Data Science для топ-менеджеров: почему проваливаются проекты

Нездоровый оптимизм

 
Сегодня почти все компании, накапливая большие объемы информации, знают, что системная работа с ними может принести пользу. При помощи Data Science можно увеличить эффективность бизнеса и снизить затраты, но на этом знание заканчивается. Инициируя проекты по внедрению Data Science, бизнес зачастую переоценивает свои возможности. В процессе реализации выясняется, что каких-то данных не хватает, а каких-то, наоборот, слишком много и непонятно, что именно надо использовать. Данные хранятся в разных источниках и форматах, и их надо объединять, трансформировать по каким-то параметрам.
 
По оценке Gartner, 85% проектов в области Data Scince проваливаются. А по подсчетам VentureBeat, только один из десяти проектов по внедрению искусственного интеллекта «выстреливает» и реализуется на практике. А все потому, что управлять такими проектами сложно, часто они носят исследовательский характер, и трудно предсказать, сколько времени потребуется на их завершение и какой в конечном итоге получит результат бизнес.

Эксперты сравнивают внедрение Data Science с марафоном на длительные дистанции, в котором последние 10 км самые тяжелые, потому что это долго, дорого и тяжело. Например, ритейлеру, управляющему 50-100 магазинами, проект обойдется не менее, чем в 10-15 млн рублей. Затраты большие и очень важно подойти к вопросу структурирования и подбора данных в самом начале со всей ответственностью, чтобы реализация была успешной и проект не провалился. 

Data Science — это получение преимуществ для бизнеса на основе применения искусственного интеллекта при помощи различных источников информации: например, история продаж по каждому покупателю, статистика запросов в поисковых системах, время проведения спортивных мероприятий. Источники данных могут быть как внутренние (накопленные в организации), так и внешние. 

Для работы с такими данными используется математическая статистика и методы машинного обучения. Дата-сайентист (Data Scientist) анализирует большие данные, а его результат работы — создание прогнозной модели, которая помогает предсказать поведение покупателя или факторы, которые оказывают существенное влияние на рост продаж.

«Сначала в компании царит большое возбуждение и искушение, от того, что волшебная пилюля под названием Data Science решит все задачи. Зачастую ожидания от проекта в этот период могут быть несколько завышенными. Рисуются выгоды, что сейчас как начнем запускать новые продукты на научной основе, прогнозировать складские запасы и будет всем нам счастье. Но этого не происходит», - рассказывает Евгений Пажитнов, старший инженер по решениям компании Oracle. 

Замахнулись на Data Science, а не имели даже CRM

В ритейле Data Science поможет, например, минимизировать остатки товара и прогнозировать минимальное количество каждой позиции на конкретном складе и в магазине для удовлетворения спроса. Также за счет структурирования данных можно увеличить средний чек. Возьмем хрестоматийный пример: если папа пришел купить подгузники в пятницу вечером, то ему надо предложить на кассе пиво со скидкой. Идентифицировать покупателя на кассе и сделать ему персональное промо-предложение как раз и призвана Data Science.
 
По словам Василия Захарова, head of Big data products & software development сети «Лента», в России крупнейшие офлайновые ритейлеры находятся сейчас на стадии бета-тестирования разных гипотез при помощи анализа больших данных. Какие из них сработают через несколько лет, неизвестно. Но, например, мировой опыт розничной торговли показывает, что доля продаж персональных промо может достигать 7-8% в общей выручке. Причем, информация (какому покупателю что предложить) интересна не только сетям, но и производителям, так как, обладая ею, можно более фокусировано тратить промо-бюджеты, а не делать «ковровую бомбордировку», как сейчас. 
  
Но если у федеральных сетей есть бюджеты и большой штат сайентистов, то средним сетям реализовывать Data Science гораздо сложней, они зачастую даже не знают, как к такому проекту подступиться. 

