Чтобы компании могли максимально использовать свои данные, им необходимо преодолеть пропасть между наукой о данных и бизнес-аналитикой (BI), пишет на портале AI Business Зохар Бронфман, генеральный директор и соучредитель компании Pecan.ai.

Данные могут быть самым ценным активом компании, обеспечивая основу для прогнозирования всего — от будущих доходов до поведения покупателей и удержания клиентов.

Во многих компаниях есть хорошо отлаженные команды бизнес-аналитиков, которые рассматривают и анализируют исторические данные для выявления тенденций производительности и управления. Но когда предприятия хотят выйти за рамки традиционного исторического анализа и внедрить предиктивную аналитику и искусственный интеллект, они сталкиваются с проблемами в поиске специалистов и необходимых инструментов. Специалистов по анализу данных трудно нанять, и они обучены уделять больше внимания исследованиям и точности моделей, чем достижению конкретных бизнес-результатов.

Чтобы компании могли максимально использовать свои данные, им необходимо преодолеть пропасть между наукой о данных и BI. Обе области анализируют данные для продвижения бизнеса вперед, но у каждой из них есть свои сильные стороны и ограничения.

Классическая бизнес-аналитика

Хорошо известно, что классическая BI в основном сосредоточена на интерпретации прошлых событий и тенденций и представлении их в виде легко усваиваемых агрегированных отчетов и информационных панелей. Ограничение BI заключается в том, что генерируемые инсайты обычно основаны на гипотезах и призваны объяснить, почему определенная тенденция или поведение имели место в прошлом, рассматривая большой сегмент людей с похожими характеристиками.

Но без машинного обучения BI не может предоставить точные, гипергранулированные вплоть до уровня отдельного клиента инсайты. Большинство BI-команд также не имеют глубокой подготовки в области статистического анализа, необходимой для реализации предиктивного моделирования.

Именно здесь должна помочь наука о данных. До сих пор она часто не оправдывала надежд многих компаний. Предиктивные и прескриптивные модели трудно внедрять, и большинство таких проектов так и не доходит до производства. В то же время компании сталкиваются с проблемой количественной оценки бизнес-отдачи своих инвестиций в МО и ИИ.

Новые передовые аналитические решения помогают компаниям использовать уже имеющихся у них квалифицированных бизнес-аналитиков для решения проблемы нехватки кадров и разрыва между специалистами по науке о данных и бизнес-профессионалами.

Бизнес-аналитики обычно тесно сотрудничают с конкретными отделами или направлениями бизнеса, поэтому эти специалисты знают, как их организации собирают данные и как они создают и измеряют их ценность для бизнеса. Кроме того, многие современные бизнес-аналитики стремятся получить доступ к автоматизированному статистическому анализу, МО и очистке данных, чтобы сосредоточиться на интерпретации и применении предиктивных моделей, которые обеспечивают бóльшую ценность для компании.

Команды BI знают данные и то, что важно для бизнеса. Они могут работать с бизнес-лидерами, чтобы получить ответы на следующие вопросы. Какие показатели вы хотите улучшить? Пытаетесь ли вы увеличить доход, снизить отток клиентов или увеличить пожизненную ценность клиента? Эти различные цели будут определять уникальные подходы к анализу данных.

Применение искусственного интеллекта

Применение возможностей ИИ к данным BI позволяет перевести аналитику с рассмотрения прошлого в совокупности на прогнозирование будущего отдельного клиента и выявление маркетинговых возможностей. Существует множество вопросов, на которые это может помочь ответить:

  • Как часто издатель мобильной игры должен предлагать игроку определенную акцию, чтобы вернуть его в игру?
  • Какую скидку должна предложить компания электронной коммерции, чтобы вернуть клиента, который не совершал покупки в течение последних двух месяцев, но по прогнозируемой пожизненной ценности относится к категории VIP?
  • Если вероятность того, что клиент вернется сам, составляет 90%, следует ли маркетинговой команде потратить свой бюджет на повторное обращение к нему или перенаправить средства на другую программу или кампанию?

BI может показать, что существует связь между получением игроками и покупателями специальных предложений и их возвращением к игре или покупке — но ее наличие лишь означает, что людям нравятся бесплатные вещи и скидки. Она не говорит нам о том, каким клиентам действительно понравится конкретное предложение в конкретный момент в будущем.

