От данных к действиям: принимаем управленческие решения при помощи предиктивной аналитики

Рассказываем, как бизнес может заглянуть в будущее: предсказать спрос, заранее выявить поломку оборудования, предотвратить финансовые риски или спрогнозировать увольнение сотрудников.

Предиктивная (предсказательная) аналитика — набор методов анализа данных, которые позволяют прогнозировать будущие события на основе уже собранной информации. Для этого используют статистические алгоритмы, математические модели, экспертные правила, технологии машинного обучения и другие инструменты.

Предиктивная аналитика будет полезна практически в любых сферах, где есть данные и экономическая целесообразность в работе с ними. Вот четыре отрасли, в которых такие решения применяются активнее всего.

Одно из ключевых направлений применения предиктивной аналитики в промышленности — прогнозирование отказов оборудования. Это позволяет компаниям минимизировать простои, снижать затраты на ремонт, заранее планировать закупку и доставку запасных частей.

Польза здесь не только в экономии. Например, превышение предельно допустимой концентрации какого-либо вещества в воздухе на производстве может привести к риску заболевания сотрудников. Предиктивная аналитика в совокупности с данными от IoT-датчиков позволяет отслеживать и предотвращать подобные сценарии.

Кредитный скоринг, прогнозирование ликвидности, управление инвестициями – всё это критически важно для банков и финансовых организаций. Предиктивная аналитика позволяет снижать риски невозврата займов, оптимизировать денежные потоки и выявлять мошеннические схемы. Например, с помощью анализа транзакций можно увидеть подозрительную активность и предотвратить финансовые махинации. В результате финансовая организация может меньше средств закладывать на связанные с мошенничеством и невозвратом кредитов риски.

Анализ данных о продажах, сезонности, потребительском поведении позволяет прогнозировать спрос, оптимизировать запасы, корректировать товарную матрицу. В процессе учитываются тысячи параметров, в том числе прогнозы погоды, расчеты уровня инфляции, наличие больших событий в ближайшей перспективе.

Предиктивная аналитика также лежит в основе современных программ лояльности. Например, зная поведенческие паттерны клиентов, ритейлеры могут предлагать сопутствующие товары или запускать акционные кампании с наибольшей эффективностью.

Крупным сетям предиктивная аналитика помогает управлять персоналом: прогнозировать возможные увольнения линейных сотрудников на основе исторических данных, индексировать зарплату и рассчитывать ФОТ, видеть дополнительную потребность в персонале.

Аналитика помогает компаниям оптимизировать маршруты доставки и управлять цепочками поставок. Например, анализ больших массивов данных о движении грузовиков, дорожной ситуации, погодных условиях дает возможность динамически корректировать маршруты, минимизируя время доставки и снижая топливные затраты. Это привычный функционал для любого пользователя навигатора.

Есть и более специфические критерии. Например, количестве выгрузок и прогноз затраченного на каждой точке времени, особенности груза. Условно говоря, хрупкий и дорогой товар не стоит везти на телеге, используя агрессивную манеру вождения.

Также с помощью предиктивной аналитики компании могут прогнозировать спрос на транспортные услуги. Это позволяет заранее распределять ресурсы, избегая простоев и сбоев в цепочке поставок, либо более гибко оценивать свою работу для внешних заказчиков. Такое динамическое ценообразование мы видим, например, в приложениях компаний грузового такси.

Это лишь несколько примеров, где полезна предиктивная аналитика. Можно привести еще десятки, если не сотни. Некоторые из них не укладываются в рамки конкретной отрасли. Например, график командировок сотрудников может формироваться не только из потребности компании, но также сезонных колебаний цен на авиабилеты и гостиницы. Тогда рабочая поездка не совпадет с концертом условной Надежды Кадышевой в том же городе, а компании не придется платить втридорога.

Прочитав описания преимуществ предиктивной аналитики, может сложиться впечатление, что это серебряная пуля для любых бизнес-процессов. Но решение далеко не универсальное. Главное препятствие здесь — недостаток данных для построения прогноза.

Если мы говорим о промышленном секторе, то перед построением модели нужно получить исторические данные с оборудования. Минимум за три месяца, а лучше за полгода или год. Поток данных нужен со всех датчиков и по всем производственным параметрам — гигабайты информации.

После обучения модели на прошлых данных нужно давать их ей теперь в реальном времени, чтобы она строила прогноз. Это предполагает затраты на установку и поддержание большого количества датчиков (если вы не установили их до этого). Также хорошо бы построить к оборудованию математическую модель физических и химических процессов.

Также небольшой эффект от предиктивных моделей для компаний будет в случае простых бизнес-процессов, когда результаты легко прогнозировать, либо в бизнесе есть стабильная и предсказуемая среда. Если изменения происходят редко и слабо влияют на бизнес, сложные предиктивные модели не дадут ощутимого преимущества, а средства на их внедрение не окупятся. В таких случаях альтернативой может быть использование простых статистических методов или BI-решений.

Чтобы внедрить и регулярно использовать результаты предиктивной аналитики, компания может нанять специалиста в штат, либо обратиться к внешним экспертам, если такие задачи разовые.

В общих чертах, процесс развертывания модели предиктивной аналитики состоит из пяти элементов:

Но главный момент здесь: наличие четкой бизнес-задачи. Без ясного понимания целей аналитика превращается в бессмысленную трату времени и ресурсов. А часто и сталкивается с сопротивлением на местах: старые сотрудники могут не захотеть менять текущие процессы, что требует решительности от руководства и умения объяснить себе и команде выгоды от такой новации.