Прогнозная аналитика как пример инноваций от ИТ

Повышение операционной эффективности бизнеса и ориентированности на клиента – цели в высшей степени желательные для коммерческой компании. Именно ради них и должны бы реализовываться инновационные подходы, в том числе в ИТ. Давайте рассмотрим одну только область – применение прогнозной аналитики, и постараемся выяснить, применяются ли в ней действительно инновационные походы и как именно.

Начнем с определений. Предсказательная/прогнозная аналитика (Predictive Analytics) является областью статистического анализа, которая имеет дело с извлечением информации из данных и использует их для предсказания будущих тенденций и моделей поведения. Прогнозный анализ основывается на улавливании связей между объясняющими переменными и прогнозируемыми переменными из прошлых событий и использовании этих данных для прогнозирования будущих результатов.

Прогнозные (predictive) модели строятся на основании набора данных с известными результатами. Они используются для предсказания результатов на основании других наборов данных. При этом, естественно, требуется, чтобы модель работала максимально точно, была статистически значима, оправданна и т. д.

К таким моделям относятся:

• модели классификации — описывают правила или набор правил, в соответствии с которыми можно отнести описание любого нового объекта к одному из классов. Такие правила строятся на основании информации о существующих объектах путем разбиения их на классы;

• модели последовательностей — описывают функции, позволяющие прогнозировать изменение непрерывных числовых параметров. Они строятся на основании данных об изменении некоторого параметра за прошедший период времени.

Существует стандарт продвижения аналитических решений ­ CRoss­Industry Standard Process for Data Mining (CRISP­DM) . Согласно этому стандарту и моей собственной интерпретации, процесс организации работы состоит из следующих фаз:

1.Фаза непонимания бизнеса.

• ИТ задает понятные бизнесу вопросы.

• Помогает определить требования к данным для ответа на обратный конкретный вопрос бизнеса.

• Переводит бизнес-­вопрос в соответствующие определения подхода к Data Mining.

• Определяет план проекта для реализации интеллектуального анализа данных .

2.  Фаза поиска данных. ИТ собирает, извлекает данные. Совместно с бизнесосм проводит их идентификацию. Бизнес проводит верификацию и проверку данных на качество.

3. Фаза подготовки данных. ИТ отбирает/фильтрует требуемые для бизнеса данные и извлекает необходимые атрибуты для проведения анализа.

4. Моделирование. ИТ совместно с бизнесом применяет методы Data Mining и выстраивает модели.

Результатом должна стать построенная модель и подтверждение/согласование верной интерпретации от бизнеса.

Казалось бы, работоспособная схема и здравый подход, корректность которого подтверждена мировой практикой. Однако примеров реализации такого подхода в российских компаний очень мало, если есть вообще. Почему? Возможно, потому, что сами ИТ­-руководители совершенно инертны и не в состоянии предложить бизнесу ни адекватного подхода к анализу данных, ни обосновать экономическую ценность таких действий. Поэтому возникают вопросы:

Насколько реален для российской практики подход, описанный в CRISP­DM? Его возможные интерпретации для нашей с вами реальности? Какой подход использовали бы вы для продвижения инноваций от ИТ, связанных с прогнозной аналитикой и не только?

Возможные ответы:

• Бизнес настолько еще выгодный, что никакая аналитика не нужна. И так маржа большая, и вообще резервы совсем не в том, что бы какие­-то там модели делать...
• ИТ действует по принципу "пнули -­ побежали", а не проактивно. По науке говоря, не тот еще уровень зрелости.
• Бизнес не рассматривает ИТ как заслуживающего доверия партнера, к чьим советам стоит прислушаться. А ИТ-руководители это прекрасно знают, и с риском для себя лезть на "чужую поляну" не хотят: "Нас и здесь неплохо кормят..."

не интересны в теме данной дискуссии, без указания причин неудач или без указания предлагаемых решений.

Например, я столкнулся с инертностью бизнеса в ходе 4-­й фазы стандарта, основанного на прошлом отрицательном опыте самостоятельно заниматься данной инновацией . Было принято решение временно переквалифицировать ИТ-­аналитика в бизнес­-аналитика для подготовки нескольких кейсов (в моем случае, 2­-х), чтобы вернуть бизнесу уверенность в необходимости и важности данной инновации для компании. Это приводит к дополнительным издержкам по обучению ИТ-­персонала, но игра стоит свеч.