fbpx

Big Data для ускорения принятия решений в условиях неопределенности

Алексей Каширин, директор по интеллектуальным системам управления компании «Связной», рассказал об опыте своей компании на онлайн-конференции «Большие данные ритейла в условиях шторма». Организаторы: телеграм-канал «Цифровой директор», ГК «НТР», Userstory. 

big data

Точно ли Big Data способна ускорить принятие решений в условиях неопределенности или «ручное» экспертное вмешательство остается сегодня превалирующим?

Big Data – это прикладная наука, а значит, очень сильно зависит от контекста окружающей жизни, не может развиваться в отрыве от него. Сейчас, когда многие устоявшиеся нормы и процессы меняются, прикладная наука тоже должна меняться вслед за ними. Иначе она становится не нужной, теряя свою актуальность.

В период самоизоляции произошли три основных изменения в процессах, которые стали задачами для специалистов по большим данным:

  • у нас теперь должна быть совершенно другая скорость реакции и адаптации;
  • новую ценность приобретает работа с отклонениями: если раньше это были скорее исключения из правил, которые можно было решать отдельно, то сейчас отклонение становится новой формой нормальности, и поэтому работать с отклонениями нужно с новым системным подходом;
  • необходимость в согласованности управляющих решений: в условиях разворачивающегося вокруг апокалипсиса очень сложно всем усидеть на месте, все бегут одновременно, но не всегда в одну сторону. Соответственно, системный подход основанный на данных, позволяет согласовывать усилия многих подразделений и наладить коммуникацию внутри компании.

Что я имею в виду, когда говорю про скорость реакции, которая изменилась. Обычный подход, который мы реализуем в компании, – это автоматизация или аналог конвейерности. Сначала, когда появляется новый процесс, его можно рассматривать как стартап. Это абсолютно ручной процесс: есть человек, который отвечает за проект, контролирует его, не передавая ответственность никакому автомату. Дальше концепция превращается в платформу или товар – и появляется первый этап автоматизации. Это информатизация: человек по-прежнему управляет процессом, но уже доверяет датчикам и показателям, которые облегчают его задачу. Последний шаг – это подлинная автоматизация, когда уже все отлажено, работу можно доверить автомату, а человеку остаются мелкие корректировки.

Такой цикл мы стараемся реализовывать в наших внутренних процессах на протяжении всей деятельности. Но это очень долго. Наверное, минимальный срок, за который можно пройти весь цикл, составляет полгода. А самый долгий период у нас длился два года. Интересно, что там, где уровень автоматизации высок, где уже конвейер построен, мы видим, что новая реальность этот конвейер корежит, и происходит противопоставление того, что было раньше, тому, что требуется сейчас.

Столь длинные циклы совершенно неприемлемы. Поэтому сейчас фокус делается на быстрые гипотезы, быстрые проверки и быстрое внедрение того, что оказалось правильным, валидным. Я бы даже сказал, что теперь мы сразу делаем гипотезу, которая должна с большой вероятностью оправдаться и принести деньги. Понятно, что это не значит, что теперь так будет всегда. Вполне возможно, когда все вернется на круги своя, конвейерный подход тоже вернется.

Первый кейс. У нас в компании наибольшая автоматизация достигнута в системе управления товарным запасами. Весь цикл цепей поставок автоматизирован максимально. Но когда началась пандемия, заводы в Китае встали, товар, конечно, приходит, но не тогда, когда хотелось бы. Началось большое перераспределение спроса. Какие-то регионы оказались тотально закрытыми. Структура покупательского поведения значительно изменилась. Сильно упали рассрочки, снизился средний человек. Одни популярные товары просели, а все, что связано с работой, учебой и развлечениями, выросло.

Наша выстроенная конвейерная система перестала давать нужный результат. Нужно было в моменте понимать, в какой степени достаточности находятся товары, чего не хватает в торговых точках, стоит ли что-то отправлять самолетом за дополнительную плату или можно сэкономить на логистике, доставить чуть позже, потому что все равно продадим. Дальше реакция на рынок: если он снижает цену, следует ли нам делать то же самое? Или наши товарные запасы таковы, что мы продадим товар с большей маржей, и это решение на круг окажется более эффективным? Все эти подходы нужно было проверять вживую.

Когда гипотез много, можно ли их отдать на откуп человеку? Теоретически можно, но там, где есть цифровой след, лучше решать задачу с помощью больших данных.

Второй пример касается работы с отклонениями и датчиками. Обычному человеку не хватает прогнозной мощности: на данных он может строить какие-то предположения о том, что будет происходить. У нас есть проект «Ситуационная комната», которым мы очень гордимся. В чем он состоит: берем торговую точку, «обклеиваем» ее датчиками. Все происходящие операции собираются в хранилище данных. Кейс создавался для внутренней оптимизации: мы видели, где слишком часто образовывались очереди, где не хватало продавцов, и отстраивали инструменты по управлению розничным персоналом. То есть в основном, занимались внутренней эффективностью.

Но теперь эти же самые датчики мы можем использовать в другую сторону: отслеживать частоту чеков, структуру трафика, оптимизировать действия в зависимости от поведения клиента. Например, видим падение трафика в точке, понимаем, что сейчас ее лучше закрыть и не терять на аренде деньги.

Исторически мы гораздо больше опираемся на внутренние данные. Для принятия большинства управляющих решений их достаточно, поскольку снаружи высокая турбулентность. Нам хватало относительно небольших данных, чтобы построить стабильные модели. Но теперь: новая действительность – новый подход. Для оптимизации внутренних процессов нужно больше внешней информации: трафик вокруг точки, активность по тратам денег в этой локации, средний чек и так далее.

Учитывая, как вырос индекс электронной коммерции в России, как люди переходят в онлайн, появляются совершенно новые задачи, которые позволяют оптимизировать наши затраты относительно выручки. Отдельный мониторинг теперь касается каналов привлечения – какие сервисы подключить, чтобы соответствовать спросу. Как оптимизировать рекламные кампании: мониторинг отклика, сравнение вложенных средств, заработанной маржи. Как оптимизировать CROSS-SALE с учетом актуальной повестки и мерчендайзинг на сайте на основе данных о пользователях.

И последний пункт, который я хотел бы озвучить, – это согласованное решение. В компании огромное количество людей и функций. И каждый пытается со своей колокольни принять оптимальное решение. Но поскольку все это делают в дефиците времени и при огромном желании прямо здесь и сейчас что-то внедрить и принести пользу, то выходит, как в басне «Лебедь, рак и щука». Иногда в итоге, получаются плохие результаты и общий фон несогласованности. Биг дата позволяет разным функциям видеть ситуацию одинаково. Поэтому главный запрос к большим данным сегодня – в повышении скорости и удобства принятия решений, что особенно ценно в условиях повышенной неопределенности.

Вопрос – ответ

Кто выдвигает гипотезы, и кто их проверяет?

У нас получилось очень интересно. Еще в феврале, до начала периода самоизоляции и проблем с вирусом в России, было принято решение, что все пилоты, которые проводятся в компании, проходят через наше подразделение. То есть заявляется пилот, заявляется цель, создается паспорт пилота (что мы хотим увидеть по результатам, как будем мерить и так далее). И вот уже с февраля пилоты идут через нас. Мы в частности их синхронизируем, чтобы не тратилось время на повторы. Поэтому с февраля копится база знаний, ведется библиотека активностей внутри компании.

 
Смотреть видео

big data

Оставайтесь на связи

+7 (495) 215 10 82
Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 

Исследования осуществляются Novo BI при грантовой поддержке Фонда «Сколково» ООО "Ново Биай" © 121205, Москва, территория инновационного центра «Сколково», Большой бульвар, 42, стр. 1, этаж 3, офис 1131

 

Russian (RU)    English (UK)