Прогнозная аналитика, которая позволяет, используя данные, заглянуть в вероятное будущее, является ключом к управлению организационными переменами. Крис Хаттон, директор по управлению продуктами софтверной компании ACL, обсуждает на страницах портала InformationWeek современную роль прогнозной аналитики и дает предприятиям ряд советов о том, как приступить к ее использованию.

Прогнозную аналитику нельзя считать чем-то новым. Она существует уже десятилетия. Однако только в последние несколько лет крупные бренды и другие компании начали осваивать эту дисциплину для улучшения интернет-маркетинга и общей эффективности своего бизнеса.

Фундаментом прогнозной аналитики служат поиск закономерностей в данных, текстовая аналитика, оптимизация, машинное обучение и ряд других вещей. Темпы ее внедрения компаниями зависят от условий и обстоятельств, однако в свете усиления конкуренции и глобализации экономики им чем скорее, тем лучше начать культивировать прогнозную аналитику. Наилучший стратегический подход к ее освоению состоит в том, чтобы начинать с малого и удостоверяться в успехе, прежде чем расширять инициативу на другие области.

С чего начать

Первым шагом должен стать пробный концептуальный проект, сосредоточенный на отчетливо видимой области. Чтобы выбрать точки для старта, присмотритесь к своему кругу стратегических задач или корпоративных рисков. Вы найдете немало областей, позволяющих разработать модели для прогноза будущих результатов по историческим данным, которые смогут вам помочь создавать ценности или выявлять потенциальные потери. Вот ряд примеров таких областей.

  • Маркетинговые кампании. Прогнозирование покупательского сегмента, готового быстро откликнуться на кампанию, или наиболее эффективной формы маркетингового послания.
  • Продажи. Прогнозирование длительности интереса покупателей, распознавание предложений, которые могут дополнительно привлечь внимание конкретного покупателя.
  • Отток покупателей. Определение маркеров, показывающих, какие покупатели могут отказаться от вашего продукта или от всех ваших предложений.
  • Мошенничество. Прогнозирование склонности к мошенничеству в среде получателей льгот (типа социальных программ, страховых компенсаций, льготного медицинского обслуживания и т. д.) или финансового персонала, обрабатывающего платежи.
  • Операции. Прогнозирование потребностей в материальных запасах или потенциального круга сотрудников, склонных часто менять место работы, для проактивного управления текучкой кадров.
  • Цепочки поставок и партнеры. Выявление слабых звеньев в цепочках поставок или моделирование поставщиков, склонных к недобросовестным действиям.

После этого разберитесь в том, какие данные вам нужны (убедившись, что они чисты и достаточны по объему), и приступайте к построению модели, прогнозирующей вашу будущую цель. В первой модели будут неизбежны пробы и ошибки, но скоро вы достигните успехов, получите первые результаты по части окупаемости инвестиций и завоюете доверие начальства.

Качество данных

Очень часто самой крупной помехой в достижении эффекта от прогнозной аналитики является качество данных. Очистка и согласование разрозненных данных также является самой трудной стадией в любой инициативе специалиста по данным или аналитической группы, и на нее нередко приходится до 80% объема начального труда.

Однако чтобы получить мало-мальски достоверные знания необходимо преодолеть этот барьер. Иначе все пойдет по поговорке «мусор на входе, мусор на выходе», вы не сможете узнать практически ничего толкового или окупить свои вложения, и ваша программа прогнозной аналитики, по всей вероятности, быстро провалится.

В более дальней перспективе вашей стратегии понадобится фундамент в виде хорошей программы управления данными, помогающей управлять доступом к ним, их очисткой, согласованием и анализом.

Соблюдение нормативов в использовании данных

Помимо качества данных важно учитывать юридические и регуляторные требования, включающие общие глобальные стандарты типа PCI в обеспечении информационной безопасности данных платёжных карт, или отраслевые нормы деятельности и охраны персональной информации в здравоохранении, финансовом обслуживании и других секторах. В обычных программах управления данными этот вопрос, в частности, возникает при создании хранилища или озера данных.

Например, в связи с принятием европейского регламента GDPR, имеете ли право перемещать в ваше озеро данных информацию, содержащую персональные данные граждан ЕС, или вы обязаны отфильтровывать определенные регионы или какие-то типы данных?

Когда ваша программа достигнет более высокого уровня зрелости, ее должен оценить ваш главный юрист или специалист по надзору за нормативно-правовым соответствием, чтобы все заинтересованные стороны были уверены, что вы используете только то, что разрешено законом.

Не пренебрегайте данными как мусором

Несмотря на ажиотаж вокруг больших данных и невысокую стоимость обработки и хранения данных многие организации крайне недостаточно делают с тем, что реально имеется у них в руках. В большинстве случаев они рассматривают свою информацию как никому не нужный мусор. Однако с точки зрения прогнозной аналитики данные являются не отходами, а неиспользуемыми резервами.

На каждом участке ландшафта современного бизнеса происходят все более быстрые изменения, и все отрасли существуют в условиях информационной экономики. Освоение прогнозной аналитики является самым эффективным способом упростить неизбежные перемены и монетизировать свои данные.