Predictive Analytics — или по-русски плановая или прогнозная аналитика, в основе которой лежит ответ на вопрос: «Что может произойти?»

Predictive Analytics — что это и зачем нужна бизнесу

Что это?

Данный вид аналитики позволяет прогнозировать события в будущем, например, прогноз продаж на 12 месяцев или анализ вероятности кассового разрыва (будет ли в ближайшее время, когда именно может произойти).

Проще говоря, плановая аналитика представляет собой совокупность методов сбора и последующего анализа данных на основе информации о ранее совершенных событиях. За счет исследования собранных и анализируемых показателей — определяется вектор будущих событий. Имея представление, что произойдет в будущем, можно сориентироваться по поиску оптимальных решений той или иной конкретной ситуации.

Стоит учесть, что результат прогностического анализа не 100%-процентный, то есть прогнозируемые события предоставляются с определенной долей вероятности, а не в формате, что точно свершится.

Зачем бизнесу?

Рассмотрим ряд примеров, где применима предиктивная модель анализа и чем она может помочь в бизнесе:

● управлять рисками на производстве, в продажах, в финансах…

Например,

• на производстве, в отношении простоев в производстве продукции, или возможной поломки дорогостоящего оборудования, за счет анализа прошлых событий.

  Например, когда следует провести техническое обслуживание оборудования и возможную замену деталей, чтобы избежать выхода из строя данного оборудования
  

• в продажах, когда знания той же сезонности или спроса на определенные товары, в разрезе временного / недельного периода позволяют прогнозировать предстоящие события поведения покупателя на приобретение товара / услуги.

  Например, зная сезонность и соответствующий спрос на продукцию — ритейлеру делать закупки заблаговременно к сезону, чтобы удовлетворить все потребности клиента вовремя

• в финансах, для построения наиболее правдоподобной финансовой модели или более точного расчета тех или иных затрат на конкретные потребности в будущем, на основе анализа рынка прошлых лет, имея представление динамики роста цен, сравнивания с сегодняшними показателями рынка, учитывая показатели ранее совершенных затрат в компании на те же нужды, или простой пример — банковская сфера.

  Например, когда необходимо понимать, что перед тобой платежеспособный клиент, которому нужно выдать кредит (имея информацию о нем за счет анализа его доходов — прошлых и текущих (и их возможных различных источников), мест работы (прошлые и текущее), социальных сетей (а значит поведения, интересов и возможных расходов)) — можно спрогнозировать — можно ли выдать кредит данному клиенту или нет

● увеличить продажи

Например, за счет построения модели поведения покупателей на основе детального анализа прошлых событий (один товар пользуется спросом на постоянной основе, значит на него скидки можно не предоставлять, в то время, как другой товар имеет спрос только в определенные дни, например, алкогольная продукция к выходным дням, значит на ряд позиций можно предоставить скидки среди недели)

● обеспечить кибербезопасность

● обнаружить мошенничество оптимизировать логистику

● улучшить процессы снабжения

● повысить лояльность клиентов

● определить страховые выплаты

● оценить спрос / рассчитать предложение

● определить причины текучести кадров

● выявить факторы риска тех или иных заболеваний

● …

Спектр применения весьма велик и список можно продолжать и продолжать. А примеров можно привести великое множество, и это лучше тогда сделать в отдельной статье.

Hidden text

Т. о., владея прогнозной информацией, вы всегда имеете представление, что может случиться завтра, а значит сможете своевременно и результативно повлиять на ход событий.

Область применения

Ввиду вышеизложенного, где применима предиктивная модель анализа данных, условно, можно разделить на ряд основных сфер деятельности.

Что касается, в каких отраслях может быть применима прогнозная аналитика, то легче, наверно, будет сказать, в каких она НЕ применима.

Рассмотрим самые распространенные.

