Прогноз руководство аналитика

Представьте ситуацию: крупный производитель регулярно сталкивается с проблемой при продажах скоропортящихся продуктов питания. Их доставляют в торговые точки в согласованных объёмах, но часто та или иная часть товара остаётся нераспроданной и идёт под списание. При сокращении поставок продукции на полке не хватает. В итоге компания постоянно теряет часть дохода.

Как исправить ситуацию? С помощью прогнозной аналитики на основе ИИ. Вместе с экспертами из Сбер Бизнес Софт разбираемся, как её внедрить и от чего зависит точность прогнозирования.

Предиктивная (прогнозная, предсказательная) аналитика на основе ИИ — технология, которая с помощью накопленных данных, машинного обучения и искусственного интеллекта проводит анализ и строит прогнозы. Этот инструмент востребован практически во всех сферах, например:

• ретейл — для прогнозирования спроса и распределения товаров;
• промышленность — для снижения времени простоя оборудования;
• логистика — для расчёта времени доставки грузов;
• финансовая сфера — для расчёта платежей по кредитам.

По прогнозам Reports Insights Consulting, глобальный рынок предиктивной аналитики до 2030 года вырастет в 3,2 раза по сравнению с 2022 годом — до 44,3 млрд долларов.

«Прогнозирование нужно всем, однако его окупаемость зависит от оборотов компании, — отмечают эксперты Сбер Бизнес Софт. — Чаще всего к нам обращается средний, крупный и крупнейший бизнес».

Пример использования «Прогноза спроса»

От чего зависит точность прогнозов с применением ИИ?

Основные факторы:

• качество, состав и глубина данных компании;
• качество данных из открытых источников по рынку и конкурентам;
• горизонт и детализация прогнозирования;
• используемая модель прогнозирования;
• количество параметров, которые модель учитывает при анализе;
• глобальные внешние факторы.

Кейс: прогнозирование с помощью ИИ в «Абрау-Дюрсо»

Сбер Бизнес Софт разработал для компании инновационную ИИ-модель для долгосрочного годового планирования продаж и краткосрочного планирования на 10 недель.

Внедрение было разбито на три основных этапа:

• разработка ИИ-модели по предиктивной аналитике спроса для отдельной товарной группы на основе внутренних данных компании;
• создание ИИ-моделей прогнозирования спроса на весь ассортимент компании;
• улучшение всех реализованных прогнозных моделей за счёт расширения используемых ими параметров (сведения о динамике рынка, обезличенные данные о поведении покупателей и так далее).

По итогам реализации первого этапа ИИ-модель показала результаты, превзошедшие ожидания производителя. По оценкам экспертов компании, итоговая система позволит в два раза улучшить качество как долгосрочных, так и краткосрочных прогнозов на продукцию, что существенно снизит издержки хранения и списания испорченных товаров и повысит прибыльность бизнеса.

Компаниям, только начинающим внедрять у себя инструменты прогнозной аналитики, стоит обратить внимание на три аспекта.

Культура данных. Предиктивная аналитика основывается на исторических данных, которые есть у компании и на открытом рынке. Точность прогноза напрямую зависит от умения их собирать, хранить и анализировать. Например, если ID-номер в системе принадлежал разным товарам, работа с данными будет некорректной: информация о товарах объединится и прогноз окажется неверным.

Предмет прогнозирования. Важно учитывать оборачиваемость товаров. По продуктам, спрос на которые нестабилен (скажем, комплектующая деталь от промышленного оборудования), модели сложно понять зависимости, поэтому её прогноз может быть неточным. Все данные вроде бы есть, но событий с товаром довольно мало. Данные по изделиям, пользующимся стабильным массовым спросом, как правило, можно собрать легко, и качество прогноза по ним будет выше.

Открытость компании. Не всегда заказчики готовы раскрывать данные полностью. Иногда в распоряжении разработчиков моделей прогнозирования есть статистические данные о товаре, но сам он не называется. «Это сильно влияет на качество модели. Если аналитики не узнают, что это за продукт, то не смогут его кластеризовать, объединить с другими товарами, — объясняют эксперты Сбер Бизнес Софт. — Прежде всего это касается новинок, продажи которых прогнозируются по схожей продукции». Чтобы обеспечить высокое качество аналитики, Сбер Бизнес Софт со всеми клиентами подписывает соглашение о неразглашении, никак не переиспользует данные и после завершения работы удаляет их.

Как приступить к умному прогнозированию

Обычно внедрение системы предиктивной аналитики разбивают на несколько стандартных этапов.

1. Определение цели анализа.
2. Сбор данных.
3. Анализ данных и выявление закономерностей.
4. Разработка модели.
5. Развёртывание модели в среде компании.

Эксперты Сбер Бизнес Софт рекомендуют действовать пошагово, стартовав с пробного этапа и постепенно, с учётом получаемого эффекта, масштабируя модель.

