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.

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.

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.

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.

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:

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.

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.

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.

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.