Три шага для внедрения прогнозной аналитики

В этой статье вы узнаете, как встроить предиктивную аналитику в повседневные решения. Мы показываем управление решениями, промышленный процесс моделирования, надежную архитектуру внедрения, работу в реальном времени, сервисы решений и мониторинг. Поймете, как наладить данные, ускорить модели, снизить риски, увеличить продажи и повысить прибыльность, улучшить клиентский опыт и устойчивость операций бизнеса.

Самые сильные примеры успеха в аналитике показывают, как подход Управления решениями помогает внедрять аналитические выводы в повседневные операции, чтобы организации принимали более прибыльные операционные решения.

Решение задачи встраивания аналитики в работу требует сочетания подхода Управления решениями с надежной, современной технологической платформой для аналитики.

В этом материале мы объясняем, как сосредоточиться на самих решениях, чтобы решать нужную задачу, и каким должна быть такая аналитическая технологическая платформа.

Самые сильные примеры успеха в аналитике показывают, как подход Управления решениями помогает внедрять аналитические выводы в повседневные операции, чтобы организации принимали более прибыльные операционные решения.

Организации все активнее применяют предиктивную аналитику и расширяют масштабы ее использования. Многие уже используют десятки и даже тысячи предиктивных моделей. Такие модели все чаще работают в режиме реального времени и встроены в операционные, производственные системы. Их применяют, чтобы улучшать работу с клиентами, выбирая следующее лучшее действие для развития отношений, принимать решения по займам и ценам на кредит с учетом будущего риска сделки, предсказывать вероятность отказа оборудования для своевременного обслуживания, а также выявлять потенциально мошеннические операции, чтобы вывести их из потока до того, как они повлияют на финансовый результат. Такие примеры дают высокий возврат от аналитики.

Однако многие аналитические команды опираются на подходы и инструменты, которые не масштабируются до такого уровня применения. Этим командам нужен повторяемый, результативный и рациональный процесс создания и вывода предиктивных моделей в промышленную эксплуатацию. Им нужно встроить аналитику в операционную работу.

Встраивание аналитики в операционную деятельность включает три элемента:

Совместная среда и общий каркас для постановки задачи, чтобы создаваемая аналитика решала именно ту задачу, которая нужна.
Повторяемый, промышленного масштаба процесс для разработки десятков или даже тысяч необходимых предиктивных моделей.
Надежная архитектура для развертывания и управления предиктивными моделями в производственных системах.

Решение задачи встраивания аналитики в работу требует эффективного сочетания подхода Управления решениями с надежной, современной технологической платформой для аналитики. Такое сочетание помогает направлять аналитику на правильные задачи и напрямую интегрировать результаты анализа в операционные системы, чтобы решения принимались быстрее и приносили больше прибыли.

В этом материале мы объясняем, как сосредоточиться на самих решениях, чтобы решать нужную задачу, и каким должна быть такая аналитическая технологическая платформа.

Хотите узнать, как лидеры российского рынка используют наши решения?

Ознакомьтесь с маркетинг-китом AllSee, где собраны реальные кейсы и решения, доказавшие свою эффективность в бизнесе!

Решение правильной проблемы

Первый шаг в большинстве аналитических проектов — разработка плана модели. Ключевая сложность при создании эффективного плана — убедиться, что бизнес‑задача понята правильно. Как мы будем измерять успех? Какие данные подходят? Кто будет пользоваться этой моделью и на какие решения она повлияет? Где нужно будет развернуть эту модель? Эффективная аналитическая команда тесно сотрудничает с бизнес‑подразделениями, чтобы ответить на эти вопросы, и остается согласованной на этапах разработки и валидации модели. Важно также тесно работать с ИТ‑командой — это улучшает доступ к данным и упрощает путь к внедрению. Однако часто между бизнесом, аналитикой и ИТ есть разрыв в понимании, инструментах и среде для совместной работы.