Начните с пилотного запуска. Прежде чем приступить к полномасштабному развёртыванию системы аналитики, можно сперва опробовать технологию. Для этого Сбер Бизнес Софт проводит пилотные запуски: прогнозная модель разрабатывается для какой-либо отдельной группы товаров или локации. Такие пилоты требуют незначительных расходов и позволят оценить влияние современного прогнозирования на бизнес-показатели компании.

Используйте индивидуальную модель. Пока большинство компаний используют готовые решения и инструменты с классическими моделями — прогнозная модель уже есть, в неё только нужно загрузить данные заказчика. Однако эффективнее другой подход — разработка персональной прогнозной модели, которая учитывает весь набор данных организации, поведение её клиентов, внешние факторы и другие переменные. В этом случае она показывает прогнозы максимальной точности.

Регулярно обновляйте модель. Со временем методология прогнозирования улучшается, информации становится всё больше, накапливается опыт. Однако сама модель постепенно может терять в качестве: меняется поведение покупателей, состав товаров, сам рынок. Чтобы модель всё это учла, её нужно переобучить и заново запустить в среде заказчика. Периодичность таких обновлений зависит прежде всего от вида бизнеса и особенностей операционной деятельности компании.

Привлеките эксперта для оценки данных. «На данный момент ИИ не готов полностью заменить человека. Поэтому всё ещё необходимо, чтобы эксперт внутри компании также проверял данные и следил за их динамикой», — поясняют эксперты Сбер Бизнес Софт. Большого штата аналитиков это не требует, замечает они. Обычно это один специалист внутри компании.

Прогнозная или предиктивная аналитика в последние годы привлекает большое внимание  бизнеса благодаря достижениям в области вспомогательных технологий, особенно в области больших данных, машинного обучения и искусственного интеллекта.

Способность предсказывать будущие события и тенденции имеет решающее значение во всех отраслях. Предиктивная аналитика появляется чаще, чем вы думаете, — от вашего еженедельного прогноза погоды до медицинских достижений с помощью алгоритмов. Ниже теоретические основы предиктивной аналитики, который поможет вам начать работу по формулированию стратегии и принятию решений на основе правильной интерпретации и анализа данных.

Предиктивная и прогнозная аналитика — это тождественные понятия, поэтому в рамках этой статьи мы будем употреблять как одно, так и другое словосочетание, не теряя общий смысл.

Что такое предиктивная аналитика?

Предиктивная аналитика [англ. predictive analytics] — это использование исторических данных, статистических алгоритмов и разнообразных методов машинного обучения для определения вероятности будущих событий и результатов. Целью такого использования данных является выход за рамки знания того, что произошло, и оценка вероятности того, что произойдет в будущем.

Если простыми словами, то предиктивная аналитика — это использование данных для прогнозирования будущих тенденций и событий.

Прогнозный анализ может проводиться вручную или с использованием алгоритмов машинного обучения. В любом случае, исторические данные используются для того, чтобы делать предположения о будущем. При этом прогнозы могут относиться как к ближайшему будущему, так и в отделенной перспективе. Например:

• предсказание поломки машины после выявления неисправности какого-либо агрегата
• прогнозирование денежных потоков вашей компании на ближайшие пять лет

Краткое объяснение, что такое предиктивная аналитика на примере рекламного видео ролика программного решения (о эффективности самого решения пояснять не станем, а вот объяснение определения и работы прогнозной аналитики в данном видео, довольно подробное).

Как работает прогнозная аналитика?

Учитывая тот факт, что прогнозная аналитика — это некий процесс использования фактических данных для создания прогнозов с помощью методов машинного обучения, то и подходить к изучению и внедрению необходимо как к процессу.

Прогнозная аналитика начинается с бизнес-цели: использовать данные для сокращения потерь, экономии времени или сокращения затрат. Далее в этом процессе необходимо объединить разнородные, часто массивные наборы данных в модели, которые могут генерировать четкие и действенные результаты для поддержки достижения этой цели. А у же на нормальных данных выстраиваются прогнозные решения, позволяющие перестраивать бизнес под конкретные задачи и цели.

В качестве примера работы предиктивной аналитики, рассмотрим пошаговый алгоритм рабочего процесса.

Шаг 1 Импорт данных 

Импорт данных может осуществляться из различных источников, таких как веб-архивы, базы данных и электронные таблицы. При этом выгрузка должна быть не только фактических данных, но и сопутствующих (например, состояние рынка, прогноз погоды, численность населения), которые могут помочь вам в составлении прогнозной идеи.

И вот тут хотелось бы заметить, что данных много не бывает и чем их будет больше и чем разностороннее они будут, тем интереснее будут вывод и точнее прогноз. Но это должны быть не хаотичные, а четко структурированные данные, обогащенные справочной информацией.

