Текст книги "Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики"

Операционная аналитика предназначается не только для частных компаний. Правительства и некоммерческие организации также могут извлечь из нее пользу. Давайте посмотрим на так называемый предсказывающий контроль, один из наиболее интересных примеров применения аналитики для осуществления государственной функции. Причем предсказывающий контроль сочетает операционное применение традиционной и операционной аналитики.

Давайте начнем с объяснения того, что представляет собой предсказывающий контроль{29}29
  В качестве замечательного введения в тему см.: Zach Friend, “Predictive Policing: Using Technology to Reduce Crime”, FBI Law Enforcement Bulletin, 9 апреля 2013 г., на www.fbi.gov/stats‐services/publications/law‐enforcement‐bulletin/2013/April/predictive‐policing‐using‐technology‐to‐reduce‐crime


[Закрыть]. В течение уже нескольких лет полицейские департаменты и правоохранительные органы всех видов используют аналитику для повышения эффективности своей деятельности. Например, они пытаются выявлять различные закономерности в совершении преступлений, связанные с такими факторами, как неблагоприятные погодные условия, температура воздуха, праздники, особые мероприятия и т. д. В определенное время с учетом прогнозируемого уровня преступности городской департамент полиции может увеличивать или уменьшать количество полицейских в конкретном районе{30}30
  См.: “The Los Angeles Police Department Predicts and Fights Crime with Big Data”, Big Data Startups, 14 апреля 2014 г., на www.bigdata‐startups.com/BigData‐startup/los‐angeles‐police‐department‐predicts‐fights‐crime‐big‐data/


[Закрыть]. Это операционное применение традиционной аналитики, поскольку аналитика основана на пакетной обработке данных и используется для составления прогнозов на ближайшую патрульную смену или на несколько дней.

Однако сегодня правоохранительные органы начинают использовать более актуальную информацию, чтобы корректировать прогнозы ближе к режиму реального времени. Другими словами, аналитика становится операционной. Например, на основе прежних закономерностей местный полицейский участок прогнозирует шаблоны преступлений на этот вечер и соответственно распределяет свои силы. Но в результате изменения погодных условий или обнаружения нескольких вечеринок, проводящихся вблизи друг от друга, прогноз может быть пересмотрен, а силы полиции, если потребуется, перегруппированы. Корректировка планов на основе новейшей информации делает аналитику операционной.

Там, где есть неэффективность, есть и потенциал эффективности

Посмотрим правде в глаза. Государственные структуры не отличаются высокой эффективностью и рациональностью. Но именно ввиду масштабности многих действий государства и их печально известной неэффективности государственные органы могут значительно улучшить свою деятельность благодаря эффективному использованию операционной аналитики.

Недавно полиция начала использовать еще одну важную операционную тактику – мониторинг каналов социальных медиа. Оказывается, многие члены преступных группировок, как и все мы, очень активны в социальных сетях. А правоохранительные органы способны определить, когда известные им гангстеры затевают ссору онлайн. Следя за перебранкой, возможно определить, когда ее градус начнет повышаться. Ссоры и насмешки в социальных сетях часто становятся поводом для физических столкновений между бандами. Полиция способна установить, кто нагнетает страсти, выйти на зачинщиков и разрядить ситуацию, прежде чем она перерастет в разборки. При этом одно сообщество ведет себя в сетях бурно, а другое непривычно спокойно. В результате полицейских можно направить туда, где они особенно нужны.

Одна из областей применения операционной аналитики, где она способна оказать наибольшее воздействие, – это повышение эффективности деловых операций, что особенно верно для тех бизнес-процессов, в которых аналитика традиционно не использовалась вообще или же использовалась очень ограниченно. Для крупных организаций повышение эффективности даже на 1–2 % может вылиться в миллионы долларов дополнительной прибыли. Давайте рассмотрим несколько очень интересных примеров, в том числе относящихся к области эффективного производства и использования энергии.

