`

СПЕЦІАЛЬНІ
ПАРТНЕРИ
ПРОЕКТУ

Чи використовує ваша компанія ChatGPT в роботі?

BEST CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

ChatGPT vs Gemini: хто переможе в бою за клієнтів?

Рік тому я робив аналіз стратегії утримання клієнтів, яку вдалося згенерувати за допомогою ChatGPT версії 3.5. Це був цікавий досвід, який відкрив нові перспективи використання ШІ для розуміння та задоволення потреб клієнтів. Але час не стоїть на місці, і за останній рік у світі штучного інтелекту сталося багато змін. https://bit.ly/CDI_and_ChatGPT

Зараз пропоную знову зануритися в цю тему, але з новим «двобоєм». Порівняємо «розумність» останньої ChatGPT – версії 4 – з попередньою версією 3.5 та з новим гравцем на арені, Google Gemini. Мета? Визначити, які оновлення та поліпшення були внесені у ці системи та як вони можуть вплинути на розробку стратегій маркетингу та утримання клієнтів.

Це не просто порівняння заради порівняння. Це спроба зрозуміти, як розвиток ШІ може допомогти нам стати кращими в тому, що ми робимо. Бо як я бачу, маркетологи завжди у пошуках інструментів, які можуть зробити кампанії ефективнішими, дозволяючи глибше зрозуміти клієнтів і їхні потреби.

Тож дослідимо, як ChatGPT і Google Gemini можуть змінити гру в аналізі відтоку клієнтів і розробці стратегій їх утримання. Чи стали ці системи ШІ справді «розумнішими»? І якщо так, то як маркетологи можуть використовувати ці нові можливості на свою користь?

Нагадаю, що з результатами роботи попередньої версії можна ознайомитися за цим посиланням. В цій статті я намагатимуся порівняти роботу ChatGPT 4 та Google Gemini Advanced, бо навіть з перших відповідей зрозуміло, що старіша версія програє «в суху».

Для економії місця я не буду повторювати в цій статті початковий запит до двох систем, бо для «чистоти експерименту» він залишився точно таким же, що і в торішній статті.

Нагадаю лише, що набір даних про клієнтів інтернет-магазину я взяв із відкритих джерел та скористався сервісом Customer Departure Insights, який дозволяє зробити прогноз відтоку клієнтів та об’єднує клієнтів в кластери зі схожими значеннями факторів, що пов’язані з ризиком відтоку клієнтів.

Почнемо з загальних рекомендацій і потім подивимось на порівняльну таблицю для кожного кластеру. Хочу зазначити, що обидві системи навчилися розуміти українську. ChatGPT майже без проблем спілкується українською, а Gemini інколи «переходить» на англійську.

Нижче наведені загальні рекомендації від ChatGPT та Gemini стосовно розробки стратегій утримання клієнтів.

ChatGPT

Загальний підхід:
Стратегія утримання має бути сегментована для кожного кластера, враховуючи унікальні характеристики та поведінкові моделі клієнтів у кожному. Основна мета – зменшити відтік, підвищити рівень задоволення та лояльності клієнтів.

Перехресні заходи для всіх кластерів:

  • Розробіть універсальні програми лояльності, які пропонують заохочення за регулярні замовлення, використання додатка та позитивні відгуки.
  • Інвестуйте в поліпшення користувацького досвіду, включаючи мобільний додаток та вебсайт, щоб збільшити час, проведений клієнтами в них.
  • Оптимізуйте процес оплати та логістику доставки, знижуючи відстань від складу до дому, та пропонуючи зручніші способи оплати.

Технологічна інтеграція:

  • Використовуйте дані про клієнтів для створення персоналізованих контрпропозицій за допомогою штучного інтелекту та машинного навчання.
  • Впровадьте системи прогнозування, які можуть автоматично визначати клієнтів з високим ризиком відтоку та пропонувати заходи щодо їх утримання.

Ваша стратегія повинна бути гнучкою та адаптованою під зміни в даних та поведінці клієнтів. Регулярно аналізуйте ефективність пропозицій та коригуйте стратегію згідно з отриманими результатами. Пам'ятайте, що утримання клієнта завжди дешевше, ніж залучення нового, і лояльний клієнт часто стає вашим найкращим прихильником бренду.

Google Gemini Advanced

Детальна стратегія утримання клієнтів

Аналіз даних:

  • Ключові фактори відтоку:
  • DaySinceLastOrder (кількість днів з останнього замовлення)
  • OrderCount (кількість замовлень за останній місяць)
  • NumberOfDeviceRegistered (кількість зареєстрованих пристроїв)
  • CityTier (рівень міста)
  • Tenure (строк співпраці з компанією)
  • Complain (наявність скарг за останній місяць)
  • MaritalStatus (сімейний стан)
  • PreferedOrderCat (улюблена категорія замовлень)

Кластеризація клієнтів:

6 кластерів, 3 з яких схильні до відтоку і 3 – лояльні.

Загальні рекомендації:

Персоналізація: Використання даних CRM-системи для персоналізації маркетингових комунікацій та пропозицій.

Покращення комунікації: Проактивна комунікація з клієнтами через різні канали (email, телефон, чат).

Підвищення якості обслуговування: Швидка та якісна служба підтримки; Зручні та доступні способи оплати та доставки.

Висновок:
Реалізація цієї стратегії утримання клієнтів допоможе зберегти лояльних клієнтів, повернути тих, хто відтокує, і, як наслідок, збільшити прибуток компанії.

Нижче наведена порівняльна таблиця з рекомендаціями по кожному кластеру. «Відтокові» кластери позначені «червоним» кольором. «Лояльні» – «зеленим». У попередній статті є опис та характеристики кожного кластеру, щоб можна було порівняти рекомендації з реальною клієнтською картиною кластера, з тим які саме фактори і як впливають на схильність до відтоку чи лояльності клієнтів.

 хто переможе в бою за клієнтів?

Таблиця порівняння рекомендацій

Обидві системи зосереджені на персоналізації та використанні даних для підвищення ефективності стратегій утримання. Однак, ChatGPT здається більш сфокусованим на креативних та емоційних аспектах залучення клієнтів, тоді як Google Gemini наголошує на аналітиці та адаптації до поведінки споживачів. Обидві платформи радять впровадження програм лояльності, але підходи до їх реалізації варіюються залежно від акценту на аналітиці проти креативності.

ChatGPT:

  • ChatGPT наголошує на важливості сегментації клієнтів та розробки персоналізованих стратегій утримання для кожного кластера.
  • Велика увага приділяється персоналізованому підходу в комунікаціях, зокрема через електронні листи, соціальні мережі, та інші цифрові канали.
  • Рекомендується активно використовувати дані про поведінку та переваги клієнтів для створення вмісту, який відповідає їхнім інтересам.
  • ChatGPT радить впровадження програм лояльності, які нагороджують клієнтів за повторні покупки та взаємодію з брендом.

Google Gemini:

  • Google Gemini теж підкреслює значення персоналізації, але з більш вираженим акцентом на використанні аналітичних інструментів для збору даних та їх аналізу.
  • Загальні рекомендації включають розробку ефективних стратегій реагування на скарги та занепокоєння клієнтів для підвищення їх задоволеності.
  • Gemini також звертає увагу на важливість адаптації маркетингових стратегій до змін у поведінці клієнтів і трендах ринку.
  • Окремо наголошено на потребі створення унікальних та ціннісних пропозицій для залучення та утримання клієнтів.

Ситуація із загальними рекомендаціями більш-менш зрозуміла – вони доволі абстрактні та відображають ключові відмінності між кластерами, які були виявлені та опрацьовані обома системами. Але ускладнимо завдання і запитаємо про детальні плани дій та брифи для маркетингових агенцій.

Нижче представлено два приклади для «відтокових» кластерів, та два приклади для «лояльних» кластерів. Це дасть розуміння рівня «інтелекту» кожної системи.

 хто переможе в бою за клієнтів?


Порівняльна таблиця з рекомендаціями для кластера №0

 хто переможе в бою за клієнтів?


Порівняльна таблиця з рекомендаціями для кластера №2

 хто переможе в бою за клієнтів?

Порівняльна таблиця з рекомендаціями для кластера №4

 хто переможе в бою за клієнтів?

Порівняльна таблиця з рекомендаціями для кластера №5

Оцінюючи відповіді ChatGPT та Google Gemini на запити щодо розробки стратегії утримання клієнтів, можна сказати, що обидва підходи є цілісними та орієнтованими на дані, але вони мають деякі відмінності в стилі та деталізації.

ChatGPT зосереджується на креативних та емоційно насичених стратегіях, пропонуючи різноманітні маркетингові кампанії, що включають персоналізовані пропозиції, ретаргетинг, та акцент на обслуговуванні клієнтів. Відповіді зазвичай містять конкретні приклади та ідеї для креативів і акцій, які можуть використовувати рекламні агентства для залучення уваги та взаємодії з клієнтами. До речі, я відразу ж попросив зробити пару ілюстрацій до брифу. Не скажу, що в захваті від креативу, але і час не витрачав на уточнення підказок, просто написав «створи ілюстрацію для промо-пропозиції», і ось пара картинок.

 хто переможе в бою за клієнтів?

 

 хто переможе в бою за клієнтів?

Google Gemini здебільшого фокусується на аналітичних стратегіях, підкреслюючи важливість детального аналізу даних для розуміння причин відтоку і лояльності. Відповіді містять конкретні рекомендації щодо персоналізації комунікацій та кампаній, а також настійно рекомендують впровадження програм лояльності та персоналізованих пропозицій.

Якби я був суддею в цьому двобої, то перемогу з невеликою перевагою отримав би ChatGPT, а бали розподілилися б приблизно, як на малюнку.

 хто переможе в бою за клієнтів?

Порівняння

Але це особисто моя думка, і мені дуже хочеться почути думки експертів – маркетологів про те, наскільки такий варіант використання прийнятний. Бо, коли б я, працюючи в страховій компанії, мав би таку детальну інформацію про клієнтів, що схильні до відтоку і ChatGPT, то розробляти стратегію утримання і детальні акції для її реалізації було б набагато легше.

