Закрыть [x]

Перейти на мобильную версию

Анализируй настоящее – прогнозируй будущее

10.04.2018

Всё чаще финансовые директора и компании обращаются к предиктивной аналитике, чтобы увеличить точность планирования и прогнозов, справиться с непрерывно расширяющимся кругом бизнес-проблем.

Одна из причин этого в том, что приложения прогнозной аналитики с применением экономико-статистических моделей для экстраполяции, прогнозов и выяснения основных факторов роста бизнеса становятся проще в обращении. Благодаря снижению стоимости и усовершенствованным технологиям предиктивная аналитика получает всё большее признание.

Многие методы прогнозной аналитики были доступны и раньше, но только компаниям с большими ресурсами – например, со штатом аналитиков данных, статистиков и программистов. Сейчас разработчики программ продают приложения предиктивной аналитики, доступные как финансовым руководителям, так и любому сотруднику. Причём для их использования не нужно быть программистом или аналитиком.

«Многие пользователи разбираются в количественной аналитике, смежной с прогнозной, хотя они не программисты, да им и не понадобится писать программы на Python или выполнять что-то подобное для создания точной прогнозной модели», – объяснил Джордж Мэтью, президент и главный операционный директор «Альтерикса», фирмы, занимающейся аналитикой данных.

Чему мы учим машины

«Финансовые руководители используют предиктивную аналитику для планирования и прогнозирования, управления рисками, комплаенса и контроля, например, чтобы выявить такие нарушения, как возможное отмывание денег партнёрами по цепи поставок», – говорит Мэтью.

«С ростом доступности технологий предиктивной аналитики, таких как машинное обучение, финансовые директора могут построить более надёжные модели для прогноза доходов, прибыли и убытков, – рассказывает Аншуман Мишра, аналитик данных из отдела финансовых услуг в Alpine Data. Модели могут анализировать большее число факторов, влияющих на изменение индексов финансового рынка, стоимость капитала или учёт цены сырья. Также они могут извлекать информацию из данных публичной компании – документов по форме 10-Ks и заявок о банкротстве».

«Используя машинное обучение, вы получаете доступ к более подробным данным и детальному анализу», – утверждает Мишра.

«Более совершенная технология облегчает начало управления моделями машинного обучения на основе большого объёма данных, – говорит Джош Льюис, вице-президент Alpine Data по продуктам. Современные платформы хранения данных, такие как мощные параллельно обрабатывающие информацию базы данных, обеспечивают более сложные вычисления, чем те, на которые были способны их предшественницы».

«Хранение больших объёмов информации было возможно и раньше, но сейчас мы научились обрабатывать их, – делится Льюис. – Такие компании, как наша, разрабатывают инструменты, облегчающие работу не только аналитикам данных, но и среднестатистическому пользователю.

Стоимость машинного обучения сейчас ограничивает инициативы проектами, которые приносят большую прибыль. Но технологии с открытым исходным кодом и более гибкими инструментами помогут её снизить».

«В случае снижения стоимости планка может опуститься с миллионов до десятков и сотен тысяч долларов, что сделает инвестиции в такие проекты выгодными», – объяснил Льюис. Он прогнозирует, что в мире сфера применения машинного обучения увеличится с десятков до неограниченного числа вариантов и откроет такие возможности, о которых мы никогда не мечтали.

Для чего компаниям предиктивная аналитика? Чтобы увеличить чистую прибыль, как это сделали следующие компании.

Привлечь клиента и не отпускать

Компания из списка Fortune 500 со штатом около 1 500 сотрудников, предоставляющая финансовые услуги, – продажа аннуитетов, страхование жизни и т.д., использовала прогнозную аналитику, чтобы определить общие характеристики её ключевых клиентов. Компания была заказчиком у Birst  – провайдера облачных BI и аналитики. «Целью заказчика был поиск потенциальных клиентов со сходными характеристиками», – говорит Педро Ареллано, вице-президент стратегии по продукции в Birst.

Birst помогла компании запустить первое приложение предиктивной аналитики – программа классификационного анализа, которая ранжирует данные клиентов и выясняет, кому стоит звонить в первую очередь, какие услуги им предлагать, а также помогает определить, какой доход это принесёт компании.