Сегодня у многих организаций процессы формулирования бизнес‑задач в аналитических проектах носят разовый, несистемный характер. В результате проектам не хватает общего языка, а инструментов для сотрудничества бизнеса и ИТ почти нет. Пробелы в понимании бизнеса приводят к тому, что аналитические модели решают не ту задачу или решают нужную задачу неправильным способом. Модель склонности, которая опирается на данные, недоступные в маркетинговой системе, мало полезна, а модель, призванная влиять на решение, которое по регулированию должно приниматься строго по заданным требованиям, должна включать соответствующие правила. Внедрение предиктивных моделей может занять месяцы, а часть моделей так и не внедряется. Хорошие аналитические модели слишком часто «лежат на полке», и аналитические ресурсы тратятся впустую. Другие модели запускаются, но не мониторятся, и со временем могут деградировать до состояния, когда вредят больше, чем приносят пользу.

Один из ведущих провайдеров кабельного ТВ и широкополосного доступа в Дании, входящий в крупный телекоммуникационный холдинг страны, столкнулся с двумя задачами. Во‑первых, клиенты продуктов ТВ и интернета обычно не слишком лояльны, и отток — постоянная проблема. Во‑вторых, клиенты с несколькими продуктами более прибыльны и более лояльны, но у многих клиентов был только один продукт. Был запущен проект по применению предиктивной аналитики для решения этих задач.
Компания четко понимала, какое решение хочет улучшить — решение оператора контакт‑центра о кросс‑продаже или удерживающем предложении при разговоре с клиентом. Этот фокус позволил определить данные для построения моделей и создать две начальные модели, которые должны были улучшить это решение, — вероятность успешной кросс‑продажи услуг кабельного ТВ абоненту широкополосного доступа в ближайшие 90 дней и вероятность оттока абонента широкополосного доступа в ближайшие 90 дней.

Первый шаг встраивания аналитики в операционную деятельность — выработать понимание задачи, которое позволит ее решить. Управление решениями — проверенный подход, создающий общий каркас и среду для сотрудничества бизнеса, ИТ и аналитической команды. В рамках этого каркаса можно прийти к общему пониманию задачи, определив и расставив приоритеты операционным решениям, которые двигают успех организации.

Управление решениями связывает операционные решения с бизнес‑драйверами и показателями эффективности, которые сильнее всего влияют на результаты. Моделирование операционных решений, подлежащих аналитическому улучшению, проясняет и фокусирует формулировки задач, которые лежат в основе аналитических проектов. Такой фокус обеспечивает проектам сильную и долгосрочную окупаемость и помогает эффективно использовать ограниченные аналитические ресурсы. Будучи ориентированным на бизнес подходом, Управление решениями выстраивает продуктивное взаимодействие аналитической и бизнес‑команд. Аналитические команды отмечают, что это гораздо более живой и эффективный способ собирать требования по сравнению с текущими практиками.

Управление решениями также выявляет критически важные операционные решения, которые сейчас «спрятаны» внутри бизнес‑процессов и ИТ‑систем. Описание и визуализация ранее встроенных операционных решений как отдельных, самостоятельных действий помогает бизнес‑стейкхолдерам понять и взять на себя ответственность за то, как решения принимаются сейчас. Связь с бизнес‑процессом и существующими ИТ‑системами проясняет, как и где нужно будет развернуть полученную аналитику, что помогает обеспечить успешное внедрение после разработки аналитических моделей.

Ищете проверенные ИИ-решения, которые реально работают?

В нашей подборке — 85 уникальных ИИ технологий для маркетинга, ритейла, HR и других сфер, которые уже приносят выгоду компаниям.

Создание процесса промышленного масштаба

Следующий шаг встраивания аналитики в работу — переход к промышленному процессу создания аналитических моделей. Это означает отказ от индивидуальных сред со скриптами, где каждая задача выполняется вручную, повторное использование ограничено, участвует только небольшое число экспертов‑аналитиков, и они не следуют единому стандартному процессу. Такой подход может давать высококачественные модели, но он не масштабируется и не позволяет организации широко применять аналитику в принятии решений.

Промышленный процесс включает пять ключевых характеристик:

Системный подход к управлению данными.
Рабочую среду для предиктивной аналитики, поддерживающую повторное использование, автоматизацию и повторяемость.
Привлечение менее технических пользователей.
Высокопроизводительную аналитическую архитектуру для быстрого цикла создания моделей.
Непрерывное управление и мониторинг моделей.

