Консалтинг и автоматизация в области управления
эффективностью банковского бизнеса

Журнал ВРМ World

Создание корпорации с прогнозными возможностями

Согласно данным исследовательской компании Forrester, к середине 2006 г. более 85% фирм, ориентированных на потребителя, планируют направлять свои маркетинговые обращения на входящие каналы взаимодействия. Но среди тех компаний, которые уже используют этот прием, большинство строят данные обращения, опираясь только на основные бизнес-правила, а не на возможности прогнозной аналитики.

Прогнозная аналитика, которая занимается изучением исторической информации, используя алгоритмы data mining, позволяет бизнесу более аккуратно прогнозировать будущие события. По данным консалтинговой и исследовательской компании IDC, средняя окупаемость бизнес-приложений, включающих программные средства прогнозной аналитики, составляет 145%. Это существенно выше, чем для других типов программных средств Business Intelligence (BI). Независимо от причин, по которым компании не внедряют эти приложения, становится все более очевидным, что бизнес должен изменить свои процессы так, чтобы включить в них прогнозную аналитику. В противном случае он рискует потерять конкурентоспособность.

Почему именно сейчас?

Что же изменилось в бизнесе за последнее время? Описательная и прогнозная аналитика - это не новость. Многие методы и алгоритмы широко доступны в традиционных автоматизированных рабочих местах уже на протяжении 25 лет. Изменилась не сама возможность анализировать данные, а общая ситуация: прогнозная аналитика стала необходима для сохранения конкурентоспособности. Из таблицы 1 видно, что вкусы потребителей становятся более разнообразными - они уже не готовы пользоваться продуктами или услугами только известных им торговых марок. Даже потребители из демографических категорий с наиболее традиционными взглядами, такие как покупатели старшего возраста, сегодня с гораздо большей вероятностью обращаются к разным компаниям, поскольку сейчас это стало намного проще сделать. Стандартизация товаров (т.е. так называемая коммодитизация (Commoditization)) снижает верность потребителей однажды выбранным брендам и увеличивает конкуренцию. Очень показательный пример - это дерегуляция и последовавшая за ней стандартизация телекоммуникационной индустрии в США, что привело к снижению приверженности потребителей определенным торговым маркам и к возрастанию конкуренции. Одна из первых проблем, которые попытался решить телекоммуникационный сектор, - отток клиентов, причем для этого активно использовались средства прогнозной аналитики.

Таблица 1. Доля потребителей, приверженных хорошо известным торговым маркам в разные годы (в %)

Возраст 1975 2000
20-29 66 59
30-39 73 59
40-49 77 60
50-59 82 59
60-69 86 65
70-79 93 73


Для того чтобы эффективно привлекать новых клиентов, удерживать существующих и получать максимальную отдачу от них, организациям необходимо оптимизировать процесс принятия решений с помощью использования прогнозной аналитики, встроенной в этот бизнес-процесс. Один из наиболее очевидных примеров подобного подхода - использование так называемых "советов по выбору книг" на сайте Amazon.com, основанных на ассоциативных правилах или анализе набора приобретаемой продукции. Эти советы фактически стали частью бизнес-процесса.

Помимо давления конкуренции, отдельные поставщики технологий, такие как производители баз данных, встраивающие возможности прогнозирования в сервис-ориентированную архитектуру (что позволяет осуществлять интеграцию приложений/бизнес-процессов с реальными возможностями прогнозной аналитики), будут ускорять распространение этих технологий.

Компании, принимающие решения без учета данных, будут быстрее терять клиентов и не смогут воспользоваться преимуществами перекрестных продаж, а их рост замедлится.

Точки соприкосновения, взаимодействие и стоимость смены торговой марки

Технология оказала значительное влияние на взаимодействие потребителей и потенциальных клиентов с бизнесом, поскольку стоимость выхода на рынок для нетрадиционных игроков существенно снизилась. Также в этом процессе сыграло значительную роль использование Интернета, которое сегодня является уже поистине всеобъемлющим. Неэффективная оценка ситуации (или принятие решений на основе жестких правил в сочетании с тем, что у потребителей появляется б?льшая свобода выбора в связи с распространением Интернета) может создать угрозу для многих организаций. Благополучно пережить этот переходный период удастся лишь тем компаниям, которые вовремя распознают "точку перегиба" и модифицируют свою стратегию, поставив во главу угла не продукты, а потребителя. Прогнозная аналитики является ключевым элементом стратегии, сфокусированной на клиентах, поскольку она помогает понять поведение покупателей и их возникающие новые потребности.

