Как делаются проекты: практические подходы к использованию Watson в России

13 октября 2016, 09:56
 
Александр Дмитриев, бизнес-консультант Клиентского центра IBM, IBM в России и СНГ/Гаяне Арутюнян, архитектор Клиентского центра IBM, IBM в России и СНГ
 
 
Я раньше думал –
 книги делаются так:

пришел поэт,
легко разжал уста,

и сразу запел вдохновенный простак –
 пожалуйста!
                                                                 В.В. Маяковский. «Облако в штанах»
 
Это Маяковский называет их «книгами», для маркетологов это «неструктурированные данные в текстовом формате». Но, в принципе, поэт прав: тексты вещь непростая, и к ним нужен методический подход.
 
В этой статье мы расскажем о том, как подойти к решению довольно актуальной задачи – получению ценной информации о своих клиентах на базе анализа информации из так называемых открытых источников или Интернета. При этом будем опираться исключительно на практический опыт специалистов Клиентского центра IBM в Москве.
 
Каждая компания, предоставляющая услуги или продукты на рынке, стоит перед следующими задачами:
 
•   Повысить качество продукции/обслуживания/услуг
 
•   Повысить удовлетворенность клиентов
 
•   Расширить клиентскую базу
 
•   Выработать новые, эффективные программы для своих клиентов
 
Обычно этим занимаются бизнес-аналитики и маркетологи. На каких данных они базируют реализацию этих задач?
 
Традиционно это данные из собственных финансовых систем, систем работы с клиентами (CRM), данные, поставляемые службой поддержки, а также различные опросники. Иногда заказываются специальные исследования у третьих фирм, консалтинговых, социологических, для лучшего понимания «чего же хочет наш клиент» и «как он относится к нашим продуктам/услугам?».
 
Но вот появился новый инструмент – когнитивная аналитика. Оказывается, можно скачивать текстовую информацию из открытых источников, анализировать ее и решать перечисленные задачи.
Но как это сделать на практике? Какой инструментарий применить? Может ли знаменитый Watson, продукт компании IBM в области «разумной» аналитики, помочь выполнить задачу? Если да, то сколько это будет стоить, как долго будет длиться проект, что он даст и с чего начать?
 
Вот на эти вопросы мы и попробуем ответить.
 
Конечно, желательно начинать с обращения в Клиентский центр IBM. Современные массмедиа не могут предоставить «персонализированную» техническую информацию о возможностях и особенностях новых продуктов. Специалисты Центра же проведут короткий брифинг, на котором «вживую» покажут и расскажут о том, что может делать широкий спектр разнообразных инструментов Watson, и сэкономят немало вашего времени.
 
При этом можно проделать ряд шагов, которые все равно необходимы и помогут заранее подготовиться к основной фазе проекта.
 
Для начала придется разобраться с данными. В первую очередь – а какие данные, собственно, уже есть у компании и как они используются. Речь не идет об общих словах типа: «Мы используем данные от службы поддержки, анализируем отзывы наших клиентов».
 
Речь идет о проработке следующих позиций:
 
•   Какие «исторические» данные есть в компании (список видов данных с обязательным указанием, в каком формате они есть, за какое время хранятся, в каком формате могут быть выгружены, степень автоматизации сбора и выгрузки)
 
•   Какой системой обрабатываются в настоящее время (у всех клиентов есть какие-либо системы обработки), в какие параметры или данные преобразуются (списком, опять-таки, в этом и всех других пунктах – с точными указаниями – формализованный документ)
 
•   Какие данные пополняются, с какой периодичностью, с какой степенью автоматизации
 
•   Какие выводы делаются (что отслеживается) на базе обработки имеющихся и поступающих данных, какой формат отчета
 
•   Кто имеет доступ к «сырым» данным, кто обрабатывает и кому предоставляются результаты
 
Как мы видим, надо составить ряд документов, причем это должны быть именно технические документы. Практика показывает, что часто ни у кого ясного и целостного понимания по перечисленным позициям нет.
 
Здесь сделаем перебивку: посмотрим, а чем принципиально отличается «продвинутая», когнитивная аналитика от «традиционной»?
 
 
Следующий шаг – продумать на основании уже сформированного представления о существующих данных, используемых параметрах такие темы:
 
•   Проработать карту процессов, в которых уже задействованы и используются бизнес-аналитики
 
•   Проработать и продумать процессы, в которых ДОЛЖНЫ быть задействованы бизнес-аналитики
 
•   Существует ли практика совместной работы представителей менеджмента при помощи каких-либо аналитических инструментариев?
 
•   Эффективна ли такая работа? В чем измеряется ее успешность?
 
•   Есть ли необходимость в дополнительных инструментах для совместной работы по аналитике?
 
•   Как распределяются результаты работы аналитических программ? Кто имеет к ним доступ? Кому он нужен?
 
•   ...и т.д.
 
К сожалению, когда мы задаем эти вопросы нашим клиентам, в большинстве случаев ответы на них весьма туманны. Недостаточная проработка по представленной методике (а она может казаться довольно простой – но это обманчиво) является обычно причиной неудачи проектов по внедрению бизнес-аналитики в компании.
 
