Apa yang mencegah berhasil menggabungkan matematika dan bisnis?
Teks ini adalah yang pertama dari serangkaian artikel tentang cara mengintegrasikan alat big data dengan benar untuk keuntungan bisnis.
Spoiler kecil: semuanya akan berhasil, jika Anda ingat tentang bisnis itu sendiri.
Bahkan 5 tahun yang lalu, perusahaan besar ingin memperkenalkan bigdat ketinggalan jaman baru. Tetapi ada beberapa eksperimen sejati. Pengecualiannya adalah mereka yang pasti memiliki banyak data: telekomunikasi, perbankan, perusahaan internet. Dan pada tahun 2018, bisnis datang untuk keahlian dalam data besar sendiri, dan dari sektor yang paling tidak terduga: metalurgi, asuransi, industri pesawat terbang.
Di mana model dimulai?
Data besar tidak lagi menjadi mantra ajaib (sekarang blockchain memakai mahkota ini). Tetapi sampai dia menyingkirkan mitos utama:
"Seorang ahli matematika yang kurang lebih memadai dapat membuat sketsa model pada selembar kertas, mereka akan segera mengimplementasikannya, dan setelah itu Anda bisa menyesap koktail dan mengamati pertumbuhan penjualan."
Saya melebih-lebihkan, tentu saja, tetapi tidak terlalu banyak. Saya akan memberikan contoh dari latihan kami.
Ada produsen batu bata bangunan. Kecil, dengan pengalaman dan penjualan yang mapan. Pada saat-saat seperti itu, perusahaan sering bertanya pada diri sendiri: bagaimana kita akan mengurangi biaya lebih lanjut dan meningkatkan laba?
Calon untuk perbaikan adalah logistik. Ada banyak kekacauan dalam pengiriman batu bata, sulit untuk memperkirakan permintaan pelanggan di muka, sehingga biaya bahan bakar dan pelumas dan depresiasi kendaraan sangat mengerikan. Setelah mempelajari tentang data besar, perusahaan memutuskan: kami akan memperkirakan kapan batu bata habis di lokasi konstruksi klien untuk mengirimnya ke sana dengan cepat. Kami menganalisis data sebelumnya, membuat model yang menjanjikan persentase pengoptimalan yang menarik.
Semua kegembiraan merusak urutan yang biasa. Pertama, perlu untuk menemukan mesin untuk pengiriman yang cepat dan untuk memikirkan rute. Kedua, mesin ini hanya bisa jatuh ke gudang untuk memuat dalam slot waktu yang ditentukan secara ketat, karena jadwal kedatangan mesin klien disusun beberapa minggu sebelumnya. Mustahil untuk memindahkan pelanggan. Karena itu, efisiensinya adalah abu.
Ternyata kami mulai dengan "mari kita prediksi" seperti biasa, dan akhirnya mengubah proses bisnis.
Masalah big data memiliki dua pengaturan: bisnis dan matematika. Dan pesanan mereka hanya itu. Sebelum menanam analis untuk membangun model, Anda harus melewati tiga tahap.
1. Tetapkan tugas dari perspektif bisnis.
Katakanlah kita ingin melawan arus keluar pelanggan. Dan mereka memutuskan untuk meramalkan bahwa sekelompok pembeli tertentu hampir saja pergi ke pesaing. Bagi mereka, kami akan membuat segala macam roti untuk disimpan.
Tugas sekilas sepele. Analis membangun model berdasarkan data historis - pelanggan yang berangkat dan reguler - untuk mendapatkan tanda-tanda keduanya. Misalnya, dalam kasus nyata dari operator seluler, arus keluar dari pelanggan anonim = pelanggan telah berhenti menggunakan komunikasi. Tetapi berapa banyak waktu - seminggu, sebulan, setahun - tidak seharusnya dihidupkan untuk dicatat dalam "bocor"?
Ada beberapa cara untuk mendefinisikan tugas ini. Itu mungkin sesuai dengan templat bisnis yang sudah jadi. Atau menurut data historis - seberapa sering pelanggan yang belum menggunakan koneksi kembali selama sebulan? Dan jika seperti - sebanyak 10%? Misalnya, pelanggan sedang dalam perjalanan bisnis yang panjang atau mengarah ke bagian terbatas dari operator lain.
Penting di sini: siapa yang harus dianggap sebagai "penghormatan" - keputusan bisnis sepenuhnya.
Minimum yang diperlukan dari setiap unit data besar adalah 2 peran. Yang pertama adalah ilmuwan data, pada siapa matematika dan pembangunan model. Yang kedua disebut berbeda dari tim ke tim - pemilik produk, manajer produk, analis bisnis. Hati nurani orang ini adalah pernyataan masalah yang benar. Misinya adalah untuk mempelajari seluk-beluk bisnis pelanggan dan memilih alat yang dia butuhkan. Apalagi untuk menggali komunikasi aktif dengan semua pihak.
