Юрий Сирота

Цифровые экосистемы, активно развиваемые в последние годы, лишают традиционные финансовые услуги посредников, предоставляя доступ к разнообразному набору услуг через общую точку доступа, изменяют способы, которыми потребители находят, оценивают и покупают товары и услуги. В то же время технологические и небанковские компании внедряют финансовые услуги и продукты в качестве дополнения к своим основным бизнес-моделям. Они добились существенных рыночных преимуществ: обзавелись крупной и заинтересованной сетью клиентов, собрали массивы данных, позволяющие лучше и точнее понимать отдельных клиентов, наработали инновационных технологий, включая искусственный интеллект (ИИ), имеют доступ к дешевому капиталу.

Банкам необходимо переосмыслить пути участия в цифровых экосистемах, и использовать ИИ, чтобы использовать всю мощь данных, доступных из этих новых источников. Чтобы успешно конкурировать, действующим банкам предстоит стать технологически продвинутыми учреждениями. Они должны достичь той скорости, маневренности и гибкости, которая присуща финтеху, начать управлять масштабом, стандартами безопасности и нормативными требованиями традиционного предприятия финансовых услуг. Многие банки уже пытаются перейти от экспериментов над отдельными вариантами использования ИИ к масштабированию технологий ИИ в масштабах всей организации.

Банк будущего: какой он?

Банк будущего оптимизирован для обеспечения операционной эффективности за счет максимальной автоматизации ручных задач. Процесс принятия решений подкреплен передовыми прогностическими механизмами в различных областях банковских операций, скорость механизмов интеллектуального принятия решения близится к реальному времени.

Новые формы данных и алгоритмы способны дать организациям беспрецедентную скорость. Ведь если команда аналитиков получает рекомендацию через пару месяцев, этого может быть недостаточно в мире с усиливающейся конкуренцией. Одно из самых больших преимуществ автоматизированной системы ИИ, управляемой данными — это способность быстро отвечать на вопросы. В современном мире «быстрый кушает медленного, а не крупный — мелкого».

Технологии искусственного интеллекта могут помочь увеличить доходы за счет повышения персонализации услуг для клиентов, снизить затраты за счет повышения эффективности за счет более высокой автоматизации, снижения количества ошибок и лучшего использования ресурсов. Открываются новые и ранее не реализованные возможности, основанные на улучшенной способности обрабатывать и генерировать идеи на основе огромных массивов данных.

Операционная модель банка будущего

Традиционные операционные модели банков еще больше затрудняют их усилия по удовлетворению потребности в постоянных инновациях. Большинство традиционных банков организованы вокруг отдельных бизнес-направлений: владельцы бизнеса определяют цели в одностороннем порядке, и согласованность с технологической и аналитической стратегией предприятия (там, где она вообще существует) часто бывает слабой или неадекватной; разрозненные рабочие группы и «водопад» процессов внедрения неизменно приводят к задержкам, перерасходу средств и неоптимальной производительности.

Структура тоже имеет значение. При централизации бизнес-подразделения могут почувствовать себя обделенными, а при децентрализации сложно определить приоритеты ресурсов данных и аналитики. Часто успешные организации начинают с Центра компетенций, чтобы сосредоточить усилия, а затем переходят к распределенной структуре, встроенной в бизнес-подразделения. Поэтому «Банку будущего», ориентированному на ИИ, потребуется новая операционная модель. Она предполагает кросс-функциональные бизнес- и технологические группы, организованные в виде сервиса внутри банка. Каждая команда контролирует свои собственные активы (технологические решения, инфраструктуру, данные, методологии), имеет бюджеты, ключевые показатели эффективности, таланты. Кросс-функциональная команда состоит из трех направлений: ИТ консолидирует данные и обеспечивает их качество, математики создают и поддерживают математические рекомендательные системы, бизнес-заказчик погружает математиков в предметную область и совершает управленческое воздействие.

Знание предметной области первично, хоть монетизация данных – командный вид спорта. Команды по анализу данных (математики) могут создавать рекомендательные модели с удивительными возможностями. Но маловероятно, что они смогут решать узкоспециализированные бизнес-задачи самостоятельно, так как, скорее всего, не понимают тонкостей. Эксперты в предметной области, в свою очередь, вряд ли смогут применять математические аналитические методики. Гибридная организационная структура и Центр компетенций позволяет «скрестить» математическую и предметную компетенции.

Кросс-функциональные команды предоставляют сервис подразделениям банка или другим командам банка, сочетают бизнес и технологии, исключают организационную разрозненность, повышают гибкость и скорость, синхронизируют цели и приоритеты в рамках всего предприятия.

Управление данными

Управление данными обеспечивает ликвидность данных, то есть возможность доступа к данным для анализа. Ликвидность данных особенно важна для работы функционально разрозненным структурам, позволяет нескольким подразделениям работать с одними и теми же данными. Цепочка создания ценности данных начинается с беспрепятственного получения данных из всех соответствующих внутренних систем и внешних платформ. Варианты использования данных могут быть различными: нормативная отчетность, бизнес-аналитика, ИИ.

Современные технологии и методики управления данными включают нормы, правила защиты и управления данными, каталоги, глоссарии и словари, траектория преобразования данных, инструменты сбора данных и профилирования. По мере того, как банки проектируют и создают свою централизованную инфраструктуру управления данными, им приходится разрабатывать дополнительные средства контроля и мониторинга для обеспечения безопасности данных, конфиденциальности. Кроме того, они должны соответствовать нормативным требованиям, обеспечивая своевременный и соответствующий ролям доступ в рамках всей организации для различных вариантов использования.

Как использовать данные

Для приоритетных вариантов использования потребуется ограниченное количество наборов данных. Следует оценить состояние этих источников, соответствуют ли они базовому уровню качества и полноты. Далее требуется провести организационные мероприятия и инвестиции с фокусом на данные, имеющие наибольшее влияние на эффективность инструментов ИИ, объединить данные из источников в озере данных или хранилище, доступном для бизнеса, клиентов, аналитиков и подрядчиков. В последнюю очередь создать инфраструктуру управления данными, обеспечивающую безопасность, качество и метаданные.

Цель использования данных очевидна — повышение окупаемости затрат на ИИ. Для этого предстоит расставить приоритеты по вариантам их использования, сосредоточиться на улучшении данных, необходимых для создания инструментов ИИ. Делается упор на экономический эффект, а не на качество данных: фокусировка ресурсов на возможных вариантах использования с максимальной отдачей, а для этого важно сузить количество наборов данных, которые необходимо подготовить для ИИ. Главная цель – быстрая победа, вселяющая энтузиазм.

ИТ-инфраструктура хранения и анализа данных

Методы ИИ базируются на использовании данных. Организациям придется вкладывать время и ресурсы в очистку данных и создание инфраструктуры хранения данных. Не обойдется без рисков. Например, организация может увязнуть, пытаясь собрать и очистить необработанные данные в одном месте (хранилище или озеро данных), прежде чем приступить к выполнению сценариев использования. Без продуманных вариантов использования озеро превращается в болото, а старые технологии могут закрепиться на долгое время.

Инструменты анализа данных включают инструменты self-service для ускорения и упрощения подготовки данных и задач анализа, методы машинное обучение, инструменты BI и мониторинга математических моделей. Без централизованной «магистрали данных» практически невозможно проанализировать соответствующие данные и в нужный момент сформировать интеллектуальную рекомендацию или предложение, поэтому данные должны анализироваться реальном времени.

Для масштабирования различных моделей аналитики, организациям необходим надежный набор инструментов и стандартизированных процессов для создания, тестирования, развертывания и мониторинга моделей повторяемым и «промышленным» способом (MLOps/AIOps/DataOps).

Большинство нетехнологических компаний отстают в части технологий. Адаптация к эпохе принятия решений, основанных на данных, не всегда является простой задачей: у компаний, которые быстро проявили себя, уже есть навыки в области науки о данных. Спектр доступных инструментов и платформ может помочь наверстать упущенное остальным компаниям, а новые платформы и аналитические инструменты выравнивают возможности. Выигрывает тот, у кого есть массив данных.

Аналитическая функция

Успешная трансформация данных, аналитики, ИИ зависит от поддержки высшего руководства. У аналитической функции должны быть достаточные полномочия. Фактически это выражается в том, что ответственное лицо должно занимать значимый пост: это покажет, что проекты данных и аналитики имеют высокий приоритет, тогда бюрократический путь сокращается. Важно наделить ответственное лицо достаточными полномочиями в принятии решений — без этого организационного рычага им будет сложно осуществить быструю и широкомасштабную трансформацию, предоставить финансирование, сократить путь и период бюджетирования.