І наостанок про час на цю роботу. Якщо не враховувати написання статті й підготовку порівняльних таблиць та діаграми, то для отримання відповідей від двох систем з їх «копіпастом» в документ в мене пішло менше години. А на обробку датасету з клієнтською інформацією для прогнозування відтоку з допомогою Customer Departure Insights менше трьох хвилин.

Як на мене, то комбінація Customers Profile + Customer Departure Insights + ChatGPT прекрасний інструмент в руках умілого маркетолога.

 

 

 

Хто повинен відповідати за управління даними в компанії?

У цифрову епоху, що стрімко розвивається, дані стали життєдайною силою сучасного бізнесу. Тому належне управління ними є не просто технологічною необхідністю, а стратегічним викликом. У міру того, як компанії намагаютться привести до ладу величезні обсяги інформації, питання про те, хто має очолити управління даними, стає все більш актуальним.

Чи повинен генеральний директор з його комплексним баченням взяти на себе таку відповідальність? Або ж це завдання більше підходить CIO (Chief Information Officer) чи CDO (Chief Data Officer) з їхніми технічними знаннями та досвідом? Заглибимося в цю дискусію, досліджуючи ролі, виклики та потенціал кожної позиції в управлінні даними.

Впорядкування даних, за своєю суттю, передбачає організацію та контроль активів даних з метою забезпечення їх доступності, якості та безпеки. Це стратегічне завдання, яке впливає на всі аспекти діяльності організації, від дотримання нормативних вимог, до прийняття рішень. Однак цей шлях пов'язаний з певними викликами, серед яких підтримка якості даних, забезпечення конфіденційності та навігація в складному ландшафті нормативно-правових актів, пов'язаних з даними.

Стратегічне лідерство в управлінні даними

На вершині кожної організації стоїть генеральний директор, який є втіленням лідерства та бачення її розвитку. У контексті управління даними його роль є ключовою. Йдеться не лише про нагляд, а й про інтеграцію управління даними в ширшу бізнес-стратегію.

Потенціал генерального директора керувати стратегією управління даними випливає з його всебічного бачення цілей та викликів організації. Ця унікальна позиція дозволяє йому узгодити управління даними із загальними бізнес-цілями, гарантуючи, що воно сприятиме, а не перешкоджатиме зростанню компанії.

Переваги того, що генеральний директор очолює управління даними, включають підхід «зверху вниз» до впровадження політик, що гарантує, що цей процес буде не ізольованим, а інтегрованим в усі відділи. Це також сигналізує працівникам і зовнішнім зацікавленим сторонам про серйозність, з якою компанія ставиться до своїх даних.

Однак є й негативні сторони у цьому підході. Генеральному директору може не вистачати детального технічного розуміння управління даними, яким володіє ІТ-директор або CDO. Брак технічної експертизи може призвести до труднощів у тлумаченні нюансів управління даними та його реалізації. Мало того, з огляду на широке коло обов'язків генерального директора, управлінню даними не завжди приділяється належна увага.

По суті, хоча бачення та повноваження СЕО можуть значно підвищити важливість управління даними, його широкі повноваження та потенційний брак технічної глибини мають бути збалансовані підтримкою з боку більш технічно орієнтованих ролей в організації.

Поєднання управління технологіями та управління даними

ІТ-директор відіграє вирішальну роль у врядуванні даних. Оскільки він зосереджується на інформаційних технологіях та щоденних операціях з даними, його погляд на процеси управління даними за своєю суттю є технічним і прагматичним.

СІО у першу чергу відповідає за стратегію та ІТ-системи компанії. Це включає нагляд за створенням, зберіганням і безпекою даних, що робить їх невіддільною частиною будь-якої дискусії про управління даними. Їх роль полягає не лише в управлінні технологіями, але й в узгодженні ІТ-стратегій з бізнес-цілями.

Завдяки своєму досвіду в галузі технологій та систем обробки даних, ІТ-директори добре підготовлені до вирішення складних завдань управління даними. Вони розуміють технічні вимоги до ефективного управління даними, такі як якість даних, їх інтеграція та безпека. СІО може гарантувати, що ІТ-інфраструктура підтримує систему управління даними, від збору та зберігання даних, до аналізу та звітності.

Однією з головних переваг того, що ІТ-директор очолює управління даними, є його технічний досвід. Вони добре орієнтуються в технологічних аспектах цього процесу, забезпечуючи наявність ІТ-інфраструктури та інструментів, необхідних для досягнення цілей управління. Крім того, СІО можуть інтегрувати управління даними в загальну ІТ-стратегію, сприяючи підвищенню ефективності та узгодженості.

Однак, технічна спрямованість ІТ-директора може також бути й обмеженням. Він може надавати пріоритет ефективності ІТ над ширшими бізнес-цілями, що потенційно може призвести до розбіжностей зі стратегічними цілями компанії. Крім того, заглибленість у технічні аспекти може віддалити їх від ширшої організаційної перспективи, яку може мати генеральний директор або CDO.

Використання даних як цінного активу

Директор з управління даними (CDO) – це відносно нова роль, але дедалі вона стає все більш важливішою, у багатьох організаціях, особливо у сфері врядування даних.

Роль CDO є унікальною, оскільки вона зосереджена, в першу чергу, на управлінні даними та стратегії.

Завданням CDO є нагляд за стратегіями та політикою управління даними. Його обов'язки включають якість даних, їх аналітику та використання в організації. На відміну від ІТ-директора, роль якого більше зосереджена на технологіях, CDO зосереджується на використанні даних як стратегічного активу. Це передбачає не лише управління даними, але й отримання інформації та цінності з них.

Підхід CDO до управління даними є цілісним і стратегічним. Вони працюють над тим, щоб забезпечити не лише належне управління даними, але й ефективне їх використання для підтримки прийняття рішень та зростання бізнесу. Їх роль часто полягає в подоланні розриву між ІТ та бізнес-підрозділами, забезпечуючи відповідність стратегій управління даними бізнес-цілям.

Однією з головних переваг того, що CDO очолює управління даними, є їхня профільна орієнтація на дані. Вони мають досвід, щоб розуміти й орієнтуватися в складнощах управління даними, і часто краще розуміють, як дані можуть підвищити цінність бізнесу. Ця спеціалізація дає їм змогу відстоювати та впроваджувати ефективні практики управління даними.
Однак існують і виклики. Враховуючи, що роль CDO є відносно новою, вона може не мати такого ж впливу на організацію, як більш усталені ролі, такі як генеральний директор або ІТ-директор. Крім того, зосередженість CDO на даних може призвести до надмірно вузького погляду, що може призвести до ігнорування ширших бізнес-міркувань.

Насамкінець, перспектива CDO пропонує підхід до управління, орієнтований на дані, з акцентом на стратегічному використанні даних для досягнення успіху в бізнесі. Їх роль в управлінні даними має вирішальне значення, особливо в організаціях, де дані є центральним активом.

У прагненні створити ефективне управління даними в організації ролі генерального директора, ІТ-директора та директора з управління даними пропонують різні перспективи та можливості.

Як ми вже з'ясували, управління даними – це багатогранна сфера, яка вимагає стратегічного підходу, технічної експертизи та глибокого розуміння ролі даних в успіху організації.

Вибір того, хто має очолити управління даними в компанії, не є універсальним. Він залежить від структури організації, культури та стратегічної важливості даних.

Найефективнішим часто виявляється спільний підхід, коли генеральний директор, ІТ-директор та директор з управління даними працюють злагоджено. Використовуючи стратегічне бачення генерального директора, технічну компетентність ІТ-директора та досвід директора з управління даними, компанії можуть створити комплексну та ефективну стратегію управління даними, яка узгоджується з їхніми загальними бізнес-цілями.

Саме тому під час розробки стратегії управління даними ми приділяємо цьому аспекту велику увагу, щоб розробити оптимальну для кожної компанії рольову модель управління даними та план організаційних змін для втілення її в життя. В тому числі детально моделюємо ситуацію із необхідністю створення позиції CDO і його організаційної вертикалі.

Підсумовуючи ключові моменти

Генеральний директор має стратегічне бачення та повноваження, життєво важливі для визначення пріоритетів в управлінні даними на рівні організації.

ІТ-директор пропонує необхідний технічний досвід, що має вирішальне значення для успішного впровадження та управління інфраструктурою управління.

CDO, зосереджуючись на стратегії та політиці управління даними, може ефективно використовувати дані як стратегічний актив.

Хто повинен відповідати за управління даними в компанії?

Правильний підхід до лідерства в управлінні даними може каталізувати зростання та інновації компанії, спрямовуючи її до прийняття рішень на основі даних та операційної ефективності. Лідер, незалежно від його посади, повинен бути тим, хто може подолати розрив між технологіями, стратегією та бізнес-операціями, гарантуючи, що управління даними є не просто політикою, а основною бізнес-функцією.

Зрештою, мета лідера полягає в тому, щоб забезпечити не лише формальне керування даними, але й зробити їх рушійною силою для прийняття стратегічних рішень і досягнення успіху в бізнесі.

Який штучний інтелект потрібен бізнесу?

Нещодавно натрапив на лекцію «Демістифікація бозона Хіггса з Леонардом Сасскіндом» на каналі Stanford University і ще більше впевнився - ніякого штучного інтелекту не існує. А коли він і з’явиться, то йому знадобляться роки чи десятиліття, щоб дорости хоча б до людського рівня.

Який штучний інтелект потрібен бізнесу?

Та якщо бути більш коректним у визначеннях, то можна сказати, що не створений ще «Загальний» або «сильний АІ», який передбачає системи з інтелектом та когнітивними здібностями людини. Ці системи можуть вирішувати будь-які загальні інтелектуальні завдання, які під силу людині.

Але точно можна стверджувати, що люди створили «Вузький» або «слабкий АІ» – системи, які розроблені та навчені для виконання конкретного завдання. Останнім часом набули популярності рішення на основі великих мовних моделей накшталт ChatGPT, Bard та інших. Останні зробили майже прорив не тільки в спілкуванні з клієнтами за допомогою інтелектуальних чат-ботів, але і в інших областях бізнесу та науки. Також росте кількість користувачів генеративних нейронних мереж (Midjourney, DALL-E і т.д.), що з легкістю створюють зображення за текстовим описом. Вони показують просто шалений прогрес в якості зображень від версії до версії.