Ветряные мельницы существуют уже много веков. Сегодня они стали гораздо более эффективными, чем в прошлом, и в них используются поистине удивительные технологии. В конце 2013 г. мне довелось выступать вместе с Биллом Рухом из General Electric (GE) на конференции «Рок-звезды в области больших данных» в Сан-Хосе. Билл рассказал, что сейчас GE оснащает производимые ею ветряные турбины целым набором датчиков, предназначенных отслеживать и оценивать все виды информации о работе и производительности турбин. Сенсорные данные анализируются, и в работу турбин почти в режиме реального времени беспрерывно вносятся необходимые корректировки, чтобы оптимизировать их производительность.

Я был поражен, узнав, что современные ветряные турбины способны реагировать на изменение направления и силы ветра, корректируя положение и угол наклона лопастей таким образом, чтобы обеспечить равномерную предсказуемую выработку электроэнергии. Изменение угла наклона лопастей позволяет повысить отбор энергии ветра на 1–2 %. Хотя это может показаться совсем небольшим выигрышем, но со временем он выльется в огромную дополнительную прибыль, учитывая масштабы ветровых электростанций. По словам Билла, новые технологии позволили GE закрепить за собой лидирующее положение в отрасли. При этом он приписывает подобный успех как техническим инновациям, так и в равной степени софтверному видоизменению, обеспечившему внедрение операционной аналитики в машины.

Большие газовые турбины и генераторы также становятся все более изощренными в использовании операционной аналитики для максимального повышения производства и эффективности. На том же мероприятии Билл Рух рассказал, как в его компании аналитика применяется в производстве электроэнергии газовыми турбинами. Исследования показали, что при определенных рабочих условиях нагревание топлива перед подачей в турбину увеличивает выходную мощность, тогда как при других условиях нагревание топлива снижает ее. GE встраивает в свои турбины датчики, чтобы отслеживать текущие рабочие условия с высоким уровнем точности. Операционно-аналитические процессы мониторят работу турбин и с упреждением нагревают (или нет) топливо перед подачей в турбину, чтобы обеспечить ее максимальную производительность в конкретных условиях. И хотя выигрыш в производительности опять-таки кажется довольно скромным, со временем он принесет весомую финансовую отдачу. Например, увеличение эффективности работы турбины всего на 1 % в течение всего срока эксплуатации электростанции может вылиться в $750 млн дополнительной прибыли.

Небольшие усовершенствования суммируются

Зачастую эффективность любого отдельно взятого процесса повышается при помощи операционной аналитики ненамного – в пределах 1–2 %. Однако в больших масштабах и особенно при ограниченной рентабельности такой выигрыш может иметь серьезное значение. Сочетание нескольких процессов с малым воздействием способно привести к сильному воздействию, которое обеспечит организации весомое конкурентное преимущество.

Выше мы уже рассмотрели несколько способов использования аналитики железнодорожными компаниями. Теперь давайте рассмотрим еще один. Машинисты поездов традиционно стремятся как можно быстрее доставить свои грузовые составы в пункт назначения. В результате они, соблюдая осторожность, все же стараются развивать максимально возможную скорость, пока не достигнут остановки в пути следования. В некотором отношении это похоже на вождение автомобиля. Большинство из нас предпочитают быстро ускоряться и ехать на близкой к разрешенной скорости или даже превышая ее – до следующего красного сигнала светофора, знака «Стоп» или пробки. Однако такой метод езды не является оптимальным с точки зрения эффективности расхода топлива ни для автомобилей, ни для поездов.

Ускорение после остановки требует гораздо больше топлива, чем просто для движения. Кинетическая энергия – мощная сила! Однако, интегрируя GPS-технологии на грузовых составах с уточненной информацией о текущем графике движения поездов по всей сети железных дорог, железнодорожные компании получили возможность экономить больше топлива. Алгоритмы непрерывно просчитывают, с какой скоростью поезд должен ехать, чтобы ему не пришлось задерживаться на следующей остановке в пути следования. Это означает, что на некоторых участках он может двигаться гораздо медленнее, чем возможно, что на первый взгляд может показаться странным. Однако топливо, сэкономленное за счет устранения торможения и последующего возобновлении движения с потерей движущей силы, оправдывает изменения. Кроме того, в конечном итоге поезд прибывает в пункт назначения вовремя, поскольку он двигался медленнее только тогда, когда все равно бы простаивал на остановках.