Предстоит убедить сотрудников отказаться от устаревших методов работы. Это сложно даже при выявленных сценариях использования ИИ, наработанных методах и технологиях. Возможны следующие шаги для внедрения ИИ и аналитики:

выбрать наиболее лояльный блок и тематическую область, где с наибольшей вероятностью внедрения окажется успешным

определить лидеров изменений на всех уровнях организации, которые отстаивают инициативы, оказывают влияние на коллег и подчиненных

обучить тех, кто будет принимать решения на основе аналитики

отслеживать показатели успеха, чтобы организация отвечала за повышение производительности, а не только за расходы на развертывание данных и аналитики. Акцент должен быть на достижении результатов, а не продвижение ИИ.

Трудности и риски

Искусственный интеллект можно охарактеризовать фразой «Висит груша – нельзя скушать». Для успеха проекта предстоит настроить очень много компонентов. Основные трудности могут заключаться в отсутствии стратегии использования данных и использования талантов, фрагментированности данных по нескольким разрозненным бизнес- и технологическим группам (во многих случаях именно это становится слабым звеном управления данными). Кроме того, негибкое технологическое ядро часто нуждается в инвестициях: системам не хватает мощности, необходимой для поддержки переменных вычислительных требований, потребностей обработки данных и анализа в реальном времени, которые требуются приложениям ИИ. Наконец, устаревшие операционные модели, препятствуют сотрудничеству между бизнесом и технологическими группами, а руководители предприятий полагаются на сторонних поставщиков технологий для обеспечения критически важных функций, вместо развития талантов внутри компании.

На выбор варианта использования данных с помощью ИИ влияет множество технологий. Существуют риски направить ограниченные ресурсы на решение низкоприоритетных проектов. Специалисты уходят, появляются новые люди, продвигающие новые решения – так появляется риск разрастания «зоопарка технологий». Финансовые организации могут оказаться в ажиотаже, всегда преследуя что-то новое, но никогда не добиваясь успеха.

Варианты использования ИИ и рекомендации

Варианты использования ИИ должны быть привязаны к стратегическим устремлениям организации, и для этого рекомендуется проделать четыре шага. В первую очередь следует выбрать варианты использования данных и аналитики для решения практических задач, определить процессы, области данных, которые поддерживают процессы. Далее сформулировать сценарии использования как вопросы, на которые нужно ответить. Формулировка на основе вопросов гарантирует, что варианты использования данных двигают организацию к цели. Среди сотен потенциальных вариантов использования данных, которые могут привести к результатам, важно расставить приоритеты. Наконец, понять, какой инструмент и метод позволит содействовать бизнес-целям.

Первым делом рекомендуется оценить, как стратегические цели банка (рост, прибыльность, взаимодействие с клиентами, инновации) могут быть материально обеспечены за счет ряда технологий данных и ИИ. Далее уравновесить краткосрочные проекты, быстро приносящие ценность для бизнеса, с итеративным наращиванием долгосрочных возможностей. Определить области, в которых требуются ключевые сдвиги: инвестиции в технологии и новые таланты, и не забыть про организационные изменения.

Автор — Юрий Сирота, эксперт в области данных и искусственного интеллекта

Сухая теория vs вульгарный практицизм 

Возможно, кому-то эта статья покажется чересчур теоретичной. Замечу, что в учебных заведениях сначала изучают теорию, и лишь затем переходят к практике. Теория без практики мертва, а практика без теории глупа. Вспоминается фраза Альберта Эйнштейна: «Нет ничего более практичного, чем хорошая теория». Незнание теории приводит к тому, что каждая решаемая задача оказывается новой, хотя на деле задачи могут быть объединены общей методологией и иметь общие принципы решения.

Понимание важнее знания: можно знать, но не понимать. Тонущая металлическая гайка противоречит тому, что корабль из металла держится на плаву – оба этих факта мы можем знать, но не понимать, почему так, а значит не сможем судить о том, утонет ли металлическое изделие иной формы. Мы можем легко узнать в энциклопедии какой-то факт, но если не понимаем общего, имеем шансы допустить ошибку. Да, возможно заниматься самолечением по энциклопедии, но можно умереть от опечатки.

Что такое Decision Intelligence

Decision Intelligence (DI) — дисциплина, позволяющая превратить информацию в лучшее практическое действие. Эффективное управление организацией особенно важно в условиях агрессивной внешней среды, санкций, когда первоочередная задача – выживание, а вовсе не развитие. Да и развитие в условиях конкуренции проблематично: привычным масштабированием, когда емкость рынка падает, эффекта можно и не достичь. Открытие дополнительных офисов, найм клиентских менеджеров могут оказаться не такой эффективной опцией, как интенсивное развитие. Подходы «катать квадратное, носить круглое», уходят в прошлое – нет излишка, которым можно было бы рисковать. Decision Intelligence – это дисциплина про создание программных систем (помощников), предназначенных достигать взвешенного выбора решения (data science) среди возможных альтернатив (оптимизация); возможно, рекомендовать дальнейшие действия, распространять результаты заинтересованным лицам (BI). Цель Decision Intelligence – помощь человеку в принятии решений. Она достигается посредством осуществления процедур анализа, обработки данных и математического моделирования, а также предоставлением вспомогательной информации, агрегации, отчетов в интерактивном режиме, быстро и наглядно.

Этапы создания систем Decision Intelligence

Можно выделить три основных этапа создания систем DI. Первый этап – формализованное описание алгоритма принятия решений Y = F(X). Второй этап – формирование альтернатив решений Y_i=F(X_i), из которых осуществляется выбор. Третий этап – описание критериев выбора среди альтернатив Y → max/min.

В основе DI лежат математические методы, разрабатываемые в рамках ряда дисциплин: теории оптимизации, data science, статистики, эконометрики, а также управления данными (data governance), баз данных и Business Intelligence. Но и технологий недостаточно! На каждом этапе должна присутствовать человеческая экспертиза.

В качестве примера рассмотрим коллекторский бизнес. Приведем основные этапы.

1. Сбор данных из систем источников, формирование витрины данных – в этом помогает дисциплина Data Governance.
2. Поиск математической зависимости Y = F(X,a), где  Y – объем взыскания, X – характеристики клиента, его активность, история транзакций,  a  – история воздействия на должника (смс, звонок, выезд). В этом помогает машинное обучение, статистика, эконометрика.
3. Решение задачи оптимизации: какое воздействие оказать, чтобы максимизировать выгоду: объем взыскания за вычетом затрат на взыскание. В этом нам помогает математическая оптимизация
4. Постановка модели в продуктивную систему.
5. Доведение рекомендаций до коллекторов с помощью Business Intelligence.

«Ингредиенты» успешного внедрения

Как обычно, ключевых факторов успеха несколько. Во-первых, это данные: методология управления данными и технология их хранения.  Во-вторых, математический аппарат: математическая методология и вычислительные мощности. В-третьих, организационная структура: наличие компетенций и ролей. Наконец, управление изменениями: готовность к сопротивлению инновациям, создание новых регламентов. 

Остановимся подробнее на первых двух факторах. Данные лежат в основе математических моделей. Должны быть технологии сбора и хранения данных, а также методология управления данными: правила наименования, глоссарий, поток данных, нормативно справочная документация. Математический аппарат позволяет найти информацию в данных, этому способствует теория вероятностей, статистика, эконометрика, машинное обучение, оптимизация. Математика помогает решить слишком сложные, многомерные, многокритериальные задачи. 

Человек или технология? 

Decision Intelligence не предназначена заменить человека, но предназначена оказать ему помощь в принятии решения, повысить эффективность. Опыт, интуицию и персональные знания невозможно заменить, хотя вычислительные алгоритмы эффективнее человека в части возможности и скорости обработки многомерных и больших данных. Концепция DI заключается в разумной комбинации технологий, методологий, предметной и математической экспертизы. Далеко не любое явление можно оцифровать, и в данных не всегда присутствуют математические закономерности.

Данные не имеют самостоятельной ценности. Скорее, они являются центром затрат. Организации, стартующие с построения «кладовки данных», имеют риск зафиксировать затраты, не найдя выгоды такого проекта в дальнейшем.  Поэтому организация не может быть data-driven. Ценность данных заключается в информации, скрытой в данных, а также в способности человека эту информацию найти и использовать. Ценность данных заключается в «правильных» данных и «правильных» руках людей, обращающихся с ними. 

Подход model-driven уже ближе к практике. Модель несет знания, так как обнаруживает закономерности. В любых ли данных есть зависимости? Конечно же, нет. Практики приведут массу примеров из своего опыта, когда они не находили зависимостей в данных. Вспомним процессы белого шума или броуновского движения – в них нет зависимостей, а лучший прогноз – среднее арифметическое или последнее значение процесса. 