2. Periksa kasus bisnis.
Oke, kita akan memutuskan modelnya. Tetapi berapa banyak biaya optimasi kita?
Ambil aliran yang sama. Agar pelanggan potensial tetap pergi, Anda dapat menelepon atau suar dengan pesan yang tepat. Atau, jika ada sumber daya, tawarkan bonus. Anda dapat memberi tahu klien tarif yang lebih menarik secara ekonomi dengan menganalisis pengeluarannya.
Tetapi karena kita memikirkan bonus, maka ini adalah pengeluaran kita untuk pelanggan seperti itu. Dan yah, kita akan tahu pasti bahwa klien ini akan pergi jika tidak ada yang dilakukan. Tetapi model tidak ideal dalam prediksi mereka. Kami akan memegang seseorang dengan benar. Dan, misalnya, 20% dari "chipper" potensial sebenarnya tidak akan seperti itu. Dalam hal ini, kami akan menawarkan bonus kepada mereka. Berapa banyak uang yang akan dihabiskan untuk ini, apakah itu diperbolehkan dalam kasus kami? Anda perlu melihat volume basis klien, skala arus keluar dan mempertimbangkan angka absolut.
Ini disebut kesalahan jenis pertama dan kedua. Kita harus memahami bahwa hasil implementasi model akan memberi lebih daripada mengambil. Dan ini harus menjadi perbedaan yang dapat diterima bagi kita. Persyaratan untuk model dibentuk sebelum pembangunannya. Mungkin mereka akan keluar sedemikian rupa sehingga tidak perlu menghabiskan waktu sebagai Ilmuwan.
3. Rencanakan bagaimana hasil akan digunakan.
"Ekonomi telah bertemu," kasus bisnis memberi tahu kami. "Bisakah kita akhirnya membangun modelnya?"
Lebih cepat. Kita perlu memikirkan apa yang akan terjadi pada hasilnya.
Di sini akan memberi kita model 200.000 orang yang dapat berubah menjadi "penghargaan" setiap bulan. Dan kami akan memutuskan untuk memanggil mereka. Apakah kita punya waktu untuk menjalani semua? Lagipula, pusat kontak itu bukan karet.
Poin lain - Anda perlu memahami jeda waktu apa yang akan kami miliki antara prediksi kepergian dan kepergian klien yang sebenarnya. Mengapa kita perlu prediksi jika klien "membengkak" dalam waktu dekat? Lagi pula, maka kita mungkin tidak punya waktu untuk menghubungi mereka. Tapi semakin jauh dari saat kita pergi, kita memberikan jawabannya, semakin rendah keakuratan prediksi. Di sini lagi, Anda harus menghitung optimal antara plus dan risikonya.
Dan poin ketiga - seberapa cepat kita dapat mengimplementasikan inovasi dalam proses bisnis kita? Agar tidak berfungsi, seperti contoh pabrikan batu bata.
Kesimpulannya
Jalan menuju tugas yang jelas untuk Ilmuwan Data adalah tugas itu sendiri.
Jika kami memeriksa ketiga poin, semuanya ternyata dan sebuah model muncul, kami menunggu tahap menyenangkan berikutnya - integrasi. Membangun model dan matematika terkait biasanya memakan waktu sekitar 20% dari waktu. Sisa 80% (dan kadang-kadang jauh lebih banyak, tergantung pada fleksibilitas perusahaan) - implementasi dalam produktif. Hingga beberapa bulan.
Model hanyalah MVP. Semua orang suka membangunnya, karena semua orang suka hasil hipotetis. Dan kemudian memperkenalkan mereka ke dalam kios proses bisnis nyata di sebagian besar perusahaan. Lagi pula, hal yang paling sulit adalah mengubah perintah yang di-debug.
Oleh karena itu, dalam setiap proyek data besar, harus ada ilmuwan data, di mana matematika, manajer produk bertanggung jawab untuk bisnis, dan manajer proyek dengan tim proyek. Yang terakhir harus menerapkan dan mengguncang proses bisnis. Terkadang itu menyakitkan dan sulit. Tetapi hanya dalam konfigurasi ini, bekerja dengan data besar dapat bermanfaat.
Kami mengajarkan ini dan fitur lain dari aplikasi analisis data dalam bisnis di School of Data kami dalam kursus untuk
analis dan
manajer .
Posting disiapkan
oleh School of Data berdasarkan publikasi pendiri Sekolah di
Business HUB Kyivstar PJSC