Який штучний інтелект потрібен бізнесу?

Результати роботи нейромережі різних версій

Можна було б називати це все моделями машинного навчання, чи нейронними мережами, щоб було більш точно і формально, але для простоти будемо оперувати назвою штучний інтелект. Багато людей все ще називають копіювальні апарати ксероксами й всі розуміють про що мова.

Насправді бізнес використовував АІ ще задовго до яскравого злету ChatGPT чи Midjourney. Це були простіші задачі автоматизації та аналізу даних в основі яких лежали статистичні моделі. Однак з розвитком машинного навчання, обробки природної мови та зображень, ростом кількості і якості рішень на базі предиктивної аналітики сфера застосування штучного інтелекту значно розширилася. Сьогодні ці інструменти стали вже рутинними й допомагають змінювати те, як компанії взаємодіють з клієнтами та керують своїми внутрішніми операціями. Зупинимося поки що на цих двох напрямках.

Ця тенденція відповідає ширшому контексту цифрової трансформації – концепції, яка наголошує на інтеграції цифрових технологій у всі сегменти бізнесу. Штучний інтелект, як наріжний камінь цієї цифрової революції, пропонує безпрецедентні можливості для інновацій та ефективності.

Штучний інтелект у сфері обслуговування клієнтів

У сфері обслуговування клієнтів вплив штучного інтелекту багатогранний. Його застосування варіюється від персоналізованих маркетингових ініціатив до складної сегментації клієнтів і генерації персональних пропозицій. Однією з ключових мотивацій впровадження штучного інтелекту в обслуговування клієнтів є покращення клієнтського досвіду. Це досягається за допомогою багатьох інструментів, використання деяких описані тут.

Але зараз я пропоную сконцентруватися на інструментах, які найчастіше використовуються в нашій практиці: персоналізованому маркетингу, сегментації та прогнозуванні відтоку.

Персоналізований маркетинг

Алгоритми штучного інтелекту аналізують дані про клієнтів, щоб адаптувати маркетингові кампанії, забезпечуючи їхню релевантність і залученість.

У нашої компанії вже є багато різних кейсів. Про те як ми будуємо рекомендаційні системи й до яких результатів в бізнесі вони призводять ми регулярно розповідаємо на вебінарах.

Окрім звичайних рекомендаційних моделей, які ми будуємо на базі алгоритмів колаборативної фільтрації й нейронних мереж, що працюють з послідовностями для прогнозування наступних покупок на базі попередніх, часто доводиться розв'язувати нетипові задачі.

Один з таких кейсів - це розробка моделі, яка допомагає визначити через який канал комунікацій краще надіслати клієнту промо-пропозицію. Бо повідомлення у Viber відкривало менш як 10% отримувачів. Тому ми зробили нескладну модель, яка прогнозувала рейтинг вайберу для конкретного клієнта і давала можливість відібрати тільки тих клієнтів, які з більшою ймовірністю прочитають промо-повідомлення. Це дало змогу покращити відкриття повідомлень більше ніж у 2,5 раза. Таким чином до звичайної системи рекомендацій додали ще компонент з вподобаннями каналів комунікацій.

Який штучний інтелект потрібен бізнесу?

Ще один кейс – прогнозування рейтингу книги (точніше її циркуляції – те як часто книгу будуть брати з полиці), в тому числі тих, що тільки готуються до публікації, для кожного відділення великих бібліотечних систем. Для цього ми використовували не тільки формальні атрибути книг: формат, тематика, серія, видавець і т.п., але і результати текстового аналізу анонсів, відгуків, ключових слів, деталізованих топіків. Додатково ми враховували зміну рівня зацікавленості з часом і будували графіки, щоб наочно це показати клієнту. Це дає кожному бібліотекарю, який формує замовлення книг, з точністю понад 80% розуміти потенціал книги саме для його відділення, а значить і краще використовувати бюджетні кошти на поповнення бібліотечного фонду.

І ще один кейс про персоналізацію, але з протилежного боку. Тобто, коли стоїть задача не кожному клієнту підібрати максимально релевантний продукт, а навпаки – для якогось окремого продукту (це може бути звичайне промо) знайти найбільш релевантну ЦА серед наявної клієнтської бази. Так виглядає звичайна задача крос-продажів, та коли кількість клієнтів десятки й сотні тисяч, то навіть раз на місяць пропонувати їм додаткові продукти буде досить дорого і надокучливо. Моделі й сервіси, які ми розробили дозволяють формувати списки найбільш релевантних потенційних клієнтів під такі промо-активності чи крос-продажі буквально за 3-5 хвилин, збільшуючи конверсію в декілька разів і знижуючи затрати на 65-85%.

Який штучний інтелект потрібен бізнесу?

Слайд з презентації Smart Cross Sales.

Сегментація клієнтів

Розподіляючи клієнтів за категоріями на основі їхньої поведінки та вподобань, штучний інтелект допомагає надавати цільові послуги та пропозиції.

Коли ми говоримо про сегментацію, то на думку відразу спадають демографічні фактори за якими компанії розділяють свою клієнтську базу, сподіваючись що, наприклад, всі чоловіки 50+ років поводяться однаково. Ні, я розумію, що чоловіка зі списком товарів в супермаркеті ніякий АІ не переконає щось змінити в кошику з покупками. Але, щоб отримати цінні результати, треба збільшувати кількість факторів для сегментації. Що значно ускладнює задачу аналізу. Бо кількість сегментів росте в геометричній прогресії.

І тут математики допомогли бізнесу з розробкою спеціальних методів машинного навчання – «навчання без вчителя», які виявились потужною зброєю для сегментації. Якраз ці методи дозволяють використовувати десятки й сотні характеристик одночасно, щоб зібрати всіх ваших клієнтів в «групи за інтересами» на основі їх схожості між собою. Це якраз той випадок, коли задачу краще перекласти на плечі АІ, бо він з нею впорається краще людини.

Пам’ятаєте загадку Ейнштейна про сусідів і зебру? Не гугліть, я наведу її нижче, а ви можете написати в коментарях за який час вам вдалося її розв’язати без використання олівця чи ручки (говорять, що тільки 2% людей можуть таке зробити), або з їх допомогою.
Умови загадки:

  • На вулиці розташовані 5 будинків.
  • Англієць живе у червоному будинку.
  • Іспанець має собаку.
  • Каву п'ють у зеленому будинку.
  • Чай п'є українець.
  • Праворуч від білого стоїть зелений будинок.
  • Равликів розводить той, хто курить Old Gold.
  • У жовтому будинку живе той, хто курить Kool.
  • Молоко п'ють у будинку, який стоїть у центрі.
  • У першому будинку мешкає норвежець.
  • Лисицю має сусід того, хто курить Chesterfield.
  • Kool курять у сусідньому будинку з тим, де тримають коня.
  • Апельсиновий сік п'є той, хто курить Lucky Strike.
  • Японець курить Parliament.
  • Норвежець живе поруч із синім будинком.

На які питання треба дати відповідь:

  • Хто п'є воду?
  • Хто тримає зебру?

Що треба врахувати під час пошуку відповіді:

  • Усі 5 будинків – різних кольорів.
  • Усі їхні мешканці – різної національності, мають різних домашніх тварин, п'ють різні напої й курять різні сигарети.

Який штучний інтелект потрібен бізнесу?

Правда ж це схоже на сегментацію клієнтів і пошук цільового сегмента для нашого продукту чи послуги? Та ми взяли тільки п’ять факторів: колір будинків, національність, сигарети, напої, тварини. А коли таких факторів буде 10, а 100? В нашій практиці число таких параметрів було і 140, і 173.

«Загадку Ейнштейна» важко розв'язати пересічній людині, тому що вона пов'язана з кількома когнітивними викликами.

  • Обмеження робочої пам'яті: Головоломка вимагає утримувати та маніпулювати кількома частинами інформації одночасно. Обсяг робочої пам'яті людини обмежений, зазвичай вона здатна утримувати лише 7±2 елементи одночасно. Складність головоломки часто перевищує цю межу, що ускладнює відстеження всієї інформації та взаємозв'язків без зовнішніх допоміжних засобів, таких як нотатки або використання сітки.
  • Складні логічні міркування: Головоломка вимагає високого рівня логічного мислення, включаючи здатність розуміти непряму інформацію (те, що не сказано, так само важливо, як і те, що сказано), робити висновки з обмежених даних і бачити зв'язки між різними підказками. Цей рівень абстрактного мислення може бути складним для багатьох.
  • Увага до деталей: Розв'язання головоломки вимагає прискіпливої уваги до деталей. Упущення навіть однієї частини інформації може призвести до неправильних висновків. Завдання полягає в тому, щоб послідовно звертати увагу на всі підказки та їхні наслідки.
  • Когнітивне перевантаження: Кількість змінних (будинки, кольори, національності, напої, сигарети, домашні тварини) та їхні можливі комбінації можуть призвести до когнітивного перевантаження, коли кількість інформації, яку потрібно обробити за один раз, перевантажує когнітивні ресурси мозку.
  • Вимога системного підходу: Головоломка вимагає системного підходу до організації та просіювання інформації. Йдеться не лише про розуміння кожної підказки окремо, але й про те, як кожна підказка пов'язана з іншими. Така систематична обробка інформації – це навичка, яка варіюється від людини до людини.

Штучний інтелект (а саме спеціальні методи кластеризації), зазвичай, справляється з такими викликами набагато краще і швидше, бо немає таких обмежень як людина. Наприклад, йому треба близько 15 хвилин, щоб згрупувати в 5-7 кластерів більш як 500 тис. клієнтів.

Щобільше, ви можете використати дані про клієнтські кластери, щоб попросити ChatGPT описати їх ключові характеристики й відмінності в поведінкових патернах. Та навіть описати ключові елементи маркетингових стратегій для кожного кластеру з врахуванням його специфіки. Це працює, та на жаль я не можу показати приклади таких документів через NDA і велику кількість деталей про бізнес в цих документах.

