John Sands, QlikView tootejuht, seletas oma 9.mai blogipostituses väga ilmekalt, mida tähendab seostatud otsing.
„Liiga tihti oleme sunnitud ise oma mõtlemise viisi kohandama tarkvara järgi“, kirjutas John Sands. Nimelt mitmed ärianalüüsitarkvarad kasutavad oma jõudluse optimeerimiseks hierarhilist, ettemääratud teekonda andmete pärimiseks. Aga meie aju ei tööta hierarhiliselt, meie aju töötab pigem läbi seostamise ja John Sands toob selle iseloomustamiseks väga hea näite.

Autovõtmed planeedil Maa
Kui me kaotame näiteks autovõtmed, siis me ei mõtle ju:“ Hmm, ma olin planeedil Maa,
Euroopas, Eestis, asusin Tallinnas Süda tänaval majas nr. 1 köögis. Kas mu võtmed on seal?“ Ja saades vastuseks – ei ole, alustame uut ettemääratud rada alates planeedist Maa ja jõudes järgmisesse tuppa. Ja kui meie aju töötakski nagu enamus traditsioonilisi BI tarkvarasid, siis ilmselt peaksime vahepeal ka ootama, kuni teadvus IT osakonna kombel meile uue hierarhilise raja ette valmis mõtleb.

Tegelikkuses me muidugi nii ei mõtle ja pigem võiks otsimine välja näha nii: „Mida ma tegin enne, kui võtmed kaotasin? Ah, jaa – tegin köögis võileiba ja pärast istusin diivanile telekat vaatama. Siin need võtmed ongi – diivani taha kukkunud!“ Me leiame asju ja teeme avastusi seostades erinevaid infokilde. Sama otsimise käigus võib koos kaotatud võtmetega leida ka ammu kadunuks jäänud telekapuldi ja kui on õnne – siis võib olla ka mõned kaotatud eurod, mille leidmist me isegi ei oodanud. Selliste õnneleidudeni ettemääratud struktuuriga mõtlemisprotsessiga tõenäoliselt kunagi ei jõuakski.

Parimad äriotsused läbi seoste
Täpselt sama kehtib ka ärianalüüsi maailmas.  Me oleme harjunud otsima vabalt ja kiiresti infot miljardite andmeridade hulgast üle interneti ja ei ole mingit põhjust, miks ettevõttesisene analüüsitarkvara ei võiks samasugust vabadust ja lihtsust pakkuda. Näiteks sooviga veel enne suve algust müüki tõsta võib kampaania korras ju kõikidele klientidele masspakkumise saata, aga tõenäoliselt oluliselt efektiivsem oleks personaalne, konkreetsele kliendile suunatud pakkumine. Võite näiteks vaadata, milliseid hooajatooteid möödunud aastatel samal perioodil enim osteti ning kes olid need kliendid, kes just neid tooteid ostsid. Sealt edasi võite valida välja need kliendid, kes on eelmistel perioodidel seda hooajakaupa küll ostnud, kuid sel aastal veel mitte, lisaks vaadata juurde, milliseid teisi tooteid need kliendid varasemal ajal veel on ostnud – ning teha argumenteeritud suunatud pakkumine just neile. Sealjuures võite avastada, et osad kliendid on teil sel aastal üldse ära kadunud ja edasi andmetes rännates võite teada saada, et kliendid on kadunud just ühe konkreetse müügimehe portfellist. Mis te selle avastusega edasi teete, on juba juhtimise küsimus.

Me ei pea reformima oma ajutegevust tarkvara arhitektuuri nõudel ega muutma viisi, kuidas me oma igapäevaelus infot otsime ja uusi asju avastame. Tuleb lihtsalt valida tarkvara, mis töötab nii nagu sinu ajugi , mitte vastupidi.