Мы продолжаем серию авторских публикаций экспертов по управлению, тайм-менеджменту, инновационным технологиям и лидерству, которые вот уже много лет помогают выстраивать успешный бизнес в самых разных сферах. Наш новый автор — Александр Рыжов, российский ученый, доктор технических наук, профессор, член-учредитель Российской ассоциации искусственного интеллекта и магистр делового администрирования (Executive MBA)
Мы продолжаем серию авторских публикаций экспертов по управлению, тайм-менеджменту, инновационным технологиям и лидерству, которые вот уже много лет помогают выстраивать успешный бизнес в самых разных сферах. Наш новый автор — Александр Рыжов, российский ученый, доктор технических наук, профессор, член-учредитель Российской ассоциации искусственного интеллекта и мастер делового администрирования (Executive MBA).
Еще двадцать лет назад добыть какие-либо данные было очень проблематично. Они были настоящей ценностью: чтобы их получить, приходилось проводить множество экспериментов, придумывать модели, а потом собирать цифры по крупицам. В эпоху бурного развития технологий все изменилось, причем кардинально. Теперь данные не просто дешевы и доступны — они бесплатны и буквально валяются под ногами, надо только наклониться и взять их, как грибы в лесу! И их много, это по-настоящему «большие данные» — big data. Что же они могут дать бизнесу?
А дать они могут существенный рост прибыли. Несколько лет назад CIO один из маркетологов американской сети магазинов Walmart заинтересовался, какие товары клиенты обычно покупают в одном чеке. Он проанализировал данные по одному из супермаркетов, расположенному на выезде из одного небольшого городка. Помимо очевидных взаимосвязей (джин — тоник, пиво — чипсы), он выявил одну любопытную закономерность: в пятницу вечером в этой торговой точке чаще всего покупали вместе с пивом... подгузники. Тогда администрация разместила эти товары на соседних полках. И продажи в пятницу буквально зашкалили! Решение этой задачки оказалось простым, хоть и не лежало на поверхности. Дело в том, что магазин находился на выезде из города, неподалеку от кемпинга и озера. В городе проживало много молодых семей. В пятницу вечером жители вместе с детьми выезжали на природу, а за покупками отправлялись именно в Walmart. Не удивительно, что молодые отцы запасались на два дня пивом для себя и подгузниками для детей.
Откуда тот маркетолог взял данные для анализа? Уверяю вас, ему не пришлось взламывать секретные файлы Пентагона — помог кассовый аппарат. Казалось бы, что такого? А ведь он фиксирует информацию, на сбор которой раньше пришлось бы потратить миллионы долларов.
Сегодня у нас огромное количество источников big data — например, интернет вещей. Все эти датчики и радиомаяки считывают информацию с мобильных устройств. Данные генерирует наука, промышленность, а самое главное — люди, которые покупают, влюбляются, разводятся, путешествуют. Эксабайты информации хранятся в специальных data-центрах. Но что же дальше?
Но дальше начинаются проблемы. Как обрабатывать big data? Это настолько новое и необычное явление, что проанализировать его с помощью классической математики практически невозможно. Нужно что-то принципиально иное, и оно у нас уже есть — искусственный интеллект. Сразу оговорюсь, есть два уровня работы с данными — ремесло и искусство. Для ремесла (стандартных задач) часто подходят самые простые и эффективные методы. Например, отслеживание покупательского поведения: если банк видит, что клиент совершает не характерные для него действия (покупает слишком много, тратит очень большие суммы), сотрудник ему звонит и интересуется, при нем ли карта. Один такой звонок спасает от неправомерного использования кредитки, экономит очень много времени, нервов и денег как банку, так и его клиенту. А между тем для этого не требуется никакой искусственный интеллект — операции по карте анализируются с помощью очень простого алгоритма.
Но классические методы не всегда применимы. Математика, которая развивалась для нужд инженерии и физики, отличается от той, которая требуется для обработки данных, описывающих поведение человека. То, что работает в мире галактик и звезд, не работает в мире людей, ведь человек — очень непредсказуемый «элемент». Понять его может только «собрат по разуму», на помощь которому и пришел искусственный интеллект.
Работать с данными можно абсолютно в любой компании вне зависимости от ее размера, географического положения и специализации. В частности, анализ big data весьма полезен для индустрии деловых путешествий. Все, что нам здесь понадобится, — это транзакция. В чеке может быть хлеб, колбаса, молоко — или билет определенной авиакомпании в бизнес- или экономкласс, номер в конкретной гостинице, доступ в лаунж, такси или аренда автомобиля, подключение к Wi-Fi и множество других услуг. А дальше наступает время задавать вопросы: кто поехал, куда, с какой целью? По такому чеку можно составить достаточно подробный портрет бизнес-туриста. После возвращения из командировки обязательно нужно добиться обратной связи: хорошо ему было в поездке или плохо, что понравилось, что раздражало. Благодаря этому в следующий раз мы будем знать, что ему стоит предлагать, а от чего он, скорее всего, откажется. Анализировать необходимо все, вплоть до чеков из баров. Если мы будем знать, что топ-менеджеру среднего возраста в аэропорту хочется пива, мы сможем порекомендовать ему бар с качественными напитками. Перспектива big data для бизнеса — это максимально персонализированные командировки с минимальными расходами для компании и высочайшим уровнем удовлетворенности сотрудников.
В телекоме считается хорошим показателем, если робот, предлагающий услуги, угадывает 2-3% пожеланий пользователя (response rate). За 4-5% руководство готово выдать его разработчикам ордена. А с помощью big data этот показатель можно поднять до 13-18%! Благодаря чему выиграют все — путешественник, его работодатель, поставщики услуг. И тогда командировка будет не расходом, а прибылью.
Но чтобы данные действительно работали на вас, их анализом должен заниматься особенный человек. В индустрии деловых путешествий это — тревел-менеджер. Во-первых, он должен быть лидером: четко формулировать задачи, понимать бизнес, видеть, как все устроено изнутри. Во-вторых, понимать жизненный цикл данных: где они рождаются, как хранятся, как передаются, как их защитить. Ведь информация обладает разной актуальностью, надежностью, качеством. В-третьих, ему нужно разбираться в непростых, а иногда и «изощренных» методах анализа. Ведь он работает с людьми, к которым нельзя применять стандартную математику. Разумеется, найти такого человека непросто — но возможно. Помните — стать крутым специалистом по машинному обучению и big data за 15 минут невозможно, это требует долгого и вдумчивого обучения.
Путешествие — это своеобразная нить, на которую мы нанизываем бусины — услуги, опыт, желания командированных сотрудников. К этому делу можно подойти по-разному: с любовью, с отвращением, равнодушно. Бусины могут быть разного размера и цвета, гармонировать между собой или отличаться друг от друга. Часто при организации командировки «ожерелье» делается небрежно — набросал что-нибудь, не глядя, и забыл. А с помощью анализа big data каждая поездка может стать «от кутюр» — все зависит от любопытства тревел-менеджера и его желания нагнуться и взять данные, которые лежат под ногами!