Шаг 2 Очистка и агрегирование данных

На практике, большинство реальных данных включают отсутствующие или ошибочные значения, и прежде чем их можно будет исследовать, данные необходимо идентифицировать и устранить. На этом же шаге нам необходимо выявить являются ли эти всплески аномальными и их необходимо игнорировать или они указывают на явления, которые необходимо учитывать в модели.

После удаления аномальных точек из данных нам необходимо принять решение, что делать с отсутствующими точками данных, появившимися в результате их удаления. Тут 2 варианта:

1. отсутствующие точки данных можно просто игнорировать, так у нас будет меньше данных
2. заменить отсутствующие значения аппроксимациями путем интерполяции

И тот и другой способ имеет место быть.

Шаг 3 Разработка прогнозной модели

Разработайте прогностическую модель на основе агрегированных данных, используя статистику, инструменты подбора кривых или машинное обучение. Сам процесс прогнозирования — это сложный процесс со многими переменными, поэтому придется использовать методы машинного обучения, такие как деревья решений или нейронные сети для построения и обучения модели прогнозирования. К сожалению, стажером с одним Excel тут не отделаться и нужен специализированный софт и прокачанные скилы специалистов.

Существует огромное множество методов моделирования данных, какой применять вам зависит от имеющихся возможностей в компании. Когда обучение завершено, вы можете протестировать модель на новых данных, чтобы увидеть, насколько хорошо она работает.

Шаг 4 Интеграция модели в систему прогнозирования

Как только будет найдена модель, которая сможет довольно точно прогнозировать показатели, вы можете перенести ее в свою производственную систему, сделав аналитику доступной для программ или устройств, включая веб-приложения, серверы или мобильные устройства.

Прогнозирование продаж может помочь вам принимать более обоснованные решения и разрабатывать стратегии, основанные на данных. Вот несколько примеров прогнозной аналитики в действии, которые вдохновят вас на ее использование в вашей организации.

4 примера предиктивной аналитики в действии

Финансы: прогнозирование будущих денежных потоков

Каждому предприятию необходимо периодически вести финансовые отчеты, и предиктивная аналитика может сыграть большую роль в прогнозировании будущего состояния организации. Используя исторические данные из предыдущих финансовых отчетов, а также данные из более широкой отрасли, вы можете прогнозировать продажи, доходы и расходы, чтобы составить картину будущего и принять решения.

«Менеджеры должны смотреть вперед, чтобы планировать будущее здоровье своего бизнеса. Независимо от того, в какой области вы работаете, в этом процессе всегда присутствует большая доля неопределенности», — говорил Нараянан (прим. 10 президент Индии).

Подробный и наглядный пример внедрения предиктивной аналитики в финансовой сфере в подробном кейсе регионального банка на видео

Развлечения и гостиничный бизнес: определение потребности в персонале

В сфере развлечений и гостеприимства приток и отток клиентов зависят от различных факторов, каждый из которых влияет на то, сколько сотрудников требуется заведению или отелю в данный момент времени. Раздутие штата стоит денег, а не доукомплектование может привести к ухудшению качества обслуживания клиентов, переутомлению сотрудников и дорогостоящим ошибкам.

Чтобы предсказать количество заселений в отель в определенный день, разрабатывается модель множественной регрессии, учитывающую несколько факторов. Такая модель позволила Caesars (прим. мировая сеть отелей) укомплектовать свои отели и казино персоналом и максимально избежать перерасхода персонала.

Маркетинг: поведенческий таргетинг

В маркетинге данных о потребителях предостаточно, и они используются для создания контента, рекламы и стратегий, позволяющих лучше охватить потенциальных клиентов там, где они есть. Изучая исторические поведенческие данные и используя их для прогнозирования того, что произойдет в будущем, вы занимаетесь прогнозной аналитикой.

Предиктивная аналитика может применяться в маркетинге для прогнозирования тенденций продаж в разное время года и соответствующего планирования кампаний.

Кроме того, исторические поведенческие данные могут помочь вам спрогнозировать вероятность того, что лид переместится по воронке вниз от осведомленности к покупке. Например, вы можете использовать единую модель линейной регрессии, чтобы определить, что количество предложений контента, с которыми взаимодействует лид, предсказывает — со статистически значимым уровнем достоверности — вероятность их конверсии в клиента в будущем. Обладая этими знаниями, вы можете планировать таргетированную рекламу на различных этапах жизненного цикла клиента.

Производство: предотвращение неисправности

Хотя в приведенных выше примерах прогнозная аналитика используется для принятия мер на основе вероятных сценариев, вы также можете использовать прогнозную аналитику для предотвращения возникновения нежелательных или опасных ситуаций. Например, в производственной сфере алгоритмы можно обучать, используя исторические данные, чтобы точно предсказывать, когда часть оборудования может выйти из строя.