Чим цікаве застосування АІ до сегментації? Бо дозволяє знаходити корисні інсайти, які непросто, чи навіть, неможливо знайти за допомогою класичного аналізу. Наприклад, виконавши кластеризацію клієнтів для однієї мережі супермаркетів, ми автоматично отримали декілька кластерів. В одному з них зібралося трохи понад 50% від усіх клієнтів. Та, як виявилося, вони приносили тільки 12,8% виручки й ще менше маржі. Бо доля акційних товарів в їхньому кошику, як і середня знижка, були найбільшими. Чи потрібно на них витрачати маркетинговий бюджет в такому ж розмірі, як і на іншу половину клієнтів?

Ще один цікавий кейс – використання АІ для сегментації клієнтів на основі їх шляху в універмазі. Тобто у компанії є неперсоналізовані дані про те, в які відділи та в якому порядку заходить клієнт і скільки часу він проводить в цих відділах. Потрібно зрозуміти чи є якісь «якорні» відділи? Чи є типові шляхи? Наскільки той чи інший шлях впливає на виручку магазину? Типова задача для універмагів. Та й для сайтів електронної комерції вона має сенс, якщо під відділом мати на увазі розділ сайту чи сторінку.

Який штучний інтелект потрібен бізнесу?

Кластеризація клієнтів на основі шляху дозволила виділити «любителів бренду», тобто людей які віддають перевагу одному із багатьох брендів. При чому якщо міряти середній час усіх відвідувачів, що проходили через відділ якогось бренду, то він складав десь близько 20 хв. Та коли поміряли середній час окремо для «любителів бренду», та усіх інших, то виявилось, що «інші» проводять у відділі не більше 5-7 хвилин, а «любителі» близько 50 хвилин. Тобто, коли людина проводить в відділі близько 10 хвилин, то ймовірність покупки різко виростає. Знаючи такого роду інформацію універмаг може значно оптимізувати ресурси й покращити обслуговування. Також були знайдені послідовності відділів на шляху клієнта, які призводили до збільшення середнього чека до 10%.

Використовуючи такі підходи ви досить легко знайдете групи людей, схожих між собою поведінкою. Наприклад, для банку це може бути сегмент «пенсіонерів» чи «потенційних преміум-клієнтів», для страхової компанії легко знайдеться сегмент «автотуристів», а для магазинів одягу – сегмент «столичних модниць» чи «сімейних клієнтів». І вже задача бізнесу запропонувати кожному такому сегменту найбільш правильні товари чи послуги, найбільш релевантні послання і картинки в рекламних повідомленнях, найбільш зручні процеси взаємодії. Чи може і з цим допомогти АІ? Так.

Прогнозування відтоку клієнтів

Прогностичні моделі визначають потенційний відтік клієнтів, що дає змогу вживати проактивних заходів для їхнього утримання.

Втрата клієнтів – це кошмарний сценарій для будь-якого бізнесу, особливо якщо це відбувається регулярно. Уявіть собі, що ви вкладаєте час, гроші та зусилля в залучення клієнтів, а вони безслідно йдуть. Це схоже на спробу наповнити діряве відро, і що більше клієнтів іде, то складніше стає йти в ногу з конкурентами.

Це явище називається відтоком, і воно є серйозною проблемою для багатьох компаній у різних галузях. Відтік відбувається, коли клієнт вирішує припинити свої стосунки з компанією, і це може статися з різних причин, як-от погане обслуговування клієнтів, незадоволеність продукцією або навіть вигідніші пропозиції від конкурентів.

Який штучний інтелект потрібен бізнесу?

Оскільки компанії прагнуть надавати своїм клієнтам найкращі продукти та послуги, дуже важливо глибоко розуміти їхні потреби та вподобання. Без такого розуміння стає важко відповідати мінливим вимогам клієнтів, і компанії ризикують втратити клієнтів через конкурентів. Саме тут на допомогу приходить зворотний зв'язок із клієнтами – традиційно компанії покладалися на опитування, фокус-групи та інші подібні методи для збору інформації про задоволеність і лояльність клієнтів.

Однак ці традиційні методи мають свої обмеження. Опитування і фокус-групи дають змогу отримати лише миттєвий знімок думок клієнтів і часто упереджено ставляться до людей, які більш відкрито говорять про свій досвід. Вони також можуть бути схильні до зміщення відповідей, коли клієнти можуть не давати точних відгуків через упередження про соціальну бажаність або інші чинники.

Щоб більш точно та об’єктивно зрозуміти які саме клієнти схильні залишити вашу компанію і прийняти рішення, що з ними робити далі – чи утримувати, чи «відпустити» використовують бінарні класифікаційні моделі. Ці моделі оперують двома класами: позитивним – клієнт пішов з компанії; негативним – клієнт залишився в компанії. Насправді це умовний розподіл на класи й він може змінитися залежно від того, що саме ви прогнозуєте – що клієнт піде з компанії, чи що він залишиться.

Такі моделі використовують різні методи (від простої логістичної регресії до нейронних мереж зі складною архітектурою – це все методи АІ) і потребують, щоб кожному клієнту була присвоєна мітка позитивного чи негативного класу. Після навчання на історичних даних модель буде здатна зробити прогноз мітки (піде чи залишиться) для кожного клієнта, а також ймовірності події. Наприклад «Клієнт А піде з компанії з ймовірністю 87%», або «Клієнт Б залишиться в компанії з ймовірністю 65%».

Щобільше, ви можете знати ще і те, які саме характеристики клієнта і з якою силою впливають на рішення моделі присвоїти ту чи іншу мітку (піде, чи залишиться) для кожного клієнта. І чим більше різноманітних характеристик клієнта ви маєте, тим точніше ви зможете розуміти поведінку клієнта і його схильність покинути вашу компанію. А маючи під рукою такі детальні й точні дані, вже можна не тільки розробляти персоналізовані стратегії утримання клієнтів, а і змінювати процеси, продукти, та покращувати клієнтський досвід.

Щоб детально не описувати тут багато кейсів, я пропоную вам використати наш сервіс з прогнозування відтоку, де можна безкоштовно досліджувати вплив різних параметрів клієнтів на їх відтік для банків, страхових компаній, бізнесу електронної комерції, телекому. А також ви можете завантажити туди свої дані, і, знову ж таки, безплатно отримати інформацію про точність прогнозування відтоку та факторах які впливають на рішення клієнтів піти чи залишитися в вашій компанії.

Який штучний інтелект потрібен бізнесу?

Слайд з презентації Customer Departure Insight

Якщо ви подумали, що було б непогано спробувати поєднати дані про відтік клієнтів і ChatGPT, щоб спробувати написати декілька персоналізованих стратегій утримання, то наші думки збігаються. Читайте що з цього вийшло за посиланням.  Як ви вважаєте, це гарний приклад використання АІ для утримання клієнтів? Має право на життя в вашому бізнесі?

І на завершення ще один короткий кейс. В доковідний рік ми розробили модель прогнозування відтоку для одного заміського клубу в США. Коли показали список клієнтів, що схильні покинути клуб, то здивуванню менеджменту не було меж, бо вони побачили там усіх клієнтів, стосовно яких у них були підозри, що вони не лояльні до клубу. Та в нашому списку були й інші клієнти, про яких менеджмент навіть не задумувався. І тоді постало питання, а чи можна прогнозувати не тільки, хто із клієнтів схильний покинути клуб, а і коли приблизно це може статися, через скільки місяців? Ми підтвердили, що це можливо і в наступній версії показали для кожного клієнта, як саме з часом буде збільшуватися ймовірність його відтоку. Далі все досить легко. Якщо ймовірність менше порогу в 50%, то це зелена зона, якщо менше ніж 70% – жовта, і потім червона. Це дало можливість працювати з кожним клієнтом індивідуально, щоб зелена та жовта зони були якнайдовшими.

Ці стратегії на основі штучного інтелекту не лише підвищують рівень задоволеності клієнтів, але й сприяють ефективнішому розподілу маркетингових ресурсів.

На операційному фронті штучний інтелект революціонізує те, як компанії прогнозують попит, оптимізують ціноутворення та керують робочою силою. Серед ключових застосувань можна виділити наступні:

  • Прогнозування попиту: Алгоритми штучного інтелекту прогнозують майбутній попит на продукцію, дозволяючи компаніям оптимізувати управління запасами і ланцюжками поставок.
  • Прогнозування рекламних продажів: Аналізуючи минулі дані про продажі та ринкові тенденції, ШІ допомагає планувати ефективні рекламні стратегії.
  • Оптимізація цін: ШІ-моделі оцінюють динаміку ринку, щоб встановити ціни, які максимізують прибуток, залишаючись при цьому конкурентоспроможними.
  • Оптимізація персоналу: ШІ прогнозує попит на обслуговування клієнтів, допомагаючи ефективно планувати роботу персоналу та зменшувати витрати на оплату праці.

Але про це детально і з кейсами вже у наступному блозі.

Data Governance в питаннях і відповідях

Минулого разу ми почали розглядати питання щодо Data Governance. Часто люди не відчувають різниці між Data Governance та Data Management, бо ж те й інше можна перекласти як «управління даними». Тож чим Data Governance (врядування даних) відрізняється від управління даними? Розгляньмо ще кілька важливих питань.

Питання №3 – Як Data Governance пов'язане з цифровою трансформацією?

Уявіть собі вашу компанію як стару бібліотеку в якій паперові книги (дані) лежать на різних полицях, які розміщені на різних поверхах чи навіть будівлях. При цьому в ній є тільки приблизні схеми розміщення книг і відсутній хоча б якийсь каталог. В такій ситуації швидкий пошук потрібної інформації стає ще тим викликом. Цифрова трансформація має на меті модернізувати цю бібліотеку, зробити її більш динамічною, інтерактивною та технологічною.

У цій аналогії управління даними виступає в ролі бібліотекаря. Коли ви оцифровуєте свою бібліотеку, управління даними гарантує, що цифровий каталог буде точним, добре організованим і відповідатиме правилам (політиці) доступу до нього. І при пошуку книги про принца Гаррі вам не будуть приносити книги про Гаррі Поттера. Йдеться про те, щоб трансформація не створювала хаосу, а навпаки, підвищувала корисність ваших даних.

 Data Governance в питаннях і відповідях

І якщо приклад про трансформацію бібліотеки здається абстрактним, то розгляньмо інший сценарій, який досить часто виникає під час цифрової трансформації – перехід на нову CRM-систему, скоріше за все хмарну. Приклад для мене досить актуальний, бо наша компанія саме зараз вводить в експлуатацію нову систему.