Наиболее активно прогнозные анализы проводятся в сферах:

• производство

• ритейл

• финансы и страхование

• здравоохранение

Если брать сферу деятельности, то с точки зрения мЕньшей востребованности можно выделить маркетинг, т. к. крайне много параметров, неизвестных и переменных величин, на которые влияет множество меняющихся внешних факторов, которые могут изменять ход событий, а значит вероятность прогноза существенно снижается. Затраты большие, а результат не тот, который ожидается, в результате чего стоит тщательно взвесить, стоит ли тратить ресурсы на построение прогнозов или нет?!

Как работает прогнозная аналитика?

Как и любая аналитика, для ее осуществления требуются данные.

Если коротко рассматривать процесс, из чего складывается прогностическая аналитика, то есть 3 ключевых этапа:

1. Сбор данных

2. Исследовательский анализ собранных данных

3. Предиктивное моделирование

Сбор данных

О каких же данных идет речь?

Например, цифры, характеристики, количество тех или иных параметров, взаимосвязи факторов внешних и внутренних, временные рамки, пользовательское поведение и так далее.

Что нужно сделать, прежде чем собирать информацию?

Первостепенно нужно определить все значения, по которым потребуется собрать данные, чтобы построить прогнозную модель будущих событий.

Как собирать данные?

Для того чтобы что-то спрогнозировать, требуется наличие огромного объема данных, а значит вручную все собрать, фактически, невозможно. Для это понадобится специальное ПО, которое позволит автоматизировать бОльшую часть процессов сбора и последующей обработки информации.

Исследовательский анализ собранных данных

Обработка собранных данных, с последующим выводом из общего пула информации, возможна при помощи следующих схем систематизации данных:

• привязка одного параметра к определенной группе схожих показателей

• определение зависимости результата от собранных данных

• группировка объектов по заданным параметрам

• выявление найденных закономерностей между событиями + определение временных рамок — то есть возможность получить ответ — через какое время произойдет следующее событие после предшествующего

• обнаружение ряда исключений из правил

После предварительной обработки, за счет их, по сути, систематизации, данные можно интерпретировать.

Предиктивное моделирование

И вот, собрав и обработав данные, которые у нас разделены на классы, кластеры и т.д. — начинается этап интерпретации полученной информации.

Перед тем, как интерпретировать данные — задайте себе вопросы:

• Что вы хотите получить в итоге?

• На какой временной период / до какого времени вам нужен прогноз

Например,

• в какое время нужно провести диагностику оборудования

• расчет прибыли на 12 месяцев

• прогноз спроса в зимний период по тому или иному товару / услуге / направлению деятельности

То есть поставьте конкретную задачу.

Далее следуют этапы:

• выбор статистической модели

• подбор показателей и параметров

• изучение и выдача прогностических данных

Общую схему можно отобразить следующим образом:

1. обозначение цели и критериев

2. сбор данных

3. проверка

4. обработка

5. выбор алгоритма прогноза

6. тестирование алгоритма

7. мониторинг

8. исследовательский анализ

9. этап интерпретации данных

10. получение результатов

Предиктивная аналитика в России сегодня

Безусловно, востребованность в России, в сравнении с мировым рынком, на сегодняшний день, не так велика, т. к., все же, у нас нет готовых инструментов, чтобы работать с большим объемом данных. Ввиду чего, под каждый, по сути, проект, разрабатывается своя система, которая может лишь основываться на готовых инструментах. А это долго и дорого, как мы все прекрасно понимаем. Нужны ресурсы.

Однако крупные игроки (в том же Ритейл или Производстве) уже не могут БЕЗ технологии Predictive Analytics, т. к. текущие реалии диктуют, что легче что-то предупредить и найти решение, нежели потом устранять появившиеся проблемы, которых можно было избежать с помощью составления прогноза событий (устранение проблем может выйти, в итоге, в десятки раз дороже).

Например, закупка товаров в бОльшем объеме, нежели спрос на этот товар. Как итог — потеря прибыли.

Простои на предприятии — колоссальные затраты, в то время, как прогностическая аналитика позволяет сократить простои на 30% (в среднем), что существенно снижает расходы.

Или, возьмем здравоохранение, структуру деятельности Скорой помощи.

Как спланировать выезды таким образом, чтобы специалисты максимально быстро приезжали на вызов? Вручную возможно ли это? Разумеется, нет.

Здесь крайне много разных факторов, влияющих на прогноз, НО без них не рассчитать даже предварительно, как сделать так, чтобы помощь была оказана оперативно, потому что на кону жизнь и здоровье человека.

Здесь без масштабного сбора и анализа данных прошлых событий, которые нужно наложить на текущие события, никак не обойтись, чтобы решить вопросы готовности к оказанию действительно СКОРОЙ помощи.

Это и наличие необходимого количества соответствующего персонала (как для обработки вызовов, так и для выездов по данным вызовам), и наличие машин в должном количестве (и их работоспособность), а значит корректный расчет потребления бензина и потребности в техническом осмотре (это все для расчета тех же затрат + времени, чтобы в эти моменты машин хватало всегда).

И это мы обговорили лишь ключевые параметры, а их гораздо больше.

Ввиду всего вышеизложенного, прогнозная аналитика все больше и больше входит в деятельность, практически, любой отрасли.

А в ближайшем будущем будет, скорее всего, везде.

С учетом взаимодействия еще и с ИИ, это неизбежно, т. к. везде, где требуется длительное планирование — необходима помощь сторонних ресурсов, позволяющих анализировать огромный поток данных, составляя прогнозы на годы вперед, при этом необходимости в расширении того же штата или увеличения иных ресурсов — нет.

И тем не менее, даже ввиду довольно быстрого набора популярности темы, за счет ее трудозатратности, на сегодняшний день, позволить себе подобный метод повышения эффективности предприятия могут не все, а только масштабные структуры.

Но это только пока…

Наш опыт внедрения прогностического анализа

Потребность в составлении прогнозов действительно растет, т. к. это не просто позволяет оперативно реагировать на те или иные события, но делать это с более высокой эффективностью.

Чем больше данных с каждым годом будет собираться, тем точнее будет требуемый прогноз.

Конечно же, перед тем, как вписаться в разработку ПО для предиктивной аналитики, хочется получить ответы на ключевые вопросы, да?

• Какой экономический эффект мне даст это внедрение?

• Сколько стоит внедрение?

• Какие сроки внедрения?

• Что требуется от меня?

• Каковы гарантии?

Прежде, чем ответить на первый вопрос, нужно понимание того, есть ли в компании уже выстроенные бизнес-процессы. Если нет, то, к сожалению, уже на первый вопрос будет ответ — на данном этапе никакого, потому что всегда, для старта работ по составлению дальнейших прогнозов любых событий, требуется основа, а это данные, которые нужно собрать. БЕЗ уже выстроенных бизнес-процессов — ни о какой плановой аналитики речи идти не может, если основа под собираемые данные будет отсутствовать.

Коротко об этапах работ

1. Соответственно, мы всегда начинаем с анализа бизнес-процессов клиента и самого бизнеса

2. Обозначаем цели и критерии сбора данных

3. Собираем статистические данные

4. Выводим форму / модель предиктива (на основе предыдущих этапов)

5. Проверяем модель и тестируем

6. Оцениваем решение

7. Внедряем

Когда же вы получите ответы на свои вопросы?

• Какой экономический эффект мне даст это внедрение? — когда мы проанализируем ваш бизнес и обозначим цели и критерии

• Сколько стоит внедрение? — на этапе оценки решения

• Какие сроки внедрения? — на этапе оценки решения

• Что требуется от меня? — на этапе старта анализа бизнеса и ваших бизнес-процессов

• Каковы гарантии? — на этапе оценки решения

Наши клиенты, обычно, — это сельхозпроизводство, деревообработка, металлообработка, промышленное производство, производство электроники.

Рассмотрим кратко пример внедрения Predictive Analytics в сфере животноводства.

Входные данные

Например, свиноводство.