Когда критерии предстоящей неисправности соблюдены, алгоритм срабатывает, чтобы предупредить сотрудника, который может остановить машину и потенциально сэкономить компании тысячи, если не миллионы долларов на поврежденном продукте и затратах на ремонт. Этот анализ прогнозирует сценарии сбоев в данный момент, а не на месяцы или годы вперед.

5 важных вопросов о предиктивной аналитике

Выносить правильные суждения в бизнесе сложно, особенно когда данных недостаточно, чтобы помочь в принятии решений. Анализ истории не всегда является надежным предсказателем того, что произойдет в будущем. Следовательно, принимать решения только на основе исторических фактов часто неправильно. Прогнозная и предписывающая аналитика — это две передовые технологии, которые руководители компаний используют для преодоления этих ограничений. Они более правильно предсказывают будущее и, в случае предписывающей аналитики, направляют руководителей к лучшим общим решениям, комбинируя исторические данные (описательная аналитика), правила и знание бизнеса. Но тогда вы должны сначала узнать разницу между ними (предиктивная и предписывающая аналитика), прежде чем делать шаг в этом направлении, учитывая, что они оба звучат одинаково.

Обзор (прогнозная и предписывающая аналитика)

Растущее значение этих аналитических методов отражено в прогнозе, согласно которому мировой рынок прогнозной и предписывающей аналитики будет расширяться в кратчайшие сроки. CAGR на 19.6% до 28.7 млрд долларов к 2026 году.

Итак, главный вопрос заключается в том, существуют ли какие-либо различия между прогнозной и предписывающей аналитикой или они взаимозаменяемы?

Наоборот, несмотря на то, что обе стратегии дальновидны, могут звучать одинаково, между ними есть существенная разница. Согласно с Аналитическая модель восхождения Gartner, следующая иерархия аналитических методов:

• Что случилось? (Описательная аналитика)
• Почему так случилось? (Диагностическая аналитика)
• Что случится? (Predictive Analytics)
• Как мы можем сделать прогнозную аналитику реальностью? (Предписательная аналитика)

Таким образом, в то время как прогнозная аналитика предсказывает, что может произойти, предписывающая аналитика показывает, как это сделать. Прогнозная аналитика в этом сценарии подчиняется предписывающей аналитике. Это не означает, что прогнозная аналитика бесполезна; просто информация, которую они предоставляют, не совпадает.

Predictive Analytics

Использование статистических подходов и подходов к моделированию для прогнозирования того, что произойдет в будущем, известно как прогнозная аналитика. Он рассчитывает вероятность данного события или событий, используя исторические данные и подходы к моделированию. Прогностическое техническое обслуживание является прекрасным примером прогнозной аналитики, поскольку оно пытается выяснить, когда машина нуждается в обслуживании, используя различные алгоритмы и машинные данные для оценки жизненного цикла важных компонентов. Хотя эти данные информативны и полезны, они не определяют конкретные действия, которые должны последовать. Скорее, он сообщает пользователю, что требуется техническое обслуживание.

Предписательная аналитика

Предписывающая аналитика отличается от прогнозной аналитики тем, что она не только предсказывает, что произойдет, но также предоставляет пользователю определенные варианты и предписывает, какие бизнес-решения являются лучшими на основе заданных критериев. Этот тип аналитики помогает бизнесу или организации построить модель. И чтобы убедиться, что она точно отражает все аспекты бизнеса, эта модель оценивается по текущим и историческим данным.

Кроме того, пользователи могут изучить модель, чтобы определить наилучшее решение на основе установленных критериев, таких как рентабельность, соглашения об уровне обслуживания и пропускная способность, а не просто прогнозировать, что произойдет.

Предписывающая аналитика в контексте приведенного выше примера профилактического обслуживания не только решает, что обслуживание неизбежно, но и определяет наилучшие варианты обслуживания, замены или аутсорсинга, чтобы максимизировать общую прибыльность и оборот.

Прогнозная и предписывающая аналитика: в чем разница?

Как прогнозная, так и предписывающая аналитика являются важными бизнес-инструментами, и каждый из них служит своей цели. Но с другой стороны, прогнозная аналитика уступает предписывающей аналитике, Иерархия аналитики Gartner. Это связано с тем, что прогнозная аналитика предсказывает, что произойдет, но не дает указаний о том, как принимать необходимые решения. Предписывающая аналитика, с другой стороны, не только предсказывает, что произойдет, но и определяет наиболее оптимальное бизнес-решение.

Атрибуты прогнозной аналитики

• Помогает моделировать определенные элементы бизнеса.
• Предсказывает, что может произойти в будущем.
• Он предсказывает временные рамки (когда это произойдет).
• Выходы не являются действенными; они лишь указывают на то, что требуется решение.
• Он имеет тенденцию отдавать приоритет одной функции над другими.
• Как правило, гипотезы проверяются с использованием заранее определенных сценариев с ограниченными возможностями.