Вместо того чтобы делать одинаковые предложения большой группе людей, предиктивная аналитика может определить, какие клиенты с наибольшей вероятностью вернутся сами, а каких нужно подтолкнуть рекламной акцией. Обладая этой информацией, компания может нацелить свой маркетинг на конкретных клиентов, которые лучше всего отреагируют на этот импульс в нужное время.

Эффективность бизнеса, основанная на точности и автоматизации, имеет решающее значение для достижения и поддержания масштаба, особенно когда ресурсы ограничены сложными рыночными условиями. Предиктивные модели позволяют заглянуть в будущее клиентов. Будучи внедренными в программные платформы, объединяющие BI и науку о данных, эти возможности прогнозирования становятся доступными для многих компаний.

Пропасть между наукой о данных и бизнес-аналитикой должна быть ликвидирована, если мы хотим максимально использовать возможности располагающих большими объемами данными BI-команд, чтобы принести больше пользы бизнесу.

Переход к прогнозированию с помощью ИИ

Чтобы начать лучше использовать свои BI-данные и сделать скачок к ИИ-прогнозам, компаниям следует рассмотреть следующие шаги по максимизации потенциала своих данных и своей команды.

  1. Начните с понимания. Сосредоточьтесь на том, какие бизнес-задачи вы хотите сдвинуть с места, и получите конкретное понимание того, как вы можете использовать предиктивную аналитику, чтобы это произошло. Если клиент не покупал ничего в последнее время, важно стимулировать его к этому, но найти правильное сочетание стимула и канала может быть непросто. Эту проблему может помочь решить ИИ. Например, аналитики данных могут использовать систему оценки на основе предиктивных моделей для автоматического выявления клиентов, которые могут отреагировать на бóльшую скидку и дольше оставаться с компанией. Такая возможность означает, что вы можете прогнозировать и формировать будущие результаты работы с клиентами, глубже понимая, что заставляет каждого клиента возвращаться.
  2. Не зацикливайтесь на «идеальных» данных. Новый проект по работе с данными может потребовать нескольких недель проверки и предварительной обработки данных. Если в вашей команде есть бизнес-аналитики, использующие современные инструменты, у вас, скорее всего, уже есть достаточно данных для их анализа. Вам не нужно следить за тем, чтобы каждая точка данных была учтена. Вы можете использовать уже имеющиеся у вас данные для предиктивной аналитики. Для этого используйте данные, готовые для BI (это означает, что они уже находятся в состоянии, пригодном для классической аналитики), и выберите решение для предиктивной аналитики, которое автоматизирует трудоемкую подготовку данных для создания набора, готового для ИИ. Это может сэкономить вам месяцы предварительной обработки данных — до того, как будет выполнено функциональное проектирование и создана единая модель.
  3. Разработайте A/B-тесты для проверки точности прогнозов. A/B-тестирование — один из самых быстрых способов опробовать новые изменения и подходы, такие как предиктивное моделирование. После того как модель разработана, эффект от ее использования должен быть протестирован на контрольной группе, с которой вы работаете вашими обычными методами, такими как бизнес-правила, которые вы, возможно, использовали для формирования предложений, предоставляемых клиентам. Если вы не проверите, как модель интегрируется в ваши бизнес-процессы, и не оцените ее воздействие на контрольной группе, то вы не будете уверены, что модель приведет к желаемым бизнес-результатам.
  4. Обогащайте имеющиеся у вас данные. Ваши внутренние данные о сделках и клиентах — идеальная отправная точка для предиктивной аналитики. И хотя это не обязательно, некоторые компании также выигрывают от обогащения своих данных внешними источниками, такими как данные о погоде, праздниках и эпидемиологической обстановке. Автоматизация такого обогащения — один из самых быстрых способов обеспечить постоянное увеличение точности и полезности ваших моделей за счет дополнительных потоков данных.
  5. Запланируйте мониторинг и переобучение моделей. Существует распространенное заблуждение, что модели МО со временем становятся лучше сами по себе. На самом деле верно обратное — модели обычно имеют короткий срок годности. Какое-то время они будут работать отлично, но со временем их производительность будет меняться по мере того, как ваш бизнес будет применять различные стратегии, основанные на этих моделях, а также по мере изменения поведения клиентов. Многие компании, нанимающие специалистов по анализу данными, приходят к выводу, что им также необходимы специальные команды по работе с МО (MLOps), которые занимаются внедрением моделей и текущим управлением ими. Однако для экономии времени и ресурсов можно использовать автоматизированные решения, которые позволяют контролировать и переучивать модели, чтобы они продолжали обеспечивать высокую производительность и бизнес-отдачу.