Все ли данные «правильные»? Не все. Не для каждого набора данных можно построить модель, не каждый дата-сайентист настолько опытен, чтобы найти зависимости, даже если они есть. И не все эксперты «правильные». Легко установить математические пакеты R или Python, скопировать скрипт из справочной документации и применить к своим данным, получив прогноз. «Правильные» эксперты умеют не только скопировать скрипт, но и знают теорию случайных процессов, лежащую в основе, статистику, теорию вероятностей, разделы высшей математики.  

Современные методы поиска закономерностей часто склонны к поиску ложных зависимостей: они механически перебирают параметры (grid search), пытаясь улучшить математическую метрику. Такие модели часто хорошо объясняют, но плохо прогнозируют. Статистическая значимость таких моделей обманчива. Но математика без человека часто не может найти осмысленную зависимость. Коллаборация эксперта и математика необходима. 

Таким образом, мы возвращаемся к подходу human-driven. Хотя математические рекомендации на больших объемах многомерных данных чаще лучше экспертных, задачи все же формулирует человек. Человек собирает данные, строит модели. Не всегда математические модели могут быть найдены, и именно человек выносит самостоятельное суждение. Не все данные содержат нужную и валидную информацию, и человек дополняет своим суждением математическую рекомендацию. 

Монетизация данных – командный вид спорта

Следует разделить предметную и математическую экспертизы.  Эксперт в предметной области чаще не имеет математической компетенции, зато владеет знаниями, не содержащимися и не оцифрованными в данных.  Математик – наоборот, умеет выявлять знания, не очевидные эксперту. Но математический анализ часто ущербен без знаний эксперта, без априорных знаний эксперта он не может распутать «клубок» данных.  

Приведем примеры подобных математических выводов. Количество загорающих людей и количество насекомых на пляже оказываются коррелированными. Видимо, чем больше насекомых на пляже, тем больше людей? Или чем больше людей на пляже, тем больше насекомых?  Осмысленный вывод: у них общая причина – солнце и температура! 

Другой пример: изучив частоту покупок в продуктовом магазине, окажется, что наиболее часто покупаемый товар – полиэтиленовый упаковочный мешок. Да и маржа у пакета хороша! Математическая рекомендация может заключаться в том, что в продуктовом магазине следует продавать только упаковочные полиэтиленовые мешки, а остальные товары не нужны. Вывод: математик без предметной экспертизы может и не отличить ложную закономерность от осмысленной. Но если причинно-следственные связи все же есть, математик покажет их силу. 

Итак, возникают две важные роли: эксперт в предметной области и математик-аналитик. Объединять ли роли?  Это не всегда возможно и не всегда целесообразно. Универсализм выгоден лишь самому универсалу. Ему легче выживать в организации, «перепрыгивая» с роли на роль. Универсал везде поработал, всем занимался, но мало где обрел глубокую экспертизу.  Хотя стоит отметить, что стратегия лучше разрабатывается именно универсалом за счет широты знаний, хоть и поверхностных. 

Специалист – от слова «специализация», и это подразумевает глубину знаний.  Чтобы организация развивалась, ей нужны именно специалисты. Например, западной бизнес-культуре скорее свойственна специализация. И сравнения производительности труда на Западе и России часто публикуются. 

Математика – не волшебная палочка. Осмысленность придать ей может только человек. Свалить цифры на математика и ждать от него чудес – ложная установка. 

Decision Intelligence – это объединение экспертных знаний, математических методологий и компьютерных технологий.  Основная ее цель – принятие решения, а это требует хорошего понимания и лежащей в основе бизнес-проблемы, и данных. Поэтому Data Science и Decision Intelligence идут рука об руку: data scientist извлекает информацию из данных, а decision scientist с его исключительным пониманием бизнес-целей применяет эти наработки для решения бизнес-проблемы.

Data scientist фокусируется на сборе и анализе наборов данных, формирует управляемый данными и формулами мир бизнеса, оказывает машинную помощь лицу, принимающему решения. Это технолог, применяющий математику, статистику, машинное обучение.

Decision scientist занимается интерпретацией данных и формул, зависимостей, дополняет их экспертными суждениями и недостающими знаниями. Он рассматривает анализ данных как средство для принятия лучших бизнес-решений, делает выводы и формулы «прикладными», определяя решение, оптимальное с экономической, смысловой, бизнесовой точки зрения. Он применяет математические модели к бизнес-задачам, ищет идеи, осмысливает математические модели. Он стремится найти понимание на основе доступных данных и результатов анализа, и ставит бизнес-проблему на первое место.

Информация о процессе и сущности кроется не только в данных. Не вся информация может быть оцифрована. Эксперт дополняет своей экспертизой и опытом недостающие знания, не содержащиеся в данных. Поэтому нельзя отдавать на откуп полностью всю задачу построения рекомендательной системы для бизнеса одному лишь математику. 

Автор – Юрий Сирота, эксперт в области данных и искусственного интеллекта

Искусственный интеллект – о нем говорят на конференциях, написано множество статей, запускаются образовательные программы в вузах, курсы повышения квалификации. Считается, что это самая перспективная технология ближайших лет. Множество абитуриентов, специалистов в ИТ ринулись в перспективную отрасль, сулящую хорошие зарплаты и перспективы. Но, как показывают исследования авторитетных агентств, доля успешных проектов мала и не превышает 10%. Почему так? Попытаемся разобраться, почему многие проекты в сфере ИИ «не взлетают».

Известно, что предиктивные модели создаются и обучаются на выборке данных, содержащих исходы – как положительные, так и отрицательные. Однако на конференциях обычно рассказывают лишь про успешные примеры применения, а про неудачные (которых более 90%) умалчивают. По аналогии с обучением математической модели, человеку для формирования полноценной картины мира также необходимы все примеры внедрения – как успешные, так и не очень. Поэтому рассказ о неудачах не менее важен, поскольку демонстрирует не только то, как надо делать, но и как делать не надо. Руководствуясь принципом «добро пожаловать, плохие новости», опишем причины неудач – это позволит сформировать адекватный подход внедрения ИИ и снизит вероятность неуспешного внедрения.

Причин неудач проектов ИИ можно выделить несколько. Самое главное — на волне хайпа многие не понимают целей таких проектов. Кроме того, существуют организационные причины, кадровый голод, технологические и методологические причины. Поговорим о них далее.

Decision Intelligence

Decision Intelligence – новый термин, и на мой взгляд удачный, поскольку подразумевает создание помощников и рекомендательных систем для принятия управленческих решений, используя математическое моделирование, data science, оптимизацию, process mining и ИИ. Decision Intelligence помогает вести бизнес умно, а не просто «много работать» – ведь конкуренция возросла и привычным масштабированием (открытием новых офисов, магазинов, наймом клиентских менеджеров) не достичь значимого эффекта. Стиль ведения бизнеса «катать квадратное, носить круглое» уходят в прошлое. Decision Intelligence позволяет создать систему принятия решения. То, кажется случайностью, иногда можно посчитать и предсказать — для этого нужно собрать и обработать правильные данные. Там, где цифры, уместны сравнения: «больше-меньше», «выгоднее-убыточнее», «быстрее-медленнее» и т.п., а, значит, применимы математика и оптимизация.

Приведу упрощенный пример на фондовом рынке для понимания. Допустим, мы наблюдаем траекторию котировок актива Y до момента времени t, и нами получен прогноз Y(t+1) на следующий период. Не имеет значения, какие методы применялись для получения прогноза: астрология, кофейная гуща, фундаментальный анализ или математика – главное, что прогноз есть. Если Y(t+1)>Y(t), то мы покупаем актив, рассчитывая на его рост, в противном случае – продаем (пренебрегаем стоимостью денег, комиссиями и т.п.). То есть наше действие сейчас зависит от прогнозного значения на завтра. Это значит, что прогноз – основа принятия решения, и чем точнее прогноз, тем эффективнее решение. В этом мы видим концептуальное отличие математического способа управления от ретроспективной отчетности.

В более общем случае строится рекомендательная система для Y (процесса или бизнес-сущности), зависящая от влияющих на нее параметров, к примеру Y = f(X1,X2,X3), которая и позволяет получать прогноз для принятия управленческих решений. Но функция применима не только для прогнозирования, но и для управления. Допустим, если мы имеем возможность манипулировать параметрами X1, X2, X3, значит имеем возможность влиять на значение Y. Прогнозная система превращается в предписательную систему – самую ценную, но и сложную. Приведем слова Сунь-Цзы – великого полководца III века до н.э.: «Сопоставление с идеальными моделями является основой правильного мышления».