Атрибуты предписывающей аналитики

• Помогает смоделировать всю компанию
• Зависит исключительно от данных
• Помогает рекомендовать конкретные бизнес-решения.
• Учитывает взаимозависимости
• Не скован жесткими правилами
• Выгоды поддаются наблюдению и количественному измерению.
• Включает сценарии «что, если».
• Буквально свободный от «чутья» и личных предубеждений
• Принимает во внимание все входы, переменные и результаты.
• Внедряет откалиброванные и проверенные модели, точно отражающие то, как работает компания.

Важен ли анализ прогнозной и предписывающей аналитики?

Да, разница между прогнозной и предписывающей аналитикой существенна.

Некоторые часто задаются вопросом, действительно ли разница между этими двумя аналитиками на практике значительна. Это связано с тем, насколько экономичнее использовать прогностическую аналитику по сравнению с предписывающей аналитикой. Другими словами, они пытаются указать, что оптимизация решения предписывающей аналитики требует гораздо больше усилий, чем оптимизация решения прогнозной аналитики меньшего масштаба. При ответе на этот вопрос очень важно оценить зрелость бизнеса потенциальных клиентов.

Хотя большинство компаний используют бизнес-аналитику, не все из них продвинулись до прогнозной аналитики. Кроме того, отчеты показывают, что предписывающая аналитика в настоящее время используется только 11% средних и крупных предприятий. С другой стороны, ожидается, что рынок программного обеспечения для предписывающей аналитики будет расти быстрыми темпами. 20.6% CAGR к 2023 г.. Это указывает на то, что примерно 37% предприятий начнут использовать предписывающую аналитику.

Эти результаты показывают, что различие между прогнозной и предписывающей аналитикой становится все более важным для растущего числа предприятий.

В любом случае две аналитические методологии служат совершенно разным целям. Прогнозная аналитика является реактивной в том смысле, что она подчеркивает необходимость реагирования руководства. Предписывающая аналитика, с другой стороны, упреждающая, поскольку она указывает руководству путь вперед.

Но вот что-то общее у них есть. Как прогнозная, так и предписывающая аналитика используют данные в режиме реального времени, полученные от компании или бизнеса, а также другую информацию.

Прогнозная аналитика против предписывающей аналитики: какие проблемы вы бы решили?

Прогнозная и предписывающая аналитика не являются автономными решениями, которые можно использовать самостоятельно. Все виды бизнес-аналитики имеют место в организациях для решения различных задач.

Прогнозная аналитика часто является инструментом для выявления краткосрочных и среднесрочных тенденций, которые часто бывают полезными, хотя и в отрыве от более крупных тенденций. Вот несколько примеров:

• Анализ рисков для краткосрочного страхования
• Тенденции продаж, особенно для отдельных линий и товаров.
• Прогнозирование спроса
• управление запасами
• Отток клиентов
• рентабельность
• Требования к обслуживанию

С другой стороны, предписывающая аналитика дает широкий взгляд на ситуацию. Предписывающие модели часто анализируют целые организации или, по крайней мере, отдельные функции, подразделения или фабрики, в то время как прогнозная аналитика может измерять определенные закономерности. Предписывающая аналитика решает следующие задачи:

• Оптимизация добычи угля на нескольких шахтах для удовлетворения потребностей клиентов при одновременном повышении общей рентабельности.
• Определение наилучшей стратегии производства и запасов, особенно для фирм, производящих товары народного потребления.
• Выбор оптимального подхода к эксплуатации предприятия по очистке сточных вод, которое обслуживает обширный городской регион, при соблюдении нормативных требований.

Разница в организационной ценности, которую обеспечивают оба метода

Несмотря на то, что обе методологии имеют реальные преимущества, предписывающая аналитика обычно превосходит предиктивную аналитику. В то время как масштаб операций играет роль, виды принимаемых решений и возможности предписывающей аналитики для оптимизации решений также играют роль.

Для оценки краткосрочных рисков прогнозная аналитика, как правило, фокусируется на относительно ограниченном наборе критериев, таких как приведенный выше пример. Хотя эта форма исследования может дать значительные преимущества за счет снижения риска, она вряд ли будет иметь такой же масштаб, как предписывающее аналитическое решение, имитирующее операции страховой компании. Подобная модель может выявить самые прибыльные страховые продукты, лучшие рынки и лучшие методы для долгосрочного успеха в бизнесе. Кроме того, вместо того, чтобы ограничиваться определенными сценариями, руководители корпораций могут использовать предписывающую аналитику для изучения различных вариантов «что, если», возможностей и компромиссов.

Предписывающая аналитика может быть дороже, чем прогнозная аналитика, однако окупаемость инвестиций может быть намного выше.

