Читать онлайн «Бизнес со скоростью мысли». Страница 56

Применение программных алгоритмов для поиска полезных закономерностей в больших объемах данных называется интеллектуальным анализом данных. Первым серьезным шагом в этом направлении стало создание систем оперативной аналитической обработки (OLAP), которые существенно повышают эффективность обслуживания многих видов запросов. Благодаря им данные, собиравшиеся ранее только в целях бухгалтерского и финансового учета, стало возможным использовать в моделировании, прогнозировании и принятии решений. Для удовлетворения этих новых потребностей компании начали создавать корпоративные хранилища данных. Подмножество такого хранилища, отражающее какой-либо один аспект функционирования предприятия или охватывающее деятельность одного из его подразделений, часто называют киоском данных.

Издательская компания HarperCollins использует OLAP-систему на базе ПК для контроля за ходом книжной торговли в реальном масштабе времени. Это позволяет ей печатать ровно столько экземпляров, сколько требуется дистрибьюторам. Таким образом удается избежать образования в канале сбыта больших товарных остатков, которые пришлось бы потом принимать обратно. После всего лишь года эксплуатации новой системы возврат непроданных экземпляров наиболее популярных изданий HarperCollins сократился с более чем 30% приблизительно до 10%, а за каждым из этих процентов стоят миллионы долларов экономии.

Кроме того, OLAP-система HarperCollins позволяет специалистам компании получать ответы на вопросы типа: какова была прибыльность сбыта такого-то издания за такую-то неделю через такого-то дистрибьютора? Обратите внимание, что даже в этом случае невозможно обойтись без человека, который бы задавал вопросы; а кроме того, ни традиционная база данных, ни OLAP-система не способны находить ответы на такие более расплывчатые, но от этого не менее важные для бизнеса вопросы, как: «Какой из клиентов, вероятно, предпочтет продукт А продукту Б? Что отличает клиентов, которых наши продукты и услуги удовлетворяют, от клиентов, которых они не удовлетворяют? Какие из клиентов в моей базе данных „сходны“ друг с другом?» При попытке обработать подобный неконкретный запрос на пользователя OLAP-системы обрушилась бы лавина данных, которые ему бы вряд ли для чего-нибудь пригодились. Для сложных видов интеллектуального анализа данных требуется особое ПО, предназначенное для ориентирования в богатых информацией средах. И оно должно быть способно помочь своим пользователям в поиске ответов на вопросы, не требуя от них глубоких познаний в таких специальных областях, как статистика, анализ или работа с базами данных.

В числе сложных задач, справляться с которыми помогает интеллектуальный анализ данных, — прогнозирование вероятности покупки клиентом определенного товара на основании его возраста, пола, демографических характеристик и других признаков; выделение групп клиентов, характеризующихся сходным поведением при просмотре информации в сети; выявление предпочтений конкретного клиента с целью предоставления ему индивидуализированного обслуживания; определение времени суток и дней недели, когда наиболее часто посещаются те или иные страницы или наиболее часто поступают обращения по телефону; идентификация товаров, которые часто приобретаются вместе. Последнее очень ценно для выявления закономерностей покупательского поведения, однако известен случай, когда найденная корреляция между двумя кодами счетов за одну и ту же лечебную процедуру позволила австралийской компании, специализирующейся на медицинских услугах, вскрыть мошенничество с двойным выставлением счетов на общую сумму более 10 млн долларов.

Средства интеллектуального анализа данных могут также быть очень полезны в плане прогнозирования сбыта и ознакомления партнеров и клиентов с полученными результатами. Эта технология применяется в производственных отраслях, в банковском деле, телекоммуникациях, планетарной геологии (для обработки данных дистанционного зондирования поверхности планет) и для управления интерактивными электронными магазинами. Например, ПО Microsoft Site Server Commerce 3.0 способно распознавать закономерности в покупательском поведении посетителей веб-сайта, прогнозировать их интерес к различным продуктам и услугам и индивидуализировать общение с ними. В частности, электронный магазин может предлагать каждому конкретному покупателю рассчитанные именно на него рекламные объявления, специальные предложения и комплекты продуктов. Методика интеллектуального анализа данных гарантирует, что в массовую рассылку рекламы по электронной почте не будут включены те клиенты, которых предлагаемый товар вряд ли заинтересует. Это позволит избежать издержек, на которые часто не обращают внимания, а именно: раздражения клиентов навязыванием ненужной информации.