В результате доходы от продаж агентов возросли на 20% в первый год, и их рост сохранялся на уровне 10-15% в следующие годы. Коэффициент результативных звонков удвоился с одной продажи до двух на 10 звонков. Также улучшился коэффициент удержания клиентов.

Успех проекта оказал влияние на другие сферы деятельности страховой компании, например, на HR-отдел, где также захотели узнать о возможностях прогнозной аналитики.

Человек может отдохнуть

EviCore, медицинская компания с годовым оборотом 1,5 миллиардов долларов, использовала программное обеспечение для машинного обучения от Alpine Data, чтобы повысить эффективность предварительной обработки обращений. EviCore обрабатывает порядка 2,5 млн транзакций  пациентов за месяц.

«До внедрения программного обеспечения для предиктивной аналитики EviCore приходилось полагаться на целую армию из 800 медсестёр и докторов, которые занимались предварительным согласованием обращений, – утверждает Джош Льюис из Alpine Data. Персонал анализировал огромное количество информации из записей пациентов и данных о медицинских процедурах, заказанных в соответствии с требованиями страховых компаний и закона.

Программное обеспечение для машинного обучения взяло большой объём данных из предшествующих обращений, предварительно утверждённых или отклонённых специалистами, определило общие правила для этих классификаций и применило их для обработки новых заявок», – объяснил Льюис.

Если поступающая заявка соответствует уже сформированным правилам, компьютер может обработать её без вмешательства специалиста. Поэтому в EviCore смогли обрабатывать большее число обращений. В результате компании не пришлось нанимать новых людей при расширении бизнеса.

Расширяемся с умом

Семейное предприятие Oberweis Dairy использовало программное обеспечение для предиктивной аналитики SAS, чтобы решить проблемы с оттоком клиентов и определить точки развития.

Брюс Бэдфорд, вице-президент Oberweis Dairy, возглавляющий работу над аналитическими проектами, говорит, что первым вызовом прогнозной аналитики в его компании была потеря покупателей молока и молочных продуктов с доставкой на дом в Иллинойсе, а этот бизнес составляет около трети общего объёма продаж.

С помощью аналитического программного обеспечения SAS Oberweis провела анализ выживаемости, сравнивая недельные показатели заказов доставки на дом. (Анализ выживаемости – это совокупность методов, позволяющих оценить вероятность наступления события).

Аналитика определила, что промоакция для новых клиентов – бесплатная доставка в течение 6 месяцев – оказывает негативное влияние на их удержание. Узнав после 27 бесплатных доставок, что они стали платными ($2,99 в неделю), клиенты часто отказывались от услуг компании. Oberweis заменила это предложение пониженным тарифом доставки на длительный период. Резкое сокращение клиентов остановилось, а коэффициент удержания новых клиентов повысился на 30%.

«Это парадоксальная идея, и многие отказывались её воплощать, думая: «Что за бред, разве можно получить лучший результат, требуя большую плату?» – поделился Бэдфорд.

Oberweis также применяла предиктивную аналитику для расширения географии своей службы доставок на дом. У компании было восемь пунктов распределения – три в районе Чикаго и по одному в Милуоки, Сент-Луисе, Детройте, Индианаполисе и Виргинии – также планировалось добавить ещё пару городов за следующие 3-6 месяцев. Oberweis хочет расширять поле деятельности там, где потребитель с большей вероятностью подпишется на доставку и станет постоянным клиентом. Чем ближе к распределительному пункту дом покупателя, тем больше шансов сохранить его лояльность.

Для анализа демографических данных семей, проживающих по маршрутам доставки почтовой службы США, компания использовала аналитическое программное обеспечение, помогающее определить целевую аудиторию. С помощью этого программного обеспечения эффективность прямой почтовой рассылки достигала максимума – находились новые клиенты для распределительных пунктов.

 «Прямая рассылка была эффективна. Компания точно знала, какую прибыль она принесёт и когда, поэтому купила рассылку на два миллиона покупателей, – рассказал Бэдфорд, – и применила её на новых для себя рынках».

