Как искусственный интеллект помогает решать управленческие задачи бизнеса

Директор программы SKOLKOVO MBA Иван Хворов, CDO «М.Видео» и «Эльдорадо» Даниил Наумов, руководитель Recommerce «Яндекса» Екатерина Борисоглебская и директор по аналитике нефинансовых линий «Тинькофф Банка» Владимир Абазов рассказали, в чем заключается польза аналитики и искусственного интеллекта для бизнеса.

На программах SKOLKOVO MBA и SKOLKOVO Executive MBA изучают искусственный интеллект, простую и продвинутую аналитику данных, чтобы научиться решать управленческие задачи и понимать, как сокращать количество неопределенности при принятии решений. Например, директор по маркетингу и директор по продукту могут говорить разные вещи про одну и ту же ситуацию и аргументировать свою позицию с помощью данных, и если в компании не настроена сквозная аналитика, то найти, где истина, будет сложно.

По итогам обучения со знанием продвинутой аналитики данных управленец:

• понимает на практике, как применять искусственный интеллект (ИИ) для решения управленческих задач в разных функциях бизнеса;
• разбирается в понятиях: ИИ, аналитика данных, машинное обучение (ML);
• получает представление о том, какие изменения необходимо провести в компании, чтобы анализ данных приносил пользу бизнесу;
• определяет место ИИ в реализации стратегии компании.

Управленцу важно стать квалифицированным заказчиком на аналитику данных. Он не разбирается досконально в том, какие бывают ML-алгоритмы и как работает озеро данных, но он может в понятной терминологии объяснить аналитикам, что ему нужно исходя из своей бизнес-задачи.

Благодаря аналитике «Яндекс.Такси» смог перегнать по показателям компанию Uber, которая существовала дольше и была сильным игроком. Вскоре после выхода на рынок в «Яндексе» поняли, что конкурировать маркетинговыми бюджетами с глобальным бизнесом, который получает венчурные средства со всего мира, бесполезно, и стали бороться не за клиентов, а за водителей. Российский агрегатор такси стал предлагать водителям выгодные условия и улучшать модели распределения заказов. Это позволило таксистам тратить меньше времени на дорогу до клиента, и компания стала экономить больше средств, чем конкуренты, и выиграла борьбу за рынок.

Сеть кофейных магазинов SurfCoffee в момент острой конкуренции в своей индустрии тоже стала использовать ИИ-технологии и аналитику. Эти инструменты позволили определить оптимальное местоположение для открытия новых кофеен и оптимизировать производство. Компания понимала, где лучше создать новую точку и сколько кофе и других продуктов требуется конкретной точке в день и даже в час. По сравнению с другими конкурентами им удалось снизить отходы в 5 раз и увеличить средний чек.

Сервис доставки DeliveryClub с помощью аналитики научился экономить средства на промокодах, тем самым увеличив поток клиентов. Скоринговые модели банка «Тинькофф» помогли лучше определять клиентов, которым можно одобрить кредит, а алгоритм computer vision приложения «Кошелек» впервые в России позволил фотографировать пластиковые карты для ввода данных, а не вносить цифры вручную.

Вне зависимости от размера организации аналитика может улучшить бизнес-процессы компании, однако важно понимать, когда компании нужно ее внедрять, а когда — нет.

Чтобы оценить необходимость инвестиций в искусственный интеллект, важно провести анализ бизнес-потребностей и ресурсов. Каждая компания уникальна, и подход должен быть адаптирован к конкурентным условиям и целям бизнеса.

Организации необходимо использовать аналитику для следующих целей:

• Работа с большими данными. Если ваш бизнес оперирует большим объемом данных — электронной коммерцией, финансами, здравоохранением, социальными медиа или логистикой — ML и аналитика помогут выявить паттерны, тренды и взаимосвязи в данных.
• Оптимизация операций. Когда есть потенциал для оптимизации бизнес-процессов, уменьшения издержек или улучшения эффективности, инвестиции в аналитику и ML повысят конкурентоспособность бизнеса.
• Улучшение клиентского опыта. Если у вас есть большая клиентская база и вы хотите предоставить персонализированные услуги или продукты, аналитика и ML определяют потребности клиентов.
• Предсказание спроса и трендов. ML может прогнозировать спрос, рыночные тренды и потребительские предпочтения. Это позволяет компании адаптироваться к изменяющимся условиям.

Однако при следующих вводных не нужно вкладывать средства в аналитику:

• Малый объем данных. Если ваш бизнес не генерирует или не собирает большой объем данных, применение ML и аналитики будет неоправданным с точки зрения затрат.
• Неуместные бизнес-цели. Без четких бизнес-целей или преимуществ, которых можно достигнуть с помощью аналитики и ML, инвестиции в эти технологии нецелесообразны.
• Ограниченные ресурсы. Разработка и внедрение ML-решений требует компетентных специалистов и ресурсов. Без доступа к ним инвестиции будет сложно реализовать.
• Необходимость быстрого результата. ML-проекты могут потребовать времени на разработку. Если ваш бизнес нуждается в быстрых результатах, аналитика — не самая подходящая стратегия.

Первый шаг для встраивания аналитики в свои бизнес-процессы — внедрение descriptive-аналитики. Это означает на цифрах ответить на вопросы: «Теряю ли я деньги? Что происходит с моим бизнесом?». Для этого нужно создать «метрики здоровья» ключевых бизнес-процессов. Они отражают состояние дел в компании. В компании «М.Видео», например, существуют такие метрики:

• «on time» — количество своевременно доставленных заказов;
• «in full» — число полностью оплаченных доставок;
• «perfect order» — количество идеальных заказов, у которых нет отрицательной оценки и негативного отзыва.

Когда одна из метрик снижается, бизнес теряет деньги, и начинается этап диагностической аналитики, а затем внедрения ML. Сложность и ценность алгоритмов возрастает. Начинают работать алгоритмы прогнозирования. Они показывают спрос на продукцию, вероятность отклика на маркетинговую кампанию.

Вершина встраивания продвинутой аналитики в бизнес-процессы — внедрение оптимизационных алгоритмов. Они нужны для максимизации функционала какого-то параметра (например, выручки). Задача оптимизационного алгоритма — перебрать все возможные решения и выдать оптимальный результат.

Все эти шаги можно сопоставить с четырьмя основными вопросами:

• Что произошло? (Description Analytics).
• Почему это произошло? (Diagnose Analytics).
• Что может произойти? (Predicition Analytics).
• Как этого достичь или избежать? (Optimization Analytics).

Ответы на них и применение соответствующего типа аналитики помогают создать условия, при которых компания может извлечь из данных конкурентное преимущество.

Часто при внедрении аналитики в бизнес возникает проблема в коммуникации с аналитиками. Чтобы найти общий язык с людьми другого склада ума, нужно обладать:

• структурированностью и пониманием проблемы;
• понятийным аппаратом;
• фундаментальными знаниями (статистика, математика);
• лучшими практиками.

Когда у вас появится команда аналитики, вы получите:

• Интеллектуальный багаж.
• Масштабируемые решения.
• Прозрачность и объективация.
• Отсутствие искажений.

Чтобы добиться этих результатов, необходимо помнить о сохранении стратегии и приоритетов. Аналитики, в отличие от управленцев, не руководили бизнесом, и они во многом полагаются на коллег. По этой же причине не нужно сразу от них ждать креативных решений и коммерческого мышления. За это должны отвечать лидеры организации, а не аналитики.