Различие между технологическими потребностями

Анализ данных традиционно был прерогативой специалистов по данным; но сегодняшняя быстро меняющаяся бизнес-среда требует, чтобы линейные менеджеры и руководители имели немедленный доступ к этим аналитическим инструментам. Хотя это не указывает на участие в программировании или уточнении данных, это означает, что они должны иметь доступ к инструментам и информационным панелям конечных пользователей, которые позволяют им независимо исследовать результаты. Этот практический подход внушает доверие к технологиям, а также предоставляет данные в режиме реального времени для помощи в принятии решений.

В основном вы можете выполнять множество предписывающих аналитических задач с помощью различных технологий, начиная от языков программирования высокого уровня и заканчивая встроенными инструментами ERP и программными пакетами для конкретных решений. Чтобы сделать данные пригодными для использования, первым шагом является их очистка и интеграция. После этого появляются многочисленные аналитические подходы, в том числе:

• Методы регрессии; включает методы линейной, временной и логистической регрессии.
• Методы машинного обучения
• Нейронные сети
• Условная вероятность (Наве Байес)

Предписывающая аналитика делает еще один шаг вперед, включая эвристику или оптимизацию в анализ.

Эвристика

Эвристика пригодится при работе с не поддающимися описанию операционными сценариями. Этот метод представляет собой математический подход, основанный на правилах. Это полезно в тех случаях, когда подобные решения принимаются на регулярной основе, например, при приобретении сырья. По сути, эвристика полезна для автоматизации суждений, но не столько для их оптимизации. Однако некоторые основные недостатки включают отсутствие требований к регулярному изменению правил во избежание их устаревания, а также тот факт, что эвристика не может исследовать все возможные обстоятельства.

Идеальное решение определяется с помощью комбинации математических моделей и точных алгоритмов. Чтобы ответить на конкретные запросы, создается математическая модель, отражающая бизнес или функцию, и используется точный алгоритм. Цель модели оптимизации — максимизировать или уменьшить такой параметр, как прибыль или затраты.

Оптимизация

Пакетные решения и платформы оптимизации также доступны для программное обеспечение предписывающей аналитики. Пакеты легче настроить, и они часто создаются для решения общей проблемы или для конкретной отрасли. Обычно они доступны в виде решений SaaS или PaaS в облаке.

Платформа оптимизации, однако, состоит из двух частей: платформы моделирования для определения проблемы и решателя оптимизации.

Модели создаются с помощью визуального интерфейса перетаскивания или с помощью математических вычислений. Кроме того, большинство систем оптимизации работает внутри компании, и затраты значительно различаются. Они предлагают очень персонализированные решения, которые являются реалистичными представлениями о проблеме. Кроме того, они могут потребовать привлечения квалифицированных программистов для построения модели, и им часто не хватает интерфейсов для конечных пользователей.

Одни, например платформа Microsoft Azure от River Logic, требуют широких возможностей программирования, а другие, например платформа Microsoft Azure от River Logic, не требуют.

Что такое прогнозная и предписывающая аналитика?

Прогнозная и предписывающая аналитика — это две дальновидные технологии, которые руководители компаний используют, чтобы выйти за рамки ограничений принятия решений, основанных на простых предположениях. Они более правильно предсказывают будущее и, в случае предписывающей аналитики, направляют руководителей к лучшим общим решениям, комбинируя исторические данные (дескриптивная аналитика), правила и знание бизнеса.

В чем разница между предписывающим и профилактическим обслуживанием?

Предписывающая аналитика, в отличие от прогнозной аналитики, не только решает, что необходимо техническое обслуживание, но и определяет наилучшие варианты обслуживания, замены или аутсорсинга, чтобы максимизировать общую прибыльность и оборот.

Что является примером предписывающей аналитики?

Карты и приложения для пробок — типичные примеры предписывающей аналитики в действии. Карты Google изучат все доступные виды транспорта (например, автобус, пешком или на автомобиле), текущие условия движения и возможные дорожные работы при расчете оптимального маршрута, чтобы добраться из точки А в точку Б.

Какой тип анализа данных имеет наибольшую ценность?

В то время как прогнозная аналитика предсказывает, что может произойти, предписывающая аналитика показывает, как это сделать. Прогнозная аналитика в этом сценарии подчиняется предписывающей аналитике. Это не означает, что прогнозная аналитика бесполезна; просто информация, которую они предоставляют, не совпадает.

В чем сходство прогнозной и предписывающей аналитики?

Оба предоставляют знания и даже предвидение, чтобы помочь предприятиям принимать решения. Как прогнозная, так и предписывающая аналитика используют статистическое моделирование, машинное обучение и интеллектуальный анализ данных, чтобы предоставить стратегические инструменты и глубокое понимание клиентов и общих операций руководителям MBA и аспирантам MBA.