Перечислим причины, по которым Decision Intelligence не взлетает. Часто отсутствует понимание разницы между традиционной аналитикой (BI, отчетность) и продвинутой аналитикой. Кроме того, мешает опора бизнес-лидеров на интуицию и традиционную практику принятия решений, в которой нет места формулам, а также сопротивление изменениям. Финансовый эффект аналитической инициативы часто не оценивается. Иллюзия того, что ИИ может решить любую задачу и без применения усилий, словно волшебная палочка, тоже наносит вред. Наконец, центр аналитической компетенции бывает изолирован от бизнеса: математики не знают предметной области или невостребованность бизнесом или заказчиками аналитических моделей.

Не поддаваться хайпу

Хайп — агрессивная и навязчивая реклама, целью которой является формирование предпочтений потребителя. Название её происходит от слова, означающего надувательство, обман или трюк для привлечения внимания (определение взято из Википедии). Вспоминается череда терминов, сотрясавших конференции: blockchain, big data, AI сменяются терминами ESG, «метавселенные». Кстати, можно заметить, что термин blockchain уже менее популярен, чем еще несколько лет назад.

Big data? Точного определения этому понятию до сих пор не дано, в качестве вариантов называются объемы данных, измеряемые петабайтами, или объем данных, не умещаемых в оперативной памяти. Однако ценность данных не измеряется их масштабом. Часто даже незначительная таблица может заключать больше информации, чем петабайты данных. Разумнее термин Big value of data, нежели big data. Big data – это высокая стоимость сбора, хранения и обработки данных. Данные имеют ценность тогда, когда их проанализировали и на основе информации, полученной из данных, совершают управленческие действия.

Искусственный интеллект? Сейчас принято считать, что подразумевается слабая форма искусственного интеллекта – интеллект, которые не имеет разума, ориентирован на решение прикладных задач, усиливает возможности человека в решении узких задач и не функционирующий без человеческого контроля. Скайнетов и терминаторов пока человечество не изобрело, или это не известно широкой общественности. Часто ИИ классифицируют на три области: обработка табличных данных, компьютерное зрение и обработка естественного языка.

Цифровые двойники

Цифровой двойник — это набор данных и связей между данными. Двойник позволяет осуществлять «виртуальный» эксперимент над объектом, а значит — формировать наилучшую траекторию развития и способ управления. Данными в этом случае является набор правильно упорядоченных по времени и характеристикам многомерных структур. К примеру, физический клиент в банке характеризуется транзакцией по дебету (X1), транзакцией по кредиту (X2), наличие кредита (X3) и обязательно осью времени T.

Если структуры данных, описывающие бизнес-сущность, в хранилище данных созданы неправильно, цифровой двойник не реализуем. Чаще всего оказывается, что модель данных описывает разрозненные характеристики сущности, несогласованные по структуре и динамике. В этом случае цифровой двойник невозможен, создание и поддержка множества витрин становится долгим и дорогим занятием, а служба управления данными необоснованно разрастается.

Связи между данными у финансовой организации бывают трех типов.

• Финансовая модель — самая общая и главная. Она оперирует производными показателями от абсолютных данных и содержит множество ручных смысловых настроек. Некоторые элементы финансовой модели связаны математически, а встроенный математический оптимизатор (симулятор) позволяет найти наилучшую траекторию управления.
• Математические связи применимы для моделирования абсолютных (количественных, объемных) показателей. Математические модели характеристик X1, X2, X3,…, Xn являются частью финансовой модели.
• Процессная связь не задается формулами, но описывает методы перетекания одних показателей в другие с помощью условных операторов и последовательностью преобразований. В процессной связи также применима оптимизационная математика, позволяющая найти наиболее эффективный процесс.

Данные – новая нефть?

В сравнении данных с нефтью много общего — больше, чем многие предполагают. Во-первых, извлечение. Нефть необходимо извлечь из недр и закачать в нефтеналивное хранилище, а данные необходимо взять из источников данных, очистить и скомпоновать в витрины данных в хранилище данных. На этом этапе ни у нефти, ни у данных нет самостоятельной ценности.

Далее следует переработка. Нефть необходимо переработать в бензин, а для этого необходимо построить нефтеперерабатывающий завод. Данные преобразуются в информацию и знания. Чаще всего это происходит в отделе, специализирующемся на интеллектуальном анализе данных. Ни бензин, ни знания пока еще не несут ценности.

Третий этап — подготовка к получению ценности. На предприятии формируется парк автомобилей и штат квалифицированных водителей. Аналогично, формируются новые бизнес-процессы в соответствии с новыми знаниями.

Наконец, создание ценности: оказывается услуга — перевозка на авто, а новый бизнес-процесс становится эффективнее прежнего.

Цепочка создания ценности подразумевает извлечение знаний из данных и формирование нового более эффективного бизнес-процесса. Создание ценности требует наличие компетенций в хранилищах данных, математике, а также знание бизнес-процесса. Многие организации стартуют с построения хранилища данных, внедряют управление данными и уже называют себя data-driven. Однако хранилище данных – расходная составляющая, желательное и удобное (даже не необходимое, можно обойтись и без него), но явно не достаточное условие монетизации.

Еще одна известная фраза Сунь-Цзы: «Реальный мир дает начало данным, которые нужно собирать и соотносить. Сбор и соотнесение данных дает начало оцениванию данных. Оценивание данных дает начало подсчету и сортировке данных. Подсчет и сортировка данных дают начало взвешиванию данных. Взвешивание данных дает начало победе».

Последовательность действий для достижения целей с помощью ИИ

Цель «внедрить ИИ» – ложная; правильная цель – решить задачи, имеющие измеримую выгоду, с помощью технологий, называемых ИИ. Вспоминается фраза Антуана де Сент-Экзюпери «Если хочешь построить корабль, не учи людей пилить деревья, научи их мечтать о море». Перефразируя эту фразу в контексте проекта ИИ, можно рекомендовать: представляйте конечную цель – монетизацию, или иную измеримую ценность, посредством действия, направляемого знаниями, полученной аналитикой из данных.

Хранилище данных или аналитика? Очевидно, что данные сами по себе не имеют ценности, но имеют измеримые затраты на хранение и сбор. Аналитика – тоже не самоцель, а провайдер ценности данных. Аналитика позволяет обрести знания, которые сами по себе тоже не имеют ценности. Зато действие, направляемое знаниями, позволяет ценности получить. Не надо строить корпоративное КЛАДБИЩЕ данных.

Монетизация проекта ИИ достигается именно с постановки целей: сначала определяется потребность бизнеса, которая формулируется математически. Для математического подхода определяется архитектура данных, которая реализуется в хранилище со всеми атрибутами правильного хранилища – архитектура, качество данных, глоссарий, метаданные и т.п. Создание «кладовки данных» без понимания логической формы и аналитического инструмента может привести к созданию именно корпоративного КЛАДБИЩА данных, пусть тщательно задокументированного и сопровождаемого ордой службы управления данными. Самый сложный этап – переход от бизнес цели к математике, т.е. математическая формулировка цели с помощью формул. На этом этапе необходимы математики, глубоко погруженные в бизнес-задачу; бизнес-пользователи без математического бэкграунда в редком случаем смогут преодолеть этот этап.

Как оценивать Chief Data Officer

Почему директора по данным (Chief Data Officer, CDO) чаще ограничиваются технологической составляющей – хранилищем данных? Потому что куда проще бесконечно наполнять и описывать хранилище данных, чем менять бизнес-процесс. Главный бенефициар бесконечной стройки кладовки данных — CDO, а не организация, которая скорее пожинает расходы. Поэтому роли CDO заполнили проектные менеджеры, специалисты по базам данным. Бизнес-пользователи бесконечно заказывают новые витрины данных, потом покидают организацию, витрины становятся невостребованными. Новые бизнес-пользователи заново заказывает новые витрины данных — тем самым служба управления данными загружена, разбухает, а ценность для организации под большим вопросом.

В то время как математические методы, с помощью которых процесс оптимизируется, требуют навыков и математического специализированного образования – такие навыки присутствуют далеко не у каждого CDO. Математические рекомендации и изменение процессов накладывают ответственность и подсвечивают финансовую эффективность CDO.

Каковы критерии оценки CDO рынком? Чаще всего, это размер штата и количество технологий управления данными. Оба критерия подстегивают агентскую проблему и приводят к необоснованному росту затрат на раздутый штат и зоопарк избыточных технологий. Будьте готовы, что такой CDO будет постоянно выклянчивать новые ставки и размахивать рекламными брошюрами новых технологий.

Когда CDO некомпетентен в части выбора технологий и хочет размазать ответственность за выбор технологий, он может пойти за следующий трюк: предложить потенциальным пользователям отпилотировать разные инструменты и проголосовать за понравившийся. Если уж CDO не обладает компетенцией в этой части, то рядовые пользователи и подавно не могут провести корректное сравнение. Выбор при таком подходе имеет шансы осуществиться на уровне симпатий к интерфейсу и рекламной раскрученности, а вовсе не на функциональном и стоимостном сравнении. Последствия неправильного выбора выливаются в завышенную стоимость эксплуатации, оплату труда обслуживающих инфраструктуру людей и аналитиков, тратящих избыточное время на работу в неэффективном ПО. Последний компонент самый весомый.

