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

Теперь давайте рассмотрим пример того, как датчики могут напрямую обслуживать клиентов. Продукт, в котором образцовое обслуживание выведено на новый уровень благодаря использованию данных и аналитики, – это программа SenseAware («Сведущий разум») от компании FedEx{24}24
  См.: www.senseaware.com


[Закрыть]. SenseAware предлагается к продаже в виде оснащенного датчиками устройства, прикрепляемого к пересылаемой таре. Датчики отслеживают несколько параметров окружающей среды, их мы рассмотрим чуть ниже. С учетом его стоимости продукт нецелесообразно использовать при отправке документов и небольших посылок. Однако он настоятельно рекомендуется при отправке дорогостоящего или чувствительного к окружающим условиям груза.

Возьмем предметы искусства и коллекционирования или дорогостоящие скоропортящиеся товары. Один из главных рисков при их покупке связан с транспортировкой. Помещенный в тару и активированный девайс SenseAware в постоянном режиме отслеживает многочисленные важные показатели окружающей среды. Они включают в себя местонахождение посылки, температуру, влажность и даже уровень освещенности и барометрическое давление внутри упаковки. Например, изменение уровня освещенности указывает на то, что упаковка была вскрыта: как только упаковка открывается, в нее попадает поток света, который немедленно регистрируется световыми датчиками.

Все эти данные передаются в режиме реального времени в FedEx, так что клиент может в любой момент проконтролировать, что происходит с его посылкой. Текущий мониторинг недоступен только на борту самолета. В соответствии с правилами все собираемые за время полета данные кэшируются. По приземлении самолета кэшированные данные пакетом передаются в центральную систему, после чего устройство возобновляет передачу данных в текущем режиме. Клиенты могут проверить последние данные в любое время.

Такой сервис снабжает клиентов ценной информацией. Когда вам нужно переслать дорогостоящий или хрупкий груз, разве вы не хотели бы иметь возможность проконтролировать, что перевозчик транспортирует его при правильной температуре и аккуратно на протяжении всего пути? Перевозчик, который обеспечивает такого рода присмотр, будет иметь серьезное конкурентное преимущество перед теми, кто этого не делает.

Разумеется, продукт также полезен для самой FedEx, поскольку, если компанию обвинят в неправильной транспортировке и причинении ущерба, она может использовать данные SenseAware в качестве доказательства, чтобы защитить себя от обвинений. Например, данные могут показать, находился ли груз под контролем сотрудников FedEx в то время, когда температура и влажность поднялись до неприемлемого уровня. Применение SenseAware уместно не во всех случаях. Но, когда уместно, польза от него очень-очень большая. Пусть аналитика здесь элементарная, зато ценная.

Операционная аналитика может повысить удовлетворенность клиентов при одновременном снижении операционных издержек. Замечательный пример тому – это перенаправление пассажиров при нарушениях расписания авиарейсов. В прошлом, когда задержавшийся рейс приземлялся в аэропорту, недовольные и раздраженные пассажиры, опоздавшие на пересадку, были вынуждены осаждать местных агентов авиакомпаний и обрывать их телефоны. Свободные места на альтернативных рейсах выделялись по принципу «первый пришел – первый обслужен». Кто первым добирался до агента, тот и получал место на ближайший рейс.

Сегодня процессы, используемые для разрешения таких ситуаций, стали гораздо более утонченными. Если авиакомпания понимает, что рейс будет задержан, она может определить, какие пассажиры столкнутся с проблемами. Например, если мой рейс задерживается на час и пункт прилета является конечной целью моего путешествия, никаких мер принимать не нужно. Точно так же не нужны никакие меры в том случае, если рейс задерживается на 30 минут, а до пересадки у пассажиров есть в запасе два часа. Авиакомпания может определить, кто нуждается в помощи и какие альтернативы доступны. Затем она может расставить приоритеты, распределив эти альтернативы среди пассажиров на основе стоимости билета, статуса постоянного клиента авиалинии, предыдущих нарушений расписания и ряда других факторов. Аналитика, стоящая за этими решениями, способна включать и такие сложные модели, которые прогнозируют вероятную реакцию конкретного пассажира в зависимости от степени нарушений.

Разумеется, полностью предотвратить негативную реакцию пассажиров невозможно, но можно свести ее к минимуму. Сегодня, если рейс прибывает с опозданием, пассажирам, как правило, не приходится стоять в очереди или звонить в офис авиакомпании. Они могут быстро выяснить информацию у агента на входе в аэровокзал или, проверив свое мобильное устройство, удостовериться, что о них позаботились и направили на другой рейс. Если пассажир предпочитает обратиться к агенту, процесс проходит гораздо быстрее и дружелюбнее, поскольку агент просто подтверждает факт изменений в маршруте пассажира и ему не нужно ничего придумывать. Агент также может предложить альтернативные варианты, если выбранный автоматически вариант не удовлетворяет пассажира.