Когда алгоритмы диктуют выбор скорости, чтобы оптимизировать эффективное расходование топлива, выигрыш опять же получается небольшим. Тем не менее с учетом масштабов железнодорожных перевозок и объемов потребляемого топлива экономия может быть весьма существенной. Также важно отметить, что повышение топливной эффективности при помощи аналитики положительно отражается не только на прибылях компаний. Аналитика служит всем нам, поскольку чем меньше сжигается топлива, тем лучше для окружающей среды.

Наконец, последний пример, иллюстрирующий повышение операционной эффективности, принадлежит совершенно к другой области. До того, как мне об этом рассказали, я и понятия не имел, что подобное происходит сегодня. Большинство людей знают, что сейчас колл-центры в обычном порядке записывают все разговоры с клиентами. Как правило, звонящих предупреждают: «Ваш разговор с сотрудником может быть записан для улучшения качества обслуживания или для использования в целях обучения». Другими словами, вам сообщают, что разговор не будет конфиденциальным.

Однако организации вышли за рамки простой записи разговоров с клиентами и перешли к их анализу. Теперь алгоритмы могут сообщить многое о позвонившем клиенте и его настроении, исходя из манеры его речи. Они даже способны определить акцент клиента, и колл-центр переключит его на сотрудника, разговаривающего с похожим акцентом. Но зачем это нужно?

Оказывается, исследования показали, что люди больше доверяют незнакомым людям с похожим, чем с непохожим акцентом{31}31
  См.: Susan Perry, “People Tend to Read a Lot into Voices, Including Accents”, MINNPOST, 22 июля 2013 г., на www.minnpost.com/second‐opinion/2013/07/people‐tend‐read‐lot‐voices‐including‐accents


[Закрыть]. Следовательно, соединение клиентов с сотрудниками, имеющими похожий акцент, увеличивает шансы на успешное разрешение проблемы. Если вы на минуту задумаетесь, то поймете, что в этой идее есть смысл. Только представьте себе, как легко может возникнуть недопонимание в разговоре между жителем города Мобил в штате Алабама и обитателем острова Лонг-Айленд в штате Нью-Йорк, учитывая, как сильно отличается их речь по скорости и манере говорить. Интуиция подсказывает, что менее рискованно будет соединить клиента из Алабамы с сотрудниками из южных штатов, то же касается и ньюйоркцев. Сходный акцент поспособствует установлению доверительных отношений – и для этого надо востребовать операционную аналитику.

Многие примеры, рассмотренные в этой главе, не имеют прямого отношения к нашей частной жизни. Улучшение обслуживания клиентов или восприятия в онлайне, безусловно, приятно, но не добавляет благополучия нашему повседневному бытию. К счастью, в некоторых случаях операционная аналитика будет оказывать на него заметное воздействие. И в этом разделе мы рассмотрим два таких примера, когда операционная аналитика, хотя она еще и находится в периоде становления, уже готова влиять на вашу жизнь и жизнь ваших близких.

Беспилотные автомобили уже стали реальностью{32}32
  См.: “Fasten Your Seatbelts: Google’s Driverless Car Is Worth Trillions (Part 1)”, Forbes, 22 января 2013 г., на www.forbes.com/sites/chunkamui/2013/01/22/fasten‐your‐seatbelts‐googles‐driverless‐car‐is‐worth‐trillions/


[Закрыть]. Хотя у вас такой машины еще нет и пройдет несколько лет, прежде чем она у вас появится, но уже существуют технология и аналитика, поддерживающие беспилотные автомобили. Вас удивляет, почему я связал аналитику с беспилотными автомобилями? Здесь нет ничего удивительного. Объем и разнообразие аналитики, призванной помочь автомобилю самостоятельно и безопасно передвигаться по улицам города без участия человека, поражают воображение.

Как беспилотный автомобиль сможет определить, что разметка на дороге разграничивает полосы движения, а не является маркировкой, оставшейся после строительных работ, или же пролитой краской либо грязью? Все сводится к аналитике. Автомобиль сканирует дорогу впереди себя, анализирует изображения в режиме реального времени и решает куда направиться, определив компоненты изображения в качестве разметки полос.