Один из результатов бурного развития технологий - тот факт, что бизнес вынужден обеспечивать потребителей таким каналом связи, который им наиболее удобен. Например, в сфере финансовых услуг обеспечение потребителям доступа только в физические офисы уже недостаточно для привлечения и удержания ценных клиентов. Сегодня гораздо больше вкладчиков пользуются онлайновым доступом к счету через Интернет, чем посещают собственно отделения банков. Клиенты и потенциальные потребители ожидают гибкости от разнообразных каналов связи, в т.ч. защищенных web-сайтов, возможностей онлайнового диалога и обратной связи с помощью электронной почты. Ожидания заключаются не только в наличии подобных каналов, но и в том, что они должны быть хорошо согласованы с более традиционными способами общения, такими как физические отделения банка, банкоматы и центры обработки звонков. Неспособность банка оправдать эти ожидания с большой долей вероятности может привести к разочарованию клиентов и к тому, что они пересмотрят свою приверженность именно данному банку.

Внешние изменения, такие как акты о соблюдении конфиденциальности личной информации о потребителях, представляют собой новый тип давления на компании. Например, они накладывают ограничения на проведение внешних рекламных кампаний. Это, в свою очередь, означает, что, когда потребители обращаются в центры обработки входящих звонков, бизнес может воспользоваться представившейся возможностью общения с клиентами, причем в режиме реального времени, используя прогнозную аналитику. Например, вместо перевода всех звонков на систему интерактивного речевого ответа бизнес может создать обходной канал, который в режиме реального времени будет проводить идентификацию звонящего и, используя его покупательские предпочтения, переводить звонок на агента центра обработки звонков для предложения клиенту более дорогого товара, продаж "с нагрузкой" или согласования претензий. Кроме того, такое средство "прогнозных рекомендаций" должно быть в состоянии получать информацию о потребителе в режиме реального времени и пересчитывать вероятность его ухода, ценность для компании и приверженность данной фирме в оценку его покупательной способности.

Интернет снижает для потребителя затраты, связанные со сменой его покупательских предпочтений. Он облегчает совершение покупок и сравнение товаров. Кроме того, он позволяет потребителям легко менять поставщиков, поскольку отпадает необходимость в непосредственном посещении офиса компании для открытия или закрытия счетов. Сегодня потребители имеют возможность принимать решения о выборе поставщика в режиме реального времени. Если у клиентов есть такая возможность, то и корпорации должны обладать подобными средствами, усиленными инструментами прогнозной аналитики. Например, если система способна заранее оценить вероятность ухода ценного клиента, то компания должна сделать ему привлекательное предложение через рабочий список торгового представителя или при его следующем звонке в фирму (в зависимости от степени защищенности персональной информации).

Помимо расширения возможностей покупателей, Интернет также снижает стоимость выхода на рынок для нетрадиционных игроков. Компании могут конкурировать, не неся затраты на приобретение или аренду офисов и связанные с этим расходы на персонал. Кроме того, преимуществом является тот факт, что при проектировании IT-инфраструктуры в нее не приходится включать и интегрировать многочисленные устаревшие системы, использовавшиеся в организации ранее. Для того чтобы оставаться конкурентоспособными и приспосабливаться к изменениям бизнес-условий, существующие системы финансовых услуг должны сконцентрироваться на потребителе, используя для этого прогнозную аналитику.

Корпорация с прогнозными возможностями начинается с полного представления о клиенте

Хотя создание аналитического Хранилища данных в крупной компании с многочисленными направлениями бизнеса и точками взаимодействия с клиентами является недешевым предприятием, это совершенно необходимый первый шаг в формировании корпорации с прогнозными возможностями. Но создание Хранилища - это только первый из многочисленных барьеров, который придется преодолеть для достижения окупаемости такого проекта. Хранилище данных обычно поддерживает традиционные системы BI, такие как создание незапланированных отчетов, ROLAP (реляционные системы OLAP), MOLAP (многомерные системы OLAP) и инструментальные панели ключевых показателей эффективности. Все эти системы позволяют сотрудникам, работающим с информацией, лучше понимать свой бизнес и принимать решения, которые помогают усовершенствовать процессы, лежащие в его основе.

