Как конкурировать в сутки аналитики

Рекламные ссылки:

. NEWSGG.RU — Скептики могут сказать: «О чем мы вообще говорим, ведь компании всегда анализировали данные». Николаус Хенке : По нашему мнению, радикально изменились три вещи. Во-первых, теперь мы имеем несравненно больше данных.
Около 90% данных, которые сегодня есть в мире, не было в наличии еще два года назад. До 90%! Во-вторых, благодаря облачным технологиям, вычислительные возможности не были низкой стоимости и, соответственно, получаем возможность обрабатывать на порядки больше данных.

И, наконец, технологии машинного обучения позволяют делать сотни миллионов расчетов в день, что, несомненно, существенно углубляет уровень детализации того, что мы делаем. Майкл Чуи : Сейчас руководители гораздо лучше понимают, что данные и аналитика трансформируют основы конкуренции. Все в большей степени они совершенно иначе подходят к принятию решений, например, проводят эксперименты, а не просто формируют суждения, основываясь на предыдущем опыте.

В материалах исследования 2011-го года отмечается огромный трансформационный потенциал новой волны данных и аналитики. Насколько он реализовался за годы, прошедшие с момента публикации отчета?


Майкл Чуи : Результаты очень неоднородны. В некоторых индустриях, например, в сфере сервисов, ориентированных на местонахождение пользователя, и в меньшей степени в ритейле, произошли очень заметные для потребителей изменения. На этих рынках тон задают цифровые стартапы, с которыми приходится конкурировать традиционным игрокам. Но есть несколько отраслей (это, в частности, государственный сектор, здравоохранение и производственная деятельность), где, хотя и достигнут определенный прогресс, еще очень далеко до полной реализации потенциала, который несет в себе аналитика «больших данных».

Собственно, по результатам нашего анализа, возможности новейших аналитических инструментов используются в этих сферах менее 30%. Но чтобы полноценно задействовать их потенциал, нужно преодолеть несколько препятствий. Какие это препятствия?

Николаус Хенке : Главная преграда - это организационная. Чтобы действительно получить ценность от данных, вы должны одновременно делать пять вещей. Первая из них - это сбор данных. Далее идет математическое моделирование. Но за счет только этого вы не генерируете никакой ценности. Нужно очень четко понимать - сценарии вы хотите урухомиты. Если же вы поглотит в аналитику и моделирование, а не сфокусировавшись на бизнес-ценности, то непременно потерпите неудачу. Скажем, вы все это сделали и определили 30 топ-сценариев, которые могут касаться управления поступлениями, вывода следующего продукта на рынок и т.д.

Теперь это нужно инкорпорировать в ваших процессов, иначе ничего не изменится. Ведь в крупных компаниях работают сотни тысяч человек. И, наконец, вы должны иметь инфраструктуру - организационную систему, которая позволила бы использовать все эти результаты, чтобы понять, как можно иначе подходить к принятию решений. С другой стороны, такая система вам нужна уже в самом начале, чтобы анализировать данные и делать все то, о чем говорилось выше. Майкл Чуи: Мы увидели, что во многих случаях компании, которые инвестируют в аналитику, доходят до фазы моделирования и генерирования некоторых инсайтов.

Им нужно изменить то, что происходит после нахождения интересных озарений - следует развить в себе способность масштабировать инсайты по всей организации, интегрировать их в повседневной деятельности структуры, чтобы это стало двигателем повышения производительности. А для этого следует задействовать все пять компонентов, о которых говорил Николаус. Николаус Хенке : Недавно мы обсуждали с 200 ведущими датологами (data scientists) мира вопросы взаимодействия с руководителями. Все они были очень разочарованы тем, как это происходит, потому что считают, что ни гендиректор, ни другие топ-менеджеры на самом деле не совсем понимают смысла их деятельности.

