Preview

Стратегические решения и риск-менеджмент

Расширенный поиск

ВЛИЯНИЕ ПРЕДИКТИВНОЙ АНАЛИТИКИ НА ДЕЯТЕЛЬНОСТЬ КОМПАНИЙ

https://doi.org/10.17747/2078-8886-2018-3-108-113

Полный текст:

Аннотация

Для анализа влияния предиктивной аналитики на деятельность компаний проведен обзор литературы. Предметно рассмотрены существующие виды аналитики на основе больших данных (Big Data): описательная, диагностическая, предписывающая и предиктивная аналитика. Рассмотрены основные инструменты предиктивной аналитики и представленные на рынке технические решения. Благодаря инструментам предиктивной аналитики компании могут анализировать и прогнозировать протекающие во времени процессы, выявлять тенденции, предвидеть изменения и, следовательно, более эффективно планировать будущее.

Для цитирования:


Хасанов А.Р. ВЛИЯНИЕ ПРЕДИКТИВНОЙ АНАЛИТИКИ НА ДЕЯТЕЛЬНОСТЬ КОМПАНИЙ. Стратегические решения и риск-менеджмент. 2018;(3):108-113. https://doi.org/10.17747/2078-8886-2018-3-108-113

For citation:


Khasanov A.R. IMPACT OF PREDICTIVE ANALYTICS ON THE ACTIVITIES OF COMPANIES. Strategic decisions and risk management. 2018;(3):108-113. (In Russ.) https://doi.org/10.17747/2078-8886-2018-3-108-113

ВВЕДЕНИЕ

Интенсивная глобальная конкуренция, неопределенность в отношении стоимости энергии и экспоненциальный рост информа­ционных технологий подталкивают отрасли к освоению гибкого, высокопроизводитель­ного и устойчивого (энергоэффективного) производства.

Для того чтобы справиться с многочис­ленными производственными задачами (на­пример, с вопросами обеспечения гибкости, использования ресурсов и пр.), компании внедряют «умное производство». Для него характерно интенсивное применение продви­нутых интеллектуальных систем, динамиче­ское реагирование и оптимизация выпуска в режиме реального времени. Ключевым фактором применения «умного производства» является анализ больших данных.

АНАЛИЗ БОЛЬШИХ ДАННЫХ

Термином «большие данные» обозначают информацию, которая хранится в цифровых хранилищах компаний. На се­годняшний день - это ресурс, который организации исполь­зуют малоэффективно, в то время как эти данные можно использовать для выявления тенденций, шаблонов, про­гнозирования, поиска корреляций и т.д. Изучение массивов данных с целью нахождения неявной, но полезной с точки зрения развития компании информации лежит в основе биз­нес-аналитики, к которой современные компании обраща­ются все чаще, так как это может помочь снизить издерж­ки, увеличить выручку, повысить эффективность процессов и даже добиться роста конкурентоспособности.

Традиционно интеллектуальная аналитика достаточно трудоемка. На рис. 1 показана типичная последовательность действий при предиктивной аналитике.

 

Рис. 1. Последовательность работы сданными в предиктивной аналитике

Требуемые данные идентифицируются и собираются из различных источников (например, из системы управ­ления ресурсами компании (Enterprise Resource Planning, ERP) или набора инструментов для управления клиента­ми, продажами, контроля работы менеджеров, автоматиза­ции бизнес-процессов (Customer Relationship Management, CRM-системы) или берутся из хранилища данных. У разных аналитических инструментов разные требования к тому, как лучше обрабатывать данные. Обычно необходимо неко­торое преобразование данных в формат, поддерживаемый конкретной аналитической системой, чтобы информация могла быть корректно обработана. После анализа данных де­лаются выводы, на основе которых в дальнейшем проводят изменения, например сегментацию клиентов или кластери­зацию продуктов.

Поскольку в эпоху глобальной цифровизации компа­нии собирают большое количество самой разной информа­ции на регулярной основе, для интеллектуального анализа больших данных используется специальное программное обеспечение. За многие годы оно значительно улучшилось, что привело к тому, что современные компьютеры могут ана- лизировать все большие объемы данных, быстрее обрабаты­вать запросы и выполнять более сложные алгоритмы.

На рис. 2 представлена схема с описанием видов биз­нес-аналитики с указанием вопросов, на которые добытая и проанализированная компанией на каждом этапе информа­ция позволяет ответить.

 

Рис. 2. Виды аналитики больших данных

Описательная аналитика призвана сообщать, что произо­шло. Простые отчеты и визуализации, которые показывают, что произошло в определенный момент или в течение опре­деленного периода.

Диагностическая аналитика должна объяснить коренные причины произошедшего. Для этого используются более про­двинутые инструменты, чем для описательной аналитики.

Предписывающая аналитика показывает, что компания должна делать, чтобы достичь желаемого результата. Сегод­ня на рынке сравнительно немного решений такого уровня, поскольку для них нужны серьезные ресурсы машинного обучения.

Предиктивная аналитика сегодня наиболее популярна. Интеллектуальные аналитические инструменты использу­ют высокоразвитые алгоритмы для прогнозирования того, что может случиться в будущем. Часто эти инструменты ис­пользуют искусственный интеллект и технологию машинно­го обучения, предполагающие самостоятельное (без описа­ния человеком подробного алгоритма действий) выполнение компьютером поставленных перед ним задач по поиску за­кономерностей и решений на основе предложенных данных. Интерес к предиктивной аналитике обусловлен тем, что ис­следователи и компании озабочены вопросами прогнозиро­вания будущего.

Предиктивная аналитика использует целый ряд инстру­ментов статистики, интеллектуального анализа данных и теории игр. С предиктивной аналитикой связано распро­страненное заблуждение, что предсказания связаны только с будущим. Однако существует концептуальная классифи­кация, которая решает эту проблему. Согласно этой класси­фикации, существует два типа предсказательной аналитики: прогнозирование настоящего и формирование будущего.

Анализируемые инструментами предиктивной аналити­ки изменения развиваются подобно S-образным кривым. Од­нажды возникшие события начинают повторяться все чаще и чаще, образуя через некоторое время новый тренд или но­вую парадигму, которая становится лучшей практикой. В ка­кой-то момент происходит что-то неожиданное, например, появляется новая технология, новый сильный игрок на рын­ке, экономический кризис и т.д. Происходит структурный сдвиг, возникает новая S-образная кривая, характеризующая новую парадигму.

Разные типы аналитики подходят для разных прогнозов (рис. 3). Прогнозирование настоящего необходимо для опре­деления шаблонов поведения, выявления закономерностей в настоящем времени, то есть в рамках текущей парадигмы. Формирование будущего, напротив, призвано аккумулиро­вать новые нетипичные для текущего состояния систем дан­ные, с тем чтобы не только предсказать структурный сдвиг, но и определить содержание новой парадигмы.

 

Рис. 3. Типы предиктивной аналитики

Таким образом, возможности технологий предиктивной аналитики шире, чем может показаться на первый взгляд, и позволяют не только делать прогнозы на основе получа­емой в режиме реального времени информации, но и соби­рать новые данные, способные оказать влияние на текущую ситуацию в будущем. В табл. 1 приведен обзор типичных инструментов, основанных на функциональности анализа данных.

Как отмечалось выше, прогнозирование будущего помо­гает организациям повышать собственную конкурентоспо­собность за счет своевременного реагирования на изменения внешней и внутренней среды. Однако такое реагирование всегда предполагает принятие определенных управленче­ских решений, совокупность которых формирует процессы управления, направленные на создание и внедрение новых стратегий на основе мониторинга. Таким образом, получе­ние благодаря предиктивной аналитике более достоверных и своевременных данных позволяет повысить качество про­цессов управления.

Одним из главных прогнозных инструментов является стратегическая карта, являющаяся частью сбалансирован­ной системы показателей. Основная задача последней состо­ит в том, чтобы показать, как решения, принятые в настоя­щем, могут повлиять на будущие результаты. Это делается путем связывания индикаторов опережения и отставания. Первый прогнозирует будущую производительность, второй сообщает о прошлых результатах.

Тем не менее данный подход имеет недостаток: в случае некорректных значений индикаторов отставания построен­ная стратегическая карта потеряет свою актуальность. Кро­ме того, современные реалии меняются очень быстро, поэто­му опыт прошлого далеко не всегда применим к настоящему.

Очевидно, что необходим иной подход к сбору данных в настоящем для прогнозирования будущего с точки зрения новых предположений, вопросов «что если?» и сценари­ев. Именно в этих предположениях можно зафиксировать риск и неопределенность, которые являются частью любого стратегического планирования. Чтобы получить актуальный прогноз, организация должна выполнить три важных шага:

  • составить реалистичные предположения;
  • выделить наиболее важные предположения;
  • использовать драйверы, которые можно контролиро­вать, и мониторить те, которые нельзя контролировать.

 

Таблица 1

Функциональность Oracle Data Mining [Buytendijk F., Trepanier L, 2010]

Функциональность

Алгоритм

Применимость

Классификация

•          Логистическая регрессия;

•          деревья принятия решений;

•          наивный байесовский классификатор;

•          метод опорных векторов

•   Моделирование ответов;

•         рекомендация «следующий вероятный продукт»;

•         создание эффективной стратегии удер­жания работников;

•   моделирование кредитного дефолта

Регрессия

•          Множественная регрессия;

•          метод опорных векторов

•    Оценка репутации/долгов;

•         моделирование рентабельности клиентов

Обнаружение аномалий

• One-Class Support Vector Model - модуль в систе­ме Azure Machine Learning для создания моделей обнаружения аномалий

• Предотвращение мошенничества и сетевого вторжения

Важность атрибута

• Минимальная длина описания

•   Хирургическая подготовка;

•    индекс потребительской лояльности

Правила ассоциации

• Алгоритм поиска ассоциативных правил

•   Анализ потребительской корзины;

•         анализ закономерностей потребитель­ского поведения

Кластеризация

•         Иерархический алгоритм K-Means - алгоритм кластеризации, предполагающий заранее указан­ное количество кластеров и случайным образом выбранные начальные центроиды;

•         иерархический алгоритм O-Cluser - модель кла­стеризации на основе сетки

•   Сегментация клиентов;

•   Анализ генов и белков

Выделение функций

• Факторизация неотрицательных матриц

• Анализ текста, поиск

 

Рис. 4. Результаты опроса компаний относительно направлений использования в их деятельности предиктивной аналитики [Halper F., 2014]

ИСПОЛЬЗОВАНИЕ ПРЕДИКТИВНОЙ АНАЛИТИКИ

Компании используют предиктивную аналитику для ре­шения сложных проблем и поиска новых возможностей - от прогнозирования поведения потребителей до поддержки обслуживания оборудования (рис. 4). Пока предиктивная аналитика используется преимущественно в маркетинге и продажах. Компании хотят прогнозировать поведение по­требителя при использовании той или иной маркетинговой кампании, оценивать возможность применения up sell про­даж (продажа более дорогого товара: мотивация покупателя потратить больше денег в вашем магазине, например купить более дорогую модель того же продукта, добавить опции или услуги к приобретаемому продукту, перекрестные про­дажи: мотивация покупателя потратить больше денег но уже через продажу товаров из других категорий, нежели изна­чально выбранная пользователем), улучшать построение взаимоотношений с клиентами и удерживать их. Постепенно предиктивная аналитика находит применение при анализе портфеля продуктов, рисков и пр. Показательно, что около 80% респондентов планируют использовать предиктивную аналитику для оптимизации как минимум в течение ближай­ших трех лет. Компании начинают использовать предиктив­ную аналитику в операционном менеджменте, производстве, сервисном обслуживании и пр.

 

Таблица 2

Обзор предложений на рынке

Продукт

Сильные стороны

Слабые стороны

SASAnalytic s Suite (SAS)

•         Решения для компаний любого масштаба из лю­бых отраслей;

•    инфраструктура и спектр возможностей;

•    встроенные решения;

•   углубленная аналитика;

•    простое развертывание

•          Сложность управления;

•         низкие оценки наборов методов ин­теллектуального анализа данных SAS Enterprise Miner и SAS Visual Analytics;

•          необходимость приобретения несколь­ких продуктов для обеспечения полной функциональности;

•          высокая стоимость

IBM SPSS Modeler (IBM)

•         Широкая клиентская база и постоянное внедре­ние инноваций;

•         приверженность технологиям с открытым исход­ным кодом;

•         поддержка широкого спектра типов данных (анализ текста, анализ сущностей, управление решениями и их оптимизация и др.;

•         управление моделью (точность и прозрачность рабочих процессов, развертывание модели, мони­торинг деградации и пр.)

•         Проблемы совместимости с другими приложениями;

•          высокая степень бюрократизации;

•          слабое сервисное обслуживание

SAP BusinessObjects Predictive Analytics, SAP HANA SPS (SAP)

•         Интеграция с другими предложениями SAP, что обеспечивает значительную функциональ­ность;

•    возможность масштабирования системы;

•         возможность добавить новые компоненты: систе­му бизнес-анализа SAPBusiness Objects, инстру­мент управления интеллектуальными системами SAPPredictive Factory, каталог расширений SAP Analytics

•          Непопулярность;

•          низкая удовлетворенность клиентов;

•         зависимость от высокопроизводитель­ной NewSQE платформы для хранения и обработки данных SAPHANA (High- Performance Analytic Appliance - вы­сокопроизводительное аналитическое устройство)

KnowledgeSTUDIO

(Angoss)

•         Выполнение широкого спектра аналитических задач в единой среде;

•         интуитивно понятное в использовании программ­ное обеспечение;

•    готовые решения для конкретных отраслей

•   Медленное развитие продукта на рынке;

•         сложность обработки больших объемов данных

Rapid Miner Platform (Rapid Miner)

•   Широкий спектр применения;

•    простота использования;

•         Ограничение использования данных (в рамках конкретных алгоритмов);

•         отсутствие глобальной развитой сети обслуживания

KNIME Analytics Platform (KNIME)

•    Относительно низкая стоимость решения;

•         гибкость, открытость и расширяемость за счет открытого исходного кода;

•         доступ пользователей через систему к данным и их трансформации;

•   развитые партнерские отношения

•          Сложность в управлении;

•          проблемы с масштабированием;

•         ограниченные возможности визуализа­ции данных

FICO Decision Management Suite (FICO)

•   Широкий спектр применения в финансовой сфере;

•         функциональность системы (продукта) в ключе­вых областях управления принятием решений;

•         интуитивно понятное управление моделью, плат­формой и проектами

•          Низкий уровень производительности;

•         низкий уровень поддержки инструмен­тов с открытым исходным кодом;

•          ограниченный выбор алгоритмов

Предиктивная аналитика активно используется для под­держки основных стратегических решений и положитель­ным образом влияет на основные показатели компании (рис. 5). Ее допустимо задействовать и для принятия кратко­срочных тактических решений в рамках операционной дея­тельности.

 

Рис. 5. Преимущества от использования предиктивной аналитики (по данным Intel Corporation)

Консалтинговое агентство Forrester прогнозирует рост рынка предиктивной аналитики и машинного обучения в среднем на уровне 15% в год к 2021 году. Эго обусловлено совместным использованием предиктивной аналитики и ма­шинного обучения с инструментами Индустрии 4.0 (искус­ственный интеллект, глубинное обучение, Интернет вещей и пр.). В табл. 2 представлена сравнительная характеристика основных решений, предлагаемых на рынке.

ВЫВОДЫ И ДАЛЬНЕЙШИЕ НАПРАВЛЕНИЯ ИССЛЕДОВАНИЯ

Предиктивная аналитика является одним из направлений по обработке больших данных, позволяет компаниям при­нимать более взвешенные и корректные решения сегодня для достижения лучших результатов завтра. Путем анализа данных компании получают ценную информацию и могут выстраивать крепкие отношения с потребителями, находить новые возможности, предвидеть угрозы, предотвращать мошенничество, защищая доходы и репутацию. Остается открытым вопрос сохранения данных, обеспечения безо­пасности информационных систем, организованных внутри компаний, а также адекватной интерпретации данных, полу­ченных из разных источников. Кроме того, детального изу­чения требует вопрос оценки экономических последствий внедрения предиктивной аналитики.

Список литературы

1. Abbott D. (2014) Applied predictive analytics: Principles and techniques for the professional data analyst. Indianapolis, IN: John Wiley & Sons. 456 p.

2. Adomavicius G., Tuzhilin A. (2005) Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions// IEEE Transactions onKnowledge and Data Engineering. Vol. 17, № 6. P. 734–749.