Таким образом, у пассажиров значительно снижается уровень стресса, связанный с нарушением расписания (могу подтвердить это лично!), и они могут расслабиться и перекусить в ожидании нового рейса. В то же время этот процесс значительно снижает операционные издержки для самих авиакомпаний. Решения о перенаправлении принимаются быстро и автоматически, и не нужно привлекать квалифицированных сотрудников авиакомпаний для изменения маршрута. Кроме того, решения являются наиболее оптимальными, поскольку алгоритмы строго следуют руководящим указаниям. Наконец, сокращается количество взаимодействий сотрудников в личном общении и по телефону, что обеспечивает авиакомпаниям дополнительную экономию.

Автоматизированные операционно-аналитические процессы принятия решений о перенаправлении рейсов являются выигрышными как для пассажиров, так и для авиакомпаний. В этом случае аналитика носит более сложный характер, чем в предыдущих примерах. И закончим мы этот раздел примером использования очень сложной аналитики.

Есть ситуации, где в операционную аналитику уже повседневно включается высокий уровень сложности. Веб-персонализация – один из таких примеров. Раньше при посещении веб-сайта пользователи видели предложения или настройки, которые были определены задолго до их визита. Хотя сайт и мог адаптироваться под конкретного пользователя, это происходило не в режиме реального времени. Как правило, владелец сайта использовал аналитический процесс на основе пакетной обработки, подсказывавший системе определенные предложения и кастомизацию для каждого пользователя, когда он возвращается на сайт. Если же аналитика выполнялась накануне вечером, то информация о пользователе, которая стала известна по завершении аналитического процесса, никак не учитывалась. Стоит ли говорить о том, что текущие поисковые сеансы пользователей также не принимались во внимание при кастомизации веб-страниц.

Нужно начинать с простого

Большинство операционно-аналитических процессов начинается с довольно простой аналитики, которая служит фундаментом для надстройки. После того как простой процесс успешно внедрен и запущен в действие, аналитику можно постепенно усложнять.

Сейчас многие организации осуществляют веб-персонализацию на совершенно новом уровне, оптимизируя восприятие клиента в режиме реального времени на основе всех данных о нем, вплоть до последнего клика. Буквально любое действие клиента влияет на то, что он увидит в следующую секунду. Здесь применяется гораздо более сложная аналитика, чем во всех предыдущих примерах, приведенных в этом разделе. Современные подходы к веб-персонализации включают сложные алгоритмы оптимизации, опирающиеся на разнообразие статистических моделей и бизнес-правил.

Развитие до таких устойчивых решений нужно начать с простых способов персонализации, а затем утвердить операционные процессы, которые станут обслуживать адаптированный под пользователей контент. Только после того как основы займут свое место, можно будет изощряться. Вот и в этой главе готовьтесь увидеть, как многие приведенные здесь примеры со временем усложняются и усложняются.

Скорость, с которой должны осуществляться аналитические процессы, сжимается. Вот и операционная аналитика должна выполняться с молниеносной скоростью. В некоторых случаях речь идет о секундах и даже миллисекундах. Давайте рассмотрим два конкретных примера операционной аналитики в действии, когда скорость имеет первостепенное значение.

Международная ассоциация воздушного транспорта (International Air Transport Association, IATA) считает, что в будущем за линиями тревожной сигнализации в аэропортах станет наблюдать крайне изощренная аналитика, работающая в режиме реального времени{25}25
  См.: “Smart Security”, www.iata.org/whatwedo/security/Pages/smart-security.aspx


[Закрыть]. IATA предвидит создание в аэропортах туннелей безопасности длиной порядка 20 метров. Еще до прибытия каждого пассажира компьютер определит его профиль риска, после чего пассажир будет направлен в туннель с соответствующим уровнем проверки безопасности. Проходя по туннелю со своими вещами, как по обычному коридору, пассажиры будут подвергаться разнообразным тестам и сканированию. При этом им даже не придется замедляться при прохождении металлодетекторов, детекторов взрывчатых веществ и прочего. После выхода из туннеля пассажиры свободно продолжат свой путь дальше, если не сработает сигнал тревоги. Такое предвидение IATA является огромным шагом вперед по сравнению с современными методами, из-за которых пассажирам приходится останавливаться, ждать в длинных очередях, снимать предметы одежды и поворачиваться в сканерах под пристальными взглядами сотрудников службы безопасности.

Задумайтесь на мгновение о том, что потребуется, чтобы сделать предвидение IATA реальностью. Предложенный протокол безопасности всецело основан на данных и аналитике. Всего за десяток секунд, пока пассажир идет по туннелю, потребуется выявить любого рода риск и отреагировать на него. За это время сканеры и сенсоры внутри туннеля должны собрать данные о наличии взрывчатых веществ, запрещенных к провозу жидкостей или животных, оружия или предметов, которые могут быть использованы как оружие, и т. д. После сбора данных они в подавляющем большинстве должны быть автоматически проанализированы для определения наличия или отсутствия угрозы. Если угроза обнаружена, у сотрудников службы безопасности будет 20–30 секунд на то, чтобы перехватить подозрительного пассажира, прежде чем он уйдет.

Операционная аналитика будет решать жизненно важные вопросы

Аналитика уже поддерживает многие решения в сфере безопасности. В перспективе важно будет не «кто», а «что» сканирует и досматривает людей. Большинство сканеров безопасности станет действовать автоматически на основе данных и аналитики.