Автомобиль также должен постоянно определять, не нужно ли ему ускориться, притормозить или остановиться. Чтобы остановиться, ему нужно рассчитать, с какой силой жать на тормоза в зависимости от расстояния до объекта, к которому он приближается, и скорости этого объекта. Расчеты должны постоянно обновляться, чтобы учесть любые изменения, например если резко затормозит едущий впереди автомобиль или внезапно выскочит на дорогу олень. Таким образом, беспилотные автомобили требуют многочисленных и зачастую очень сложных аналитических процессов, которые при этом должны быть очень надежными, стабильными и точными, поскольку от них зависит жизнь людей.

Многие пассажиры беспилотных автомобилей не будут знать о том, какую сложную работу выполняют данные и аналитика. Но в этом-то и суть. Хорошо выполненная операционная аналитика способна настолько управлять процессами и восприятием, что людям не надо будет знать о том, какая работа происходит под капотом.

Аналитике не нужно быть заметной, чтобы оказывать воздействие

Одни из самых сильных впечатлений, которые будет производить на нас аналитика, возникнут в тех ситуациях, когда мы даже не осознáем ее присутствия. Когда операционная аналитика будет выполнена на должном уровне, как, например, в беспилотных автомобилях, пользователям и не нужно будет знать, что происходит у них под капотом. Они могут просто наслаждаться поездкой.

Как вы помните, в первой главе мы говорили о растущей популярности фитнес-браслетов. Сфера здравоохранения начинает предлагать широкий спектр возможностей для изменения наших взглядов на здоровье и предоставление медицинской помощи. На стыке медицины, Интернета вещей и операционной аналитики создается огромный потенциал. Через несколько лет мы совсем по-иному будем прибегать к медицинской помощи и пользоваться ею. Давайте рассмотрим сценарий, который будет реализован в ближайшее время. Причем отдельные части этого сценария уже сегодня начинают претворяться в реальность, пусть и в небольших масштабах.

Хронические заболевания, такие как сахарный диабет, не только ведут к серьезным проблемам со здоровьем и ухудшению качества жизни у страдающих ими людей, но и влекут за собой значительные расходы на лечение. Современные глюкометры позволяют легко контролировать уровень сахара в крови. Кроме того, сегодня появились носимые устройства, которые ведут постоянный мониторинг уровня глюкозы, анализируют данные и подают предупредительный сигнал, если требуется вмешательство{33}33
  См. Medtronic MiniMed, 2014 на http://www.medtronicdiabetes.com/treatment-and-products/continuous-glucose-monitoring


[Закрыть]. Это не только повышает безопасность для пациентов, но и позволяет избежать дорого обходящихся медицинских проблем.

Также пациенты получают возможность проходить реабилитацию после серьезных травм или болезней дома, а не в медицинском учреждении. Многочисленные датчики могут контролировать показатели жизнедеятельности, назначать лекарства и т. д. Состояние пациентов отслеживается автоматически, без постоянного присутствия врачей и медсестер, от которых в реабилитационный период часто требуется только прописывать таблетки или делать уколы. Лекарства могут назначаться автоматически, на основе анализа текущей информации о состоянии здоровья.

Если показатели жизнедеятельности или результаты анализа крови вызывают тревогу, пациенту звонит врач или медсестра, чтобы узнать, в чем дело. Если необходимо, они могут посетить пациента лично. Гораздо дешевле нанять дополнительный штат медсестер и врачей, чем возводить пристройки для размещения дополнительных больничных коек. Больницы могут расширить охват своей деятельности без увеличения физических мощностей. Идея вернуть домашние визиты медицинских специалистов кажется дорогостоящей. Но когда пациенты находятся в стабильном состоянии, необходимость в их посещении возникает редко, и это может стоить намного дешевле, чем длительное пребывание в больнице. К тому же в домашних условиях пациенты чувствуют себя более комфортно и восстанавливаются гораздо быстрее, чем в больнице{34}34
  См.: Deborah Rudacille, “Home Sweet Home Care”, DOME57, no. 3, апрель 2006 г., на www.hopkinsmedicine.org/dome/0604/newsreport1.cfm


[Закрыть].

