Главная | Обратная связь

РАСШИРЕНИЕ АНАЛИТИЧЕСКИХ ВОЗМОЖНОСТЕЙ ЧЕЛОВЕКА

Программное обеспечение электронного анализа, избавляющее людей от рутинной работы и позволяющее им сконцентрироваться лишь на исключительных ситуациях (наподобие того, что применяет компания Marks amp; Spenser), меняет саму природу их деятельности. Это настолько мощный инструментарий, что некоторые из сотрудников Marks amp; Spenser поначалу даже опасались, не вытеснит ли компьютер их совсем. В них говорило естественное нежелание человека отказываться от какой-либо доли участия в принятии решений и тем более передавать эту функцию машине. Однако когда массив данных достигает определенных размеров и уровня сложности, выполнение начального поиска и сортировки компьютером оказывается гораздо эффективнее. Люди просто не способны замечать закономерности в больших объемах данных. А объемы эти — не только в базах данных, но и в файловых системах, в системах передачи сообщений и на веб-сайтах — растут сегодня экспоненциально. Единственная возможность реализовать их потенциал в полной мере — это использовать для выделения полезной информации компьютерные средства.

Применение программных алгоритмов для поиска полезных закономерностей в больших объемах данных называется интеллектуальным анализом данных. Первым серьезным шагом в этом направлении стало создание систем оперативной аналитической обработки (OLAP), которые существенно повышают эффективность обслуживания многих видов запросов. Благодаря им данные, собиравшиеся ранее только в целях бухгалтерского и финансового учета, стало возможным использовать в моделировании, прогнозировании и принятии решений. Для удовлетворения этих новых потребностей компании начали создавать корпоративные хранилища данных. Подмножество такого хранилища, отражающее какой-либо один аспект функционирования предприятия или охватывающее деятельность одного из его подразделений, часто называют киоском данных.

Издательская компания HarperCollins использует OLAP-систему на базе ПК для контроля за ходом книжной торговли в реальном масштабе времени. Это позволяет ей печатать ровно столько экземпляров, сколько требуется дистрибьюторам. Таким образом удается избежать образования в канале сбыта больших товарных остатков, которые пришлось бы потом принимать обратно. После всего лишь года эксплуатации новой системы возврат непроданных экземпляров наиболее популярных изданий HarperCollins сократился с более чем 30% приблизительно до 10%, а за каждым из этих процентов стоят миллионы долларов экономии.

Кроме того, OLAP-система HarperCollins позволяет специалистам компании получать ответы на вопросы типа: какова была прибыльность сбыта такого-то издания за такую-то неделю через такого-то дистрибьютора? Обратите внимание, что даже в этом случае невозможно обойтись без человека, который бы задавал вопросы; а кроме того, ни традиционная база данных, ни OLAP-система не способны находить ответы на такие более расплывчатые, но от этого не менее важные для бизнеса вопросы, как: «Какой из клиентов, вероятно, предпочтет продукт А продукту Б? Что отличает клиентов, которых наши продукты и услуги удовлетворяют, от клиентов, которых они не удовлетворяют? Какие из клиентов в моей базе данных „сходны“ друг с другом?» При попытке обработать подобный неконкретный запрос на пользователя OLAP-системы обрушилась бы лавина данных, которые ему бы вряд ли для чего-нибудь пригодились. Для сложных видов интеллектуального анализа данных требуется особое ПО, предназначенное для ориентирования в богатых информацией средах. И оно должно быть способно помочь своим пользователям в поиске ответов на вопросы, не требуя от них глубоких познаний в таких специальных областях, как статистика, анализ или работа с базами данных.

В числе сложных задач, справляться с которыми помогает интеллектуальный анализ данных, — прогнозирование вероятности покупки клиентом определенного товара на основании его возраста, пола, демографических характеристик и других признаков; выделение групп клиентов, характеризующихся сходным поведением при просмотре информации в сети; выявление предпочтений конкретного клиента с целью предоставления ему индивидуализированного обслуживания; определение времени суток и дней недели, когда наиболее часто посещаются те или иные страницы или наиболее часто поступают обращения по телефону; идентификация товаров, которые часто приобретаются вместе. Последнее очень ценно для выявления закономерностей покупательского поведения, однако известен случай, когда найденная корреляция между двумя кодами счетов за одну и ту же лечебную процедуру позволила австралийской компании, специализирующейся на медицинских услугах, вскрыть мошенничество с двойным выставлением счетов на общую сумму более 10 млн долларов.

Средства интеллектуального анализа данных могут также быть очень полезны в плане прогнозирования сбыта и ознакомления партнеров и клиентов с полученными результатами. Эта технология применяется в производственных отраслях, в банковском деле, телекоммуникациях, планетарной геологии (для обработки данных дистанционного зондирования поверхности планет) и для управления интерактивными электронными магазинами. Например, ПО Microsoft Site Server Commerce 3.0 способно распознавать закономерности в покупательском поведении посетителей веб-сайта, прогнозировать их интерес к различным продуктам и услугам и индивидуализировать общение с ними. В частности, электронный магазин может предлагать каждому конкретному покупателю рассчитанные именно на него рекламные объявления, специальные предложения и комплекты продуктов. Методика интеллектуального анализа данных гарантирует, что в массовую рассылку рекламы по электронной почте не будут включены те клиенты, которых предлагаемый товар вряд ли заинтересует. Это позволит избежать издержек, на которые часто не обращают внимания, а именно: раздражения клиентов навязыванием ненужной информации.

В числе менее типичных, но от этого не менее интересных приложений интеллектуального анализа данных — изучение положения приемных детей для повышения эффективности социальной помощи и исследование особенностей стиля отдельных игроков Национальной баскетбольной ассоциации США (НБА). В частности, известно, что тренер команды «Utah Jazz» использовал этот инструментарий для составления «полного портрета» Майкла Джордана из «Chicago Bulls», включая его склонность, играя в одиночку, проводить двойной или тройной дриблинг перед броском. Однако анализ бесполезен, если вы не можете воспользоваться его результатами. Даже зная привычки Джордана, игроки «Utah» не смогли предотвратить его решающий бросок в игре, которая принесла «Chicago» победу в чемпионате НБА 1998 года.

В бизнесе интеллектуальный анализ данных наиболее широко применяется в маркетинге, когда компании анализируют свои базы данных для выявления предпочтений клиентов, а затем делают им специальные адресные предложения. Например, авиакомпания American Airlines использует сведения о 26 миллионах участников своей программы для постоянных клиентов — такие, как предпочитаемые ими гостиницы, рестораны и агентства по прокату автомобилей — для разработки адресных маркетинговых кампаний, которые уже позволили ей сэкономить на издержках более 100 миллионов долларов.

Экономия получается благодаря созданию более точной модели клиента и уменьшению объемов рассылки. Вот характерный пример. Кампания по продвижению нового вида кредитных карточек методом прямого маркетинга дает обычно эффект примерно в 2% случаев. В 1997 году банк Mellon Bank USA поставил перед собой цель привлечь дополнительно 200 тыс. клиентов. При использовании обычных методов для этого потребовалось бы охватить рассылкой 10 млн кандидатов. Вместо этого с помощью технологии интеллектуального анализа данных было получено около трех тысяч моделей наиболее вероятных клиентов. Путем дальнейшего уточнения выделили группу моделей, которая, по результатам тестирования, позволяла получить положительный отклик в 12% случаев. Таким образом, для привлечения 200 тысяч новых клиентов оказалось достаточно обратиться с предложениями лишь к двум миллионам человек вместо десяти. Более того, сокращением рекламных издержек выгоды предприятия не ограничились: прибыльность для банка клиентов, привлеченных в результате этой акции, оказалась в среднем втрое выше обычной, поскольку технология интеллектуального анализа позволила найти именно тех людей, чьим нуждам услуги, предлагаемые Mellon Bank, соответствуют наиболее полно.

Приведенный пример иллюстрирует два важных аспекта применения данной технологии. Первый — сам масштаб такой работы: объем анализируемых данных и число исследуемых моделей значительно превышают соответствующие показатели, характерные для традиционного статистического анализа. Второй — то, что даже высококвалифицированные специалисты могут извлечь из применения интеллектуального анализа данных дополнительные преимущества. В случае с Mellon Bank приглашенная команда специалистов сумела добиться шестикратного улучшения результатов, затратив лишь четверть того времени, что потребовалось бы на проведение аналогичной акции «обычными» методами, используемыми собственным подразделением банка, специализирующимся на статистическом анализе. Одна из важнейших задач — сделать этот инструментарий настолько простым, чтобы конечный пользователь — специалист в своей сфере бизнеса без сколько-нибудь выдающегося знания компьютера — смог работать с ним самостоятельно.

Применение интеллектуального анализа данных становится обязательным требованием при организации взаимодействия человека с машиной. Председатель правления и главный исполнительный директор корпорации NCR Лapc Найберг таким образом описал мне стандартное меню банкомата своего банка. Первый шаг — выбор языка: английский или испанский; второй — ввод номера счета; третий — выбор типа транзакции (по ее завершении выдается предложение провести еще одну). И, наконец, в заключение на экране появляется номер телефона, по которому можно позвонить, чтобы попросить банк о ссуде под залог недвижимости. Большинству пользователей банкоматов приходится иметь дело с меню наподобие этого.

Ларе всегда снимает одну и ту же сумму с одного и того же счета; он уже получил ссуду от своего банка и платит ему каждый месяц порядочные проценты. Так почему же, когда он вставляет в щель банкомата свою кредитную карточку, тот не спросит его простым человеческим языком: «Ларе, ты, как всегда, хочешь снять обычную сумму со своего основного счета?» И почему не предложит ему какую-нибудь банковскую услугу, которой он еще не успел воспользоваться, но которая соответствует его клиентскому профилю? Такое специализированное обслуживание было бы намного удобнее для клиента и намного выигрышнее для самого банка. И ведь информация, необходимая для генерации подобных более уместных, чем задаваемые теперь, вопросов, имеется где-то в компьютерах банка. К слову сказать, банкоматы, о которых говорил Ларе, производит как раз возглавляемая им NCR, которая в последнее время уделяет большое внимание технологии интеллектуального анализа данных. Ларе же, со своей стороны, очень заинтересован в решении подобных задач для своих клиентов.

Интеллектуальный анализ данных входит составной частью в концепцию управления отношениями с клиентами (customer relationships management, CRM), суть которой состоит в использовании информационных технологий для выстраивания отношений с клиентами на индивидуальной основе вместо применения модели массового маркетинга. Интеллектуальный анализ данных открывает возможность дойти до каждого клиента, если только существует канал, позволяющий осуществлять индивидуализированную доставку, — будь то банкомат, веб-сайт или система прямого маркетинга на основе электронных почтовых рассылок и специальных предложений. Используя выявленные с помощью интеллектуального анализа данных закономерности, вы можете подать свой продукт клиенту таким образом, чтобы с максимальной вероятностью повысить свою ценность как поставщика для него и одновременно его ценность как покупателя для себя.

Такая персонализация обслуживания имеет далеко идущие последствия для организации рекламы во всех средствах массовой информации, включая телевидение и прессу. С вытеснением аналогового телевидения цифровым и превращением «электронных книг» в предпочитаемый носитель журнальных и газетных материалов практически вся реклама неизбежно будет переведена с массовых на индивидуализированные рельсы. Выводимые на экран рекламные объявления будут отбираться в соответствии с демографическим профилем их получателя.

Вместо того чтобы использовать средства массовой информации для рекламирования нового автомобиля или другого товара в каждом доме, компания сможет приобрести менее дорогостоящую услугу, рассчитанную на определенный демографический слой и позволяющую с максимальной эффективностью привлечь внимание наиболее вероятных покупателей. Если, например, у кого-то есть автомобиль определенного типа и вы полагаете, что по времени владелец уже должен присматривать ему замену, то имеет смысл сосредоточить на этом клиенте максимальную активность. Крупный производитель автомобилей может вкладывать определенные деньги и в охват других демографических секторов — чтобы поддержать известность торговой марки, — но основной поток средств будет направляться именно на рекламу, адресованную наиболее вероятным покупателям.

Мы уже наблюдаем первые попытки персонализации рекламы в Сети. Так, если пользователь, работая с поисковым сервером, укажет в качестве интересующей его местности город Сан-Франциско или даст понять, что хочет купить книгу о путешествиях — или литературу по какой-то другой тематике, — ему наряду с прочей информацией будет выдано рекламное объявление, связанное с этой местностью или с этой тематикой. Контекстно-чувствительная реклама, связанная с предпочтениями пользователя или с его действиями в данный момент, намного эффективнее обычного, публикуемого наугад объявления.

Способность персонализировать рекламные объявления означает, что жители разных микрорайонов, или даже отдельных домов в пределах одного и того же микрорайона, будут получать свои особые объявления. Крупные компании смогут повысить эффективность рекламных акций, а более мелкие — впервые получат доступ на телевидение и к журналам (сегодня многие носители рекламы слишком дороги для продвижения каких-либо товаров, кроме пользующихся действительно массовым спросом). Даже бакалейная лавка на углу сможет рекламировать свой товар по телевидению среди жителей близлежащих домов.

Переход к адресной рекламе должен обрадовать и потребителей. Они получат больше шансов увидеть те объявления, которые представляют для них интерес. Правда, кое-кого может обеспокоить перспектива чрезмерной осведомленности о нем рекламодателей; однако, как я уже упоминал в главе 5, надлежащее программное обеспечение позволит частным лицам раскрывать только те сведения о себе, которые они готовы раскрыть. В качестве примера можно назвать предоставление рекламодателям доступа к такой информации о клиенте, как манера ведения просмотра. Большинство подписчиков специальных изданий — например, по спортивной или научной тематике, садоводству, домашнему хозяйству или автомобилям — изучают содержащуюся в них рекламу не менее пристально, чем статьи. А если вы и к просмотру телепрограмм подходите таким же образом — выбираете лишь те, что посвящены одной или двум интересующим вас темам, — то, по всей вероятности, не будете возражать против рекламных объявлений соответствующей тематики.

