• Новости
• Блоги
• Аналитика
• Новости компаний
• В СНГ и в мире
• Анонсы

Математическая модель вашего успеха в бизнесе. Реальность бизнес-аналитики

29 января 2018

 В прошлом люди верили, что когда-нибудь машины будут делать за них практически всё. Продолжают верить и сейчас.

 После 5 лет мех-мата МГУ я окончательно убедился, что возможность управлять бизнесом через математические инструменты является мифом. Все ключевые решения принимаются людьми, при этом математика может помочь собрать и организовать информацию таким образом, чтобы человек мог принять решение лучше.

Компьютеры могут делать многое, однако за исключением двух вещей, на которые у людей есть монополия.

Прежде всего, человек задаёт правильные вопросы. Доход от продажи молока больше, чем от сыра? Мужчины оставляют в магазине больше, чем женщины? Продление работы магазина на ночь принесёт дополнительный доход?

Получение ответов может быть автоматизировано. Компьютер может сравнить молоко с сыром, мужчин с женщинами, день с ночью.

Вторая задача для людей – это решить, что делать с полученной информацией. Если продажа сыра более прибыльная, должны ли мы убрать молоко с наших полок? Если мужчины платят больше, что стоит ли не разрешать женщинам входить в наши магазины? Компьютер может принять решение о том, чтобы не закрывать магазин на ночь, основываясь только на прибыльности, но это будет неправильное решение в странах с ограничениями на круглосуточную работу.

Т.е.  нам нужен человек, чтобы задать вопрос (доход от молока и сыра), компьютер, чтобы дать ответ (сыр приносит денег больше) и снова человек, чтобы принять решения (отдать больше полок под сыр).

Что для нас делают решения по бизнес-аналитики (BI-системы)? Ровно тоже самое. Они отвечают на вопросы, которые мы ставим им заранее. Вы не можете установить любую BI-систему и начать получать скрытые данные о вашем бизнесе. Система требует, чтобы вы сначала спросили: какие магазины более прибыльны, какие продукты, в какое время и т.п. И если вы сформулируете эти вопросы, то сможете получить детальный dashboard, в котором будут представлены все ваши доходы, разделённые по географии, магазинам, продуктам и т.п.

И в наше время поставка правильных вопросов намного более сложна и важна, чем техническая возможность найти ответы на них.  

Вернёмся назад в мои студенческие времена. Я делал проект для российского франчайзи бренда SPAR. Я пытался проанализировать продажи и дать рекомендации об организации торгового пространства. Сейчас есть множество инструментов, встроенных в ERP, но в то время я должен был делать всё самостоятельно. Я собирал данные о продажах по каждому чеку в течение месяца, а затем выявлял продукты, которые продавались вместе (в одной корзине). Я потратил 80% времени, чтобы создать правильную математическую модель, но вместо этого, мне следовало бы потратить больше времени, чтобы подумать, какие вопросы нужно задать. Например, я определил, что люди часто покупают вместе молоко и хлеб. Какое потрясающие и ценное открытие я сделал! У меня не было ни одной идеи, как это можно было использовать.

В большинстве проектов по BI ключевой актив – это дата-аналитики (собственно те, кто задаёт вопросы, а потом даёт рекомендации), однако большинство расходов приходится на инфраструктуру. Когда я скажу «Big Data», вы представите, скорее всего, датацентр, заполненный серверами, потому что именно это съест больше всего бюджета таких проектов.

Облако меняет эту парадигму. Мы всё ещё используем практически те же алгоритмы, что я использовал в SPAR, и тоже программное обеспечение, что применяли в классических BI-проектах, но сложность использования и цена – значительно уменьшилась. И, конечно, вам уже не надо строить датацентр. Есть огромное количество, готовых к использованию, инструментов, которые уже развёрнуты в облаке. И платите вы только за те вычислительные мощности, которые вам нужны в момент просчёта. Всё это уронило стоимость BI-проектов и сделало их доступными для намного меньших клиентов, чем в прошлом.

Однако упавшая стоимость инфраструктуры вывела аналитиков на первый план. Расходы на них в смете проекта стали намного заметнее, и как следствие клиенты стали намного требовательнее к ним. Дата-аналитики сейчас стали намного более востребованными на рынке труда, чем были ещё несколько лет назад.

Big-data, machine learning, и BI – это как GPS-в машине. Он конечно даёт очень детальные рекомендации, но вам нужно сначала сказать, куда ехать, а затем крутить руль.

Оставить свой комментарий:

Комментарии по материалу