Статьи по теме

1. Предписывающая аналитика: определение, примеры из реальной жизни, как это работает
2. СТРАТЕГИЯ ДАННЫХ: 7 компонентов стратегии данных, которые нужны каждому соединению
3. СТРАТЕГИЧЕСКОЕ СНИЖЕНИЕ РИСКОВ: как это сделать правильно
4. Планирование спроса: обзор, сравнения, зарплаты и вакансии

Прошлые данные можно не только анализировать, но и интерпретировать. Среди всех параметров найдутся факторы, которые влияют на другие параметры. Зная их, понимая степень влияния, можно получить картину того, как изменится бизнес в будущем. Если будущее выглядит позитивно, то работникам будет ясно, какие факторы следует повторить. Если перспективы негативные, то эти факторы можно выявить и впредь избегать. 

Зачем нужна прогнозная аналитика

Использовать в работе прогнозную аналитику следует тем предпринимателям, которые хотят быть на шаг впереди конкурентов. Ведь аналитика позволяет руководителю фирмы понимать, как те или иные решения повлияют на бизнес. Следовательно, он будет каждый раз делать оптимальный выбор. 

Алгоритм прогнозной аналитики

Как и другие виды аналитики, прогнозная подразумевает работу с цифрами и конкретными данными. Поэтому работа всегда начинается со сбора данных. Нет единых правил, какую именно информацию и какими методами собирать. Это зависит от специфики бизнеса и от той части его работы, которую необходимо анализировать. Но чаще всего собираются такие данные:

• количественные показатели, связанные с продажами. Например, число новых клиентов, число отправленных коммерческих предложений, число проданных единиц товара;
• экономические данные, связанные с заработанными и потраченными деньгами. В том числе маржинальность, прибыль, доходы и расходы по разными статьям;
• внешние факторы, которые влияют на работу компании. Например, показатели конкурентов, изменение курса валюты;
• внутренние факторы, связанные с персоналом. Это уровень квалификации, загруженность и производительность одного работника;
• конверсия воронок продаж;
• поведение клиентов. Каналы, по которым клиент пришел в компанию, поведение на сайте, в поисковой системе;
• информация о клиентах. Это те же данные, которые обычно используют при анализе целевой аудитории – пол, возраст, семейное положение, географическое положение, уровень достатка.

Способы добычи информации отличаются в зависимости от того, какая именно информация нужна. Например, данные по выручке, продажам следует смотреть в отчетах отдела продаж. За поведением клиента следят маркетологи: чтобы понять, что и как ищет клиент в Интернете, используют сквозную аналитику, статистику из социальных сетей и прочие источники.

Даже если продажи ведутся в офлайн, у собственника бизнеса есть возможность собрать данные о поведении клиентов. В магазинах должны быть камеры наблюдения, датчики движения, кассовые аппараты для учета частоты и объема покупок. 

Чем больше источников информации, тем объективнее она получается. Не стоит ограничиваться 1–2 способами получения данных, лучше заранее внедрить нужные программы и системы. 

Исследовательский анализ

После сбора данных начинается их анализ. Цель этого этапа заключается в том, чтобы из всего массива данных выявить ту информацию, которая ранее была неизвестной и непонятной. Задача этапа – найти знания в данных, то есть те интерпретации, которые потом помогут при принятии решений. 

Чтобы исследовательский анализ прошел успешно, необходимо помнить о двух правилах. Во-первых, следует использовать много данных, чтобы выводы были объективными. Во-вторых, данные должны быть не разрозненными, а связанными между собой. 

Вот что дает исследовательский анализ предпринимателю:

• все элементы из данных можно классифицировать, то есть объединить в несколько групп на основе каких-то параметров;
• есть возможность выявить зависимость полученных результатов от исходных данных;
• объединять несколько объектов в одну группу на основе различных параметров;
• выявлять закономерности между разными явлениями и полученным цифрами;
• выявлять время, спустя которое случаются определенные последствия;
• определить, какие есть исключения из принятых правил.

Моделирование будущего

Если первые два этапа выполнены правильно, то уже есть большой массив данных и интерпретация этих данных. Когда выявлены закономерности, необходимо приступить к прогнозированию. Вот что необходимо сделать на этом этапе:

• поставить задачу. Не получится делать общие прогнозы по всей деятельности компании. Необходимо задать точные рамки – какая отрасль или бизнес-процесс нуждается в прогнозе и на какой период времени он делается;
• выбрать статистическую модель. Необходимо взять во внимание все данные и факторы, которые касаются цели, свести их воедино, а затем распределить их удельный вес и ввести исходные данные.

Статистические методы

В основе этой аналитики лежат несколько статистических методов, а сам анализ проводится с использованием искусственного интеллекта и машинного обучения. В зависимости от того, какой метод используется в работе, выделяют два типа прогнозной аналитики.

