Три фактора успешного применения больших массивов данных и продвинутой аналитики

Большинство российских компаний начинают «пробовать себя» в продвинутой ана- литике либо с попытки создания инфраструктуры для широкой работы с большими данными, либо с реализации единичных юз-кейсов (специфичных направлений использования продвинутой аналитики, пример — планирование сети складов). При этом мировая практика показывает, что наиболее успешно продвинутую ана- литику внедряют компании, одновременно фокусирующиеся на трех факторах:

1) формировании четкого видения и стратегии использования продвинутой аналитики;

2) успешной реализации выбранных юз-кейсов;

3) непрерывном развитии цифровой платформы.

Каждая успешная программа преобразований, нацеленная на расшире- ние использования данных в работе компании, начинается именно с видения и стратегии. Игнорирование этого этапа приводит как минимум к ложным ожи- даниям, неоптимальному расходованию ресурсов и времени, а иногда и к пол- ному разочарованию и сворачиванию «инициатив Биг Дата» (рис. 6.1).

С точки зрения юз-кейсов наибольший интерес представляют те направле- ния, которые связаны с освоением формирующихся экосистем и выходом в но- вые сегменты — от «умных» домов до цифровой медицины. Однако с помощью продвинутой аналитики можно добиться значительных улучшений и в тради- ционных процессах в коммерции, операционной деятельности, маркетинге,

 

 

6.2. Большие массивы данных и продвинутая аналитика

189

Видение и стратегия

Формирование видения

 

Основные элементы стратегии использования углубленной аналитики (неполный список)

Видение и цели

 

Диагностика цифровой платформы

 

Приоритизация юз-кейсов (областей применения аналитики) и дорожная карта

 

1. Четко сформулированная цель —

«Зачем это надо организации?»

2. Ожидаемый эффект на P&L, каскадированный по функциям и временным периодам

3. Утвержденный список аналитических юз- кейсов к реализации по функциям

4. Анализ текущего состояния цифровой платформы и план ее развития (см.ниже), включая оценку необходимых инвестиций и недостающих компетенций

 

Примеры юз-кейсов (направлений использования углубленной аналитики)

Коммерческие рычаги                                                            Операционные и другие примеры

Оптимизация ассортимента

 

Перекрестные и дополнитель- ные продажи

 

Управление промо- кампаниями

 

 

Следующее лучшее действие / предложение (NBA/NBO)

 

Динамическое ценообразова- ние в B2C

 

Ценообразо- вание с учетом создаваемой стоимости в кор- поративном сегменте

 

Планирование коммерческого покрытия

 

Оптимизация маркетингового микса

Диагностическое обслуживание (predictive maintenance)

 

Прогнозирова- ние спроса

 

 

Управление за- долженностью

 

Выявление мошенничества и хищений

 

Маршрутиза- ция вызовов в колл-центре

 

Планирование развертывания персонала

 

Оптимизация логистических цепочек

 

Территориаль- ное планиро- вание

 

 

Сокращение оттока клиентов

 

Управление доходами

Прогнозирова- ние рисков и по- терь по долгам

 

Управление персоналом

 

Цифровая платформа

Т е хнологи и и к омпе т енции                                                    Новая операционная модель

Данные                         ИТ                               Корпоративная культура

Процессы

и управляемость

 

 

Аналитические инструменты

 

 

Компетенции

Управление эффективностью (performance management)

 

Организацион- ная структура

 

 

РИС. 6.1.     Краткий обзор основных компонентов широко- масштабного внедрения продвинутой аналитики

HR и других. Анализ больших массивов данных позволяет оптимизировать взаимодействие с клиентами — например, чтобы избежать расторжения кон- трактов. Его также можно использовать при непосредственной коммуникации с клиентами и при организации перекрестных продаж. Успешно применяется этот инструмент и во внутренних процессах — например, с его помощью уда- ется повысить коэффициент использования оборудования, усовершенствовать диагностическое обслуживание и улучшить показатели удержания персонала. В идеале реализацию стратегии по работе с большими массивами данных следует начинать с одного-двух направлений с наибольшим эффектом и «со- зревшей» для изменений управленческой командой. После первых побед весь проект трансформации получит новый импульс. После 7–10 успешно реализо- ванных крупных юз-кейсов в двух-трех ключевых функциях скорость перевода процессов на «рельсы продвинутой аналитики» увеличится в несколько раз при

условии одновременного развития цифровой платформы.

 

 

Элементы цифровой платформы

Достичь этих успехов можно лишь в том случае, если компания уже заложила прочный фундамент из технологий, процессов и необходимых компетенций. В целом для успешной поддержки реализации аналитических юз-кейсов важно множество факторов. Ниже мы обсудим четыре основных.

Данные. В условиях цифровой экономики данные — это «новое золото». Прекрасным примером того, насколько велик их потенциал, может служить компания Google. Чем больше данных соберет компания, тем более обоснован- ными будут принимаемые ею решения. Масштабный сбор информации игроки ведут уже на протяжении многих лет, однако им до сих пор не хватает умения объединять все эти сведения и получать полезные выводы из их анализа. В не- которых случаях это обусловлено техническими причинами — например, когда большие корпорации хранят данные во множестве разветвленных ИТ-систем. В других случаях причины носят организационный характер — например, когда маркетинговые, производственные, логистические и коммерческие подразде- ления работают изолированно друг от друга и нет объединяющего звена.