В нову CRM-систему співробітники мають вносити інформацію про клієнтів. Якщо не надати їм чітких інструкцій по вводу даних і не контролювати регулярно їх якість, то через деякий час в ній будуть різні формати номерів телефонів, адрес або навіть імен клієнтів. Така неузгодженість може призвести до безладу в базі даних, що ускладнить пошук точної інформації або ефективний аналіз клієнтських тенденцій.

Завдяки впровадженню системи управління даними перехід стає більш організованим. Вона встановлює правила і стандарти для введення даних, гарантуючи, що всі дотримуються єдиного формату. Наприклад, це може передбачати певний формат для телефонних номерів, стандартизований формат адреси та вказівки щодо введення імен клієнтів, щоб уникнути дублювання або помилок у написанні.

Управління даними не обмежується лише правилами введення. Воно також забезпечує постійну якість даних. Наприклад, можуть бути встановлені правила для регулярної перевірки даних, виявлення застарілої інформації та забезпечення оперативного оновлення даних про клієнтів. Це гарантує, що CRM-система містить достовірну та актуальну інформацію, що сприяє точному розумінню клієнтів.

Але управління даними виходить за рамки того, як дані вводяться. Воно також зосереджується на тому, хто може мати доступ до них і змінювати їх. У сценарії CRM можна визначити ролі та дозволи, гарантуючи, що лише уповноважений персонал матиме доступ до конфіденційних даних клієнтів. А самі дані будуть правильно класифіковані щодо рівня їх конфіденційності. Це захищає клієнтів і допомагає компанії дотримуватися вимог законодавства про захист даних.

Завдяки послідовним, точним і захищеним даним в CRM-системі особи, які приймають рішення, такі як менеджери з продажу та маркетингу, можуть довіряти інформації, яку вони використовують для стратегічного планування. Наприклад, маркетингові команди можуть аналізувати вподобання клієнтів на основі точних даних, що призводить до більш ефективних і цілеспрямованих кампаній. Відділи продажів можуть покладатися на точну інформацію про клієнтів, щоб адаптувати свою взаємодію, задовольняти конкретні потреби та надавати більш персоналізований досвід. Це безпосередньо сприяє підвищенню задоволеності та лояльності клієнтів.

У цьому сценарії управління даними перетворює хмарну CRM-систему з потенційного джерела плутанини й помилок на стратегічний актив. Воно забезпечує узгодженість, точність і безпеку даних, роблячи CRM-систему надійним інструментом, який розширює можливості організації на шляху до цифрової трансформації, зокрема, покращуючи відносини з клієнтами та сприяючи успіху в бізнесі.

 Data Governance в питаннях і відповідях

Отже, управління даними є основою цифрової трансформації. Воно гарантує, що в міру того, як ви оновлюєте і модернізуєте свій бізнес, ваші дані не просто передаються, а перетворюються на цінний актив, сприяючи успіху ваших цифрових ініціатив. Саме бібліотекар підтримує електронну бібліотеку в порядку, гарантуючи, що ви зможете знайти потрібну інформацію, коли вона вам знадобиться, на шляху до більш технічно підкованої та ефективної організації.

Питання №4 – Чим Data Governance відрізняється від управління даними?

Часто люди не відчувають різниці між Data Governance та Data Management. І те і те можна перекласти як «управління даними». Чим Data Governance (врядування даних) відрізняється від управління даними?

Уявіть собі, що дані – це двигун, який приводить у рух ваш бізнес-автомобіль. Управління даними – це як обслуговування і заправка двигуна, щоб він працював безперебійно. З іншого боку, урядування даних – це дорожня карта і правила дорожнього руху, які гарантують, що ваша подорож буде ефективною, безпечною і доставить вас у потрібний пункт призначення.

Управління даними – це щоденна турбота про ваші дані: як вони зберігаються, доступ до них і як вони підтримуються в належному стані. Воно включає такі завдання, як зберігання даних, резервне копіювання та забезпечення доступності даних у разі потреби.

Повертаючись до аналогії з двигуном – управління даними гарантує, що двигун добре змащений, фільтри замінені, і він готовий до роботи. Йдеться про рутинні завдання, які забезпечують безперебійну роботу двигуна даних.

Врядування даних (Data Governance) – цеце встановлення правил і настанов щодо використання даних. Воно визначає, хто має до них доступ, як вони мають використовуватися, і гарантує, що всі йдуть одним і тим самим шляхом. Це стратегічний підхід до даних.

Воно визначає маршрути, обмеження швидкості та правила дорожнього руху. Воно гарантує, що всі йдуть одним шляхом, запобігаючи хаосу даних і гарантуючи, що дані використовуються відповідально та ефективно.

Управлінням даними часто займаються ІТ-команди, забезпечуючи технічну достовірність даних. Врядування даних (Data Governance) передбачає лідерство та прийняття рішень, зазвичай під наглядом керівництва.

Тож підсумовуючи, управління даними дбає про двигун, тоді як врядування даних забезпечує дорожню карту. Обидва ці компоненти мають вирішальне значення для успішної подорожі з даними: управління забезпечує технічний стан, а врядування – стратегічний напрямок і відповідальне використання даних. Це схоже на догляд за двигуном автомобіля, але при цьому необхідно дотримуватися правил дорожнього руху для безперешкодної та успішної подорожі.

Демістифікація Data Governance. Перетворення викликів на перемоги

У мінливому бізнес-ландшафті, де царюють дані, опановування управління ними – це не просто завдання для ІТ-відділу, це стратегічний імператив, який починається з самого верху.

Пориньте вглиб, щоб дізнатися, чому дані є вашим найціннішим активом, як вони трансформуються з розвитком цифрових технологій і чому за них відповідає генеральний директор. Дізнайтеся про нюанси, які роблять управління даними не просто концепцією, а каталізатором успіху вашої організації.

Почнемо з головного питання – що таке Data Governance?

Питання №1 – Що таке Data Governance?

Визначення: Data Governance – Врядування даних – це системний підхід до управління, організації та контролю активів даних організації для забезпечення високої якості даних, їхньої цілісності та дотримання нормативних вимог.

Спробуємо пояснити кожен термін визначення.

Системний підхід. Подумайте про це як про структурований та організований спосіб роботи з даними вашої компанії. Йдеться про наявність плану, процесів і ролей для ефективного управління даними.

Управління, організація та контроль. Це передбачає нагляд за тим, як використовуються дані, забезпечення їх належної організації для легкого доступу до них, а також наявність механізмів контролю для підтримки точності та безпеки даних.

Активи даних. Ваші дані є цінним активом, як і будь-який інший ресурс у вашій компанії. Управління даними полягає в тому, щоб поводитися з ними так само дбайливо та уважно, як і з фінансовими активами чи інтелектуальною власністю.

Висока якість даних. Це означає, що ваші дані мають бути точними, надійними та актуальними. Уявіть, що у вас є неправильна адреса клієнта. Це може призвести до проблем з доставкою та незадоволення клієнта.

Цілісність даних. Забезпечення узгодженості та надійності даних. Це означає, що ваші дані не будуть пошкоджені або скомпрометовані, подібно до того, як ваші фінансові документи повинні бути точними й непідробленими.

Відповідність нормативним вимогам. Означає дотримання правил і норм, що стосуються даних у вашій галузі. Подібно до того, як ви дотримуєтеся правових стандартів у своїх бізнес-операціях, управління даними забезпечує дотримання законів, пов'язаних з даними.

По суті, управління даними – це ставлення до ваших даних як до цінного активу, ефективне управління ними та забезпечення їхньої відповідності високим стандартам, а також дотримання правил і норм, встановлених вашою галуззю та урядом. Це не лише мінімізує ризики, але й максимізує цінність даних для вашого бізнесу.

Розглянемо це питання з іншої точки зору та додамо аналогій і прикладів.

Управління даними – це своєрідний кодекс правил і арбітр для роботи з інформацією в компанії. Він містить процеси, правила і людей, відповідальних за те, щоб дані були точними, безпечними та використовувалися в найкращий спосіб.

Якщо уявити ваш бізнес як спортивну гру, то процеси – це план гри. Подібно до того, як спортивна команда має план гри та стратегію, Data Governance встановлює покрокові методи управління даними. Наприклад, воно може описувати, як збираються дані, хто має до них доступ і як вони оновлюються.

В будь-якій спортивній грі є правила – це як перелік «що можна» і «чого не можна». Управління даними встановлює правила, щоб забезпечити належну поведінку з даними. Це можуть бути правила про те, хто може редагувати певні дані, як часто вони переглядаються і що станеться, якщо хтось порушить правила.

Гри без людей не існує – уявіть собі ваших співробітників як гравців на полі. Управління даними розподіляє ролі між окремими особами або командами, щоб переконатися, що кожен знає свою. Наприклад, стюард даних може бути капітаном команди, відповідальним за певний набір даних.

Декілька простих прикладів дозволять покращити розуміння Data Governance.

Приклад #1 – Магазин.

Уявіть, що ви керуєте магазином. Управління даними – це як наявність чітких інструкцій про те, як ви організовуєте та відстежуєте свої запаси. Воно гарантує, що всі розуміють процес (коли поповнювати запаси, хто їх оновлює), дотримуються правил (жодних несанкціонованих змін і людей на складах) і мають розподілені обов'язки (хтось відповідає за кожну категорію товарів). Таким чином, ваш магазин працює безперебійно, а ваші клієнти отримують потрібні товари тоді, коли вони їм необхідні.

Приклад #2 – Банк.

Заглибмось в більш детальну аналогію на прикладі банку, щоб проілюструвати концепцію управління даними.

Процеси (план гри). У банку процеси обробки даних – це як кроки або задачі при обробці клієнтських транзакцій. Уявіть собі чітко визначений процес відкриття нових рахунків – він включає перевірку особи клієнта, збір необхідних документів та оновлення інформації в системі. Цей процес гарантує, що інформація про клієнта є точною і надійно зберігається. Вам би не хотілось, щоб ваш рахунок переплутали з іншим клієнтом і списали якусь суму без вашого відома.

