Was verhindert eine erfolgreiche Kombination von Mathematik und Wirtschaft?
Dieser Text ist der erste einer Reihe von Artikeln zur korrekten Integration von Big-Data-Tools zum Nutzen des Unternehmens.
Kleiner Spoiler: Wenn Sie sich an das Geschäft selbst erinnern, wird alles klappen.
Noch vor 5 Jahren wollten große Unternehmen ein neues Bigdat einführen. Aber es gab nur wenige echte Experimentatoren. Ausnahmen bildeten diejenigen, die definitiv über eine Vielzahl von Daten verfügten: Telekommunikations-, Bank- und Internetunternehmen. Und im Jahr 2018 erhalten Unternehmen Fachwissen zu Big Data selbst und aus den unerwartetsten Branchen: Metallurgie, Versicherungen, Flugzeugindustrie.
Wo beginnt das Modell?
Big Data ist kein magisches Mantra mehr (jetzt trägt die Blockchain diese Krone). Aber bis sie den Hauptmythos loswurde:
"Ein mehr oder weniger adäquater Mathematiker kann ein Modell auf ein Blatt Papier skizzieren, er wird es schnell implementieren, und danach können Sie einen Cocktail trinken und das Umsatzwachstum beobachten."
Ich übertreibe natürlich, aber nicht sehr viel. Ich werde ein Beispiel aus unserer Praxis geben.
Es gibt einen Hersteller von Bausteinen. Klein, mit Erfahrung und etabliertem Vertrieb. In solchen Momenten stellen sich Unternehmen oft die Frage: Wie können wir die Kosten weiter senken und den Gewinn steigern?
Der Kandidat für Verbesserungen war die Logistik. Es gab viel Chaos bei der Lieferung von Ziegeln, es war schwierig, die Kundennachfrage im Voraus abzuschätzen, so dass die Kosten für Kraftstoff und Schmiermittel sowie die Abschreibung von Fahrzeugen beunruhigend waren. Nachdem das Unternehmen von Big Data erfahren hatte, entschied es sich: Wir werden vorhersagen, wann der Ziegel auf den Baustellen der Kunden leer ist, um ihn schnell dorthin zu senden. Wir haben die vorherigen Daten analysiert und ein Modell erstellt, das interessante Prozentsätze der Optimierung verspricht.
Die ganze Freude brach die übliche Ordnung. Erstens war es notwendig, Maschinen für eine schnelle Lieferung zu finden und Routen zu durchdenken. Zweitens konnten diese Maschinen nur zum Laden in genau definierten Zeitfenstern ins Lager gebracht werden, da der Ankunftsplan der Kundenmaschinen mehrere Wochen im Voraus erstellt wurde. Es war unmöglich, Kunden zu bewegen. Daher war die Effizienz Asche.
Es stellte sich heraus, dass wir mit dem üblichen „Lass uns vorhersagen“ begannen und schließlich den Geschäftsprozess transformierten.
Das Big-Data-Problem hat zwei Einstellungen: Business und Mathematik. Und ihre Reihenfolge ist genau das. Bevor Sie einen Analysten für die Erstellung eines Modells einsetzen, müssen Sie drei Phasen durchlaufen.
1. Definieren Sie die Aufgabe aus Sicht des Unternehmens.
Nehmen wir an, wir wollen den Abfluss von Kunden bekämpfen. Und sie beschlossen, vorauszusagen, dass eine bestimmte Käufergruppe kurz davor steht, zu einem Konkurrenten zu gehen. Für sie werden wir alle Arten von Brötchen formen, um sie zu behalten.
Die Aufgabe ist auf den ersten Blick trivial. Der Analyst baut das Modell auf historischen Daten auf - verstorbenen und Stammkunden -, um Anzeichen für beides abzuleiten. In einem realen Fall eines Mobilfunkbetreibers ist beispielsweise der Abfluss eines anonymen Teilnehmers = der Teilnehmer hat die Kommunikation nicht mehr verwendet. Aber wie viel Zeit - eine Woche, ein Monat, ein Jahr - sollte es nicht einschalten, um im "durchgesickerten" aufgezeichnet zu werden?
Es gibt verschiedene Möglichkeiten, diese Aufgabe zu definieren. Dies ist gemäß einer vorgefertigten Geschäftsvorlage möglich. Oder nach historischen Daten - wie oft kehren Teilnehmer zurück, die die Verbindung einen Monat lang nicht genutzt haben? Und wenn ja - bis zu 10%? Zum Beispiel befand sich der Teilnehmer auf einer langen Geschäftsreise oder wurde zu einem begrenzten Anteil eines anderen Betreibers geführt.
Hier ist es wichtig: Wer sollte als „Ehre“ betrachtet werden - eine rein geschäftliche Entscheidung.