Как должно быть? Следует оценивать чистый экономический эффект, равный приращению стоимости или сокращению затрат за вычетом затрат на содержание офиса CDO, включая стоимость оборудования, ПО и фонд оплаты труда.

О ловушке self-service

Идея self-service очень заманчива – действительно, загружаешь данные в ПО и оно «само все делает». Эта идея нравится всем: и вендору ПО, который сможет продать лицензии большему числу пользователей, и менеджеру, который децентрализует аналитические задачи и не несет персональной ответственности за результат, и сотрудникам, которым другие средства недоступны по причине отсутствия профильной квалификации. Они ощущают свою причастность к инновациям, к ранее недоступным и сложным методикам, имея чудо инструмент. Теперь нет нужды делегировать свои задачи профессионалам и терять свою значимость. И главное, это «выгодно» организации, в которой экспертиза развивается на местах.

Однако на практике часто приходится наблюдать другое. Сотрудники, использующие self-service, продолжают делегировать чуть более сложные задачи профессионалам в центре компетенции, требуя подготовить дашборд или построить математическую модель. А интерпретировать результаты, выдаваемые чудесным ПО, они не умеют, так как не понимают алгоритмы, зашитые «под капотом». В итоге организация несет затраты и на self-service ПО, и на центр компетенций, а корректность аналитических выводов не всегда близка к желаемому уровню.

Сопротивление изменениям

Ценность проекта ИИ достигается посредством настройки нового бизнес- или технологического процесса. Новое подразумевает перечеркивание старого, и у старого процесса есть владельцы и адепты. Внедрение нового всегда приводит к изменению процессов, нарушению обычаев. Права инноватора расширяются, а значит чьи-то права уменьшаются. А это ведет к переделу зон ответственности, изменению значимости и авторитетов.

Часто владельцы прежних процессов боятся признать, что инновационная идея — не их, и теперь их фронт работ будут выполнять другие. А значит, теряется значимость, снижается незаменимость и репутация. Владельцы прежних процессов боятся потерять место в организации, так как часто неспособны воплотить новую технологию (проекты ИИ требуют значимой экспертизы) и даже эксплуатировать уже внедренную и отпилотированную инновацию.

Поэтому владельцы прежних процессов, на смену которым пришел ИИ, сопротивляются. Используют уловки вроде «для нас это черный ящик», «мы не понимаем», «научите нас своей науке, иначе не дадим ход новому процессу», придираются к незначительным или вымышленным недостаткам. Не всегда владельцы устаревших неэффективных процессов способны сделать работу на своем участке эффективно с применением новейших технологий и методологий, поэтому не способны или не хотят оценить чужой труд достойно, могут не побрезговать и вандализмом. Порой, они сами пробуют реализовать подобие методов ИИ, и поскольку сами же являются владельцами и заказчиками, им удается пустить пыль в глаза и не допустить на свою поляну квалифицированных в ИИ специалистов. Более того, бывали случаи, когда владельцам процессов удавалось выжить инноватора из организации, особенно когда инновация попадает на оценку и волю владельцу неэффективного устаревшего процесса.

В качестве компромисса можно попробовать передать разработанную технологию и методологию на поддержку владельцу прежнего процесса. Но стоит задаться двумя вопросами: почему владельцы прежнего процесса не внедрили инновацию сами, и смогут ли они корректно эксплуатировать инновацию? Если не хотели или не умели — обе причины достаточны чтобы уменьшить их права. Ответ на второй вопрос также скорее отрицательный, иначе бы внедрили инновацию сами. Уместно вспомнить фразу «Не способный создать не достоен обладать».

Перефразируя фразу Натана Ротшильда, кто владеет информацией (и умеет ею пользоваться), тот владеет миром. Практика показывает, что даже умение извлечь знания из данных не приводит к их применению в бизнесе – и часто тому сопротивление инновациям и организационные препятствия.

Психология имеет значение

Ошибочно сбрасывать со счетов и психологические аспекты. Стиль менеджмента, не учитывающий психологии, ущербен. Так же, как неправильно считать бонусы и зарплаты единственными и доминирующими мотивациями. Неденежные мотивы часто перевешивают, и поэтому проекты ИИ могут разбиваться. Представьте пример, когда чат-бот может заменить толпу сотрудников колл-центра. Будет ли руководитель колл-центра поддерживать эту инициативу? Или продвинутые алгоритмы обработки данных проведут анализ быстрее и лучше резервации аналитиков, чьим главным инструментом по-прежнему являются Excel, SQL или в лучшем случае BI.

Что делать? Привлекать третью, независимую сторону для валидации эффективности инновации, а также приказами «пригвоздить» участников, обеспечив совместную ответственность за результат с целью снижения риска саботажа. Целесообразно критически важные процессы выводить в централизованное подразделение с целью исключения зависимости от локальных групп, особенно, если они не годны поддерживать инновационные механизмы.

Организационная структура

В последнее время наблюдается тенденция к выделению подразделений, ответственных за цифровизацию, и внедрение ИИ в том числе, в отдельное юридическое лицо – 100% дочку. Постфикс этого юрлица обычно «цифра» или digital. Подразделение, ответственные за внедрение ИИ, находится либо в составе digital-подразделения, либо также выделяется в отдельное юридическое лицо с постфиксом вроде DataLab. Реорганизация позволяет выявить экономическую эффективность подразделения, локализовать экспертизу, а также не позволить адептам устаревших процессов уничтожить инновационное подразделение.

Руководитель проекта – кто он

При выборе руководителя проектов ИИ часто возникает дилемма: эксперт-математик или менеджер-универсал. Хочется отметить, что ИИ, математика, data science, управление данными – экспертные области, где здравого смысла, общих соображений и только лишь финансового мышления недостаточно. Поэтому у руководителя должна быть экспертиза.

Нетехнические навыки, которыми в избытке обладает менеджер-коммуникатор, не должны сглаживать несовершенство организационной структуры, иначе рано или поздно случится сбой. Организационная структура, регламенты, персональная ответственность – важны, успех не должен зависеть от чудес коммуникации. Поэтому приглашайте на эту роль состоявшегося эксперта с развитыми менеджерскими навыками, и настраивайте правильную организационную структуру – те рельсы, по которым проекты ИИ идут прямо и гладко.

В математики — за 24 часа?

Проекты ИИ требуют сильной математической подготовки. Доступность технологий, книг из категории «искусственный интеллект для чайников», а также обучающих курсов по ИИ, вовсе не делает новоявленного математика профессионалом. Смотрите, кого нанимаете, и будьте профессионалами сами, иначе сценарий «неуч не распознает неуча» и ожидаемый печальный результат настигнут и вас.

Зоопарк технологий

Набор технологий хранения и анализа данных столь велик, что может вести в ступор даже опытного проектного менеджера. Организации в погоне за модными технологиями несут затраты на владение, имеют проблемы с наймом сотрудников – специалистов в этих технологиях. Не пытайтесь угнаться за технологическим стеком – решайте свои задачи. Стремление иметь технологию, а не решить задачу – одна из наиболее частых причин неудач проектов. Не питайте иллюзий найти на рынке специалистов в этих технологиях и методиках, давайте время им освоить ваш стек.

Автор – Юрий Сирота, эксперт в области данных и искусственного интеллекта

Предотвращение оттока клиентов представляет огромный дополнительный потенциальный источник дохода для любого бизнеса. Для предотвращения оттока, помимо постоянного улучшения продукта и сервиса, используется предиктивная математика.

Потери в результате оттока

Отток клиентов означает, что они прекращают отношения с компанией. Потери складываются из упущенной выгоды от отказа от бизнеса, а также понесенных затрат на привлечение ушедших клиентов. Затраты на первоначальное привлечение этого клиента, возможно, еще не были покрыты расходами клиента на сегодняшний день (приобретение клиента на самом деле могло быть убыточной инвестицией). Потери увеличиваются затратами на привлечение новых клиентов. Более того, привлечь нового клиента всегда труднее и дороже, чем удержать текущего платящего клиента.

Предсказание оттока

Уменьшение убытков и затрат, связанных с оттоком, является огромным дополнительным источником дохода. Поэтому важно уметь подсветить клиентов с высокой вероятностью оттока – с этим справляется предиктивная математика. При этом желательно иметь алгоритм практических действий для удержания – это уже область предписательной (рекомендательной) математики. Чтобы преуспеть в удержании клиентов, маркетологи, отдел продаж, контакт-центр – те, кто коммуницирует с клиентом, – должны быть в состоянии заранее предсказать, какие клиенты собираются уйти. Кроме того, они должны иметь разработанную последовательность маркетинговых действий, соответствующих профилю каждого клиента, наиболее успешно воздействующую с целью удержания. Вооружившись этими знаниями, можно устранить большую часть оттока клиентов.