Оскільки і в банку є різні процеси для обслуговування клієнтів під час видачі кредитів, приймання депозитів, обслуговування комірки в сховищі, придбання валюти чи цінних паперів, так і у вашій компанії повинні бути описані процеси проєктування та моделювання, щоденних операцій з даними, інтеграції даних з різних джерел, переміщенню даних в сховище та їх аналіз, каталогізації даних, підтримки їх якості й т.п.

Правила (що можна і що не можна). Подумайте про правила обробки даних як про керівні принципи поводження з конфіденційною інформацією. У банківському світі існують суворі правила щодо того, хто може мати доступ до фінансових даних клієнтів. Наприклад, лише уповноважений персонал повинен мати доступ до деталей рахунку, щоб зберегти конфіденційність і запобігти зловживанням. Аналогічно й у вас повинні бути правила поводження за даними. Щоб усі розуміли що можна робити з даними, а за що можна отримати «червону картку».

Люди (гравці на полі). Розглядайте людей у банку як гравців у грі з управління даними. У цій аналогії стюарди даних схожі на капітанів команд, які наглядають за певними аспектами даних. Наприклад, стюард даних для клієнтських рахунків гарантує, що інформація є точною, актуальною та відповідає регуляторним стандартам. А тренер команд – власник даних – відповідає за те які саме дані про клієнта і рахунки треба збирати та аналізувати, щоб розвивати бізнес і покращувати рівень обслуговування клієнтів. Так і в вашому бізнесі повинні бути визначені конкретні люди які будуть відповідати за стан та роботу з різними блоками даних, починаючи з точного визначення термінів і до регулярної перевірки якості даних.

Тобто у діловому світі Data Governance забезпечує ефективне управління інформацією, запобігаючи помилкам і дозволяючи впевнено приймати рішення.

Наступне питання про своєчасність впровадження Data Governance.

Питання №2 – Яким компаніям потрібно впроваджувати Data Governance і коли саме? Як компанія може зрозуміти, що настав час розробити стратегію управління даними та впровадити Data Governance?

Уявіть собі управління даними як кермо автомобіля. Коли ви їдете чистою дорогою з мінімальним трафіком, ви можете особливо не думати про кермування. Але коли дорога стає жвавою, і вам потрібна точність, щоб пройти повороти та уникнути перешкод, саме тоді стає очевидною важливість системи рульового управління, що добре функціонує. Аналогічно якщо ваша організація стикається з такими викликами, як суперечлива інформація, проблеми з безпекою або труднощі у прийнятті рішень на основі даних, це ознака того, що управління даними може стати вирішальним фактором у їх розв’язанні.

По суті, мова йде не про розмір компанії, а про складність вашого ландшафту даних і необхідність точності в управлінні ними. Управління даними гарантує, що ви будете плавно переміщатися по ландшафту даних, особливо коли дорога стає трохи вибоїстою.

Коли починати?

Звичайно, система DataGovernance може мати різні ступені складності, які повинні відповідати потребам і рівню зрілості бізнесу. Але симптоми, які перераховані нижче, сигналізують вам, що час для розробки та впровадження стратегії даних настав.

Хвороби зростання.
Коли ваша компанія починає зростати, дані мають тенденцію розростатися, як гілки на дереві, а кількість звітів і аналітики зростають в геометричній прогресії. Якщо ви відчуваєте труднощі в управлінні цим вибуховим ландшафтом даних, це привід задуматися про управління даними.

Розбіжності в даних. Якщо різні відділи мають суперечливі дані, наприклад, цифри продажів не збігаються з фінансовими записами, це тривожний сигнал. Тобто, коли замість прийняття рішень на нарадах, ви все частіше виясняєте чиїм даним довіряти й хто звідки їх взяв, то це сигнал задуматися про впровадження системи управління даними. Бо управління даними може гарантувати, що всі використовують дані із «єдиного джерела правди» і однаково розуміють всі показники.

Регуляторні проблеми. Коли ваша галузь стикається з новими регуляторними нормами, або стандартами відповідності, настає час посилити роботу з даними. Управління даними допоможе вам відповідати вимогам і уникнути головного болю з боку регуляторних органів.

Втрачені можливості. Якщо ви відчуваєте, що не повністю використовуєте свої дані для прийняття стратегічних рішень, це явна ознака. Деякі дослідження говорять, що компанії використовують менш як 10% накопичених даних для аналізу і прийняття рішень. Подумайте скільки даних накопичено вашою компанією і скільки з них беруть участь в розрахунках аналітичних показників. Управління даними гарантує, що ваші дані стануть потужним активом, а не втраченою можливістю.

Хайп і реальність генеративного АІ: Як подалати деяки бар'єри впровадження

У попередньому пості були сформульовані деяки передумови та бар'єри, які стоять на шляху успішного впровадження АІ в промисловому варіанті на рівні підприємства.

Багато з цих бар’єрів лежать в юридичній чи організаційній площині, але мені хотілося б зупинитися більше на тих, що пов’язані з низькою зрілістю використання даних та надати докладні пояснення до кожного з них.

Відсутність процесів контролю якості даних

Без надійних процесів контролю якості даних організації можуть мати суперечливі, неточні або неповні дані. Це може призвести до поганого навчання моделі та ненадійних результатів, отриманих за допомогою ШІ.

Покрокове пом'якшення наслідків:
Встановіть стандарти якості даних: Визначте чіткі стандарти якості даних, опишіть метрики для оцінки якості даних включаючи точність, повноту, узгодженість і своєчасність. Додайте ці метрики в вашу BI-систему та регулярно аналізуйте їх.
Очищення даних: Впровадьте процеси очищення даних для виявлення та виправлення помилок і невідповідностей у даних.
Управління даними: Розробіть стратегію управління даними й впровадьте її в практику, щоб забезпечити підтримку якості даних протягом тривалого часу.
Інструменти якості даних: Інвестуйте в інструменти та технології якості даних для автоматизації очищення та перевірки даних.
Документування даних: Впровадьте каталог повних метаданих і словників даних для відстеження походження та якості даних.

Низька інформаційна грамотність

В організаціях з низьким рівнем грамотності щодо даних співробітники можуть мати труднощі з розумінням концепцій даних, що може перешкоджати їхній здатності ефективно використовувати та інтерпретувати інсайти, отримані за допомогою штучного інтелекту.

Покрокове пом'якшення наслідків:
Навчання грамотності даних: Проводьте навчальні програми з грамотності даних для працівників різних посад і відділів.
Чемпіони даних: Визначте та підготуйте чемпіонів або прихильників даних в організації для просування грамотності даних.
Ресурси для навчання роботи з даними: Пропонуйте своїм співробітникам доступні ресурси, такі як словники даних, глосарії та посібники, що пояснюють термінологію, пов'язану з даними.
Зручні інструменти: Впроваджуйте зручні інструменти аналізу та візуалізації даних, які не потребують глибоких технічних знань. Розвивайте та впроваджуйте концепцію «аналітика самообслуговування» (self-service BI).
Заохочуйте дослідження даних: Заохочуйте працівників досліджувати дані та інструменти аналізу, ставити запитання та шукати інсайти.

Неналежне управління даними

Слабкі або відсутні практики управління даними можуть призвести до неструктурованих середовищ даних, непослідовних визначень даних і відсутності відповідальності за якість і безпеку даних.

Покрокове пом'якшення наслідків:
Створіть систему управління даними: Розробіть комплексну систему управління даними з визначеними ролями, обов'язками та процесами.
Керування даними: Призначте власників та розпорядників даних, відповідальних за якість, безпеку та відповідність даних у конкретних доменах даних.
Політика та стандарти щодо даних: Створюйте та впроваджуйте політики, стандарти та настанови щодо даних, щоб забезпечити їхню узгодженість.
Каталог даних: Впровадьте каталог даних для документування та управління активами даних, включно з метаданими та інформацією про родовід.
Заходи безпеки даних: Впроваджуйте заходи безпеки даних для захисту конфіденційної інформації та дотримання нормативних вимог.

Відсутність інтеграції даних

Розрізнені джерела даних і відсутність інтеграції між системами можуть ускладнити доступ до релевантних даних для навчання та аналізу моделей ШІ.

Покрокове пом'якшення наслідків:
Стратегія інтеграції даних: Розробіть стратегію інтеграції даних, яка визначає, як збиратимуться, трансформуватимуться та ставатимуть доступними дані з різних джерел.
Інструменти інтеграції даних: Інвестуйте в інструменти та платформи для інтеграції даних, щоб спростити отримання та перетворення даних.
Управління основними даними (MDM): Впроваджуйте практики MDM, щоб забезпечити узгодженість визначень даних та їх інтеграцію в організації.
Сховища та озера даних: Розгляньте рішення для зберігання даних, щоб консолідувати й централізувати дані для аналізу.

Обмежена документація даних

Недостатня документація джерел даних, визначень і походження може призвести до плутанини й помилок при розробці та використанні моделей ШІ.

Покрокове пом'якшення наслідків:
Управління метаданими: Запровадьте практики управління метаданими для документування атрибутів, джерел і перетворень даних.
Відстеження ланцюжка даних: Впроваджуйте інструменти відстеження даних, щоб відстежувати походження і потік даних в організації.
Каталогізація даних: Використовуйте каталог даних для створення централізованого сховища активів даних та їхніх описів.
Словник даних: Ведіть словник даних, який надає чіткі визначення та бізнес-контекст для елементів даних.
Володіння даними: Розподіліть обов'язки щодо володіння даними між окремими особами або командами, щоб забезпечити підзвітність за документацію даних.

Усунення описаних вище бар'єрів вимагає узгоджених зусиль, спрямованих на підвищення якості даних, грамотності, управління, інтеграції та документування. Таким чином, організації можуть підвищити зрілість використання даних, що полегшить успішне впровадження генеративного штучного інтелекту та інших ініціатив, заснованих на даних.

Це здається нудною паперовою роботою яку не порівняти з прекрасними результатами АІ, але без неї політ нашого “фантастичного космічного корабля” залишиться тільки в експериментах на симуляторі.