Систематический подход к управлению данными

Растущие объем, разнообразие и скорость данных усложняют управление ими — все больше аналитических задач становится задачами «больших данных». Организациям нужно уметь использовать транзакционные данные, потоки событий из транзакций, неструктурированные и полуструктурированные данные и другое, чтобы понимать, что делают клиенты, или что является неприемлемым риском. Системный подход к управлению информацией, который включает качество данных, интеграцию и управление данными, делает доступ к данным стандартизованным и эффективным. Добавление управления эталонными данными (Master Data Management) обеспечивает четко определенные метаданные и гарантирует, что разработчики моделей работают со стандартными наборами данных о клиентах, продуктах и т. д. Определения данных становятся общими, а аналитические датасеты формируются повторяемым и все более автоматизированным образом, что ускоряет выпуск моделей и повышает их согласованность.

Гибкая платформа для управления данными позволяет каждый раз подключать нужный тип данных, будь то хранилище данных, плоский файл или NoSQL‑хранилище. Профильные интерфейсы дают доступ к и из Hadoop с помощью привычных языков и инструментов, а также обеспечивают ускорение скоринга прямо в Hadoop. Средства работы с метаданными позволяют эффективно управлять метаданными из разных источников, включая Hadoop. И наконец, всеми этими элементами нужно управлять через общий слой правил, управления и контроля.

Среда рабочего стола для прогнозной аналитики

Более системный подход к управлению информацией переходит в рабочую среду, где задается поток построения моделей. Профессиональные платформы для аналитики позволяют создавать и через общий репозиторий делиться повторно используемыми и воспроизводимыми схемами потоков разработки моделей. Такие рабочие процессы упрощают и стандартизируют, как выполняется аналитическое моделирование. Возможности выполнения аналитики внутри баз данных, интегрированные с этими процессами, позволяют перенести подготовку данных, преобразования и даже алгоритмы моделирования прямо в инфраструктуру данных организации, повышая пропускную способность за счет сокращения перемещения данных. Вычисления в памяти и другие высокопроизводительные аналитические возможности, а также умная автоматизация действий моделирования могут применяться там, где это уместно, на шагах, определенных в рабочих процессах.

Вовлечение менее технически подкованных пользователей

Возможность быстро и в больших объемах строить модели — ключевая задача для любой организации, которая широко внедряет аналитику. Исторически создание аналитических моделей требовало участия узких специалистов. Однако такие рабочие среды часто можно дополнить интерфейсом, удобным для менее технических пользователей. Функции в подобных инструментах позволяют таким пользователям строить и запускать модели, используя встроенную автоматизацию, чтобы быстро получать большое количество «достаточно хороших» моделей. Работая совместно с аналитической командой, эти пользователи могут создавать первичные и менее критичные модели, активнее участвовать в их обзорах и дать аналитической команде возможность сосредоточиться на задачах с высокой ценностью и высокой сложностью.

Высокопроизводительная аналитическая архитектура для быстрого создания моделей

Организации, которые хотят шире использовать предиктивную аналитику, сталкиваются с ростом объема и сложности данных и с медленным получением результатов, потому что базовая аппаратная инфраструктура перегружена. Высокопроизводительная аналитическая инфраструктура масштабируется горизонтально и при этом обеспечивает высокую доступность, управление нагрузкой и планирование задач. Распределенная грид‑ или кластерная среда дает параллельное выполнение заданий на нескольких серверах с общим физическим хранилищем. Если алгоритмы и процедуры умеют использовать такую архитектуру, можно получить резкий прирост скорости. Инструменты для интеграции данных и построения моделей могут автоматически настраиваться под параллельную обработку в грид‑среде. Другие аналитические решения можно настроить так, чтобы они сами отправляли задания в общую вычислительную сетку. Для остального кода часто достаточно добавить несколько строк, чтобы включить режим работы в гриде.

Например, скоринг риска портфеля из 400 000 кредитов был сокращен с 3 часов до 10 минут, а обработка моделей поведения клиентов (сегментация, склонность к покупке и удержание) — с 11 часов до 10 секунд. В сочетании с мощными инструментами визуализации, аналитикой «на стороне базы данных» и вычислениями в памяти эти подходы позволяют решать новые задачи и повышают пропускную способность аналитической команды, сокращая время каждой итерации создания модели.