Часто клиент выбирает аналитический инструментарий, не определившись с целым рядом важных вопросов, а именно – оценки существующих аналитических инструментов, среды, умений и процессов в области аналитики.
 
Если немного упростить, клиент должен сам для себя ответить на вопросы:
 
•   Та аналитика, что уже имеется, что она дает с практической точки зрения и как это можно измерить (и измеряется ли) в численных/качественных показателях, в KPI?
 
•   Какой конкретно информации не хватает для дальнейшего развития (решения перечисленных в начале статьи задач)?
 
Здесь надо вспомнить про практический опыт компании IBM. В течение многих лет наши специалисты проводили серьезные обследования информационной инфраструктуры крупных предприятий в самых различных отраслях: банки, телекоммуникационный сектор, нефтяная и газовая отрасли, сектор продаж (ритейл), авиационные и машиностроительные предприятия и т.д. Обследовался уровень развития различных технологий, инструментария, технической базы (от серверов и систем хранения до уровня приложений).
 
Так вот, сектор бизнес-аналитики в настоящий момент является одним из самых слаборазвитых. Но проблема даже не в этом. Проблема в том, что у большинства бизнес-руководителей отсутствует даже понимание необходимости развития этого сектора. Наиболее часто встречающийся вопрос при личном общении с топ-менеджерами вплоть до акционеров и управляющих компаниями: «А зачем, это же можно и в “экселе” сделать…». Кто-то говорит про аналитические «кубы», попадаются даже внедренные системы, строящие графики и отчеты.
 
В чем основная проблема: все эти системы крайне слабо связаны с бизнесом. Большинство из них имеют следующие недостатки:
 
•   Дают результаты по факту уже свершившихся событий, зачастую негативные тенденции уже перешли в негативный результат, и приходится резко бросать все силы на исправление ситуации
 
•   Используются крайне ограниченным кругом лиц, и в первую очередь – не для принятия решений, а в качестве отчета постфактум. Например, что в прошлом квартале продажи по такому-то продукту упали. И что? Решения же принимаются на основании совершенно других инструментов и соображений
 
•   Не выявляют причины случившихся событий. Не выявляют зависимостей между факторами – поэтому зачастую не ясно, какие действия предпринимать по случившимся фактам. Управленцы прибегают к личному опыту, а не к рекомендациям, которые должна выдавать бизнес-аналитика
 
•   Дают информацию по клиентам только из внутренних источников, что существенно сужает возможности повышения качества сервиса и удовлетворенности клиентов
 
Если говорить конкретно про аналитику для работы с клиентами, то классические CRM-системы, конечно, имеют обычно какую-то встроенную – разработанную самой компанией или приобретенную – аналитику, но она обладает всеми перечисленными недостатками. Более того, большинство из CRM-систем в первую очередь нацелены на учет продаж и контактов с клиентами, а отнюдь не на сбор информации о клиентах.
 
Совсем недавно появился термин «360 градусов» – отражающий идею о полном понимании нужд клиента. Но как к этому подойти, знают немногие.
 
При этом вся ситуация осложняется тем, что в области бизнес-аналитики сейчас идет тот же процесс, что шел в ИТ-инфраструктуре лет десять назад: кусочно-островная автоматизация с неизбежной необходимостью в дальнейшем «сшивать» эти куски.
 
Чтобы не наступать на эти грабли, необходимо понимать методологию построения базиса для аналитических систем в своей компании.
 
Не надо стремиться сразу применять аналитику ко всем имеющимся данным или данным из всех потенциальных источников информации. Надо проделать следующие достаточно простые шаги, которые позволят использовать часть данных, выбранных из существующих баз данных, для реальной работы с аналитическим инструментарием:
 
•   На базе ряда выбранных пользователей аналитики и предоставленного им доступа к существующих в аналитических базах данных прорабатываются несколько «опытных» вариантов реального использования аналитики для поддержки принятия решений
 
•   Определяются положительные и отрицательные моменты при работе с реальными данными, собираются мнения пользователей для их учета при уточнении архитектуры и процессов
 
•   Определяется полнота и очищенность данных для поддержки бизнес-процессов и принятия решений
 
•   Определяются необходимые форматы, работы по интеграции, защите, конвертации данных
 
•   Определяются необходимые наборы структурированных и неструктурированных данных и их использование в выбранном аналитическом инструментарии
 
Только после этих шагов можно подойти к построению системы бизнес-аналитики в рамках целого предприятия. Не забываем, что самое главное (повторимся!) – это возможность использования результатов аналитики руководящим составом компании на практике.
 