Весь сбор и анализ данных должен осуществляться в режиме реального времени, а операционно-аналитические процессы – за несколько секунд проанализировать данные и принять жизненно важные решения. Аналитика будет не только очень сложной, но и должна быть в высшей степени точной. Если система пропустит хотя бы одну бомбу или один пистолет, последствия окажутся тяжелыми. Известно, что сегодня сотрудники службы безопасности иногда пропускают оружие из-за усталости или отсутствия концентрации. Автоматизированные же алгоритмы смогут работать непрерывно без снижения точности. Если предвидение IATA осуществится, нам добавится безопасности и мы получим более простые и быстрые процедуры ее проверки. Это операционная аналитика в ее лучшем виде.

Недавно я прочитал очень интересную книгу Кристофера Стейнера «Автоматизируй это: Как алгоритмы будут управлять нашим миром» (Automate This: How Algorithms Came to Rule Our World){26}26
  Christopher Steiner, Automate This: How Algorithms Came to Rule Our World (New York: Penguin, 2013).


[Закрыть]. В ней рассматривается эволюция компьютеризированной торговли на фондовом рынке. Если вы не в курсе, сейчас компьютеры используют сложные аналитические алгоритмы, которые за миллисекунды принимают решения о покупке или продаже ценных бумаг. Затем они в мгновение ока напрямую размещают ордера на продажу/покупку бумаг. Как правило, цель – поймать крайне малую разницу в ценах и тут же закрыть сделку. Повторите такие действия миллионы раз в день и прилично заработаете, даже если отдельная сделка принесет гроши. Автоматическая торговля ценными бумагами при помощи аналитики с интервалами в миллисекунду – еще один наглядный пример операционной аналитики в действии.

Если еще несколько лет назад автоматизированный трейдинг был в общем-то новинкой, то сегодня на него приходится значительно больше половины всего объема торгов на ведущих биржах{27}27
  См.: Steven Goldberg, “Could Computerized Trading Cause Another Market Crash?” Kiplinger, 24 августа 2011 г., на www.kiplinger.com/article/investing/T041‐C007‐S001‐could‐computerized‐trading‐cause‐another‐market‐cr.html


[Закрыть]. Такой вид операционной аналитики сопряжен как с большой ответственностью, так и с большими рисками. Ведь компьютеры самостоятельно анализируют последние данные и немедленно ставят на кон реальные деньги. Требуется принять на себя серьезную ответственность за то, чтобы гарантировать, что торговые алгоритмы полностью протестированы и отслеживаются на случай, если возникнет непредвиденное отклонение. Риски возникают тогда, когда непредвиденное все-таки происходит, но вовремя не выявляется.

В 2010 г., казалось бы, ни с того ни с сего и без видимых причин произошел так называемый мгновенный обвал американского фондового рынка. Оказалось, что толчок к обвалу дал сбой в автоматической торговой программе{28}28
  См.: Ben Rooney, “Trading Program Sparked May ‘Flash Crash’”, CNNMoney, 1 октября 2010 г., на http://money.cnn.com/2010/10/01/markets/SEC_CFTC_flash_crash/index.htm


[Закрыть]. Но к тому моменту, когда источник проблемы установили и приняли меры для ее смягчения, уже был причинен огромный реальный ущерб. Очевидно, что из-за осложнений, возникших в аналитических процессах, которые использовались для сомнительных торговых программ.

Иногда важны даже миллисекунды

Кажется безумием инвестировать сотни миллионов долларов в сокращение на несколько миллисекунд процесса передачи данных. Но с учетом того, на какой скорости работают компьютеризированные торговые программы, эти инвестиции себя окупают. На автоматические алгоритмы, представляющие собой операционную аналитику в ее наивысшем проявлении, сейчас приходится более половины объема торгов на фондовых биржах.

Таким образом, в число проблем, с которыми сталкивается операционная аналитика, входят прием непредвиденных вопросов и работа с ними. Когда организация позволяет алгоритмам с упреждением и автоматически принимать решения, система может разладиться (и разлаживается!). Однако важно помнить, что система может разладиться (и разлаживается!) при любом способе принятия решений. Например, когда люди водят машину, они понимают, что время от времени будут совершать ошибки. ДТП являются неотъемлемым риском вождения. Однако люди не перестают водить машины, поскольку в долгосрочной перспективе выгоды от вождения намного перевешивают риски и издержки периодически случающихся ДТП.

Аналогичным образом будут происходить негативные инциденты с операционной аналитикой. Каждая организация, применяющая операционную аналитику, время от времени будет сталкиваться с глюками и ошибками. Тем не менее в долгосрочной перспективе, если организация правильно осуществляет свои процессы, выгоды намного перевесят любые издержки, которые неизбежны при ведении бизнеса. Несколько отдельных инцидентов не должны стать поводом для отказа от всего подхода.

Что же касается скорости аналитики, интересно посмотреть, каких пределов она может достичь. В книге Стейнера рассказывается о том, как инвесторы вложили сотни миллионов долларов в строительство спрямленной линии связи для передачи данных из Нью-Йорка в Чикаго. