Новые правила бизнес-аналитики в условиях цифровизации

Если прибыль не идет к компании, компания идет к бизнес-аналитикам. И не только в горе, но и в радости, для стабильного роста и во избежание стратегического застоя бизнесу нужно подкрепленное четкими выводами и цифрами осмысление процессов. Так он сталкивается с необходимостью в бизнес-аналитике.

О том, что делает цифровизация с экономическими лимитами, как оценивать действия конкурентов, какими заплатами зашивать прорехи информационного наполнения, и почему время работает на искусственный интеллект, мы поговорили с основателем нашего аналитического центра Сергеем Тищенко. И хотим поделиться всем, что удалось узнать.

1. Как изменилась бизнес-аналитика после внедрения в нее алгоритмов машинного обуения и каковы перспективы анализа бизнес-данных в условиях интеллектуализации процессов?

Начнем с того, что бизнес-аналитика безотносительно к цифровым методам всегда являлась помощью в управлении как крупной компанией, так и небольшим бизнесом. Помощь эта может выражаться в данных, полезной информации, которые в конечном итоге помогают в выборе стратегии компании.

Существуют целые отделы, занимающиеся бизнес-аналитикой, консалтинговые центры, которые предоставляют исследования, например, рынка или поведения конкурентов, потребителей, маркетинговые исследования. Такая информация может быть полезной как прямому руководству компании, так и руководителям отдельных ее департаментов.

Стратегия строится не из общих понятий о добре и зле и не на обрывочных умозаключениях, а из конкретных фактов и цифр. Например, конкурент начинает ценовую войну и продает свои товары по демпинговым ценам или наоборот уходит с рынка. Либо же у нас есть предположение о том, что сейчас должна появиться новая технология, или мы инвестировали в стартапы, и располагаем инсайдом о вероятности прорыва в определенной области по определенной линейке продуктов. Иными словами, стратегия полностью строится на информации. Однако мы живем в мире, где нам недоступно обладание полной информацией. В этом и есть смысл бизнес-аналитики.

Помимо неполноты информации есть второй фактор — время. Допустим, мы знаем всё о нашей галактике, Солнечной системе, но нам понадобится время, чтобы обработать эту информацию. Более того, обработать все сценарии будущего, а это и траектории движения атомов и все возможные модели их поведения относительно других факторов, как если бы нам нужно было поместить в самую всеобъемлющую кастрюлю, куда всё помещается, крышку от самой кастрюли. Это задача такого рода.

Мы не можем остановить время и не обладаем полнотой информации, отсюда появляется необходимость в бизнес-аналитике.

Во-первых, информация должна быть подходящей под рассматриваемые задачи и проблематику, давать ключевую информацию и быть применимой в тех бизнес-процессах, которыми наполнена бизнес-модель компании.

Во-вторых, она должна предоставляться в таком виде, в каком возможно ее использование компанией. Информация может быть существенной, но в реальном времени бесполезной — например, информация о далеком прошлом. Нужно принять решение здесь и сейчас, а информацию о прошлых событиях предстоит еще интерпретировать, чтобы экстраполировать прогноз — это требует времени и анализа. Сухой набор фактов из прошлого неприменим для мгновенного принятия решения без уже работающей системы.

Факты о будущем гораздо удобнее в использовании в реальном времени. Если я знаю, что евро начнет дорожать завтра, то у меня не займет много времени придумать, как это использовать. А то, что доллар дорожал вчера, а евро дешевел позавчера — тоже может мне что-то сказать, если я строю серьезную многомерную модель, помогающую трейдерам работать на рынке, но сама по себе эта информация кажется нам абсолютно бесполезной без каких-либо инструментов и знаний.

Процессы в экономике постоянно ускоряются, и у нас уже нет года, месяца или недели на выполнение научных исследований. Недопустимо 10 лет рассчитывать показатели Леонтьева, считать межотраслевой баланс, чтобы через 5 лет прийти с прогнозом на год вперед и обнаружить, что все расчитанные параметры изменились потому, что появилась новая технология или произошел мировой кризис.

Информационная система не помогает с первой задачей (делать информацию целевой) — машина работает с тем, что получает. Несмотря на наличие всевозможных парсеров, это все еще завтрашний день. А вторая задача гораздо ближе к дню сегодняшнему. Цифровая бизнес-аналитика при помощи мощных интеллектуальных систем администрирования — это ускорение времени и порога критической массы компании для нахождения оптимального баланса (есть порог, выше которого компания не может расти экономически), приближаясь к которому компания перестает наращивать прибыль, а может и начать нести убытки.