Контролируемое обучение

Первый тип – контролируемое обучение. Когда аналитик приступает к анализу, он сам строит модель, по которой будут изучаться данные. Аналитик задает и параметры события, и результат, на который они влияют. Так как специалист может сам выбирать, какие параметры будут учтены, обучение считается контролируемым. 

В работе компании действительно часто встречаются очевидные связи между разными данными и показателями. Например, выручка завязана на двух параметрах – числе покупок и среднем чеке. Если потребуется узнать, как именно влияют эти параметры на выручку, то стоит использовать именно контролируемое обучение.

В рамках контролируемого обучения можно выделить два основных метода. 

1. Самый популярный – регрессия. Он используется, если нужно получить любые количественные ответы. Например, прогнозировать выручку в августе будущего года. В прогнозе учитывается только та переменная, которую нужно предсказать, и предикторы – влияющие факторы. Именно на них необходимо сосредоточиться, если необходимо в будущем как-то изменить результат.

Например, на выручку влияют число клиентов и средний чек. При анализе учитываются прошлые данные. В течение последнего года число клиентов колебалось, а средний чек оставался примерно на одном уровне. С помощью регрессии можно прогнозировать будущую выручку, основываясь на среднеарифметическом числе клиентов. Если необходимо изменить будущую выручку, то проще влиять именно на число покупателей, а сумму чека оставить прежней.

1. Второй метод контролируемого обучения – классификация. Сначала все прошлые данные разделяются на группы по одному или нескольким параметрам. В каждой группе есть свои закономерности, которые связаны именно с теми параметрами, на основе которых и произошло деление. Когда в будущем появляются новые данные, их причисляют к одной из групп. Затем берутся в расчет выявленные закономерности и прогнозируется будущее. 

Например, у компании гибкая система скидок. Продавец может снизить стоимость клиенту, если он набирает много товара на определенную сумму или в чеке есть определенная позиция. Если в будущем появится новый клиент, который захочет скидку, то можно сразу рассчитать, какая скидка может быть ему предоставлена и сколько фирма заработает. Для этого нового клиента классифицируют и включают в одну из групп. Затем аналитик смотрит, на сколько в среднем снижала цены компания при работе с прошлыми клиентами из группы и сколько удалось заработать. После этого можно примерно спрогнозировать итог работы с новым покупателем.

Неконтролируемое обучение

Второй тип моделирования будущего – неконтролируемое. Здесь аналитик не вводит переменные и требуемый результат, поэтому искусственный интеллект вынужден сам искать закономерности между факторами. Соответственно, тип аналитики следует использовать там, где специалистам не удается самостоятельно выявить связи между данными и нет понимания, как на них влиять. 

Основной метод, который используется при таком типе прогнозирования – кластеризация. Вот что делает аналитик:

• классифицирует факторы;
• пробует разные схемы группировок данных и определяет, какая из них наиболее жизнеспособна;
• проводит исследования и выдвигает гипотезы, какие могут быть связи между разными факторами;
• проверяет свои гипотезы. 

Кластеризацию можно использовать любой компании. Именно этот метод позволяет представить зависимости между разными данными. Кроме того, получается заблаговременно выявить новые тенденции, которые появляются на рынке или в работе компании. Зная их, компания сможет адаптироваться быстрее, чем конкуренты.

Например, в компании есть много клиентов из разных населенных пунктов страны. Каждый клиент заказывает разные товары в разном объеме. Вручную выявить какие-либо закономерности между объемом закупки, частотой покупок и городом не получилось. Соответственно, если компания захочет как-то спрогнозировать выручку в будущем с помощью контролируемого обучения, у нее это не получится. В таком случае лучше использовать именно метод кластеризации. Искусственный интеллект выявит закономерности и спрогнозирует выручку.

Примеры использования аналитики

Прогнозная аналитика потребуется в разных направлениях работы компании. Например, в ритейле можно спрогнозировать, сколько потребуется заказать или создать товаров на будущий период. В этом случае за основу берется текущий спрос и перечень наиболее ходовых позиций.

В продажах много других ситуаций, когда потребуется такая аналитика. Например, получится прогнозировать и управлять будущей выручкой. Ведь отделу продаж станут ясны факторы, влияющие на продажи прямо и косвенно.

Если в компании есть собственное производство, можно выявлять параметры, которые повышают работоспособность. Например, так получится продлить срок службы оборудования. Если известно, что оборудование ломается при определенных обстоятельствах, можно будет их предотвратить. На месте таких негативных обстоятельств могут оказаться и температура в помещении, и уровень влажности, и длительность бесперебойной работы. 

Использовать предиктивную аналитику можно для управления рисками, для клиентского анализа или для работы с сотрудниками. Эффективность анализа будет в разы выше, ведь здесь работа ведется с конкретными фактами и цифрами, а не с эфемерным опытом и интуицией.