«Выход на новый рынок всегда вызывает беспокойство финансового директора, потому что он осознаёт, как много капитальных затрат потребуется: покупка или аренда необходимого имущества, зданий, грузовиков, оборудования, набор и обучение сотрудников. Сразу же возникает множество вопросов, на которые поможет ответить аналитическая модель. Она управляет непрерывным процессом расширения, подсказывая, в частности, где размещать объявления об аренде, искать персонал и где должны находиться грузовики для доставки», – пояснил Бэдфорд.

Когда премии сваливаются с неба

Ещё один вопрос, вскрытый Oberweis Dairy с помощью предиктивной аналитики, – это влияние пгоды на продажи мороженого. Около семи лет назад, до внедрения прогнозной аналитики, сотрудники компании фиксировали данные об осадках предыдущего дня и температуре в ежедневных отчётах о продажах в молочных магазинах, но не понимали, как эти показатели связаны с погодой.

«Проблема заключалась в том, что никто не мог сказать, что значит эта информация, – говорит Брюс Бэдфорд, вице-президент Oberweis. – Было невозможно объяснить, повлияло ли изменение температуры на один градус на продажи предыдущего дня. Они знали, что продажи связаны с погодой, и это значимый фактор, но не понимали, что конкретно за этим стоит».

Для начала Бэдфорд с помощью Protiviti занялся созданием модели, позволяющей компании связать погодные условия с прошлыми данными продаж.

Анализ обнаружил, что продажи не зависят от температуры и дождя, более значительное влияние на них оказывает точка росы, которая отражает уровень комфорта при определённой температуре. Говоря языком науки, точка росы определяется как температура, ниже которой капли воды начинают сгущаться и образуется роса.

Это открытие подтолкнуло Бэдфорда к построению новых моделей, учитывающих влажность воздуха, и сейчас премии работникам зависят не только от размеров продаж, но и от погодных условий.

Рентген для переломных моментов

В одном из регионов местные страховые компании отбирали долю рынков у крупной организации. Теряющая клиентов компания воспользовалась дескриптивным анализом, но он не мог определить причин сложившейся ситуации. После этого она наняла специалистов по бизнес-консалтингу, чтобы они помогли разобраться с вопросами лояльности клиентов, используя методы прогнозной аналитики.

Анализ начался с 5,4 миллионов строк записей, включающих информацию о продукции заказчика, доходе, данные о распространении и 69 переменных. «Технологии позволили исключить нерелевантные данные и сократить количество строк до 1,2 млн и 21 прогностического фактора», – рассказывает Шахин Дил, глава передовой практической бизнес-аналитики в Protiviti.

«Мы применили регрессионный анализ и технологии машинного обучения, которые тестировали точность различных моделей и выявили пять основных прогностических факторов. Благодаря этому анализ формировал панель управления, которая позволяла администраторам принимать решения в реальном времени», – объяснила Дил. Модель выявляет 14 ключевых прогностических факторов в нескольких категориях: продукт, потребитель и дистрибьютор. На основании этой информации она может предсказать с точностью до 81%, продолжит ли клиент пользоваться услугами.

Protiviti также выработала рекомендации для улучшения ситуации, например, нацеливание на подходящие возрастные группы, усовершенствование распределения, кросс-продажи и пересмотр стоимости.

«Время от времени мы будем находить что-то, о чём наш клиент даже не догадывается, и не узнал бы об этом, не увидев большие данные, – подытожила Шахин Дил. – Результаты не всегда такие, как вы ожидаете».

«Как мы видим, в применении предиктивной аналитики финансовыми директорами есть два движущих фактора, – говорит Мэтью из Alterix. – Во-первых, доступность технологии, которая позволяет компаниям получать данные не только из внутренних, но и из множества внешних источников. Во-вторых, сегодня финансовому директору необходимо видеть будущее так же точно, как если бы он отчитывался о выполненной работе.

Генеральный директор и совет директоров ожидают от CFO продуманной, прогнозной, предписывающей и описательной аналитики, – утверждает Мэтью. – Я думаю, что от финансового директора требуется концентрация на этой проблеме и развитие новых способностей более высокого уровня, особенно аналитических».  

Наши конференции:


Комментарии