Реальность и фантастика в запросах клиентов

Мы как разработчик платформы для планирования и бюджетирования часто получаем разные запросы клиентов. Какие-то из них более реалистичные, а значит предполагают, что ряд настроек помогут добиться желаемого результата. Иные - тоже возможны для реализации, но требуют участие самого клиента, а главное глубокого доступа к корпоративным данным.

Например, потребность в глубокой аналитике данных в основе требует некоторого объема наработанных данных, на основании, которого и будут формироваться аналитические и предиктивные модели. Без исходной базы данных реализовать такой подход будет затруднительно.

Или, возьмем формирование автоматизированных прогнозов. Для их реализации либо требуется разработка или перенос готовой методологии, либо внедрение машинного обучения на большом объеме структурированных данных.

Сегодня посмотрим на наиболее интересные запросы клиентов с точки зрения их реализации.

Тема ИИ, который все больше проникает в нашу жизнь и становится прекрасным помощником с рутинными задачами. При должном наполнении ИИ способен давать прогнозы и рекомендации по ведению аналитики, а также подсвечивать те стороны бизнес-процессов, которые остаются в стороне от человеческого взгляда.

Кроме того, при должной настройке, ИИ может сопоставлять внутренние данные компании с бенчмарками из открытых источников и предлагать новые способы моделирования процессов.

Однако ключевым вопросом здесь становится глубина интеграции корпоративных данных с ИИ. Для корректной работы ИИ должен располагать достаточно большим объемом структурированной информации, чтобы вероятность успешных решений была выше. Кроме того, чем больше данных может “зацепить” ИИ, тем больше связей и корреляций он сможет выявить, а значит предложить наиболее качественные решения.

Автопрогнозы - частый запрос от клиентов. В шутку клиенты иногда используют такую формулировку: “чтобы можно было на одну кнопочку нажать, и появился прогноз”. В целом, такой шуточный запрос возможно реализовать, однако под собой он должен иметь утвержденную методологию расчета.

Например, мы хотим спрогнозировать ФОТ, который зависит от количества заказов, сложности проектов, при этом он ограничен количеством сотрудников и их грейдами. При первом приближении модель не должна получиться сложной, однако встает вопрос сколько людей обычно задействован на проекте, в каких должностях, с какими ставками, сколько проектов в среднем приходится на планируемый период, какова занятость сотрудников на проекте.

Чтобы ответить на все эти вопросы потребуется разработка методологии, где будут указаны все расчеты для ключевых показателей, какие данные используются для вычислений. После этого методология интегрируется в систему планирования, и после тестирования и проверок автоматический прогноз готов!

В своей практике мы пришли к выводу, что нет нереализуемых запросов клиентов: есть запросы большей или меньшей сложности, а также готовность клиента к их внедрению.