Далее возможно уже сделать выбор наборов аналитического инструментария, как «коробочного» ПО, так и внедряемого «под заказчика» для целого ряда бизнес-направлений:
 
•   На базе обширного предлагаемого инструментария выбираются модули и функциональные блоки, обеспечивающие весь спектр задач, определенных на предыдущих этапах
 
•   С помощью архитекторов и специалистов по конкретным решениям выстраивается общая архитектура с полным набором соответствующих модулей/блоков для конкретного заказчика
 
•   Обязательно учитываются существующие кейсы и практические внедрения для выбранных компонент
 
•   Продумывается структура данных с учетом конкретной ситуации с базами данных и организацией данных у клиента
 
Нам доводилось встречать случаи, когда внедрение систем поддержки принятия решений, бизнес-аналитики, велось по полгода и более, но внедренная система разочаровывала руководителей-практиков и они ею не пользовались. Разочарование и негативные эмоции понятны, но когда начиналось детальное исследование – почему так произошло? – во всех случаях выяснялось, что описанные выше шаги сделаны не были. Делалось все по стандартному варианту выбора при поставке серверов или систем хранения: объявлялся тендер, приходили различные «коробейники», предлагали и расхваливали товар – делался выбор, внедрялась система.
 
Такой вариант не пройдет, аналитика – это не сервер и не СХД. Это система, которая имеет свои законы развития. Это важно, хотя и кажется, может быть, излишне педантичным.
 
Вернемся к вопросу о том, как современные средства аналитики могут работать с клиентской базой, неструктурированными текстами и что это дает компании.
 
В настоящее время существуют уже, конечно, системы работы с неструктурированными текстами – если говорить простым языком, то можно скачать тексты с различных форумов, социальных площадок, личных страниц, страниц других компаний и проанализировать их.
 
Но сначала надо разобраться, что это дает.
 
И здесь надо понимать общий тренд, или тенденцию, которой следуют ведущие компании независимо от типа отрасли:
 
•   Они переходят от работы со структурированными данными к работе с неструктурированными и глобальными данными
 
•   Они стремятся общую базу клиентов сегментировать на небольшие части, желательно вплоть до отдельного клиента, для которых формируют специализированные предложения, нацеленные именно на этот сегмент или на эту персону
 
•   Они решают обратную задачу: построив «профиль клиента» для определенного сегмента, то есть создав описание важнейших характеристик клиентов, характерных для данного сегмента, начинают расширять свои базы за счет нахождения подобных по характеристикам клиентов из открытых источников
 
Общая картина такова: после того как компания «выжала» всю возможную полезную информацию из своих внутренних баз данных, она обращается к внешним источникам, чтобы обогатить информацию о клиентах, сегментировать свою базу на более мелкие части и найти новых клиентов.
Здесь самое главное не только в возможности более точно сформировать предложения для узкого сегмента, но и в огромной экономии на маркетинговые акции, рассылки.
 
Предположим, у нас около десяти тысяч клиентов. Мы делаем sms-рассылку по ним с информацией про пять возможных продуктов. Перемножаем стоимость рассылки на количество клиентов, получаем стоимость рекламной акции. Предположим также, что отклик (полезные покупки в результате рассылки) составят 3%. Значит, в результате рассылки 300 человек сделают покупки. Но при этом большая часть клиентов будет недовольна, поскольку из пяти предложенных продуктов их не интересует ни один.
 
Если же мы сегментируем свою базу и выделим, скажем, тысячу человек, которым потенциально нужен один продукт, и еще тысячу, которым могут быть интересны еще два, и сделаем две рассылки по трем тысячам человек? Во-первых, за счет того, что сектор сузился, отклик должен повыситься – пусть до 12%. Стоимость рассылки – в три раза ниже (три тысячи вместо 10 тысяч), а покупки сделают 360 человек, что на 20% больше.
 
Это, конечно, условный пример – но здесь виден механизм повышения эффективности работы с клиентами при применении бизнес-аналитики, работающей с неструктурированными текстами.
 
Полагаю, вполне доступно и понятно, почему ведущие крупные компании из таких отраслей, как банки, ритейл, телеком, активнейшим образом внедряют продвинутую аналитику, включая когнитивную, для работы с клиентами.
 
Подобные проекты по анализу неструктурированных текстов из открытых источников команда Клиентского центра IBM в Москве уже делает и обладает практическими знаниями, как это нужно делать, чтобы получить положительный результат.
 
И в завершение еще один важный момент: юридические вопросы. Очень важно при работе с открытыми источниками не нарушить законодательство и работать в точном соответствии с законом о персональных данных. Этот момент действительно важен, и про него не надо забывать. Как ни странно, как раз это достаточно просто обеспечить, поскольку закон достаточно четко дает определения, что можно делать и чего нельзя. Надо просто выдерживать нормы.
 
Какие выводы можно сделать из этой статьи
 
Во-первых, работа с открытыми данными из Интернета уже идет вовсю в передовых компаниях и дает существенные конкурентные преимущества.
 
Во-вторых, ничего уж такого сложного в этом нет, просто нужен системный подход и работа с командой профессионалов.
 
И в-третьих, пока не начать этим заниматься на деле, все так и остается на стадии общих разговоров. И последний момент весьма важен: другие уже бегут по этой дорожке. Может, пора надеть кроссовки и рвануть вперед? 
 
 

Материал просмотрен: 405 раз
Комментарии (0)добавить комментарий
Ваш комментарий
Автор
Введите число на картинке

  • курсы
Знач. Изм.
USD ЦБ РФ 14/12 59.14 0.3076
EUR ЦБ РФ 14/12 69.47 0.1671