Для того чтобы животное правильно развивалось — необходимо строгое соблюдение норм поения и кормления, в зависимости от возраста и веса животного.

Помимо кормления, стоит учитывать, когда, например, требуются осмотры животного, а также оценку того, когда животное готово к убою.

Как же сделать так, чтобы постоянно знать показатели развития животного, например, чтобы корректно рассчитать раздачу корма?

Ответ — измерять и учитывать показатели ежедневно, но необходимо помнить, что это трудоемкий процесс и стрессовый для животного

! Стресс может спровоцировать снижение массы тела.

ИЛИ Вести вручную расчеты по скорости роста животного

НО…

Для того чтобы показатели были максимально достоверны, стоит учесть ряд факторов:

А — климат и погодные условия и иные внешние факторы могут влиять на развитие животного

В — в разные возрастные периоды рост животного различается

! Полученные показатели и кривые роста сравнивают со средними показателями развития молодняка, что позволяет определить закономерности роста.

!! Для того чтобы вывести средние значения, необходимо вручную получить данные по весу в разрезе возраста животного за разные периоды.

!!! НЕ стоит забывать про то, что помимо весового роста требуется учитывать и линейный рост.

При этом вы все равно вряд ли сможете получить достоверные прогнозы показателей веса в будущем, чтобы заранее планировать объемы кормления.

Как оптимизировать процесс учета показателей развития животного и расчетов кормления?

Smart Pig — автоматизированная система учета тех самых показателей.

В чем суть системы?

Главный элемент Predictive Analytics в предлагаемой нами системе, в данном случае, это «кривые роста».

В них сопоставляются вес и возраст животных (на основе получения реальных данных в прошлом, предварительно проанализированных и интерпретированных).

Благодаря этим данным предсказывается вес животного в будущем на ближайшую дату.

Вес на более дальние даты рассчитывается уже автоматически, исходя из данных кривых роста.

Т. о., по итогу вы получаете прогноз о весе животного в те или иные даты, которые вас интересуют.

! Предоставление отчетности может быть в разных вариантах (как табличные форматы, так и графические).

Кому подойдет подобное решение?

• Любая сфера животноводства, не только свиноводства

! Система оптимизируется под вас.

• Требуется прогнозирование веса в зависимости от возраста животного

• Необходимо получение возможности стандартизации выхода живой массы тела особей

• Необходимо автоматизированное отслеживание эффективности производства

Если хотя бы один из пунктов ваш? Вам подойдет данное решение.

Итак, подытожим

Если вы решили, все же, что хотите быть в курсе событий и не быть реактивным, а стать максимально проактивным, чтобы быть готовым к любым изменениям, а также повышая эффективность своего бизнеса на различных уровнях, подготовьтесь к предиктивной аналитике.

Ключевое!

Для построения любого прогноза — требуется наличие данных (то есть уже должны быть процессы, по которым будут собираться эти данные), т. о., первостепенное — это построение процессов. И только потом:

- хранение

- сбор

- проверка

- обработка

- снова проверка

- анализ

- интерпретация

Чем более детальный прогноз вам нужен, тем больше данных у вас должно быть (с точки зрения временного периода и переменных)

Что вам понадобится?

1. Определитесь с бизнес-целями (ответьте на вопрос — что вы хотите получить? именно конечная цель, а не что требуется прогнозировать)

2. Постарайтесь собрать данные, которые у вас уже есть (из всех доступных источников)

3. Проверьте все собранные данные, все ли точно соответствует действительности и актуально ли

4. Проанализируйте — корректно ли в целом собираются данные

5. Выберите функциональную платформу с инструментами прогнозирования для создания модели предиктивной аналитики

6. Проверьте результаты внедрения на соответствие, заданных на первом шаге, метрик

! Проверка на соответствие позволит вам оценить — даст ли желаемый эффект внедрение прогнозной аналитики, модель которой будет давать результат при разных сценариях, но в соответствии с заданными параметрами.