От теории к практике

Теоретически это звучит просто, но на практике осуществить гораздо сложнее. Сложность заключается, в частности, в прогнозировании оттока: математические методы моделирования пытаются выявить шаблоны поведения и атрибуты клиентов, профиль которых сигнализирует о повышенной вероятности оттока клиентов на определенном горизонте. Точность предсказания имеет решающее значение для успеха любых активных усилий по удержанию: если маркетолог не знает о клиенте, который склонен к оттоку, никаких действий в отношении этого клиента предпринято не будет. Нейросетевые алгоритмы успешно выявляют склонных к деактивации клиентов. Кроме того, специальные предложения или поощрения, ориентированные на удержание, могут быть непреднамеренно предоставлены активным клиентам, что приведет к снижению доходов без уважительной причины.

Определения, необходимые для предсказания

Отток клиента – это тенденция клиентов отказываться от бренда или определенного бизнеса. Показатель оттока – процент клиентов, которые перестают пользоваться продуктами или услугами компании в течение определенного периода времени. Показатель оттока является индикатором здоровья организации. Некоторый естественный отток неизбежен, и эта цифра отличается от отрасли к отрасли. Но более высокий показатель оттока – верный признак того, что бизнес делает что-то не так. Компании с высоким уровнем оттока не справились со своими отношениями с бывшими клиентами, и, кроме того, наносят ущерб своим будущим усилиям по приобретению, создавая негативную молву о своих продуктах и услугах. Маркетинг может по-разному взаимодействовать с клиентами в зависимости от текущего показателя риска оттока. Один из способов расчета показателя оттока: на момент времени взять активных клиентов, подсчитать количество деактивизировавшихся клиентов на желаемом горизонте времени и вычислить частное. Определение «активного клиента» в компаниях может быть разным, как и горизонт, на котором наблюдаем деактивизацию.

План действий для снижения оттока

Для начала необходимо собрать информацию о клиентах. Далее следует разместить информацию в хранилище данных в правильно спроектированных таблицах, после этого применяется искусственный интеллект для выявления паттернов поведения – индикаторов потенциальных оттоков. После того, как математические методы «подсветят» подверженных риску оттока клиентов, принять соответствующие меры для увеличения интереса клиентов.

Роли, участвующие в антиотточной кампании

Специалисты по искусственному интеллекту создают инструмент, подсвечивающий клиентов, склонных к оттоку и рекомендательные системы, показывающие оптимальный набор действий для удержания.

Бизнес, отдел маркетинга, отдел продаж совершают коммуникации с клиентом с целью удержания. Успех достигается только при совпадении одновременно двух условий: точный сигнал и удачная коммуникация, т. е. при слаженной и умелой работе обоих ролей.

Типы аналитических инструментов, используемых в антиоттоке

Отчетность – это ретроспективный взгляд, она служит запаздывающим индикатором плохого качества обслуживания клиентов. Наивный индикатор «долго не активен» не позволяет реагировать на опережение, да и полностью ушедший клиент, вероятнее всего, уже не активизируется, как показывает практика.

Предиктивная модель прогнозирует отток клиента. Прогноз позволяет превентивно удерживать клиента.

Рекомендательная система предписывает действия для удержания клиента: рекомендует релевантный продукт, скидку, подходящий пакет. Она самая сложная, но и самая ценная!

Последовательность действий для выявления сигналов оттока

Для начала изучается история взаимоотношений с клиентом, вся доступная информация о нем. Посредством аналитических инструментов выявляются шаблоны поведения, сигнализирующие об оттоке. Математические модели (в частности, нейронные сети) раскрывают схемы поведения тех клиентов, которые уже покинули компанию. Рекомендательная система подсвечивает клиентов, склонных к оттоку, и, в самом продвинутом случае, подсказывает наиболее подходящее действие для удержания: конкретное действие из «противоотточного» меню (звонок, скидка, специальный пакет, допродажа). Далее действующая клиентская база сегментируется на тех, кто не склонен к оттоку, и тех, у кого высокая вероятность оттока. Система проверяет поведение текущих клиентов на соответствие выявленным шаблонам и сигнализирует, если обнаруживается поведение, похожее на предотточное. Бизнес совершает коммуникацию с клиентами, склонными к оттоку, с целью превентивного удержания.

Критерии качества прогноза

Главным критерием качества является степень совпадения прогноза и факта. Ошибки неизбежны: в данных много «шума», не все решения клиента могут быть математизированы, и не вся информация у нас имеется. Вопрос лишь в количестве ошибок и их значимости. Как известно, в статистике выделяют два вида ошибок прогноза: первого и второго рода. В результате ошибки первого рода рекомендательная система прогнозирует отток, в то время как клиент на самом деле не планировал этого. В этом случае совершается избыточная коммуникация и несутся расходы на нее. Совершая ошибку второго рода, система не прогнозирует отток, в то время как клиент планирует отказаться от услуг организации. Стоимость такой ошибки – потеря клиента. Стоимость ошибочной коммуникации, как правило, меньше упущенной выгоды от потери клиента.

Что делать с вероятностями оттока?

Математическая модель дает вероятность, трактуемую как склонность к оттоку. Что же делать далее? Ответ очевиден: задача бизнеса – сформировать «противоотточное меню» по удержанию клиента. Далее следует сопоставить каждой вероятности бизнес-действие из этого «меню». При этом чем выше вероятность оттока, тем агрессивнее должно быть действие по удержанию.

Дерево классификации клиентов состоит из четырех листьев. К первой, «хорошей» категории относятся активные клиенты, не планирующие уходить на интересующем нас горизонте времени. Вторая группа – активные клиенты с высокой вероятностью оттока. С ними необходимо провести упреждающую коммуникацию с целью удержания. Третья группа – неактивные сейчас клиенты, но планирующие активизироваться в скором будущем. С ними не следует совершать коммуникацию (и нести расходы). Наконец, четвертая группа – неактивные и не планирующие активизироваться в дальнейшем клиенты. Эту категорию желательно попытаться вернуть, хоть это и маловероятно.

Вероятность быть активным на горизонте времени T подразумевает два случая. В первом случае активные клиенты продолжают оставаться таковыми на выбранном горизонте времени. Во втором случае неактивные в данный момент клиенты активизируются на горизонте времени T. Далее выделяем три сегмента клиентов. Первый сегмент – безвозвратно ушедшие, с которыми не совершаем коммуникацию и не несем расходы. Второй сегмент – клиенты со значимой вероятностью активизироваться, с ними совершаем коммуникацию и несем на это затраты. Третий сегмент – клиенты, которые активизируется самостоятельно, с ними не совершаем коммуникацию и не несем расходы.

Выводы

Прогнозирование оттока важно только в той мере, в какой можно предпринять эффективные действия для удержания клиента, пока не стало слишком поздно. После того, как клиенты, которым грозит отток, определены, сотрудники должны точно знать, какие маркетинговые действия проводить с каждым отдельным клиентом, чтобы максимизировать шансы на то, что клиент останется таковым. Поскольку разные клиенты демонстрируют различное поведение и предпочтения, а также из-за разных причин ухода, очень важно практиковать «целевое упреждающее удержание». Для этого требуется заранее знать, какое маркетинговое действие будет наиболее эффективным для каждого клиента. Сокращение оттока клиентов – цель любого бизнеса.

Автор – Юрий Сирота, независимый эксперт. Создавал сигнальные антиотточные системы в крупных российских банках.

Любой бизнес, если опустить специфические нюансы, сводится к непрерывному процессу принятия решений, который можно разбить на пять этапов: сбор информации, выявление возможных решений, их взвешивание, выбор оптимального решения, действие и, наконец, оценка результата. Очевидно, что залог успеха – принятие правильных решений, ведущих к росту прибыли, но одной ошибки на любом из этапов может быть достаточно для неправильного действия в ущерб интересам организации. Поэтому подходить к принятию решения нужно осторожно, методично, используя специальные инструменты автоматизации для повышения скорости работы и снижения влияния человеческого фактора.

О каких инструментах идет речь? Их существует великое множество, но мы сосредоточимся лишь на двух категориях: отчетность и аналитика. Очень часто эти категории ошибочно смешивают в одну из-за непонимания их различий. Результат – систематическая недооценка потенциала аналитики и переоценка значимости отчетности. Мы постараемся провести четкую линию между двумя понятиями, уделяя, при этом, внимание их взаимосвязи и преимуществам или недостаткам каждой из них.

