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.

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.



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.


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: 513


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