Крупная сеть женской одежды из Форт‑Майерса (штат Флорида) управляет более чем 1 000 бутиков по всей территории США, на Виргинских островах США и в Пуэрто‑Рико под несколькими брендами. Компания также работает с потребителями через каталоги и онлайн‑каналы. Ритейлер сегментирует рассылки каталогов и по‑разному выстраивает промо‑активности для максимального эффекта, используя облачную платформу автоматизации маркетинга.

Такое облачное решение для предиктивной аналитики позволяет отправлять клиентам с высокой вероятностью покупки новинок полноразмерные каталоги по полной цене и письма, подчеркивающие новые товары. Покупатели, ориентированные на скидки, получают более тонкие ликвидационные каталоги и флаеры распродаж. Онлайн‑клиенты получают письма, настроенные под их привычки покупок.

Постоянное управление и мониторинг моделей

Наконец, рабочие среды для предиктивной аналитики поддерживают постоянное управление и мониторинг моделей, когда те уже используются. Функции специализированных систем управления моделями позволяют команде аналитиков настроить автоматический мониторинг, чтобы вовремя видеть, когда модель нужно перенастроить или даже полностью переобучить. Эти возможности также помогают отслеживать качество работы моделей, подтверждать их прогностическую силу и поведение. Такой рабочий процесс тоже можно описать и управлять им, подключая к нему даже тех, кто не пользуется аналитической средой напрямую, например администраторов баз данных и специалистов по интеграции.

Легко подумать, что дело только в технологиях, но это не так. Чтобы действительно встроить аналитику в работу, нужны подходящие технологии, нужные люди и новые процессы. Одной концентрации на технологиях недостаточно.

Не уверены, нужен ли вашему бизнесу искусственный интеллект?

Специальная анкета от AllSee поможет оценить текущие бизнес-процессы и понять, где ИИ станет вашим конкурентным преимуществом.

Надежная архитектура внедрения

Сегодня результаты процесса разработки предиктивной модели часто фиксируются в документе с описанием модели, в отчете или на панели мониторинга, либо в коде, сгенерированном системой моделирования. Для стратегических решений отчета часто достаточно: человек, которому нужны выводы, может изучить анализ и принять решение. Но чтобы получить полную ценность от предиктивной аналитики, аналитические выводы нужно внедрять в операционные системы.

Модель можно вручную закодировать в систему для операционного использования. Раньше компании перепечатывали информацию, перенося ее из одной ИТ‑системы в другую, потому что системы не были интегрированы. Такая неэффективность кажется делом прошлого, но многие организации, использующие аналитику, делают очень похожее с результатами своих моделей. В процессе создаются большие ручные задержки, растет риск ошибок и снижается точность моделей.

Кроме того, внедрение и обновление моделей обычно требует нескольких ИТ‑проектов, каждый из которых занимает время и стоит денег. Даже когда аналитический инструмент производит код, этот код и связанные данные быстро встраиваются и переплетаются с кодом других систем, из‑за чего последующие корректировки становятся сложными и дорогими.

Внедрение моделей в операционные системы — центральный фактор создания значимой бизнес‑ценности. Но организации регулярно сталкиваются с тем, что 50–60% моделей не внедряются, а внедрение остальных занимает 30, 90 и даже 120 дней и больше. Бизнес не может позволить себе упущенную выгоду от невнедренных аналитических выводов, а организации — такой уровень неэффективности при использовании ограниченных аналитических ресурсов.

В этом проекте фокус на улучшении конкретных решений помог сразу понять, что просто показывать предиктивные вероятности в приложении колл‑центра недостаточно. Интеграция предиктивных моделей в систему колл‑центра включала разработку бизнес‑правил, которые использовали скоринговые баллы и другие клиентские данные для формирования динамических, персональных подсказок внутри системы. Эти подсказки позволили операторам значительно повысить успех кросс‑продаж.