Простые управленческие решения: как нанимать персонал, как назначать премии, продвигать продукцию на отдельных рынках — огромная масса рутинной работы с цифрами и данными, принятием решений, облегчается и ускоряется. Уменьшаются транзакционные издержки, увеличивается производительность человека — один аналитик с мощной системой работает как 10 без нее. Цифровизация отодвигает лимиты. В сухом остатке это ведет к увеличению потенциально эффективного размера бизнеса.

2. Говорят, что аналитика больших данных чаще всего применяется в маркетинге и продажах, но при погружении в тему возникает ощущение, что это не главные аспекты бизнеса, которым такая аналитика была бы полезна. Что вы думаете по этому поводу?

Она применяется сейчас повсеместно, начиная с малых шагов. Даже применение компьютера — это уже бизнес-аналитика. Как и таблицы в Excel для записи рабочих данных, которые можно ранжировать, классифицировать, строить простые алгоритмы для оценки, например, фактора выгорания. Почему сотрудники увольняются — как это коррелирует со стажем, расстоянием до работы, зарплатой? На такой статистике уже можно запускать модель. Вершина этого — колоссальные системы, управляющие бизнес-процессами целых компаний, которые за человека принимают стратегические решения, распознают появление новых технологий, адаптируются, принимают оптимальные решения о запуске новых процессов, оценивают эффективность, например, роботизации складских помещений. Сейчас мы работаем с нефтегазовой компанией, которая хочет внедрить такую систему антологии управления бизнесом.

Бизнес-аналитика простирается от небольших скриптов на Python и кейсовых задач до коллосальных информационных продуктов. Но мир не состоит из крайностей, и посередине существует огромное число звеньев. Спектр задач всеобъемлющ. Маркетинг — интересное поле для того, чтобы начать работать с бизнес-аналитикой, потому как маркетинг — это сложная задача, включающая в себя поведение клиента, где много психологии и иных знаний, не рассматриваемых в математике и экономике. Это интересный фронт науки, далекий от насыщения. Мы гораздо реже слышим о компаниях, возникающих в поле, которое полностью поделено, в то время как в области маркетинга постоянно появлются новые.

3. Как можно классифицировать аналитические инструменты для бизнеса, и почему компаниям выгодно их использовать?

Аналитических инструментов много, и классифицировать их непросто. Классификация — хороший научный метод, это первое, что мы начинаем использовать, когда сталкиваемся с совершенно неизвестной наукой. Представьте себе человека, который впервые столкнулся с математикой. На ум сразу же приходит Пифагор, который первым начал создавать философию вокруг чисел и геометрических фигур. Он сразу стал их классифицировать, приписывать смыслы и категории фигурам, их связь с событиями в мире. Сегодня, когда новые технологии приходят в экономику из прикладных наук и фундаментальной науки, мы видим новые направления исследований. Бизнес-аналитические продукты в бурной фазе существуют с 90-х годов как зрелые и уже насыщенные рынки с конкурентной борьбой. 30 лет для науки — это очень мало. И первое, что делает наука — вводит классификации. Когда все в ней еще «зелено», этих классификаций тысячи, один только «бизнес-процесс» насчитывает несколько сотен определений.

Условно, решения бизнес-аналитики можно поделить на продукты, которые работают в реальном времени, и продукты, работающие «с отсрочкой». И те, и другие мы применяем в производстве, принятии решений, они позволяют анализировать и предсказывать. К первым можно отнести системы, анализирующие продажи товаров дистрибьюторской сети (можно мысленно перенести это на сеть кофеен, аптек и имеющие структуру франшизы компании). Машина анализирует их динамику продаж за последнее время и выдает тренд — например, регрессию. Тут важно понимать, что она не даст 100% точности, но будет гораздо меньше ошибаться по сравнению с «тычущим пальцем в небо» человеком, пытающимся определить эту регрессию даже не в блолкноте, а у себя в голове. В такой системе координат блокнот — это калькулятор, компьютер — действительно мощная машина, а голова управляющего — это, скорее всего, счеты с костяшками. Он думает совершенно о другом, и максимум своих усилий может направить на несколько сложений, умножений, простейшую экстраполяцию и предположение.