Хайп і реальність генеративного АІ: Бар'єри впровадження

Останнім часом ми стали свідками сплеску ажіотажу навколо генеративного АІ. Особливо з появою ChatGPT та подібних інновацій. Розмови про трансформаційний потенціал штучного інтелекту не вщухають. І це схоже на космічний корабель, який обіцяє доставити нас до зірок. Однак є заковика – у своєму прагненні дослідити космос ми можемо забути про підготовчу роботу, необхідну для того, щоб зробити цю подорож реальністю.

Багато з дискусій навколо АІ виглядають так, ніби ми милуємося фантастичним космічним кораблем, експериментуємо з ним на симуляторах, але ми зовсім не готові запустити його до зірок.

Щоб впроваджувати генеративні моделі АІ, ба навіть самі прості моделі, на рівні підприємства, необхідно підготуватися. Нам потрібно впорядкувати управління даними, зрозуміти наші інформаційні активи, забезпечити якість даних тощо.

Які ж передумови та бар'єри стоять на шляху успішного впровадження АІ в промисловому варіанті на рівні підприємства?

Брак даних: Недостатня кількість або низька якість даних є значною перешкодою. Генеративні моделі АІ потребують великих високоякісних наборів даних для навчання. Якщо організація не має доступу до таких даних, це може перешкоджати прогресу.

Занепокоєння щодо конфіденційності даних: Регламенти щодо захисту даних, такі як GDPR і CCPA, накладають суворі вимоги до використання даних. Забезпечення відповідності при використанні даних клієнтів для навчання моделей АІ може бути складним завданням.

Безпека даних: Зберігання та обробка великих масивів даних для АІ-моделей може становити ризики для безпеки, якщо ними не керувати належним чином.

Обмеженість ресурсів: Впровадження генеративного АІ часто вимагає значних обчислювальних ресурсів. Організації можуть стикатися з бюджетними обмеженнями або не мати необхідного обладнання та інфраструктури.

Дефіцит експертизи: Нестача талантів і досвіду в галузі АІ може стати значною перешкодою. Розробка та підтримка моделей штучного інтелекту вимагає спеціальних знань, які можуть бути недоступними в організації.

Етичні проблеми: Створення контенту за допомогою моделей АІ викликає етичні проблеми, особливо щодо упередженості та справедливості. Забезпечення відповідності контенту, створеного штучним інтелектом, етичним нормам може бути складним завданням.

Проблеми інтеграції: Впровадження генеративних інструментів АІ та їх інтеграція з наявними системами і робочими процесами може бути складною. Проблеми сумісності та опір змінам в організації можуть сповільнити впровадження.

Проблеми масштабованості: У міру зростання організації попит на генеративний АІ може збільшуватись. Проблеми з масштабуванням можуть виникнути, якщо інфраструктура та ресурси не розраховані на таке зростання.

Опір змінам: Співробітники можуть чинити опір впровадженню процесів, керованих АІ, через страх втратити роботу, побоювання щодо упередженості АІ або нерозуміння того, як АІ може допомогти їм у виконанні їхніх обов'язків.

Відповідність законодавчим і нормативним вимогам: Орієнтуватися в нормативно-правовій базі, пов'язаній зі штучним інтелектом, може бути непросто. Організації повинні переконатися, що впровадження АІ відповідає законам і галузевим стандартам, які постійно змінюються.

Продуктивність і якість: Контент, створений штучним інтелектом, не завжди відповідає бажаним стандартам якості. Неякісно створений контент може зашкодити репутації організації та довірі клієнтів.

Зрозумілість і довіра: Розуміння і довіра до результатів роботи штучного інтелекту може бути складним завданням, особливо для критично важливих процесів прийняття рішень. Важливо пояснювати рішення, прийняті за допомогою штучного інтелекту, у прозорий спосіб.

Вибір постачальника: правильний постачальник АІ або технологічний партнер має вирішальне значення. Неправильний вибір може призвести до низької продуктивності АІ та труднощів з налаштуванням.

Управління змінами: Впровадження процесів, керованих штучним інтелектом, часто вимагає культурних змін в організації. Стратегії управління змінами необхідні для забезпечення підтримки з боку співробітників.

Невизначеність щодо рентабельності інвестицій: Вимірювання рентабельності інвестицій (ROI) при впровадженні генеративного АІ може бути дуже непростим завданням, що ускладнює обґрунтування витрат.

Складність моделей: Складні моделі АІ можуть бути складними в управлінні та підтримці. Простота і зрозумілість можуть бути принесені в жертву продуктивності.

Багато з цих бар’єрів знаходяться в юридичній чи організаційній площині, але мені хотілося б зупинитися більше на тих, що пов’язані з низькою зрілістю використання даних та надати докладні пояснення до кожного з них. Але про це вже у наступній частині.

Подорож «Диким Заходом» аналітики: приборкання хаосу даних на кордоні аналітики самообслуговування

В умовах невпинного розвитку ландшафту бізнес-аналітики самообслуговування надання користувачам свободи в роботі з даними іноді може здатися відкриттям дверей на «Дикий Захід». Хоча демократизація доступу до даних – благородна мета, вона часто призводить до несподіваного результату – хаосу даних.

У сучасну цифрову епоху дані часто називають новою нафтою, котра наділена величезною цінністю для організацій. Однак для багатьох компаній цей безцінний ресурс залишається заблокованим через низку проблем, пов'язаних із даними, що заважає їм досягати успіху завдяки використанню даних. Однією з найгостріших проблем, з якими стикаються компанії в епоху багатства даних, є поширення аналітичних панелей, звітів і джерел даних.

Хоча впровадження систем самообслуговування Business Intelligence (BI) та ініціатив для підвищення рівня інформаційної грамотності розширило можливості співробітників щодо використання даних для приймання рішень, це також мимоволі призвело до хаосу у сфері аналізу даних.

Компанії з оптимізмом починають свій шлях до управління даними, впроваджуючи BI-інструменти самообслуговування і підвищуючи рівень інформаційної грамотності співробітників. У результаті кількість аналітичних показників, інформаційних панелей і звітів зростає в геометричній прогресії. Бізнес-користувачі самостійно створюють звіти, аналітики – численні інформаційні панелі, а джерела даних множаться. Однак за цією великою кількістю даних ховається проблема – хаос.

Природа хаосу

  • Проблема обсягу: обсяг звітів та інформаційних панелей, створюваних у BI-середовищі самообслуговування, стає непомірно великим. Бізнес-користувачі часто створюють дублюючі або надлишкові звіти, що призводить до плутанини.
  • Інформаційне перевантаження: Співробітники насилу орієнтуються в лабіринті звітів, що ускладнює швидкий пошук потрібних даних або аналітичних матеріалів. Це призводить до втрати часу і зниження продуктивності.
  • Якість проти кількості. У той час як кількість інформаційних активів збільшується, якість і точність даних, як і раніше, викликають занепокоєння. Без належної документації та управління дані можуть стати ненадійними.
  • Розчарування співробітників. Розчарування, викликане неможливістю знайти необхідну інформацію, перешкоджає залученню співробітників до роботи з даними. Сам ресурс, покликаний допомогти у прийнятті рішень, стає джерелом розчарування.

Розірвати замкнене коло можна за допомогою каталогів даних та аналітики

 приборкання хаосу даних на кордоні аналітики самообслуговування

Для розв'язання цієї проблеми організації все частіше звертаються до каталогів даних та аналітики. Ці каталоги є організованими сховищами, в яких індексуються та класифікуються активи даних, звіти, інформаційні панелі та аналітичні показники. Ось як вони допомагають у цьому.

  • Організація та категоризація. Каталоги даних та аналітики забезпечують структуровану основу для організації та категоризації активів даних. Метадані, такі як описи та історія даних, додають контекст та ясність.
  • Зручність пошуку. Завдяки наявності каталогів користувачі можуть легко шукати та знаходити потрібні їм дані або аналітичні матеріали, що заощаджує час та знижує рівень розчарування.
  • Документація. Каталоги спонукають користувачів документувати свої звіти та інформаційні панелі, підвищуючи якість даних та сприяючи розвитку культури управління даними.
  • Залучення та ефективність. Спрощуючи доступ до даних, каталоги розривають порочне коло неефективності, роблячи роботу з даними більш корисною для співробітників.
  • Безперервне вдосконалення. Організації можуть використовувати зворотний зв'язок та дані про поведінку користувачів для постійного вдосконалення каталогів, забезпечуючи їх розвиток відповідно до змін потреб у даних.

Оскільки організації прагнуть використовувати міць даних, подолання хаосу, викликаного їх великою кількістю, має вирішальне значення. Каталоги даних та аналітики пропонують рішення, яке дозволяє не лише оптимізувати управління даними, а й підвищити зацікавленість співробітників у роботі з ними. Визнання проблем та впровадження рішень щодо каталогізації дозволить компаніям по-справжньому розкрити потенціал своїх починань, пов'язаних із даними, та намітити шлях до успіху на основі даних.

Як АІ-рішення вирішують проблему управління чергами

Як виникають черги і як можна здопомогою AI прогнозувати та керувати потоками покупців та оптимізувати розклад змін касирів. Саме про це і піде мова.
 
Якщо сильно спростити, то касову лінійку будь-якого супермаркету можна представити як систему масового обслуговування з очікуванням. У нас є потік покупців, інтенсивність якого змінюється і залежить від багатьох факторів. Також є середній час обслуговування одного покупця, який також мінливий. На додаток до цього ми маємо обмежену кількість касирів. У цих умовах наше завдання формулюється досить просто – для кожного n-хвилинного проміжку часу (зазвичай 15 або 30 хвилин) необхідно відкрити максимально можливу кількість кас для обслуговування покупців. Далі розглянемо, як це завдання можна вирішити.
 
Черга біля кас означає, що наша система не справляється з обробкою потоку покупців, тому що ми припустилися однієї або кількох помилок:
 
    Ми неправильно спрогнозували потік у цей проміжок часу
    Ми неправильно розрахували кількість касирів
    Ми неправильно розпланували зміни касирів
 
І хоча потік покупців має відмінну повторюваність за часом доби та днями тижня, але навіть досвідченому адміністратору легко помилитися з прогнозом трафіку, тому що на нього впливає безліч зовнішніх факторів.