«Например, одна средняя по масштабам розничная компания обсуждала с нами построение процессов оптовых продаж с применением новых подходов к анализу данных. Ритейлер планировал делать закупки и планировать продажи оптового подразделения при помощи новых методов машинного обучения. Но в процессе обсуждения «космического замка» под названием Data Science, выяснилось, что данных пригодных для использования пока нет. А взаимодействие со своими оптовыми покупателями сотрудники ведут по электронной почте, то есть нет структурированной системы коммуникаций и сбора данных. 

Поэтому первое, что мы сделали – внедрили CRM систему, в которой компания стала вести учет транзакций. Но чтобы выполнить хотя бы часть задачи, надо еще год-два набирать нужные данные. В результате было решено разделить цель на несколько фаз, по итогам первой появилась возможность делать частично предсказательные гипотезы: типы товаров, склады, магазины, зональность. В последующих фазах (после накопления новых данных) – гипотезы, связанные с качеством товара, типом упаковки, скоростью поставок, сезональностью и другими параметрами», – рассказывает Алексей Захаров, руководитель подразделения технологических решений компании Oracle.

Ложные ожидания от применения Data Science

Многие заказчики уверены, что придёт вендор и вдруг сделает на основе небольших накопленных данных Data Science, говорят эксперты. Но «вдруг» не получается. Данные нужно готовить, обогащать, структурировать, строить для них хранилище, в котором они будут готовы для работы. Часто бывает так, что данные есть, но их невозможно использовать для тех гипотез, которые применимы к этой компании. Поэтому для проверки конкретной гипотезы надо сначала определить, какие данные нужны для ее анализа. 

«При этом копить информацию надо, как минимум, год или два и иметь не менее 300-400 параметров, чтобы подтвердить или опровергнуть только одну гипотезу. Нейронную сеть нельзя сразу выпускать в работу, ее надо обучить. В противном случае она может выдавать кардинальные ошибки. Задача машинных алгоритмов – увеличивать точность прогнозов от 85 до 95%», – поясняет Евгений Пажитнов.

---

Читайте также: Прогнозная аналитика: как цифры помогают принимать решения

---

Среди самых распространенных заблуждений в отношении Data Science в компаниях являются следующие: 

● система машинного обучения все сделает сама без влияния человека;
● ожидание получения моментального эффекта и положительного результата.

Но так не бывает. Эксперты подчеркивают, что машинное обучение – это алгоритм, и без человека, который формулирует гипотезу и задает переменные, ничего работать не будет. У компании может быть много данных, но, если нет профессионала, который будет их анализировать, формулировать гипотезы, видеть зависимости покупок и увязывать их с поведением человека, то ничего не получится.

* * *

О том, как правильно оценить возможности компании к внедрению Data Science, с чего начать и как избежать самых распространенных ошибок пойдет речь на сессии «Ритейл-маркетинг после 2021 года» в рамках New Retail Forum 2021 в Сколково 9-10 сентября. 

Сессия с участием Евгения Пажитнова, старшего инженера по технологиям Oracle, пройдет 9 сентября с 12 до 13:30 МСК.

Для участия в сессии, нужно зарегистрироваться на форум. Напоминаем, что для ритейлеров, брендов, представителей медиа и студентов ВУЗов – участие в New Retail Forum бесплатное.

* * *

Топ-5 советов при старте работы с Data Science от Oracle:

1. Определить финальную цель, которая должна быть решена. Например, прогноз остатков товарных позиций на складах в каждый момент времени (ежедневно, ежемесячно и тд). 
2. Определить параметры, которые необходимо контролировать (название продукта, артикул, сезональность покупки). 

3. Определить влияющие факторы для проверки гипотезы и мотоды машинной обработки данных. Например, на продажи пива влияет проведение футбольных матчей (это и есть гипотеза, надо ее подтвердить или опровергнуть). На продажи жвачки влияет частота появления рекламы. 

4. Определить частоту сбора данных. Если информации не хватает, то нужно отказаться от гипотезы. Иногда доходит до смешного, когда некоторые компании используют даже гороскопы. 

5. Создать хранилище данных, которое позволит обрабатывать все гипотезы.