Машинное обучение как новый инструмент бизнес-анализа

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту
Архив новостей

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Машинное обучение как новый инструмент бизнес-анализа

Бизнес-анализ эволюционировал от статичных отчётов, рассказывающих, что произошло, до интерактивных информационных панелей, с помощью которых вы можете углубиться в данные и попытаться понять, почему это произошло. Новые источники больших данных, включая устройства интернета вещей, подталкивают бизнес перейти от пассивной аналитики — когда мы смотрим на какой-то период в прошлом и ищем тенденции, или раз в день проверяем на наличие проблем — к активной аналитике, способной предупредить о чём-то заранее и позволяющей создавать информационные панели с обновлением в реальном времени. Это помогает лучше использовать операционные данные, которые куда полезнее, если они получены «только что», пока ещё не изменились условия.

Многие компании заинтересованы в подобной активной аналитике, позволяющей держать руку на пульсе своего бизнеса. Но даже информационные панели показывают только то, что уже произошло.

По этой причине быстрее всего развиваются различные направления углублённой аналитики, в том числе предсказательной. Согласно отчёту Gartner, к 2018 году ради сохранения своей конкурентоспособности более половины крупных организаций по всему миру будут использовать методики углублённой аналитики (и основанные на них алгоритмы).

Углублённая, предсказательная аналитика — это вычисление тенденций и будущих возможностей, прогнозирование конечных результатов и выработка рекомендаций. Она выходит за рамки привычных запросов и отчётов в знакомых инструментах вроде SQL Server Reporting Services, Business Objects и Tableau. Здесь используются сложные статистические расчёты, описательный и предсказательный глубинный анализ данных (data mining), машинное обучение, симуляции и оптимизации. И всё это ради поиска признаков вероятных тенденций и паттернов в данных, как структурированных, так и неструктурированных.

Подобные инструменты сегодня используются маркетологами и аналитиками для понимания процессов оттока клиентов, покупательских жизненных циклов, возможностей по перекрёстным продажам, клиентских предпочтений, оценки заёмщиков и выявления мошенников. Например, многие телекоммуникационные компании сегодня стараются перейти от пассивной к активной аналитике, чтобы на основе пользовательских профилей и истории звонков определять, кто из абонентов хочет перейти к конкурентам. В подобных инструментах заинтересованы компании почти из любого сегмента рынка.

Помимо предсказания поведения клиентов есть и масса других сфер применения углублённой аналитики. Например, своевременное проведение профилактического обслуживания, подразумевающее поиск аномалий в продуктах и работе сервисов. Но одним из наиболее интересных направлений является создание систем для поддержки принятия решений, отвечающих на вопросы «что может произойти?» и «что мне делать?».

Основная трудность для бизнеса остаётся всё той же: как из накопленных данных извлечь какие-то глубинные причинно-следственные связи или неочевидную информацию, позволяющие выполнить какие-то действия или продвинуть бизнес вперёд.

Привычный способ перейти от данных к решению — через создание статичного отчёта. Например, директор по продажам хочет знать, как у компании шла торговля в последнем квартале в разных регионах. И чтобы принять дальнейшие решения, нужно выполнить ряд процедур по составлению отчёта. Но для принятия решений нужно не просто знать, что произошло за последний квартал, но и почему оно так произошло. Допустим, продажи упали. Потому что не выгорели последние три сделки? Или потому что уменьшился средний объём сделки? Что мне нужно сделать с имеющейся статистикой, чтобы в этом разобраться?

Например, в информационной панели Cortana Analytics можно формировать всевозможные отчёты, уменьшающего количество ручных манипуляций с данными. Благодаря технологиями машинного обучения система может заранее спрогнозировать спад продаж, например, за месяц, а не сообщить об этом уже по факту. Также здесь широко используется автоматизация выработки рекомендаций и принятия решений.

Подобные системы углублённой аналитики, использующие технологии машинного обучения для прогнозирования и поддержки принятия решений, в идеале должны заранее информировать вас не только о том, что может произойти, но и что вы можете в связи с этим сделать.

Например, система обнаружила, что ваш прогноз по продажам на следующую неделю не будет выполнен. При этом у вас в CRM запланированы две маркетинговые акции. В связи с ожидаемым спадом у вас есть возможность запустить акции на неделю раньше, чтобы поддержать продажи. Вы активируете акции в системе и запускаются автоматизированные бизнес-процессы, чтобы все необходимые мероприятия начались на неделю раньше.

Такие системы углублённой аналитики могут использоваться для получения ответов на вопросы вроде кто из клиентов с наибольшей вероятностью уйдёт от вас в следующем квартале, а также могут предупреждать о том, что крупный клиент с вероятностью в 90% уйдёт к конкурентам в течение следующих 30 дней.

Интеллектуальные советы

Сегодня компании накапливают всё больше данных, на основе которых можно принимать бизнес-решения. И следующим этапом развития систем, принимающих решение на основе имеющихся данных, являются автоматизированные системы поддержки принятия решения. То есть — интеллектуальные электронные помощники, дающие советы по поддержанию и развитию бизнеса. Но готовы ли мы к этому?

Согласно недавнему исследованию, проведённому среди 50 000 американских компаний-производителей с 2005 по 2010 годы, количество предприятий, на которых бизнес-решения принимались на основе данных, утроилось. Правда, это всего лишь 30% компаний. А когда в 2015 году телекоммуникационный провайдер Colt провёл опрос среди европейских руководителей IT-компаний, то 71% сказали, что интуиция и личный опыт при принятии решений работают лучше, чем анализ данных (хотя 76% сообщили, что их интуиция не всегда совпадала с полученными ими данными).

С другой стороны, исследование компании Avanade показало, что руководители компаний в целом планируют использоваться цифровых помощников и автоматизированные интеллектуальные системы для решения возникающих проблем, анализа данных, сотрудничества и принятия решений. И они ожидают, что это позволит более чем на треть увеличить выручку. Более того, 54% руководителей заявили, что были бы счастливы работать с такими системами.

Компании-первопроходцы, уже использующие машинное обучение для управления обслуживанием клиентов, финансовыми ресурсами, рисками и соответствием требованиям, как в продажах и маркетинге, так и в новых развиваемых сферах бизнеса, обнаружили «значительное, даже экспоненциальное увеличение выгоды» с точки зрения расходов, выручки и потребительских свойств. Эти кампании используют так называемый «перцептивный интеллект» (perceptual intelligence) — комбинацию распознавания речи и голосов, глубокой аналитики и поддержки принятия бизнес-решений.

Согласно исследованию, быстрое отслеживание поведения покупателей, увеличение их удовлетворённости за счёт ускорения и повышения точности обработки звонков, позволяет снизить расходы на 70% и добиться 20-кратного увеличения выручки.

Способствовать внедрению таких систем будет и вовлечение в их постройку самих бизнес-пользователей. Спрос на специалистов в сфере анализа данных превышает предложение, а это означает, что компании, не имеющие собственных серьёзных разработок, будут обращаться к сторонним аналитическим сервисам. А опытные пользователи (которых в Gartner называют «гражданские специалисты по анализу данных» (citizen data scientists)) будут перенимать эти инструменты и создавать собственные системы глубокой аналитики.

Комментарии: