Введение
Усовершенствованная аналитика может помочь компаниям решить множество управленческих проблем, в том числе связанных с маркетингом, продажами и цепочкой поставок, что может привести к устойчивому конкурентному преимуществу. Например, компании могут интегрировать решения и оптимизировать всю цепочку создания стоимости, моделируя поведение и предпочтения отдельных клиентов и предлагая индивидуальные продукты по ценам, максимально приближенным к тем, которые покупатели готовы заплатить, и все это при одновременном снижении затрат на обслуживание отдельных транзакций.
Но по мере того, как становится доступным все больше данных и совершенствуется передовая аналитика, менеджеры могут столкнуться с проблемой, когда, где и в какой степени использовать машины в бизнес-аналитике, и в какой степени они должны использовать собственные суждения при принятии решений, основанных на данных. Им необходимо ответить на следующие вопросы: когда имеет смысл переходить от традиционных методов, ориентированных на человека, к большей автоматизации аналитики и принятия решений? И как найти оптимальный баланс между этими двумя подходами?
Один из нас (Фабрицио) основал практику, которая помогает клиентам оптимизировать работу, используя ИИ для автоматизации ценообразования и принятия решений в цепочке поставок; другой (Дас) – академик, который разработал курс MBA, включающий практические примеры использования ИИ для повышения эффективности маркетинга, продаж и вспомогательных функций. Вместе мы стремимся понять, как максимально использовать потенциал людей и машин для принятия наилучших бизнес-решений.
В целом, люди более способны к интуиции и разрешению неоднозначных ситуаций; машины намного превосходят их в дедукции, точности и масштабности. Как найти правильный баланс? Существует три распространенных подхода к аналитике: описательный, когда решения принимаются в основном людьми; прогнозирующий, когда машины определяют вероятные результаты, а люди выбирают, какого курса придерживаться; и предписывающий, который обычно подразумевает автономное управление машинами. В этой статье описывается, когда и как использовать каждый подход, а также рассматриваются компромиссы и ограничения. (Хотя основное внимание здесь уделено маркетингу и продажам, принципы могут применяться более широко).
Три подхода к аналитике
Роль машин существенно различается в этих подходах – от инструмента, помогающего менеджерам понять бизнес-ситуацию, до помощника, поддерживающего решения менеджеров, и до лица, принимающего решения, освобождающего менеджеров от этой обязанности. Давайте рассмотрим каждый из них.
Описательный: обобщенные наблюдения
В описательной аналитике, которую обычно называют “бизнес-аналитикой”, менеджеры используют машины, чтобы понять закономерности в исторических данных. По сути, они просят: “Помогите мне понять, что произошло”. Эта помощь обычно принимает форму приборных панелей, которые выделяют входные и выходные переменные производительности, позволяя менеджерам решать, “какой диск повернуть” и “на сколько” на основе исторически наблюдаемых фактов.
Описательная аналитика – это осмысление прошлого для получения информации о будущем. Прошлые данные конкретны, ясны и определенны, и этот подход основан на поддающихся проверке и объективных фактах. Мы ожидаем, что описательная аналитика останется частью ежедневного опыта бизнес-менеджеров. Но поскольку люди не могут обрабатывать огромные объемы подробных данных, они вынуждены полагаться на высоко агрегированную информацию. Решения, основанные на этих данных, как правило, носят грубый характер и требуют нетривиальных действий по извлечению прошлых тенденций и их прогнозированию на будущее.
Кроме того, описательный анализ, как правило, слишком полагается на внутренние данные о транзакциях, которые являются самыми дешевыми и легкодоступными данными. Внешние данные, такие как данные о клиентах (например, Net Promoter Score) и данные рыночных опросов, являются более дорогостоящими и требуют много времени для получения; их также трудно анализировать и синтезировать в режиме реального времени. Следовательно, наиболее распространенными типами данных, используемых в описательной аналитике, являются внутренние и отраслевые переменные, которые представляют собой исторически наблюдаемые факты. В какой-то степени инстинктивно менеджеры дополняют данные, ориентированные на прошлое, своим собственным опытом или принятой мудростью, особенно при использовании этого подхода для диагностики. Поэтому подход описательной аналитики в значительной степени зависит от интуиции конкретных лиц, принимающих решения, и от их способности преодолевать свои предубеждения, например, не отбирать данные, подтверждающие ранее существовавшие взгляды.
Одним словом, описательный аналитический подход, как правило, лишен внешней перспективы и ограничен высоким уровнем обобщения. Менеджеры, получившие инструменты бизнес-анализа, полагаются на прошлый опыт и высокоуровневое распознавание образов, чтобы спроецировать прошлое на будущее, часто полагаясь на свою интуицию. Это может привести к повторению проверенных временем подходов к решению проблем вместо поиска новых инновационных путей. Несмотря на проблемы субъективности, связанные с этим подходом, он по-прежнему широко используется, потому что его разработка и внедрение относительно просты и недороги. Кроме того, он опирается на человеческие ощущения, что делает его вполне приемлемым для большинства менеджеров, воспитанных в аналоговом мире.
Предсказательный: ограниченный взгляд на будущее
В предиктивной аналитике машины определяют вероятный результат или результаты конкретной ситуации для различных комбинаций входных переменных, что позволяет менеджерам выбрать курс действий, ожидаемый результат которого наилучшим образом соответствует их цели. Предиктивная аналитика может использоваться для прогнозирования выигрышей и проигрышей, расчета ценовой эластичности, прогнозирования влияния маркетинговых действий на конкретных клиентов и динамической группировки клиентов в сегменты рынка. Такие прогнозы позволяют менеджерам детализировать и принимать решения на транзакционном и тактическом уровнях в отличие от обычно высокого уровня описательной аналитики.
Подход, основанный на предиктивной аналитике, структурно ограничен. Практически невозможно с большой долей уверенности предсказать будущий спрос (не говоря уже о самом будущем). Более того, даже прогнозирование отдельных входных переменных может быть очень сложным: погода, конкуренция и работа поставщиков, например, могут потребовать собственных моделей прогнозирования. Такие модели могут быть не только сложными для построения, но и проблематичными, поскольку входные и выходные данные часто зависят друг от друга, что вынуждает менеджеров прогнозировать входные и выходные переменные одновременно.
Существуют также ограничения на количество входных переменных, которые можно смоделировать, и на уровень детализации, которого можно достичь. Хотя на решения о покупке обычно влияет множество факторов, распространенные методы прогнозирования, такие как регрессия, группировка и прогнозирование временных рядов, обычно учитывают лишь небольшое подмножество переменных. Это объясняется тем, что для того, чтобы модель была достоверной, ее переменные должны быть независимы друг от друга, но добавление большего количества входных переменных создает сложные взаимозависимости, которые делают модель статистически непригодной. Кроме того, чтобы делать более масштабные прогнозы, компании должны собирать более масштабные данные. Например, чтобы спрогнозировать продажи конкретного продукта, они должны собирать данные на уровне SKU, а не на уровне категории.
Хорошо продуманные предписывающие модели могут обеспечить большее финансовое вознаграждение и повысить эффективность бизнеса. Однако их создание может быть очень дорогим и сложным.
Еще одной проблемой в предиктивной аналитике является растущий разрыв между специалистами по анализу данных и бизнес-аналитиками в плане целей. Ученые, изучающие данные, сосредоточены на повышении точности статистики, в то время как бизнес-ученые сосредоточены на оптимизации аналитики для улучшения бизнес-результатов. Для специалистов по анализу данных целью предиктивной аналитики может быть повышение точности их модели, в то время как для бизнес-ученых целью является влияние на бизнес. Бизнес-ученые фокусируются на максимизации преимуществ предиктивной аналитики путем учета экономического воздействия ложноположительного результата (когда прогноз положительный, но результат оказывается отрицательным) или ложноотрицательного результата (когда прогноз отрицательный, и компания решает не предпринимать никаких действий, но могла бы достичь положительного результата, если бы воспользовалась возможностью). Например, в аналитике прогнозирования выигрыша/проигрыша ложноположительный результат обычно приводит к напрасным усилиям в области продаж и маркетинга, а ложноотрицательный – к упущенной возможности или потере бизнеса. Сосредоточение внимания только на повышении точности может привести к созданию модели, которая уменьшает количество ложных срабатываний (хороший результат), но при этом имеет высокую степень ложноотрицательных результатов, что приведет к упущенным возможностям и неоптимальной общей эффективности.
Одним словом, предиктивная аналитика может быть проблематичной. Полагаться только на машины может привести к неоптимальным бизнес-решениям и потере потенциала прибыли. Конечно, менеджеры могут вручную проводить диагностику и прогнозный анализ поверх описательных данных, чтобы повысить качество принимаемых решений. Но такие специальные усилия подвержены тем же предубеждениям, что и описательная аналитика.
Предписывающий: четкие указания
В рамках предписывающей аналитики машины принимают решения, основанные на определенных менеджерами целях, используя большие объемы данных для быстрого анализа рыночных условий и обучения путем разработки и проведения большого количества недорогих экспериментов и сценариев “что-если”. Хотя многие из экспериментов могут быть изначально неоптимальными или даже откровенно неправильными, машины могут быстро обучаться, быстро и недорого приближаясь к оптимальным целям. Затем они сообщают менеджеру, что необходимо сделать, перенося акцент с входных данных (таких как обеспечение точности переменных для принятия решений) на выходные данные (такие как оптимизация влияния решений на бизнес), при этом явно моделируя риск и экономические затраты.
Оптимальное предписывающее решение обычно зависит от прогноза рынка, который определяет ожидаемые доходы, и от неопределенности, которая определяет ожидаемые затраты. В предиктивной аналитике основное внимание уделяется прогнозированию количества единиц продукции, ожидаемых к продаже, при этом игнорируется уровень погрешности в неопределенности спроса. Предписывающий подход учитывает эту неопределенность для принятия решений, оптимизирующих прибыль, и постоянно корректирует их по мере поступления новой информации.
Например, розничная компания с небольшим количеством запасов на полках и относительно низкими логистическими затратами может отреагировать на возможность повышения спроса агрессивной стратегией пополнения запасов. Однако тот же ритейлер в условиях высоких логистических издержек и рыночной неопределенности может счесть более консервативную стратегию пополнения запасов оптимальной и приносящей максимальную прибыль.
Хорошо разработанные предписывающие модели могут принести больше финансовых выгод и повысить эффективность бизнеса, чем описательные или прогнозирующие модели. Однако их создание может быть очень дорогим и сложным: они требуют специальных программных и аппаратных решений и специальных знаний и опыта для перевода стратегий управления в математические, удобные для машин цели оптимизации и бизнес-правила.
Роль человека во всем этом – определении бизнес-правил и целей – чрезвычайно важна. Предиктивная аналитика зависит от способности перевести бизнес-цели, правила и ограничения в однозначные направления для предписывающей машины. Это, в свою очередь, позволяет предписывающей модели динамически калибровать свои собственные рекомендации в направлении, указанном руководством, гарантируя при этом оптимальные результаты и систематическое выполнение всех правил и ограничений.
Когда использовать тот или иной подход
Переход от описательной аналитики к более продвинутым и дорогостоящим подходам требует оценки затрат и выгод. Если затраты связаны с инфраструктурой, опытом и руководством, необходимыми для сбора и анализа данных, то выгоды зависят от возможности получения дополнительной прибыли, которая может быть получена благодаря принятию более взвешенных и актуальных решений.
Поэтому выбор подхода в конкретной ситуации зависит от двух факторов: релевантности имеющихся данных и обоснованности бизнес-причины. Успешный баланс между человеком и машиной позволяет максимизировать вклад каждого из них.
Данные: когда доступные данные ограничены и существует высокий уровень неопределенности, описательная аналитика является наиболее жизнеспособным вариантом для предоставления руководящих указаний менеджерам. По мере увеличения частоты принятия решений, получения более детальных данных и повышения значимости данных для решения проблемы, более автономные подходы предписывающей аналитики, как правило, работают лучше. В промежуточных случаях, когда доступны лишь ограниченные релевантные данные, предпочтительнее использовать подход прогнозной аналитики.
Бизнес-кейс: потенциал повышения прибыли вытекает из количества неэффективности, которую, как ожидается, можно устранить с помощью анализа данных. Но неэффективность характерна не для каждой бизнес-проблемы. А когда она является проблемой, ее можно решить только с помощью данных, которые не всегда доступны. Поэтому не все проблемы поддаются передовым подходам.
При выборе аналитического подхода мы должны переосмыслить роль руководителя: из человека, у которого есть все ответы, он превращается в того, кто задает правильные вопросы.
Например, машины могут бороться с проблемами, связанными с определением долгосрочной стратегии и инновациями, для которых первоначальная постановка вопроса на самом деле важнее, чем формулировка точных ответов. Но когда речь идет об оптимизации цен, запасов или маркетинговых инвестиций, аналитика открывает перед компаниями значительные возможности, поскольку точные ответы будут лучше отвечать потребностям клиентов. Для решения бизнес-задач с длительным временным горизонтом, таких как планирование, или с высоким уровнем собственных шумов на детальном уровне, таких как сегментация CRM, или с низкой предельной выгодой от экстремальной оптимизации, таких как обслуживание операций, прогнозный подход, как правило, работает лучше всего.
При анализе затрат/выгод описательная аналитика – это подход “низкая боль/низкая выгода”. Он наиболее актуален в случаях, когда имеются ограниченные данные, а результат характеризуется высоким уровнем неопределенности. Хотя абсолютный экономический эффект от каждого решения может быть очень высоким, результирующее улучшение производительности не оправдывает инвестиций, необходимых для включения машинного ввода для повышения качества прогнозов и решений.
На другом конце спектра, когда доступно много данных и есть возможность повысить экономический эффект в каждом отдельном прогнозе с высоким уровнем уверенности, тогда предписывающая аналитика имеет наибольший смысл, оправдывая свою относительно более высокую степень сложности и стоимости высокой рентабельностью инвестиций. Часто в таких ситуациях абсолютное экономическое воздействие отдельных решений невелико, но количество принимаемых решений, потенциал роста в каждом из решений и более высокий уровень уверенности в результатах с течением времени делают инвестиции в предписывающую аналитику оправданными. Предиктивная аналитика лучше всего подходит для промежуточной области.
На практике: эволюция ценовых уценок в Event Network
Излишки товарно-материальных запасов – распространенная проблема. Его необходимо продать, и, как правило, со скидкой, что делает уценку цен повсеместной и необходимой частью управления запасами. Основная причина заключается в структурной невозможности точного прогнозирования продаж даже с помощью теоретически совершенной модели прогнозирования. Учитывая неопределенность таких факторов, как погода, действия конкурентов и макроэкономические потрясения, менеджеры склонны поддерживать высокий уровень запасов, чтобы избежать потери продаж и клиентов.
Давайте посмотрим, как с этой задачей справилась компания Event Network (EN), которая управляет магазинами сувениров и памятных вещей по всей территории США и Канады. (Раскрытие информации: EN является клиентом компании Фабрицио, Evo Pricing.) Поток покупателей в ее магазинах, расположенных в музеях, зоопарках, аквариумах и других культурных достопримечательностях, очень сезонный и относительно непредсказуемый. В каждом магазине EN хранятся уникальные товары, часто адаптированные к месту расположения (например, в Сан-Франциско или Нью-Йорке), тематике достопримечательности (растения в ботаническом саду) и времени года (свитера зимой). Большое количество SKU в сети – более 100 000 – создавало серьезную проблему для управления ценовыми уценками.
Со временем EN использовала все три аналитических подхода. Вот как сработал каждый из них.
Подход №1: описательная аналитика
Менеджеры EN начали с использования простого метода: Они предлагали более глубокие скидки на продукты с большими запасами, возникшими в результате неудовлетворительных продаж. Чтобы решить, какие товары и на сколько уценить, менеджеры EN учитывали такие показатели, как объем продаж за неделю, уровень запасов и коэффициент покрытия (количество дней, на которое хватит запасов при текущем уровне продаж).
Чтобы рассчитать уценку для товара со стоимостью единицы $10 и 10 000 единиц в наличии, они умножили предложенную уценку (30%) на количество единиц в наличии (30% × 10 × 10 000). Они начали с SKU с самым высоким коэффициентом покрытия и работали вниз по списку SKU, пока не израсходовали весь доступный бюджет на уценку.
Этот подход в конечном итоге оказался неудовлетворительным, поскольку он полностью опирался на исторические данные о состоянии внутренних запасов. Он не учитывал факторы, связанные с потребителем или контекстом, которые оказывают значительное влияние на потребительский спрос.
Подход №2: прогнозирующая аналитика
Далее менеджеры использовали методы, основанные на регрессии, для скидок на товары с самой высокой ценовой эластичностью (процентное изменение объема продаж, ожидаемое от данного процентного изменения цены). Они рассчитали ценовую эластичность, проведя сравнение объемов продаж за прошлые периоды с ценами за прошлые периоды по категориям, магазинам и неделям. Например, снижение цены на 10% для SKU с ценовой эластичностью -2 приводит к увеличению объема продаж на 20% (произведение -10% × -2). Таким образом, если от базового уровня продаж 100 единиц товара по цене $10 каждая, приносящих $1 000 дохода, перейти к продажам 120 единиц товара по цене $9 каждая, то это приведет к получению $1 080 дохода, что представляет собой увеличение дохода на 8%. Аналогичные расчеты можно провести для таких показателей, как прибыль и уровень запасов. Моделируя сценарии, менеджеры могут выбрать предпочтительную стратегическую цель и определить оптимальный набор уценок в соответствии с ожидаемым эффектом. При этом учитываются не только внутренние данные о товарных запасах, но и ожидание спроса со стороны покупателей, а значит, и влияние их решений на рынок.
Оптимальная уценка варьировалась в зависимости от цели менеджеров, а не от объема продаж или уровня запасов. Хотя результаты регрессионных моделей были статистически значимыми, менеджеры EN обнаружили, что объясняющая способность моделей была относительно низкой (цена объясняла лишь 10%-20% дисперсии в продажах товара). Это объясняется тем, что на продажи влияют не только цена, но и многие другие факторы, включая погоду, проходимость и ассортимент предлагаемой продукции. Добавление таких переменных в модель потребовало бы затрат на своевременный сбор дополнительных данных. Более того, дополнительные данные усложнили бы расчеты, внеся больше шума и вызвав нежелательные взаимозависимости между переменными.
Менеджеры EN продолжили использовать простую одномерную регрессию объема против цены, пусть и грубую, поскольку она дала результаты, превосходящие те, что были получены при использовании подхода описательной аналитики. В результате улучшившиеся показатели также усилили аппетит руководства EN к использованию более продвинутых подходов к аналитике. Они стали открыты для использования другого подхода, чтобы преодолеть структурные ограничения подхода прогнозной аналитики.
Подход №3: предписывающая аналитика
Подход к предписывающей аналитике, который в итоге использовали менеджеры EN, улучшил предыдущие два подхода за счет учета самого широкого спектра факторов, влияющих на поведение потребителей. Используя многочисленные источники данных и передовые методы, такие как машинное обучение и автоматическая оптимизация, компания EN могла определить, на какие продукты и в каком размере следует сделать скидку в любое конкретное время.
Руководители признали, что при таком уровне детализации и нелинейности практически невозможно полагаться на интуицию. Более того, путешествие по различным аналитическим подходам заставило их оценить преимущества использования автоматизации и машинного обучения для осмысления сложности и создания самообучающихся систем, которые со временем значительно повысили прибыльность.
. . .
Когда дело доходит до выбора аналитического подхода, крайне важно переосмыслить роль руководителя: из человека, у которого есть все ответы, он превращается в того, кто задает правильные вопросы. Формулирование проблем, которые затем можно отдать на решение машинам, остается исключительно человеческой способностью. Но менеджеры могут разумно уступить часть контроля машинам. Главные соображения при выборе оптимального подхода известны и понятны: актуальность и доступность данных, а также потенциал улучшения воздействия на бизнес, ожидаемый от инвестиций в более сложную аналитику.
Люди и машины отлично справляются с разными задачами: люди – с ограниченными данными и применением интуиции в незнакомом контексте, а машины – с принятием решений, какими бы сложными и редкими они ни были, которые повторяются во времени, пространстве или и там, и там, и в среде, переполненной большим количеством данных. При слишком малом количестве данных, в крайне неоднозначных ситуациях или при наличии противоречивых целей, которые ограничивают возможности вывода из данных, машины с трудом справляются с задачей получения адекватных результатов. Но для решения сложных проблем, которые имеют большое количество релевантных данных и решения которых могут значительно повысить эффективность бизнеса, менеджеры должны покупать или строить правильные машины и ставить перед ними правильные цели, чтобы они могли делать то, что они умеют делать так хорошо.
