Как анализът на данни може да помогне за укрепване на вашия бизнес

Класическият бизнес подход се основава на идеята за качествата и уменията на предприемача, които помагат за създаване на стойност, стартиране и развитие на проекти: „креативност“, „интуиция“ и „предприемачески талант“, опит и експертиза.

Управляваното от данни, което ще бъде обсъдено днес, включва различен набор от инструменти: тук решенията се вземат въз основа на данните и тяхната обработка. Но помага ли анализът, когато пазарите изпаднат в ситуация на несигурност? Известно е например, че “черните лебеди” , чието пристигане напоследък наблюдаваме в голям брой, изключват надеждни прогнози. 

Данните не побеждават хаоса, но намаляват въздействието му върху нас. Нека се опитаме да разберем как работи.

Защо бизнесът се нуждае от данни?

Делът на решенията, базирани на данни, се влияе от индустрията, в която работи компанията. Data-Driven е най-близо до големи ИТ корпорации : например Yandex или VK. Банките, телекомите и търговията на дребно работят активно с данни. 

Интересното е, че анализите са заобиколени от възприятия, които не винаги потвърждават опита на реални компании. Смята се например, че колкото по-голям е бизнесът, толкова по-добре е организирана работата с данни. Но на практика срещаме други корелации. Например връзката между работата с данни и маржа: колкото по-маргинален е един бизнес, толкова по-лоши анализи могат да бъдат организирани. 

Примерите включват търговци на дребно на мода и електроника. На мода маржът за инсталиране е 70%. Това означава, че можете да направите грешка с покупката, цената, промоцията или намалението. И все така останете позитивни.

Но в електрониката целевият марж е само 10%. А това е много малко – затова е важно една компания да извлече максимума от процесите. За да намали риска от грешни решения, такъв бизнес разчита на данни.

Анализ: от просто към сложно

Във всяка индустрия първите стъпки на компания, която планира да премине към базирани на данни, ще бъдат типични. 

Първо, важно е бизнесът да разбере каква конкретна задача ще помогне за решаването на данните – да отговори на въпроса: “Управлявани от данни – за какво?” Анализът винаги трябва да решава конкретен проблем в конкретен бизнес процес. Освен това съществуването на проблем е важно не само да се предположи, но и да се провери – всъщност работата с данни започва още на този етап.

Оценете бизнес процесите, разберете колко струват – и как могат да бъдат подобрени.

След като компанията е изяснила процесите и текущата ситуация, се пристъпва към избора на инструменти.

В зависимост от задачите, с които инструментите помагат да се работи, в анализа се разграничават четири големи блока:

• Дескриптивна аналитика – отговаря на въпроса: “Какво се случва / случи?”

Пример: BI системи, отчитане, сегментиране на клиенти, наблюдение на обратната връзка, проследяване на емоциите на служителите.

• Предиктивна аналитика – отговаря на въпроса: “Какво ще се случи?”

Пример: Прогноза за търсене или изходящ поток.

• Прескриптивна аналитика – отговаря на въпроса: “Какво трябва да се направи?”

Пример: персонализация маркетингового предложения.

• Помощни технологии – отговаря на въпроса: “Как да помогнем на човек да вземе правилното решение?”

Пример: препоръки за клиенти, системи за препоръки за мениджъри по продажбите, чат ботове.

---

Важно е да се разбере, че нивата на анализ са свързани последователно. 

Невъзможно е да се изгради предписващ анализ без преминаване през етапите на описание и прогноза. В същото време основните инструменти в повечето случаи носят основната полза. Висококачествените описателни анализи, например, могат да осигурят до 80% от печалбите на компанията. 

Но именно опитът за прескачане на „стъпките“ е най-честата грешка при прехода към Data-Driven.

Представете си търговец на дребно, чиито логистични процеси се провалят на някакъв етап. Логистичните проблеми обикновено се решават лесно с помощта на анализи: една компания може да подобри качеството на прогнозирането или алгоритмите за ротация на стоките в склада – и да получи доволни клиенти.

Но вместо това често виждаме опит да се следват тенденциите и да се използват данните по съвсем различен начин: например с нерешени проблеми в склад, обучение на невронна мрежа или стартиране на виртуална пробна.

Експериментирането е важно. Но също така е важно да следвате последователността от стъпки в прехода към Data-Driven. Не трябва да започвате да работите с данни с ML. Качествените резултати могат да донесат “класическа” статистика и иконометрия.

Управлeние на данни: как да извлечете максимума?

4. Управлявението на данни не е непременно сложен и скъп процес. С помощта на основни иконометрични инструменти, много от които са налични в Excel, например, вероятността от грешки в прогнозите може да бъде почти наполовина намалена.
5. Определете контекста и задачата за работа с данните. Открийте кой бизнес процес се представя лошо – оценете загубите и потенциала за подобрение, тествайте хипотезите и настройте анализите последователно.
6. Уча. При прехода към Data-Driven важни са не само твърдите умения, като например способността за писане на модел или извличане на данни, но и меки умения. Например способността да разбирате проблемите и да съобщавате визията си на мениджъри, акционери и колеги.
7. Направете информиран избор. Сложни решения като невронни мрежи могат да бъдат надценени и безполезни в някои случаи. А потенциалът на простите инструменти, като “скучния” Excel, напротив, остава подценен.