А по мнению управленцев, датологы занимаются чем-то абстрактным, далеким от реальных проблем бизнеса. То есть нужны «переводчики» или специалисты, которые помогли преодолеть коммуникационную пропасть между специалистами в области данных и другими представителями организации. Сейчас в McKinsey мы готовим 3 тыс. Наших коллег к выполнению этой роли. Они должны глубоко знать как бизнес-проблемы в целом, так и понимать их в разрезе датологии - интегрировать все это и выложить понятной для неспециалистов языком. Майкл Чуи : Глядя вперед, можно сказать, что спрос на датологов однозначно расти. Но также будет расти потребность в специалистах, которые достаточно разбираться в области «больших данных», чтобы быть в состоянии помочь «переваривать» такую информацию остальных организации.

Не могли бы вы привести пример инкорпорирования «больших данных» стратегии компании? Николаус Хенке Один банк в ходе двухлетнего проекта создал «озеро данных», которое охватывает всю структуру. (Это один из немногих банков мира, которые это должны). Затем они сформировали группу из 150 человек, которые занялись идентификацией «золотых» (или важнейших для компании) источников данных.

Далее эта команда совместно с другими подразделениями начала работать над улучшением качества данных с каждого источника. Например, в одной из стран клиентская информация была очень низкого качества; в первую очередь из-за путаницы с написанием имен и фамилий клиентов. На банковском счете могло фигурировать одно имя, а на кредитной карте другое. Банк имел три-четыре наборов данных по каждому клиенту. Итак, чтобы убедиться, что все данные откорректированы, упрощенно и оцифровано, члены этой группы по очереди шли к тем, кто открывал счета, кто продавал кредитные карты и пр. И через некоторое время банк кардинально улучшил качество своих данных. По нашему мнению, лучше начать с одного хранилища интегрированных данных.

Пусть даже это будет что-то очень несовершенно, но вы все равно увидите, что из этого сможете получить; а потом будете говорить: «Хорошо, если мы получим дополнительные данные на этом участке или если" подчистим "данные на другой - то сможем генерировать ценность совершенно иного уровня». Наверное, лидеры идут по пути итерации, а не разрабатывают некую генеральную стратегию работы с данными. Они должны иметь картину того, чего хотят достичь, а затем материализовать ее, проходя цикл за циклом. А как данные могут повлечь «подрывы» на рынках? Майкл Чуи : И организации и отрасли используют данные в течение многих-многих лет. Но чтобы произошел «подрыв», нужны совершенно новые источники данных, которые, например, могут «освоить» молодые игроки.

Возьмем хотя бы телепатические данные, которые скорее можно назвать поведенческими данными, так как они характеризуют организации, людей или оборудования. Например, в страховом бизнесе этот тип данных может не только дать возможность гораздо точнее оценить риск и правильно определить цену, но и помочь клиентам лучше управлять своими рисками. Представьте, что вы регулярно получаете от своего Автостраховщиков данные, которые говорят, что сегодня вы не превышали скорости, ничего не нарушали и тому подобное.

Такая коммуникация может потенциально изменить не только логику страхового продукта, но и сам способ взаимодействия компании с клиентами, повлечет за собой трансформацию принципов конкуренции в отрасли. И это произойдет благодаря новому источнику данных. Какие преимущества могут дать компаниям технологии машинного обучения? Николаус Хенке Если в традиционных расчетах вы выдвигаете гипотезу, находите данные, а затем обнаруживаете корреляцию между ними, то теперь это может делать за вас машина. Соответственно, вы получаете сотни миллионов расчетов в день - а это возможность не только протестировать определенную гипотезу, но и совершенно иначе проинтерпретировать выявленные закономерности. Майкл Чуи : Начиная свои исследования, мы ожидали увидеть воплощение закона Парето , а именно то, что 80% ценности компании получать, решая с помощью машинного обучения 20% своих проблем.

Но, оказалось, что все наоборот: потенциал использования этой технологии гораздо шире. Один руководитель сказал нам, что лучшее, что можно услышать на территории промышленного интернета - это «количество незапланированных простоев равна нулю». То есть речь идет о прогнозировании неполадок до того, как что-то ломается. Получая непрерывные потоки данных и применяя технологию машинного обучения, вы можете приобрести умение заранее распознавать, когда машина выйдет из строя. Николаус Хенке : К нам обратилась розничная компания, которая работает в одном очень большом городе, с просьбой найти новые возможности для роста.