А проблема ошибочности машины лишь в данных, которые она получает. Мы уже говорили о том, что они должны быть во всех смыслах пригодны для решаемой задачи. Часто, информации о вчерашнем и позавчерашнем дне недостаточно для того, чтобы описать всю модель. Здесь на помощь приходят системы второго типа, куда более основательно оценивающие ситуацию, но требующие времени и большого массива данных.

Экономические модели крайне сложны с той точки зрения, что они учитывают слишком много факторов и переменных. Это не значит, что все переменные остаются в дальнейшем, но что такое экономика — почти 8 миллиардов человек, которые ведут себя по-разному и находятся на разных жизненных путях, в разных этапах своего возраста и опыта. 8 миллиардов разных систем, действующих сообща. Причем человек — это не социальное, как говорят биологи и философы, животное, а животное политическое, т.е. не только стратегически мыслящая система, а еще и стратегически релевантно мыслящая — способная очень эффективно играть с себе подобным противником. Иногда действуя себе в ущерб ради стратегической выгоды в будущем. Вдобавок к этой шахматной партии представьте еще и соответствующую доску, представляющую собой не клеточки, а где-то 5–6 млрд различных товаров и услуг, за которые борются эти игроки. Вот размерность вашей задачи, если вы хотите точно описывать экономику. Поэтому мы пытаемся упростить и округлить — данных очень много, и почти все они значимы.

Усугубляет ситуацию то, что к экономистам относятся, как к людям, знающим об экономике абсолютно всё. Но сама экономика еще не на том этапе развития, чтобы постулировать так же четко, как физика. Рассуждать о том, чем можно, например, пренебречь, в экономике можно только в очень узких задачах. Поэтому мы стараемся накормить интеллектуальную систему как можно большим количеством данных. По-хорошему, даже информации за два года, полученной из 100 точек сети, недостаточно для построения хоть мало-мальски полезного прогноза.

Итак, вторая категория — это продукты, которые делаеют гораздо более точные прогнозы, но не сразу же. К ним относятся задачи исследования и разработки уникальных систем. Они стараются впитать в себя многолетний опыт и выдают результат, когда информация в каком-то объеме уже достаточна для принятия более эффективных решений. Эти системы направлены на насыщение себя информацией, чтобы по достижении данными необходимой массы превратить их в точный прогноз.

А к первой можно отнести продукты, ориентированные на вынесение «вердикта» здесь и сейчас. Машина может, опираясь на данные нескольких предыдущий дней, дать более точный прогноз, чем специалист, опирающийся на 30 лет своего стажа в отрасли. Она распознает «быстрые» тренды из небольшого поля данных и выдает скорее подсказки, нежели прогнозы.

4. Поделитесь опытом об успешном внедрении бизнес-аналитики в деятельность компаний, процесс принятия решений и прогнозирование на примере организаций, с которыми вам доводилось работать.

Мы работали и с государственными учреждениями, и зарубежными сетями франшиз. В наши задачи входило создание и краткосрочных продуктов, которые сейчас требует рынок, и интересных продуктов с прототипированием болеее эффективных систем.

Острая потребность в таких системах сейчас есть у фармацевтики и здравоохранения. Этот рынок растет очень активно, так как люди начинают задумываться о своем здоровье. Появляется множество медицинских данных, обработку которых нужно автоматизировать — а это и распознавание томографии, рентгеновских снимков, показателей анализов и т. д. Существуют даже мобильные приложения, подсказывающие, как правильно питаться, спать; кроме того, они предсказывают риски заболеваний на основе движений вашего пальца по экрану. Не говоря уже о генетике, способной по анализу крови сделать прогноз на все будущее человека, от рождения и до старости.

Даже если компания не имеет отношения к цифровой экономике, экономическим исследованиям подлежит процесс цифровизации тех или иных аспектов ее деятельности. Как профилировать эту деятельность, оптимизировать издержки, принять нужное решение и оценить перспективы — сегодня этими вопросами занимается бизнес-аналитика. Ключевые требования к современной аналитике, позволяющие компании эффективно функционировать в условиях цифровизации, диктуются неполнотой информации и недопустимостью больших временных издержек. Отсюда выводятся следующие правила: аналитика должна выделять главное из колоссального объема данных, быть сообразной специфике бизнеса и его главным потребностям, давать прогнозы высокой точности, уделять большое внимание причинам тех или иных событий и предлагать оптимальные управленческие решения.