«Мыльные оперы» — основной продукт дневного вещания американского телевидения — получили свое название благодаря тому, что рекламодателями в них традиционно выступали крупные производители мыла, заинтересованные, в первую очередь, в женской аудитории. Так что идея адресной телевизионной рекламы не нова. Что появилось в последнее время радикально нового — так это применение интеллектуального анализа данных для извлечения нужной информации из массы статистики, а также цифровое телевидение и электронные книги, позволяющие подойти к аудитории более персонализировано. Сочетание этих факторов должно произвести настоящую революцию в нынешних представлениях о рекламе и маркетинге. Персонализация значительно увеличивает ценность знаний о тех, кому вы предлагаете свои товары и услуги.

Что же в нем такого особенного, в этом электронном инструментарии?

В большинстве коммерческих организаций сотрудникам необходимо рассматривать данные во множестве различных аспектов. Высшему руководству требуются консолидированные показатели продаж, а также те же самые сведения с разбивкой по регионам и странам. А менеджеру по продажам необходима разбивка по рабочим группам, по индивидуальным торговым представителям и по клиентам. Наконец, менеджерам по продуктам интересны сведения, сгруппированные по различным каналам продажи, и, возможно, детальная информация по каждому наименованию, чтобы узнать, какие из них продаются хорошо, а какие — не слишком. Всем им бывает необходимо сравнивать данные продаж с соответствующими цифрами за тот же день предыдущего месяца или за тот же период предыдущего года; фактические и плановые показатели; цифры в долларах и в других валютных единицах. Обычно, чтобы удовлетворить все эти потребности, финансовому отделу приходится составлять огромное количество разнообразных отчетов.

Но зачастую все эти различные формы отчетов могут быть сгенерированы автоматически по одной-единственной электронной таблице. Механизм «развертывания» и «свертывания» элементов представлений позволяет начать с самого обобщенного уровня и по мере необходимости переходить ко все более детализированным.

Еще один полезный механизм, известный под именем сводных таблиц, позволяет по-разному просматривать одни и те же данные. Чтобы перейти от группирования сведений о продажах по продавцам к группированию по клиентам, достаточно отбуксировать заголовок «клиент» в соответствующую позицию. В сочетании с применением шаблонов для придания данным стандартного формата эти возможности позволяют получить очень мощные, гибкие электронные отчеты, которые каждый пользователь может настраивать в соответствии со своими особыми потребностями. Кроме того, такие отчеты можно рассылать по электронной почте для сведения или для дальнейшего анализа и обсуждения всем заинтересованным лицам.

Применение механизма сводных таблиц позволяет достичь особенно впечатляющих результатов в сочетании с корпоративными хранилищами данных. СУБД, лежащая в основе такого хранилища, обычно обладает ограниченными возможностями по генерации отчетов, так что к выполнению этой работы приходится привлекать более квалифицированный персонал. Как правило, работник не имеет четкого представления о том, когда и какие дополнительные детали ему потребуются, и предпочитает составлять запросы «с запасом» — такие, что их обработка занимает по 20-30 минут. Сводная таблица, связанная с СУБД, делает хранилище данных доступным любому работнику. А интерфейс программы для работы с электронными таблицами позволяет генерировать запросы к данным высокого уровня агрегации, а затем переходить к более подробной информации по мере необходимости. Поскольку каждый такой отдельный запрос охватывает лишь небольшой объем данных, время отклика получается очень коротким. Этот интерфейс можно распространить и на динамические источники данных, такие, как поступающие в реальном масштабе времени биржевые котировки.

Специалисту, занимающемуся бизнесом, применение электронных средств позволяет осуществлять анализ быстрее и более углубленно. Бухгалтеру они позволят сэкономить на составлении отчетов время, которое можно будет использовать для помощи другим специалистам в их анализе проблем основной деятельности и для оценки необычных событий. Для тех, кто занимается управлением бизнес-информацией, электронные средства означают повышение скорости работы и качества данных. Им применение этого инструментария позволит подводить итоги месяца всего за пару дней вместо теперешних недель. Финансовые отделы смогут, не наращивая численности персонала, взять на себя дополнительные функции, такие, как долгосрочное планирование и анализ эффективности отдельных штатных единиц или реальных активов компании.

Главное преимущество электронных отчетов перед их бумажными аналогами — то, что они не только отвечают на изначально поставленный вопрос, но и дают возможность задать следующий. Поскольку никто не знает заранее, каким будет этот следующий вопрос, инструментарий, который позволял бы найти ответ на него без посторонней помощи, насущно необходим.