3. Alstete J. W., Cannarozzi E. G. M. (2014) Big data in managerial decision-making: concerns and concepts to reduce risk. International Journal of Business Continuity and Risk Management. Vol. 5, № 1. P. 57–71.

4. Bag S., Anand N. (2015) Modelling barriers of sustainable supply chain network design using interpretive structural modelling: an insight from food processing sector in India. International Journal of Automation and Logistics. Vol. 1, № 3. P. 234–255.

5. Batra S. (2014) Big Data Analytics and its Reflections on DIKW Hierarchy // Review of Management. Vol. 4, № 1 / 2. P. 5.

6. Buytendijk F., Trepanier L. (2010) Predictive Analytics: Bringing the tools to the data / Oracle Corporation. Redwood Shores, CA.

7. Halper F. (2014) Predictive analytics for business advantage // TDWI Research. URL: http://tdwi.org / research / 2013 / 12 / best-practices-report-predictive-analytics-for-business-advantage.aspx?tc=page0

8. Harford T. (2014) Big data: A big mistake? //Significance. Vol. 11, № 5. P. 14–19.

9. Harris D. (2013) Why Apple, eBay, and Walmart have some of the biggest data warehouses you’ve ever seen // Gigaom.URL:https://gigaom.com / 2013 / 03 / 27 / why-apple-ebay-and-walmart-have-some-of-the-biggest-data-warehouses-youve-ever-seen / .

10. Hashem I. A. T., Yaqoob I., Anuar N. B. et al. (2015) The rise of «big data» on cloud computing: Review and open research issues // Information Systems. Vol. 47. P. 98–115.

11. Jones-Farmer L. A., Ezell J. D., Hazen B. T. (2014) Applying control chart methods to enhance data quality // Technometrics. Vol. 56, № 1. P. 29–41.

12. Kanamoria Y., Matsuokab Y. (2008) Development of a Model for Estimation of Household Consumption and Environmental Load Generation // Refereed Sessions I–II. Monday 10 March. P. 347.

13. Marshall A., Mueck S., Shockley R. (2015). How leading organizations use big data and analytics to innovate // Strategy Leadership. Vol. 43, № 5. P. 32–39.

14. Myers S. A., Sharma A., Gupta P. et al. (2014) Information network or social network?: the structure of the twitter follow graph // Proceedings of the 23rd International Conference on World Wide Web. P. 493–498.

15. Nair P. R. (2012) Supply Chain Analytics // CSI Communications. Vol. 33, № 9. P. 11.

16. Tan K. H., Zhan Y., Ji G. et al. (2015) Harvesting big data to enhance supply chain innovation capabilities: An analytic infrastructure based on deduction graph // International Journal of Production Economics. Vol. 165. P. 223–233.

17. The Four V's of Big Data (2016) // IBM Big Data & Analitics Hub. URL: http://www.ibmbigdatahub.com / infographic / four-vs-big-data.

18. Weber G. M., Mandl K. D., Kohane I. S. (2014) Finding the missing link for big biomedical data // Jama. Vol. 311, № 24. P. 2479–2480.

19. Wu X., Zhu X., Wu G.‑Q. et al. Data mining with big data // IEEE transactions on knowledge and data engineering. 2014. Vol. 26, № 1. P. 97–107.


Об авторе

А. Р. Хасанов
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации»
Россия

Аспирант первого года обучения ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации». Область научных интересов: стратегический менеджмент, инновации, Индустрия 4.0, промышленный Интернет вещей.



Для цитирования:


Хасанов А.Р. ВЛИЯНИЕ ПРЕДИКТИВНОЙ АНАЛИТИКИ НА ДЕЯТЕЛЬНОСТЬ КОМПАНИЙ. Стратегические решения и риск-менеджмент. 2018;(3):108-113. https://doi.org/10.17747/2078-8886-2018-3-108-113

For citation:


Khasanov A.R. IMPACT OF PREDICTIVE ANALYTICS ON THE ACTIVITIES OF COMPANIES. Strategic decisions and risk management. 2018;(3):108-113. (In Russ.) https://doi.org/10.17747/2078-8886-2018-3-108-113

Просмотров: 947


ISSN 2618-947X (Print)
ISSN 2618-9984 (Online)