Когда существует промышленного масштаба процесс разработки моделей, нацеленный на правильные бизнес‑задачи, Управление решениями выводит предиктивную аналитику на следующий уровень, обеспечивая надежную архитектуру для внедрения моделей в операционные системы. Успехи этого подхода в разных отраслях показывают, что ценность предиктивной аналитики растет, когда ее применяют к качеству и эффективности операционных решений. Чтобы принимать решения быстрее, лучше и стабильнее, нужно интегрировать логику принятия решений и аналитику в операционные системы.

Операционные решения — это часто повторяющиеся решения по одному клиенту или одной транзакции. Поскольку они принимаются снова и снова, они создают данные, необходимые для эффективной предиктивной аналитики. Так как операционные решения принимаются сотрудниками на передовой или полностью автоматизированными системами, к ним плохо подходят подходы, которые рассчитывают на конечного пользователя, такие как визуализация и инструменты запросов. Чтобы влиять на эти решения с помощью предиктивной аналитики, исполняемые модели интегрируются в операционные системы, улучшая решения в реальном времени в высоконагруженных транзакционных средах.

Управление решениями обеспечивает, что когда модель построена и проверена, все вовлеченные команды — бизнес, аналитика и ИТ — знают, где и как она будет развернута. Команды могут сосредоточиться на точке, где принимаются операционные решения, и на системах, которые используются для этих решений. Моделирование операционных решений определяет логику того, как должно приниматься конкретное решение с учетом текущей ситуации, которую понимает система. Системы управления бизнес‑правилами обеспечивают, чтобы логика принятия решений управлялась и исполнялась прозрачно, поэтому понятно, как именно было принято каждое конкретное решение. Затем эта логика может использовать предиктивные модели, развернутые через инфраструктуру скоринга на стороне базы данных или напрямую в операционных средах.

Внедрение аналитики в базу данных

Один из способов сделать предиктивные модели доступными в операционной работе — использовать инфраструктуру скоринга внутри базы данных. Такая инфраструктура берет аналитические модели и размещает их прямо в ядре хранилищ данных, в том числе в системах вроде Hadoop. После развертывания модели доступны как функция или как SQL и могут включаться в представления или хранимые процедуры. Это дает операционным системам прямой доступ к результатам модели и гарантирует, что расчет выполняется «на лету», по запросу, а не опирается на, возможно, устаревший пакетный прогон. Тогда бизнес‑правила для принятия решения могут обращаться к результату предиктивной модели как к любым другим данным.

Прямое аналитическое внедрение

Предиктивные модели можно также развертывать прямо в операционной среде с помощью сервисов принятия решений. Такие сервисы объединяют логику решения, которая отражает экспертизу, требования и политики, с результатами работы моделей. Сервис принятия решений — это реализация самого решения, то есть способ, которым другие системы узнают, какое решение принято. Такой сервис делает решение повторно используемым и широко доступным. По сути это бизнес‑сервисы в сервис‑ориентированной архитектуре, которые возвращают ответ на конкретный вопрос. Обычно такие сервисы не обновляют данные — они просто отвечают на вопросы. Поскольку они не вносят постоянных изменений, их можно вызывать всякий раз, когда это нужно, не опасаясь побочных эффектов.

Некоторые методы предиктивной аналитики, например решающие деревья и ассоциативные правила, можно напрямую выразить как логику решений или бизнес‑правила, которые выполняются в таком сервисе. Широкое принятие Predictive Model Markup Language (PMML), XML‑стандарта для описания предиктивных моделей, означает, что аналитические рабочие среды могут читать и создавать PMML, а затем развертывать модели в среде исполнения. Многие системы управления бизнес‑правилами и бизнес‑процессами поддерживают PMML. Это позволяет им загрузить определение модели напрямую и выполнить его тогда, когда правилам или процессу требуется предсказание.

Кроме того, многие готовые прикладные решения, например для выявления мошенничества, управления кредитным риском или клиентской аналитики, спроектированы так, чтобы новые модели можно было быстро интегрировать в операционные системы. По мере того как все больше готовых приложений берут на себя принятие решений, эта возможность будет распространяться, давая аналитическим командам больше вариантов внедрения и еще сильнее снижая барьеры использования предиктивной аналитики в операционной деятельности. Примеры таких приложений встречаются во множестве отраслей.

