou z velké části sepsána v automatických skriptech, dosáhnete větší transparentnosti, snížíte riziko ztráty know-how a budete moci postupy systematicky zlepšovat. Pokud totiž necháte rozhodnutí na lidské intuici, může to mít sice krátkodobě lepší výsledky, ale pokud budete systematicky zlepšovat algoritmus, který lidská rozhodnutí nahrazuje, uvidíte, že dříve či později stroj zvítězí.

 

A to je asi vhodný okamžik téma uzavřít. Strojové rozhodování přebírá větší a větší iniciativu nebo zcela přebírá kontrolu nad řadou situací. Zkuste se někdy zamyslet, které algoritmy na každodenní bázi ovlivňují váš život, které jsou užitečné a které méně. Například, jak vám pomáhají mapy v mobilu nebo Google search algoritmus. Nebo naopak kolik času vám ukradne správné dávkování příspěvků ve vašem oblíbeném sociálním médiu.

 

 

Kontrolní otázky:

1. Jaké algoritmy denně používáte a jsou pro Vás užitečné?

Kromě zmíněných algoritmů jako search (googlování), mapy nebo navigace, mohou mezi ty užitečné patřit automatické opravy textu ve Wordu nebo spam filter. Zajímavým algoritmem může být i automatické rozpoznání deště a stírání předního skla v autě.

 

2. Proč pomáhá algoritmům datová integrace?

Čím širší záběr dat o realitě našeho podnikání můžeme algoritmu poskytnout, tím přesnější budou jeho výstupy a schopnost dělat pro nás užitečnou práci.