Хотя окупаемость этих систем является важным показателем, ее не всегда просто измерить. Подобное Хранилище данных при правильном проектировании должно также поддерживать прогнозную аналитику. Потенциальная окупаемость прогнозной аналитики не только является более реальным показателям - ее и легче измерить.

Прогнозная аналитика становится все более популярной; большинство организаций создают аналитические модели в рамках различных направлений бизнеса. Так, например, согласно недавнему отчету исследовательской организации Accenture Research, компания E*TRADE - одна из крупнейших американских фирм на рынке электронной торговли акциями - использует данные из различных направлений бизнеса и областей взаимодействия с клиентами для создания общей картины, способствующей проведению эффективных маркетинговых компаний. Ключом к повышению их маркетинговой эффективности явилось создание всестороннего "портрета" каждого клиента в сочетании с традиционными средствами отчетности BI и прогнозной аналитикой.

Создание аналитического Хранилища данных, которое включает данные о взаимодействии, и использование традиционных средств BI вместе с возможностями прогнозной аналитики позволяет компаниям:

  1. понимать текущее и историческое поведение потребителей;
  2. предсказывать события будущего;
  3. действовать на основе этих прогнозов (решения в режиме реального времени);
  4. реализовывать механизм обратной связи и оптимизации.

Хотя окупаемость прогнозной аналитики - вещь достаточно реальная, на пути к ее успешному внедрению существует немало препятствий. Организации должны задумываться не только об окупаемости, но и о полной стоимости владения. Хотя при правильном создании архитектуры окупаемость может быть также измерена с помощью обратной связи в системах BI.

Сокращение полной стоимости владения за счет интеграции прогнозной аналитики с IT-инфраструктурой

Ключ к достижению окупаемости прогнозной аналитики - в способности организации действовать на основе полученных прогнозов. К сожалению, для большинства организаций этот этап является одним из наиболее существенных препятствий. Исследовательская компания Gartner, недавно выявившая данную проблему, дала ей название "исполнительского провала" (Execution Gap). Согласно их гипотезе, преобразование данных в знание уже не является проблемой для большинства компаний. Основную трудность представляет преобразование полученных знаний в конкурентоспособные коммерческие предложения и их практическая реализация с помощью IT-инфраструктуры.

Существует несколько причин существования этого исполнительского провала. Для их понимания необходимо рассмотреть типичные процессы, из которых состоит создание прогнозной аналитической модели.

Конечным результатом применения большинства методов прогнозной аналитики являются модели, которые используют исторические данные для прогнозирования результата тех или иных действий или количественных величин определенных денежных показателей. Также эти модели обеспечивают определенный уровень достоверности получаемых прогнозов. Типичным маркетинговым примером применения прогнозной аналитики можно считать случай, когда некоторый алгоритм использует ряд входных параметров, таких как возраст, пол и распределение покупок во времени, для прогнозирования вероятности будущих продаж. Модель создается с использованием исторической информации о предыдущей маркетинговой компании, которая включает данные о том, кто совершал покупки, а кто - нет. Затем вся база данных подвергается оценке и ранжированию на основании полученных параметров, и организация выбирает в качестве целевой аудитории тех уже существующих или потенциальных клиентов, которые с наибольшей вероятностью могут совершить покупки. Упрощенная последовательность всех этих шагов выглядит следующим образом:

  1. извлечение, очистка и подготовка соответствующих данных;
  2. использование подходящих алгоритмов для построения модели на основании образца данных;
  3. оценка модели с помощью других данных;
  4. использование модели для ранжирования базы данных.

Алгоритмы создания моделей могут быть достаточно простыми - например, линейная регрессия для последних методов с использованием машинного "обучения" моделей. В результате модель выдает информацию о том, какие данные наиболее важны и как их математически обработать для получения прогноза. Хотя создание моделей с помощью алгоритмов data mining включает сложные математические методы, последующее использование (scoring) этих моделей в рамках IT-инфраструктуры уже не выглядит столь непреодолимым препятствием. Теоретически, после создания модели ее использование представляет не более сложную процедуру, чем просто ее решение для х для каждого потребителя при условии, что все остальные неизвестные уже получены. Хотя подобная процедура не выглядит сложной проблемой, в этом процессе существует ряд существенных препятствий, которые необходимо преодолеть.