Фабрика по производству отчетов

Начнем с простого – с отчетности. Она проста не потому, что легко реализуется, а потому, что каждый работник знает, что такое отчет, а значит, знаком с понятием «отчетность». Для наглядности, представим себе типичного менеджера. Его основная функция – принятие решений. Вспомним этапы процесса принятия решений, упомянутые ранее.

Очевидно, что менеджеру, необходима пища для размышлений – базис для выявления проблем и выработки их решений. Роль такой пищи играет информация о функционировании бизнес-процесса в прошлом и настоящем. Поэтому сбор информации – критически важная деятельность, обеспечивающая восприятие проблем и возможностей. В большинстве случаев непосредственный сбор информации делегируется другим работникам – ведь это работа тяжелая и длительная, менеджеру заниматься этим некогда. Но данные сами по себе могут быть слишком объемными или многогранными, то есть сложными для восприятия, из-за чего возникает необходимость их обработать и представить в понятной форме. У занятого менеджера есть совсем немного времени на усвоение этой информации; если он что-то не поймет или поймет не так, последствия могут быть весьма плачевными. Иными словами, его задача – извлечь максимум знаний за минимальное время. Тогда задача подчиненных – изложить максимум полезной информации в максимально сжатом виде.

Так мы и подошли к понятию «отчетность», которое кто-то сочтет повседневной утомительной каторгой, кто-то назовет наукой, кто-то – искусством. В любом случае, ее вклад в принятие важных для организации решений нельзя недооценивать: качество решений прямо зависит от качества предоставляемых менеджеру отчетов. Тем временем цифровизация организаций приводит к тому, что полезной информации копится все больше и больше, вплоть до того, что становится сложно это «сено» собрать в стог, а уж найти в нем иголку – и подавно. Выходов из этой ситуации, по сути, два: игнорировать информацию или научиться с ней работать. Первый чреват упущенными возможностями, а второй – расходами на совершенствование подходов и инструментария. Так, например, современные решения BI позволяют автоматизировать обновление отчетов и даже сделать их интерактивными, динамическими, чтобы потребитель отчета мог смотреть на представленные сущности с разных ракурсов.

При этом нужно помнить о том, что отчетность, как бы мастерски она не была подготовлена, дает лишь возможность взглянуть в прошлое и настоящее. Интерпретация содержащихся в отчетах знаний и последующий прогноз или действие – задачи, лежащие на плечах лица, принимающего решения. Это традиционная, известная всем практика, многократно показавшая свою эффективность. Но что если решений нужно принимать очень много или объем и разнообразие доступной информации не позволяют изложить все в отчетах так, чтобы менеджер мог оперативно и корректно принять решение?

Аналитика как продолжение отчетности

Можно пойти дальше и попытаться автоматизировать или делегировать следующие два этапа процесса принятия решений: выявление и взвешивание возможных решений. Это снимет нагрузку и ответственность с менеджера. Под делегированием понимается передача этих функций штату аналитиков, занимающихся поиском проблем и их оптимальных решений. Автоматизация (полная или частичная) подразумевает создание интеллектуальных систем, дополняющих экспертов-аналитиков.

Почему необходима автоматизация? Дело в том, что математические модели, опирающиеся на объективные данные, позволяют исключить из процесса анализа негативное влияние субъективности суждений эксперта и, таким образом, повысить точность прогнозов и рекомендаций. Ведь экспертная оценка в значительной мере опирается на интуицию эксперта, которая может и обмануть; кроме того, экспертное знание ограничено стереотипами и предыдущим опытом эксперта, что не дает ему возможности адаптироваться к быстроменяющейся действительности.

С другой стороны, построение системы на основе искусственного интеллекта невозможно при малых, ненадежных, нерепрезентативных объемах данных – в этих случаях экспертное мнение сильнее. Поэтому в тех случаях, когда задача слишком сложна или собранных данных недостаточно для уверенного ответа на поставленные вопросы, продвинутую аналитику следует рассматривать не как замену эксперту, а как его помощника.

Как бы то ни было, прогноз или рекомендация основываются на прошлых наблюдениях за состоянием бизнес-процесса. В каких-то случаях эта информация содержится в отчетах, и тогда аналитику можно справедливо назвать гармоничным продолжением отчетности. В остальных случаях, специфические аналитические задачи требуют специфического набора данных, не освещенного в отчетах. Однако сам процесс анализа нацелен на исследование конкретной бизнес-сущности, а значит, набор релевантных данных, формируемый в этом процессе, содержит в себе важную для бизнеса информацию; кроме того, очевидно, результаты аналитики представляют собой ценные знания. Следовательно, аналитика может выступать источником новых отчетов, давать толчок совершенствованию отчетности. Аналитика – больше чем отчетность.

Финансовый результат разработки отчетов оценить сложно: руководство просматривает их в процессе принятия и оценки качества решений, но выбор действия делает, исходя из собственных выводов. Таким образом, влияние отчетности на конечный результат лишь косвенное, неосязаемое, в то время как затраты вполне реальны. Рекомендательная система, напротив, берет задачу поиска решения на себя. Соответственно, финансовый эффект посчитать легко: предложенное системой решение приносит либо выгоду, либо убыток. Так вы понимаете, за что платите.

С потенциальной выгодой, конечно, растут и риски, и ответственность. Разработчики отчетов отвечают за качество данных и их визуализации, в то время как аналитики ответственны за корректность созданной рекомендательной системы, за ее внедрение, за эксплуатацию и за финансовый результат. Вы не только понимаете, за что платите – вы знаете, к кому обратиться и с кого спросить.

Монетизация: где взять идеи?

Важно понимать цель оптимизации бизнес-процессов – это положительный финансовый результат. Трансформация идеи в денежную выгоду – монетизация – начинается, как ни странно, с идеи; значит, путь должен начинаться с ее поиска.

Ясно, что оптимизировать следует то, что не является достаточно эффективным. Но как оценить эффективность? Во-первых, эффективность определяется степенью соответствия результата поставленным целям, то есть, зная цель, менеджер должен сравнить ее с тем, что есть на самом деле – для этого ему потребуется взглянуть в отчеты. Результаты нельзя назвать удовлетворительными? Почему? Как это исправить? Вот и идеи для аналитического проекта. Вывод: отчетность – ценный источник идей для развития бизнеса.

Однако определить факторы неэффективности далеко не просто, особенно это касается тех процессов, которые сложны, многоступенчаты по своей природе или бесхозны, или вовлекают большое количество участников. Так, источниками неэффективности могут выступать взаимодействие между сотрудниками, взаимодействие с клиентом, расположение точек продаж и т. д. – все это нельзя увидеть в отчетности. Продвинутая аналитика, при условии наличия данных, позволяет «провалиться» вглубь бизнес-процесса, выявить скрытые факторы неэффективности и предложить идею для монетизации.

Заключение

Подчеркнем еще раз, что цифровизация характеризуется ростом объема генерируемых данных, и это открывает большие возможности для их монетизации, но, с другой стороны, требует новых подходов к их анализу. Простой, хоть и проверенной временем, отчетности недостаточно – нужны более изощренные методы извлечения знаний из данных. В этом смысле аналитика – более совершенный и выгодный инструмент, но его нельзя назвать другим – он дополняет, совершенствует отчетность. Движение в сторону расширения аналитической мощи организации имеет смысл: оно обязательно приведет к увеличению конкурентоспособности и эффективности организации.

Авторы:

Юрий Сирота, старший вице-президент, руководитель дирекции анализа данных банка УРАЛСИБ

Андрей Шишов, аналитик департамента анализа данных банка УРАЛСИБ

Кот в мешке?

Интерес к искусственному интеллекту (ИИ) стремительно растёт: всё больше и больше компаний решаются на внедрение связанных с ним технологий, призванных трансформировать их бизнес к лучшему. Истории успеха, гуляющие по рынку, поддерживают ажиотаж. Однако мало кто находит смелость сказать, что за образом волшебного чёрного ящика, печатающего деньги, скрываются многие проблемы. Производители готовых решений, заинтересованные в продаже своего продукта, равно как и организации-потребители, прошедшие этот путь и теперь отпугивающие своих конкурентов армией умных машин, предпочитают делать акцент на положительных результатах и умалчивать о проблемах. В этих условиях отсутствие у большинства компаний, не прошедших этот путь, глубокого понимания технологии порождает завышенные ожидания, а разочарование может стоить дорого. Со временем, доля таких компаний снижается, а слепой оптимизм заменяется осторожным или даже пессимизмом; опыт открывает глаза на ограниченность применения ИИ и те факторы, которые мешают повсеместному внедрению этой технологии.

Однако мы призываем не терять веры в пользу ИИ, но всё же оценивать перспективы трезво, с «холодной головой». Чтобы помочь разобраться, мы постараемся раскрыть суть проблем, стоящих на пути развития ИИ, и заодно развеять несколько мифов. При этом, под развитием ИИ мы будем понимать не столько совершенствование его «умственных способностей», сколько его проникновение в деятельность организаций.