Они уже тысячу магазинов, а потому считали, что потенциал роста исчерпан. Но при помощи программ искусственного интеллекта и машинного обучения мы увидели, что торговые точки, расположенные у прачечных-автоматов, являются крайне привлекательными для определенного сегмента потребителей. В итоге мы нашли 850 мест, где эта компания даже бы и не подумала размещать свои магазины. Сейчас они вышли на новый этап роста. Есть и немало примеров успешного использования машинного обучения вне бизнеса. Так, некоторые тюрьмы стали безопаснее, потому что в них стало меньше случаев насилия, а больницы могут точнее выявлять пациентов групп повышенного риска. Одним из очевидных минусов автоматизации является то, что многие виды деятельности просто исчезнут. Каким Вы видите будущее рынка труда? Майкл Чуи : Во-первых, мы заметили, что по мере того, как расширяется поле применения технологий машинного обучения, появляется все больше работ, связанных с автоматизацией экономики, за которые люди получают деньги.

И еще две вещи. Пройдет определенное время пока человек будет вытеснен из определенных сфер деятельности. То есть у нас есть временной запас для того, чтобы адаптироваться. Также не выглядит так, что мы имеем избыток рабочей силы. Наоборот, чтобы достичь нужных темпов экономического роста (как в промышленно развитых странах, так и на развивающихся рынках), мы должны в полной мере использовать потенциал машинного обучения и задействовать всех, кто только может работать. А по мере того, как человеческий труд заменяется технологии, нужно будет находить занятия для индивидов, освобождаться, иначе не удастся поддерживать экономический рост на приемлемом уровне.

Николаус Хенке : Сущность машинного обучения состоит в выявлении закономерностей в данных. Но чтобы совершать на основании этого действия, следует исходить из предположения, что в течение определенного периода времени закономерности, на которые вы будете опираться, оставаться неизменными. Поэтому эта технология мало подходит к решению проблем, касающихся типов деятельности с высоким частью неопределенности (например, инвестирования). Там и в дальнейшем главную роль будет играть человеческое суждение.


Сохрани страницу для ДРУЗЕЙ в Вконтакте, Фейсбуке, Одноклассниках!

Ваши комментарии (0):

Категория: Новости / Интересное про интересное. Просмотров: 247. Рейтинг:        

Добавить комментарий:


(не обязательно, заполняйте, если участвуете в конкурсе комментариев)

Как конкурировать в сутки аналитики фото Википедия

Скептики могут сказать: «О чем мы вообще говорим, ведь компании всегда анализировали данные». Николаус Хенке : По нашему мнению, радикально изменились три вещи. Во-первых, теперь мы имеем смотрите тут!

Ссылка: http://newsgg.ru/main/interesnoe/2023-kak-konkurirovat-v-sutki-analitiki.html

Хочу подписаться на обновления сайта по E-mail: Подписаться (ссылка). Самые последние новости будут приходить к вам прямо на почту!

Добавлено сегодня:

Загрузка...

Поделиться ♥


Посмотри это:

ЗКД 2 сезон треки, музыка и песни из сериала OST

Полицейский с Рублевки 2 сезон музыка, песни и треки из сериала (OST)

Отель Элеон песни и музыка из сериала — список

Зарплата полицейского в Казахстане, России и Украине 2017. Сколько получает?

Взвешенные люди 3 сезон 5 выпуск 18.03.2017 СТС

Дневник экстрасенса Ларина 2 сезон 1 выпуск 14.04.2017 ТВ3

Пусть говорят 20.06.17 «Илона Новоселова умерла, причины смерти»

Дороу мем что это? Значение картинки собаки за бокалом

Пусть говорят 19.06.17 «Шепелев и Фриске»