Аналитические инструменты. Собрав данные, необходимо их проанали- зировать для получения ценных выводов. Новые алгоритмы систем машин- ного обучения, обладающих искусственным интеллектом, открывают перед аналитиками новые возможности. Аналитические инструменты принято делить по типу используемой аналитики: описательной, прогнозной или предписыва- ющей (descriptive, predictive and prescriptive analytics). В первом случае анализ просто поясняет прошлые события (например, директор по продажам может по- нять из отчета, из-за какого региона не выполнен квартальный план). Во втором

 

 

6.2. Большие массивы данных и продвинутая аналитика

191

случае модель прогнозирует будущее с некоторой долей точности (например, отток клиентов при выбранной цене продукта составит 7,5%). В третьем слу- чае аналитический инструмент напрямую рекомендует обоснованное и реа- листичное действие (например, установить цену 19 500 рублей на товар для максимизации эффекта продаж и маржинальности).

Такие первопроходцы в сфере продвинутой аналитики, как Amazon и Google, делают некоторые свои алгоритмы общедоступными. Например, про- граммную библиотеку TensorFlow, которую Google разработал и изначально использовал для улучшения результатов поиска, сделали общедоступной и бес- платной. Сегодня каждый может свободно применить наработки технологи- ческого гиганта для множества комплексных задач. Например, для задач ком- пьютерного зрения или распознавания речи. Однако доступ к своим данным Amazon и Google не предоставляют никому — хороший показатель того, каким образом эти компании стремятся выделиться на общем фоне и где они видят основную ценность.

Новые компетенции. Помимо руководителей, которым адресованы ре- зультаты анализа, и технических специалистов (аналитики больших данных, инженеры по обработке данных и другие), которые обрабатывают эти резуль- таты, компаниям в процессе трансформации необходима еще одна категория сотрудников — бизнес-посредники (translators). Они должны уметь излагать бизнес-требования аналитикам и инженерам, а также разъяснять руководству, какие виды анализа можно провести и на какие выводы при этом рассчитывать. Профессиональные требования к этим специалистам весьма высоки. Люди, вы- полняющие функции бизнес-посредника, должны понимать и особенности про- двинутой аналитики, и специфику бизнеса. На текущий момент это наиболее редкая компетенция на российском рынке труда в области аналитики. В целом компании нередко недооценивают, насколько квалифицированными должны быть их сотрудники, чтобы эффективно использовать большие массивы данных и продвинутую аналитику. Поэтому часто переинвестируют в развитие ИТ-си- стем и недоинвестируют в развитие людей. Как следствие, сотрудники просто не используют новые, непонятные им инструменты и работают «по-старому».

Процессы. Данные, аналитические инструменты, новые компетенции и ИТ — все это объединяют в единое целое бизнес-процессы. Никогда не следует забывать о том, что цепочка создания стоимости эффективна лишь настолько, насколько эффективно ее самое слабое звено. Если собранные данные неверны или недостаточны, то даже самые лучшие аналитические инструменты окажутся бесполезными, поскольку результаты анализа не будут иметь смысла. Как гласит один из старейших принципов программирования, «ерунда на входе — ерунда на выходе». Но даже если и данные, и аналитические инструменты превосходны, все равно могут возникнуть проблемы — из-за человеческого фактора. Напри- мер, поставщик услуг беспроводной связи внедрил виртуального помощника,

 

192                                                                                                       6. Что? Укрепление фундамента

который, опираясь на клиентские данные, может в ходе телефонного обще- ния с клиентами давать операторам колл-центра рекомендации о следующих оптимальных действиях. Но если сотрудник колл-центра не выполнит такую рекомендацию просто потому, что он ее не понял, то и данные, и аналитика, и инструменты окажутся в конечном итоге бесполезными.

Однако при правильном использовании большие массивы данных и сред- ства продвинутой аналитики позволяют решать самые сложные задачи. При- ведем пример из продуктового ретейла. Сеть супермаркетов на развитом нера- стущем рынке решила повысить эффективность своего ассортимента, включив в него органические продукты, а также продукты, не содержащие сахара, глю- тена и лактозы. Проблема заключалась в ограниченности полочного простран- ства. Каким же товарам нужно было потесниться? Наиболее очевидное и про- стое решение оказывалось в корне неверным: после того как сеть оставила у себя только самые прибыльные / самые продающиеся товары, количество клиентов снизилось. Это случилось из-за вывода значимых для потребителей продуктов, которые они нечасто покупают. Используя энтропийное моделиро- вание и иерархическую кластеризацию, компания разработала модель, кото- рая позволила ей точно прогнозировать не только последствия снятия того или иного товара с продажи, но и рост прибыли после включения в ассортимент новых продуктов. Сейчас сеть супермаркетов использует эту модель для работы с ассортиментом, и темпы ее роста вдвое выше, чем у конкурентов.