Лучший друг человека

В последнее время не утихают разговоры о том, что из-за ИИ часть людей потеряет свою работу. Скептики успокаивают, утверждая, что представителям творческих профессий бояться нечего: ИИ не способен создавать что-то новое – нечто, чего он не видел раньше. Разработчики ИИ согласятся, но им известно, что этот аргумент стоит рассматривать несколько шире: на самом деле, любая деятельность содержит элементы творчества, за исключением рутинной, продиктованной строгой инструкцией.

Распознавание лиц или биометрию, например, можно смело отнести к этому классу задач, ведь человек решает эту задачу практически бессознательно, не используя свои аналитические способности; всё, что требуется – наличие в памяти «образцов», с которыми будет осуществляться сравнение видимого образа. Несмотря на технологическую сложность реализации, задачу можно назвать простой ввиду конкретности её формулировки. Монетизация достигается за счёт полной автоматизации этой деятельности.

Аналитические задачи, такие как выявление случаев мошенничества, даются ИИ с большим трудом, так как поведение мошенников регулярно меняется, не говоря уже о том, что само понятие «мошенник» крайне изменчиво, а некоторые сомнительные транзакции могут получить статус мошеннических через долгое время после их совершения. ИИ пока недостаточно умён для того, чтобы самостоятельно ставить собственные решения под сомнения, делать новые гипотезы, проверять их, изменять выборку и затем обучаться заново – активное вмешательство со стороны эксперта в предметной области обязательно. Таким образом, это пример бизнес-процесса, который нельзя отдать целиком во владение ИИ – он может быть лишь помощником для команды профессиональных аналитиков. Монетизация возможна за счёт повышения эффективности работы такой команды.

Искусственный интеллект – помощник человеку, а не вместо человека!

Расходы

Допустим, ваша организация намерена внедрить решение, основанное на ИИ, для автоматизации какого-то бизнес-процесса или помощи в принятии решений. В части доходов всё предельно ясно: сократятся операционные затраты, ошибки, цикл обслуживания и текучесть персонала. Спасибо популяризаторам за эту ясность. Но что с расходами? Реализация такого проекта потребует затрат на приобретение соответствующего оборудования (если, конечно, речь не идёт об облачных сервисах); на приобретение, внедрение и дальнейшее поддержание ПО. Вполне возможно, что текущий «человекоёмкий», теоретически неэффективный процесс окажется выгоднее роботизированного. Но эта мысль, на первый взгляд, кажется абсурдной.

На этом список «абсурдных» статей расходов не заканчивается. Внедрение сложных технологий приведёт к росту (по крайней мере, кратковременному) фонда оплаты труда, так как потребуются высококвалифицированные специалисты, способные поставить технологию «на ноги» и поддерживать её в дальнейшем. Хайп вокруг ИИ и Data Science приводит к росту количества таких специалистов на рынке труда, что увеличивает их доступность, но не стоит забывать о необходимости регулярно обучать их новым технологиям и нюансам предметной области. Опять противоречие: снижение фонда оплаты труда за счёт автоматизации – одна из целей внедрения ИИ; почему мы говорим о его росте?

Следующая проблема касается данных, которых не всегда много, которые не всегда точны и не всегда репрезентативны. Ведь именно наличие таких данных является главным условием работоспособности алгоритмов машинного обучения. Конечно, дефицит данных можно восполнить их приобретением у сторонних организаций или их трудоёмкой добычей руками собственных сотрудников – в любом случае, это можно смело добавить в список потенциальных расходов.

Человеческий фактор

Дополнительные трудности в получении выгоды от применения ИИ возникают в результате недоверия сотрудников к рекомендациям, выходящим из «чёрного ящика». Людям свойственно ошибаться, будучи уверенными в собственной правоте, поэтому они скорее поверят своему опыту, знаниям и интуиции, нежели ИИ, который не способен объяснить собственные решения. В итоге, технология может быть проигнорирована сотрудниками. Поэтому важно регулярно тестировать алгоритмы, что позволит не только выявить и затем устранить их недостатки, но и демонстрировать сотрудникам их эффективность.

Говоря о тестировании, полезно задаться вопросом, насколько его результаты репрезентативны. Как правило, тестирование выглядит следующим образом: создаются условия, приближенные к реальным, в которых алгоритму придётся работать; алгоритм запускается, даёт прогнозы или рекомендации; наконец, рассчитываются показатели эффективности (метрики). Качество работы алгоритма оценивается по значениям показателей эффективности. В чём подвох? Во-первых, условия, в которых происходит тестирование, могут оказаться далёкими от реальности, что не даст объективной оценки. Во-вторых, показатель эффективности выбирается либо разработчиком-математиком, который может не до конца понимать бизнес-процесс и отдавать приоритет математическим метрикам, либо бизнес-заказчиком, который, напротив, может придавать чрезмерный вес одним аспектам работы алгоритма, не учитывая другие. Оптимальный показатель стоит искать на пересечении двух миров, но доля субъективности всё равно останется. Таким образом, выбор методологии тестирования очень важен, и он ложится на плечи разработчика и заказчика – живых людей.

Ещё один из мифов касательно ИИ гласит, что алгоритмы машинного обучения обучаются самостоятельно – только данные подавай. Это не так: некоторые элементы их дизайна, опять же, ложатся на плечи разработчика, на его экспертное мнение. Классическим примером таких элементов являются мета-параметры моделей машинного обучения. Конечно, существуют методы их автоматического подбора, но и в этом случае выбор конкретного метода и его параметров остаётся за разработчиком.

Непрерывная аналитика – новый вызов

Даже тогда, когда собранных данных много и они достаточно точны, риск получить систематическую ошибку сохраняется: старые закономерности могут исчезать, могут появляться и новые. Поэтому алгоритмы необходимо регулярно обновлять, то есть либо запускать процесс обучения заново каждый раз, когда становится доступной новая порция данных, либо делать выбор в пользу алгоритмов, способных «дообучаться». Второй вариант предпочтительнее при больших объёмах данных и необходимости обновлять алгоритм быстро, вследствие чего он активно набирает популярность под термином «непрерывная аналитика» или «потоковая аналитика». Но он и дороже: потребуется мощное оборудование, а возможно, и полный перекрой существующей ИТ-инфраструктуры. При этом от риска систематической ошибки полностью избавиться не получится – то, что мы принимаем за новую закономерность, может оказаться краткосрочной аномалией. Тогда «дообучающийся» алгоритм будет забывать подлинное старое и запоминать ложное новое. Оптимальное решение, как всегда, скрыто в компромиссе: чувствительность алгоритма к новым данным должна быть определена на этапе разработки. Это можно сделать на основе результатов тестирования алгоритма при разных уровнях чувствительности.

Инфраструктура

Наконец, нужно обратить внимание на тот факт, что встраивание ИИ в бизнес-процесс требует инфраструктурных и организационных изменений. Аналитики и математики могут создать многообещающую математическую модель, но ответственность за её внедрение в ИТ-инфраструктуру организации ляжет на ИТ-подразделение. Эта задача не проще создания самой модели, а в случаях, когда системы, в которые предполагается встраивать ИИ, разработаны сторонним вендором, она и вовсе может оказаться неразрешимой. Чаще всего выход удаётся найти даже в тяжёлых случаях, но с некоторыми жертвами – например, с периодическими задержками, сбоями, низкой скоростью обработки. Всё это может снизить эффективность рекомендательной системы или вовсе обречь проект на провал.

Заключение

Подчеркнём, что развитие ИИ определяется двумя факторами: технологическими возможностями и потребностью со стороны бизнеса. Не всё технологически возможное является одновременно и практически ценным. Проблемы, с которыми сталкиваются организации при внедрении ИИ в свои бизнес-процессы, препятствуют его проникновению и дальнейшему развитию. Это не значит, что технология бесполезна и у неё нет будущего – просто от организации требуется системный подход к вводу технологии в эксплуатацию. В частности, обязательные условия успешной реализации подобных проектов – непредвзятая оценка потенциальной выгоды и грамотный план действий, направленный на устранение или облегчение возможных рисков. Разработку такого плана и приведение его в действие разумно доверить команде профессионалов, специализирующихся на разработке и сопровождении решений на базе ИИ. Это позволит снизить неопределённость, связанную со сложностью проектов, и максимизировать выгоду для организации.

Авторы:

• Юрий Сирота, старший вице президент банка УРАЛСИБ, руководитель дирекции искусственного интеллекта и анализа данных, центра компетенций BI

• Андрей Шишов, аналитик данных дирекции искусственного интеллекта и анализа данных банка УРАЛСИБ