Подходы к использованию моделей

Процесс выбора подхода к использованию модели должен опираться на лежащие в основе модели бизнес-требования, которые необходимо выработать еще до ее создания. Их разработка является частью методологии создания моделей. При этом должен приниматься во внимание целый ряд факторов, среди которых, например, следующие: для каких приложений могут понадобиться результаты использования, стоимость некорректных прогнозов для бизнеса и важность врeменных массивов в процессе использования.

Например, если в процессе общения покупателя с представителем службы поддержки выясняется, что часть данных, важных для модели, изменилась (например, семейное положение, наличие работы, место жительства), должна ли модель быть динамически использована вновь с представлением соответствующих рекомендаций в операционной системе управления отношениями с клиентами (CRM)? Встроена ли сама модель и возможность ее использования в приложение CRM? Если этот так, то как можно обновить приложение при выходе следующей версии модели? Что будет, если в следующей модели станет использоваться другой базовый алгоритм или она потребует других данных?

Выбор подхода к использованию будет зависеть от целого ряда факторов, в том числе от канала передачи информации (например, обычная почта, Интернет, центр обработки звонков, отделение компании), вероятности изменения прогнозных параметров модели (например, пол меняется нечасто, а другие параметры, такие как занятость и место жительство, чаще подвержены изменениям) и других факторов оптимизации.

Прежде чем применять тот или иной подход к использованию в режиме реального времени, организация должна убедиться, что этот подход удовлетворяет ее бизнес-требованиям. В таблице 2 представлен набор вариантов использования.

Таблица 2. Набор вариантов использования

Подход к использованию Описание
Пакетный Наиболее распространен. Может производиться по заранее заданному расписанию, а результаты - использоваться в различных приложениях. Недостатки: некорректные оценки из-за задержек во времени, а также количества времени и памяти, необходимых для использования нескольких моделей с множеством прогнозных факторов. Кроме того, количество примеров также влияет на использование.
В режиме реального времени Позволяет осуществлять обновление на основе недавно собранных данных. Особенно полезен, когда количество таких данных невелико.
Динамический Позволяет осуществлять интеграцию данных из текущих взаимодействий. Полезен, если существует большой объем пропущенной информации, важной для модели.
Спонтанный Используется для получения представления о новом или анонимном клиенте, для которого не существует предыдущей истории или сведений.


Независимо от используемого подхода или их сочетания, необходимо ясно понимать, что использование модели и интеграция полученных результатов в корпоративные приложения - это нетривиальная задача. Согласованная интеграция и поддержка прогнозной аналитики на корпоративном уровне требует специальной модели управления, тщательного определения требований и возможности создания гибких вариантов управления моделями. Кроме того, корпорации необходимо использовать такую архитектуру, которая может обеспечивать применение вычисленных оценок в процессах CRM с разной частотой и получение обратной связи на основе отношений "попал/не попал" для оценки эффективности модели. Один из возможных путей для достижения этой цели - использование сервис-ориентированной архитектуры.

Существует еще ряд моментов, на которые стоит обратить внимание: объемы данных, безопасность данных, их движение и эффективность работы моделей. Практическим следствием данных рекомендаций является тот факт, что для контроля полной стоимости владения прогнозные модели должны создаваться, храниться, использоваться и управляться в рамках базы данных. Если организация пытается использовать инструменты, которые требуют перемещения данных за пределами базы данных как составной части продукционной системы, то потенциальная стоимость интеграции существенно возрастает, так же как и потенциальные риски, связанные с безопасностью данных. Это обусловлено перемещением данных за пределы среды их нахождения. Ожидается, что существующая тенденция экспоненциального роста объемов данных продолжится и в будущем. Поэтому легко убедиться, что методы data mining, находящиеся в самой базе данных, в долгосрочной перспективе окажутся более эффективными с точки зрения затрат на сокращение времени реагирования системы и ее производительности.