Руководитель технической группы консультантов SKOLKOVO MMA, директор Департамента больших данных и продвинутой аналитики компании «Лента» Павел Мягких рассказал, как данные помогают бизнесу в борьбе с хаосом.

Студенты дипломной программы по аналитике и управлению бизнесом

Интуиция, предпринимательский талант, опыт — вот качества, на которых основан классический бизнес-подход. Однако в условиях постоянных перемен фокус экспертов, обладающих всеми этими качествами, может давать сбой.

Пару лет назад я решил узнать, насколько эффективен сейчас классический бизнес-подход, на примере фэшн-сегмента. Для этого я провел мета-анализ публикаций по эффективности прогнозирования, распределенных на три блока:

Прогнозы экспертов;
Прогнозирование с помощью эконометрических подходов — панельные данные, линейные модели, экспоненциальное сглаживание;
Прогнозирование с помощью технологий machine learning.

Самым неточным способом оказалось экспертное мнение — его эффективность была на уровне 50%. Эконометрика снижала долю ошибок в прогнозировании до 30%. ML-решения сокращали этот показатель до 10-15%.

Data-driven подход, то есть решения на основе обработки данных, снижает вероятность неверных прогнозов. Сегодня выбор стратегически оправданных решений стал для бизнеса приоритетом №1. Поэтому важность работы с данными постоянно растет.

Первые шаги по внедрению data-driven подхода будут типичными. Вот с чего стоит начать:

Разбираемся в себе
Сперва нужно ответить на главный вопрос «Data-driven — чтобы что?». Аналитика всегда должна решать конкретную «боль» в конкретном бизнес-процессе. Выявите главные проблемы вашего бизнеса перед работой с данными и разберитесь, как можно улучшить бизнес-процессы.
Выбираем инструменты
После того, как вы определились с задачей, подберите подходящий инструмент для ее решения. Есть четыре крупных блока:

Описательная аналитика
Эти инструменты помогают ответить на вопросы «Что происходит / произошло?» Они подходят, например, для мониторинга отзывов, BI-систем, отчетности или сегментации клиентов.
Прогнозная аналитика
Стоит использовать, когда вам нужно предсказать события, которые могут произойти. Этот блок подходит, например, для прогнозирования роста или оттока спроса.
Предписательная аналитика
Эта категория инструментов отвечает на вопрос «Что необходимо сделать, чтобы улучшить процесс?» Хороший пример — персонализация маркетингового предложения.
Ассистивные технологии
Такие инструменты позволяют понять, как помочь клиенту принять нужное решение. Они подходят для системы рекомендаций для клиентов или менеджеров по продажам, а еще для чат-ботов.

Все эти блоки аналитики существуют не в вакууме — они связаны между собой последовательно. Например, предписательная аналитика не получится без описаний и прогнозов. Попытка перепрыгивать «ступеньки» — самая распространенная ошибка в переходе к data-driven подходу.

Представьте ритейлера, у которого начала «сбоить» логистика. Такие проблемы быстро решает аналитика. Например, довольных клиентов можно получить при работе над прогнозированием или алгоритмами ротации товаров на складе. Но если ритейлер решит обучать нейросеть или запускать виртуальную примерочную, он может лишиться аудитории из-за банального отсутствия товара в магазине. Это значит, что он потеряет и часть прибыли.

Поэтому рекомендую бизнесу сперва разобраться с относительно простой описательной аналитикой. Как правило, 80% прибыли от работы с данными заложены уже при работе с базовыми инструментами. Уже после них стоит переходить к более сложным технологиям и подходам.

Какая роль у анализа данных в постоянно меняющемся бизнес-климате? Он позволяет быстрее реагировать на перемены и оперативнее отслеживать тенденции.

Не так давно я работал с достаточно крупным магазином обуви, у которого было больше 100 офлайн-точек в нескольких регионах. Это семейный бизнес: процессы в нем не менялись с момента запуска. Моя задача состояла в интеграции data-driven подхода.

Первый инсайт, который появился благодаря анализу данных — погода не влияет на продажи. На встрече по эффективности продаж штатный аналитик часто объяснял невыполнение плана плохой или, напротив, хорошей погодой. Логика была простая: в плохую погоду клиенты сидят дома, а в хорошую гуляют и реже заходят в магазины.

Я решил проверить, так ли это работает на практике. Для этого построил корреляцию между продажами и погодными условиями на примере датасета компании. Оказалось, что зависимость незначительная, меньше 0,1. Значит, проблема выполнения плана заключалась в другом факторе.

Другой инсайт — компании пора повышать цены, особенно на самые ходовые товары, бестселлеры. Руководство компании отказывалось их увеличивать из-за возможности репутационных потерь. Я сомневался в этом и убедил провести их пилот в нескольких магазинах. В итоге продажи остались на том же уровне, а маржа увеличилась.

На старте сложившееся экспертное мнение могло быть верным: был бы и негатив, и отток клиентов. Но любую точку зрения нужно со временем проверять на прочность. Факты могут терять актуальность в условиях постоянных перемен.

Дороговизна и сложность data-driven подхода — это миф. На старте работы с данными компании будет достаточно простых описательных инструментов. Многие из них доступны в привычных программах, например, в Excel.
Перед обработкой данных выявите «боли» бизнеса и контекст, в котором он существует. Это позволит поставить задачу для аналитики и быстрее ее настроить.
Перестаньте доверять только экспертному мнению. Практика показывает, что и эксперты склонны ошибаться. Опирайтесь на данные, чтобы лучше прогнозировать и принимать оправданные бизнес-решения.
Не гонитесь за новомодными технологиями. Например, разработка нейросетей может быть неоправданно долгим и дорогим для вашего бизнеса процессом. Перед интеграцией аналитики оцените свои запросы и возможности.

Еще больше полезных инсайтов про аналитику данных для бизнеса можно узнать на нашем открытом вебинаре. В нем много примеров работы с датасетами, например, из опыта СберМаркета. Будем рады ответить на любые вопросы в комментариях :)

Как усилить позиции бизнеса с помощью анализа данных

Почему данные важны для бизнеса как никогда

Как бизнесу начать работать с данными

Роль данных для бизнеса в условиях неопределенности

Как управлять бизнесом с помощью данных: чек-лист