Das erforderliche Minimum einer Big-Data-Einheit sind 2 Rollen. Der erste ist ein Datenwissenschaftler, auf dem Mathematik und Modellbau basieren. Die zweite wird von Team zu Team unterschiedlich bezeichnet - Product Owner, Produktmanager, Business Analyst. Das Gewissen dieser Person ist die richtige Aussage über das Problem. Seine Mission ist es, sich mit den Feinheiten des Kundengeschäfts auseinanderzusetzen und die Tools auszuwählen, die er benötigt. Darüber hinaus in die aktive Kommunikation mit allen Parteien zu vertiefen.
2. Überprüfen Sie den Business Case.
Okay, wir werden uns für das Modell entscheiden. Aber wie viel kostet uns die Optimierung?
Nehmen Sie den gleichen Abfluss. Um potenzielle Kunden am Verlassen zu halten, können Sie mit der richtigen Nachricht anrufen oder ein Signal senden. Oder bieten Sie einen Bonus an, wenn eine Ressource vorhanden ist. Sie können dem Kunden einen wirtschaftlich interessanteren Tarif mitteilen, indem Sie seine Ausgaben analysieren.
Aber da wir über Boni nachdenken, sind dies unsere Ausgaben für solche Kunden. Und nun, wir würden sicher wissen, dass dieser Kunde gehen würde, wenn nichts getan würde. Modelle sind jedoch in ihren Vorhersagen nicht ideal. Wir werden jemanden richtig halten. Und zum Beispiel werden 20% der potenziellen „Hacker“ tatsächlich nicht so sein. In diesem Fall bieten wir ihnen Boni an. Wie viel Geld wird dafür ausgegeben, ist es in unserem Fall zulässig? Sie müssen das Volumen des Kundenstamms, das Ausmaß des Abflusses und die absoluten Zahlen berücksichtigen.
Dies nennt man Fehler der ersten und zweiten Art. Wir müssen verstehen, dass die Ergebnisse der Implementierung des Modells mehr als nur wegnehmen werden. Und das sollte für uns ein akzeptabler Unterschied sein. Die Anforderungen an das Modell werden vor seiner Konstruktion festgelegt. Vielleicht kommen sie so heraus, dass es nicht nötig ist, Zeit als Wissenschaftler zu verbringen.
3. Planen Sie, wie die Ergebnisse verwendet werden.
"Die Wirtschaft ist konvergiert", sagt uns der Business Case. "Können wir endlich das Modell bauen?"
Früher. Wir müssen darüber nachdenken, was mit den Ergebnissen passieren wird.
Hier erhalten wir ein Modell von 200.000 Menschen, die sich jeden Monat in „Ehrungen“ verwandeln können. Und wir werden beschließen, sie anzurufen. Haben wir Zeit, alles durchzugehen? Das Contact Center besteht schließlich nicht aus Gummi.
Ein weiterer Punkt - Sie müssen verstehen, welche Zeitverzögerung wir zwischen der Vorhersage des Abgangs und dem tatsächlichen Abgang des Kunden haben werden. Warum brauchen wir eine Vorhersage, wenn der Kunde in naher Zukunft "anschwillt"? Schließlich haben wir möglicherweise keine Zeit, sie zu kontaktieren. Aber je weiter wir vom Moment unserer Abreise entfernt die Antwort geben, desto geringer ist die Genauigkeit der Vorhersage. Auch hier müssen Sie das Optimum zwischen Plus und Risiko berechnen.
Und der dritte Punkt: Wie schnell können wir Innovationen in unsere Geschäftsprozesse umsetzen? Nicht zu arbeiten, wie am Beispiel eines Ziegelherstellers.
Abschließend
Der Weg zu einer klaren Aufgabe für einen Data Scientist ist eine Aufgabe für sich.
Wenn wir alle drei Punkte überprüft haben, sich alles herausgestellt hat und ein Modell erscheint, warten wir auf die nächste lustige Phase - die Integration. Modellbau und verwandte Mathematik dauern normalerweise etwa 20% der Zeit. Die restlichen 80% (und manchmal viel mehr, abhängig von der Flexibilität des Unternehmens) - Umsetzung in der Produktivität. Bis zu mehreren Monaten.
Ein Modell ist nur ein MVP. Jeder liebt es, sie zu bauen, weil jeder hypothetische Ergebnisse mag. Und dann werden sie in den meisten Unternehmen in reale Geschäftsprozessstände eingeführt. Am schwierigsten ist es schließlich, die debuggten Bestellungen zu ändern.
Daher muss es in jedem Big-Data-Projekt einen Datenwissenschaftler geben, für den Mathematik, ein für das Geschäft zuständiger Produktmanager und einen Projektmanager mit einem Projektteam zuständig sind. Letzterer muss den Geschäftsprozess implementieren und aufrütteln. Manchmal ist es schmerzhaft und schwer. Aber nur in dieser Konfiguration kann die Arbeit mit Big Data von Vorteil sein.
Diese und andere Merkmale der Anwendung der Datenanalyse in der Wirtschaft unterrichten wir an unserer School of Data in Kursen für
Analysten und
Manager .
Die Stelle wurde
von der School of Data auf der Grundlage der Veröffentlichung des Schulgründers im
Business HUB von Kyivstar PJSC vorbereitet