Чтобы предоставить пациентам возможность домашней реабилитации, требуется как очень простая аналитика – например, сравнение показателей жизнедеятельности с пороговыми значениями, так и более сложная – например, расшифровка электрокардиограмм или электроэнцефалограмм. В течение следующих нескольких лет операционная аналитика может открыть новую эру в сфере здравоохранения.

Необходимые для осуществления операционной аналитики данные можно использовать повторно при изобретательном к ним подходе. Это позволит создавать новые источники дохода, которые компенсируют затраты на сбор и анализ данных. Концепция повторного использования особенно пригодна для данных, которые применяются во многих операционно-аналитических процессах. Причем некоторые дополнительные способы использования данных не имеют никакого отношения к операционной аналитике. Однако ценность операционной аналитики состоит в том, что именно она способствовала сбору этих данных.

В каждом из трех случаев, описанных в этом разделе, огромное количество данных изначально собирается для целей операционной аналитики, после чего становится активом, способным создавать доход или сокращать расходы. Поиск творческих способов повторного использования данных и компенсации затрат на их сбор для операционной аналитики позволяет оправдать требуемые инвестиции. Убедитесь, что ваша организация ищет новые способы монетизации собираемых ею данных за рамками их первоначальной операционной области применения. Эта стратегия связана с концепцией превращения аналитики в продукт, которую мы обсуждали в первой главе.

И сотовые операторы, и провайдеры GPS должны собирать данные о местонахождении каждого абонента в любой момент времени, чтобы предоставлять свои основные услуги. Сотовый оператор знает о местонахождении своих абонентов благодаря тому, что их телефоны подключаются к вышкам сотовой связи. И очевидно, что GPS-навигатор не сможет сообщить пользователям, как им «отсюда» добраться «туда», если не знает, где находится «здесь». Однако те же данные, которые требуются этим организациям для предоставления своих основных услуг, обладают огромной ценностью и для использования в других целях.

Когда вы проверяете информацию о трафике на своем мобильном устройстве, очень часто она извлекается из тех же данных о местоположении абонентов, которые собираются для оказания основных услуг. Когда абонент едет по автомагистрали между штатами, оператор знает, с какой скоростью тот движется. Причем в любой момент времени оператор обладает такой информацией о большом количестве своих абонентов. Сведения о их местоположении обладают и дополнительной ценностью.

Поставщики услуг, собирая данные о местонахождении и скорости передвижения своих абонентов, повторно используют их на агрегированном уровне для поддержки систем слежения за дорожной обстановкой. И абоненты в часы пик могут получить новейшую информацию о трафике благодаря входным данным от тысяч таких же абонентов, которые движутся по тому же маршруту. Причем единственное, что нужно абонентам, так это пользоваться своими мобильными телефонами или GPS-навигаторами.

Мы уже говорили о том, что детализированные сенсорные данные собираются с автомобилей, самолетов и другой техники. Теперь обратимся к данным, собираемым современными тракторами. Когда фермеры выводят трактор на поле, датчики собирают информацию о его работе. С какой скоростью трактор передвигается по полю? На какую глубину обработки установлен его культиватор? Какова температура почвы и воздуха? И многое другое. Изначально эти данные предназначены для использования в операционных целях, скажем, в виде аналитики для профилактического техобслуживания или контроля за соблюдением условий гарантии. Однако существуют и другие интересные способы применения этой информации.

Ценность данных может быть скрыта на самом виду

На первый взгляд, данные, собираемые для операционной аналитики, по большей части кажутся скучными и временными. Тем не менее зачастую этим данным можно найти творческое и неожиданное применение, которое не будет ни скучным, ни временным.

Постепенно углубляя свое понимание того, как фермеры в разных точках земного шара используют их оборудование, производители тракторов могут определить, какие методы земледелия позволяют получить максимальную урожайность. Они соотносят данные об урожайности, сообщаемые фермерами, с особенностями применяемых ими сельскохозяйственных технологий. Что если путем внесения небольших изменений можно урожайность повысить? Такие знания окажутся очень ценными для фермеров. Например, представьте, насколько полезно фермерам будет узнать о том, что увеличение глубины обработки культиватором всего на 0,3 миллиметра позволяет повысить урожайность. Однако такие знания могут быть получены только благодаря объединению операционных данных о применении оборудования большим количеством фермеров и использованию этих данных новыми способами.