Оставайтесь прогнозируемыми и эффективными

Надежная архитектура для внедрения моделей эффективна лишь постольку, поскольку умеет оставаться в согласии с меняющейся деловой средой. Помимо мониторинга и настройки моделей критично применять методы управления эффективностью к контролю самих решений. С подходом Управления решениями бизнес понимает, как конкретные решения создают ценность. Эти решения связаны с бизнес‑показателями и индивидуальными метриками, которые отслеживаются. Чтобы постоянно улучшать результаты, подход Управления решениями мониторит качество решений, их поток и базовую статистику. Сколько раз принято одобрить, отклонить или отправить на доразбор — это мера эффективности решений. Слишком много направлений на ручную проверку перегружает сотрудников. Слишком много отказов, например из‑за ложных срабатываний, ухудшит сервис или продажи. Аналогично решения, которые принимаются слишком долго или слишком дороги (потому что, к примеру, требуют платных данных), могут негативно влиять на итоговый результат. Отслеживание и отчетность по этой информации помогают владельцам процессов лучше понимать и управлять своими решениями.

Такой анализ эффективности решений легко сочетать с возможностями мониторинга моделей, которые все чаще входят в состав современных платформ для развертывания и управления моделями. Это позволяет связывать падения качества решений с изменениями в поведении моделей и своевременно проводить нужные обновления. Быстрое внедрение обновленной модели, благодаря хорошему пониманию контекста принятия решений и современной инфраструктуре развертывания, помогает моделям оставаться актуальными, точными и результативными.

Хотите быть в курсе актуальных новостей о внедрении AI?

Подписывайтесь на телеграм-канал AllSee и читайте наши свежие новости о трендах и решениях каждый день!

В режиме реального времени

Независимо от того, как предиктивная аналитика внедрена в сервис принятия решений, ее нужно использовать в режиме реального времени. То есть скоринги и другие результаты моделей должны рассчитываться по мере необходимости для принятия решения. Это гарантирует использование самых актуальных данных. Важно понимать, что современные операционные системы работают в реальном времени. Слишком многие модели сегодня запускаются пакетно, из‑за чего расчеты выполняются без учета последних данных.

Одно крупное подразделение потребительских сервисов в сфере бытовой техники оценило, что сэкономило 5,1 млн долларов в первый год использования аналитики для выявления подозрительных заявок. Компания опирается на тысячи сервисных партнеров, которые ежегодно обрабатывают более 1 млн заявок на обслуживание техники. Раньше проверялась лишь часть заявок, попадающих под определенные параметры. После встраивания аналитики, предсказывающей вероятность мошенничества, теперь автоматически проверяются 100% заявок на наличие подозрительной активности. Встроенные в операционную среду модели оценивают факты о выполненных работах — продукт, клиента, жалобу или выполненную работу — чтобы предсказать, насколько вероятно, что эта заявка мошенническая. Команда аудита затем может сосредоточить усилия на заявках с самым высоким риском.

Заключение

Предиктивная аналитика дает понимание, прогнозы и помогает превращать деловую неопределенность в понятные вероятности, на которых можно зарабатывать. Чтобы использовать эти возможности и принимать более точные и прибыльные решения, организации внедряют предиктивную аналитику в свои операционные системы. Сочетание подхода Управления решениями с надежной современной технологической платформой дает:

Совместную среду и общий каркас для постановки задачи, чтобы аналитика решала именно нужную проблему.
Повторяемый, промышленного масштаба процесс для разработки десятков, сотен и более предиктивных моделей, которые потребуются.
Надежную архитектуру для развертывания предиктивных моделей в производственных системах.

Управление решениями улучшает операционные решения, внедряя предиктивную аналитику в сервисы принятия решений, которые поддерживают множество операционных процессов и систем. Фокус на эффективности решений помогает снижать мошенничество, улучшать взаимодействие с клиентами и вовремя замечать возможности.

Готовы внедрить ИИ, но не знаете, с чего начать?

Забронируйте консультацию с экспертами AllSee, чтобы получить индивидуальный подход и проверенные временем решения.