Як АІ-рішення вирішують проблему управління чергами

У рішенні EffiQueue компанії RBC при прогнозуванні кількості покупців ми використовуємо такі параметри:
 
    дні тижня
    час доби
    календар святкових та передсвяткових днів
    зміни погодних умов
    календар шкільних канікул
    календар сезону відпусток
    дані про проведення заходів на околицях кожного супермаркету
    дані про проведення промо-активностей на околицях кожного супермаркету
    і т.п.
 
Практично всі ці дані доступні, але їх використання при ручному прогнозі з використанням електронних таблиць дуже трудомістко. Автоматизоване прогнозування з використанням методів машинного навчання дозволяє отримати точність від 80% як для горизонту від одного до дванадцяти місяців, так і уточнювати прогноз на тиждень або наступну годину. При цьому прогноз на 5 тижнів будується менше однієї хвилини. Така швидкість, точність та гнучкість прогнозування дає можливість менеджерам супермаркету набагато якісніше підготуватися до прийому покупців та легко отримувати відповіді на запитання:
 
    Який час у супермаркеті буває найменше покупців?
    Як змінюватиметься трафік протягом дня?
    У чому відмінність трафіку у вівторок від трафіку п’ятниці?
    Як осінній ярмарок по сусідству змінить кількість покупців у супермаркеті?
    Як зміниться характер потоку покупців під час оголошення шкільних канікул?
    Як зросте середня кількість покупців на день через 6 чи 12 місяців?
    і т.д.
 
У багатьох супермаркетах встановлені системи відеоспостереження та підрахунку трафіку, за допомогою яких можна отримувати та аналізувати точну інформацію про кількість покупців та довжину черги. Цю інформацію можна використовувати для коригування даних про кількість покупців, що обслуговуються на касі, коли ми знаємо як кількість закритих чеків, так і фактичну довжину черги у своїй.
 
Ці ж дані можна використовуватиме розрахунку потреби в касирах. Це можна зробити з використанням формули Ерланга, яка на вході вимагає вказати:
 
      інтенсивність потоку (скільки покупців потрібно обслужити у цей конкретний проміжок часу)
    середній час обслуговування (за скільки, в середньому, буде обслуговано одного покупця)
    цільової SLA (який час очікування ми вважаємо нормальним. Але простіше вказати яку чергу ми вважаємо нормальною, наприклад, один обслуговується і два чекають, а час очікування вже порахувати через середній час обслуговування)
 
Легко помітити, що всі дані у нас вже є. Інтенсивність потоку ми вираховуємо з прогнозу трафіку, цільової SLA вказують менеджери, відповідальні за клієнтський досвід, а середній час обслуговування можна отримати або залишити з секундомером або взяти час обробки кожного чека і додати час на розрахунок покупця, усереднити отриманий показник. Але, як часто буває, просте рішення не є самим точним. Якщо ми дивимося на діаграму нижче, то легко помітимо, як змінюється середній час обробки чека в залежності від конкретного супермаркету, дня неділі та часу суток. І ці зміни досить істотні і досягають іноді 20%.

Як АІ-рішення вирішують проблему управління чергами

Тому EffiQueue використовує для розрахунку потреби в касирах та надає аналіз часу обслуговування одного клієнта у наступних розрізах:
 
    супермаркети
    типи кас
    конкретні каси
    конкретні касири
    місяці
    дні тижня
    час доби
    календар святкових та передсвяткових днів
    і т.п.
 
Що дозволить менеджерам проводити детальний аналіз факторів впливу на середній час обслуговування клієнта та отримати відповіді на запитання:
 
Хто з касирів працює найшвидше, а хто є «слабкою ланкою»?
Як швидко нові касири досягають цільової продуктивності?
На яких касах відбувається найповільніше обслуговування?
Чим один супермаркет відрізняється від інших щодо часу обслуговування?
Як супермаркети поєднуються у групи за характером обслуговування?
 
Використання детального та точного прогнозу трафіку, а також середнього часу обслуговування дозволяє EffiQueue дуже точно розраховувати потребу в касах, що працюють, як на завтра, так і на будь-які 15 хвилин робочого часу супермаркету в найближчі сім тижнів.
 
Додатково, при інтеграції із системою контролю трафіку та відеоспостереження, EffiQueue уточнює прогноз на наступні 30-45 хвилин, а також інформує менеджерів про прогнозовані відхилення у плані на найближчі 2-3 п’ятнадцятихвилинки.
Складання графіка роботи касирів
 
Тепер ми маємо точні дані про потребу у відкритих касах і нам необхідно перетворити цю інформацію на план виходу на роботу реальних касирів. Якщо витрати на персонал не мають значення, це дуже легке завдання. Але в реальності на її вирішення необхідно витратити багато часу тому, що крім побажань кожного касира щодо початку роботи та вихідних необхідно також врахувати безліч інших правил, наприклад:
 
Мінімальна зміна – 4 години, максимальна – 12 годин
При зміні менше 6,5 години тривалість обіду становить 0,5 години, при зміні більше 6,5 години – 1 год.
Має бути не більше 5 змін поспіль
Вихідні можуть бути не поспіль, але 1 раз на місяць – поспіль
1 раз на 2 місяці вихідні повинні потрапляти на суботу та неділю
Норма годинника не більше 180 годин у календарний місяць
 
Врахувати ці фактори при ручному плануванні навіть для десяти касирів непросте завдання. Але EffiQueue дозволяє за 5 хвилин скласти план змін на тиждень для 15 касирів.

Як АІ-рішення вирішують проблему управління чергами

EffiQueue також дозволяє провести аналіз того, як різні варіанти планування змін покривають потреби у відкритих касах та вибрати найбільш відповідний конкретним умовам. Варіанти змін можуть бути складені вручну або отримані автоматично на підставі прогнозного трафіку на місяць та існуючих правил формування змін.

Як АІ-рішення вирішують проблему управління чергами

Такий підхід дає можливість збільшити доступність кас, а значить і зменшення черг приблизно в 3 рази, при цьому оплачувані трудовитрати касирів будуть зіставні з закладеними в планах, які раніше складалися вручну.
 
Звичайно, EffiQueue не контролює фактичне дотримання плану роботи касирами. Це завдання інших систем, які можуть одержувати від EffiQueue дані про зміни для співвіднесення їх з конкретними касирами та подальшого контролю виконавчої дисципліни. Але наше рішення дозволяє підвищити ефективність роботи всієї касової лінійки, а значить і покращити задоволеність клієнтів, що дорівнює збільшенню виручки.
 
Звичайно, це рішення не буде ефективним для магазинів з однією-двома касами, але вже від чотирьох кас можна оптимізувати кількість і розклад змін касирів.
 
Рішення EffiQueue застосовується не тільки для супермаркетів, але може бути використане в контакт-центрах, банках, магазинах електроніки та одягу, де необхідно прогнозувати не так касирів, як консультантів.

Роль підготовки даних у точному прогнозуванні попиту

Традиційний французький весільний торт Крокембуш входить в число найскладніших десертів світу. Він готується близько чотирьох годин і складається зі 100 профітролей, що складені у конус. Декор, зазвичай, не дуже складний і займає десь близько 30 хвилин – 12-15% всього часу. Це схоже на проєкти з прогнозування попиту чи персональних рекомендацій на базі моделей машинного навчання. Нещодавно пояснював одному потенціальному клієнту, чому так багато часу проходить до того моменту, коли він зможе побачити результат.

Роль підготовки даних у точному прогнозуванні попиту

Порівняймо більш детально на прикладі проєкту прогнозування попиту.

  1. Приготування профітролей (підготовка даних):
    • Подібно до того, як підготовка профітролей є основою для приготування крокембушу, підготовка даних є основою для проєкту прогнозування попиту.
    • Підготовка даних передбачає збір, очищення та трансформацію первинних даних, подібно до того, як готується тісто для профітролей і формується перед випіканням.
    • Без добре підготовлених даних проєкт прогнозування попиту, як і проєкт «Крокембуш», не матиме міцного підґрунтя, на яке можна було б покластися при побудові моделей.
  2. Начинка профітролей (функціональний інжиніринг):
    • Наповнення профітролей кремом або іншою бажаною начинкою відповідає етапу розробки ознак у проєкті прогнозування попиту.
    • Інженерія ознак передбачає вибір і створення релевантних ознак з підготовлених даних, які фіксують значущу інформацію та закономірності.
    • Подібно до того, як начинка покращує смак і текстуру профітролей, належна інженерія ознак підвищує прогностичну силу моделей ML у проєкті прогнозування попиту.
  3. Збірка профітролей (навчання та оцінка моделі):
    • Збирання профітролей у вежу являє собою етапи навчання та оцінювання моделі в проєкті прогнозування попиту.
    • Навчання моделі передбачає тренування ML-моделей з використанням підготовлених даних і вибраних ознак, подібно до того, як профітролі збираються разом, щоб створити структуру Крокембуша.
    • Оцінка моделей визначає продуктивність і точність навчених моделей, забезпечуючи їхню стабільність і достовірність, подібно до того, як зібрана вежа з профітролей повинна бути стабільною і структурно міцною.
  4. Декорування Крокембуша (розгортання та моніторинг моделі):
    • Оформлення Крокембуша відповідає етапам розгортання та моніторингу моделі в проєкті прогнозування попиту.
    • Розгортання моделі передбачає інтеграцію навчених моделей в операційну систему для генерування прогнозів попиту в реальному часі, подібно до того, як «Крокембуш» подається споживачам.
    • Моніторинг продуктивності розгорнутих моделей гарантує, що вони продовжуватимуть надавати точні прогнози з плином часу, подібно до того, як візуальна привабливість і цілісність прикрашеного Крокембуша зберігається протягом усього заходу.

В обох випадках така аналогія підкреслює критичну важливість кожного етапу, бо без добре підготовленої бази у вигляді підготовки даних проєкт прогнозування попиту не матиме необхідного фундаменту для побудови точних ML-моделей, так само як крокембуш неможливо зібрати без складених профітролей.

Аналогічно, без належного оздоблення та постійного моніторингу цінність проєкту прогнозування попиту зменшується, так само як візуальна привабливість і якість крокембуша погіршиться без ретельної уваги до оздоблення.

 

Ukraine

 

  •  Home  •  Ринок  •  IТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Мережі  •  Безпека  •  Наука  •  IoT