В числе менее типичных, но от этого не менее интересных приложений интеллектуального анализа данных — изучение положения приемных детей для повышения эффективности социальной помощи и исследование особенностей стиля отдельных игроков Национальной баскетбольной ассоциации США (НБА). В частности, известно, что тренер команды «Utah Jazz» использовал этот инструментарий для составления «полного портрета» Майкла Джордана из «Chicago Bulls», включая его склонность, играя в одиночку, проводить двойной или тройной дриблинг перед броском. Однако анализ бесполезен, если вы не можете воспользоваться его результатами. Даже зная привычки Джордана, игроки «Utah» не смогли предотвратить его решающий бросок в игре, которая принесла «Chicago» победу в чемпионате НБА 1998 года.

В бизнесе интеллектуальный анализ данных наиболее широко применяется в маркетинге, когда компании анализируют свои базы данных для выявления предпочтений клиентов, а затем делают им специальные адресные предложения. Например, авиакомпания American Airlines использует сведения о 26 миллионах участников своей программы для постоянных клиентов — такие, как предпочитаемые ими гостиницы, рестораны и агентства по прокату автомобилей — для разработки адресных маркетинговых кампаний, которые уже позволили ей сэкономить на издержках более 100 миллионов долларов.

Экономия получается благодаря созданию более точной модели клиента и уменьшению объемов рассылки. Вот характерный пример. Кампания по продвижению нового вида кредитных карточек методом прямого маркетинга дает обычно эффект примерно в 2% случаев. В 1997 году банк Mellon Bank USA поставил перед собой цель привлечь дополнительно 200 тыс. клиентов. При использовании обычных методов для этого потребовалось бы охватить рассылкой 10 млн кандидатов. Вместо этого с помощью технологии интеллектуального анализа данных было получено около трех тысяч моделей наиболее вероятных клиентов. Путем дальнейшего уточнения выделили группу моделей, которая, по результатам тестирования, позволяла получить положительный отклик в 12% случаев. Таким образом, для привлечения 200 тысяч новых клиентов оказалось достаточно обратиться с предложениями лишь к двум миллионам человек вместо десяти. Более того, сокращением рекламных издержек выгоды предприятия не ограничились: прибыльность для банка клиентов, привлеченных в результате этой акции, оказалась в среднем втрое выше обычной, поскольку технология интеллектуального анализа позволила найти именно тех людей, чьим нуждам услуги, предлагаемые Mellon Bank, соответствуют наиболее полно.

Приведенный пример иллюстрирует два важных аспекта применения данной технологии. Первый — сам масштаб такой работы: объем анализируемых данных и число исследуемых моделей значительно превышают соответствующие показатели, характерные для традиционного статистического анализа. Второй — то, что даже высококвалифицированные специалисты могут извлечь из применения интеллектуального анализа данных дополнительные преимущества. В случае с Mellon Bank приглашенная команда специалистов сумела добиться шестикратного улучшения результатов, затратив лишь четверть того времени, что потребовалось бы на проведение аналогичной акции «обычными» методами, используемыми собственным подразделением банка, специализирующимся на статистическом анализе. Одна из важнейших задач — сделать этот инструментарий настолько простым, чтобы конечный пользователь — специалист в своей сфере бизнеса без сколько-нибудь выдающегося знания компьютера — смог работать с ним самостоятельно.

Применение интеллектуального анализа данных становится обязательным требованием при организации взаимодействия человека с машиной. Председатель правления и главный исполнительный директор корпорации NCR Лapc Найберг таким образом описал мне стандартное меню банкомата своего банка. Первый шаг — выбор языка: английский или испанский; второй — ввод номера счета; третий — выбор типа транзакции (по ее завершении выдается предложение провести еще одну). И, наконец, в заключение на экране появляется номер телефона, по которому можно позвонить, чтобы попросить банк о ссуде под залог недвижимости. Большинству пользователей банкоматов приходится иметь дело с меню наподобие этого.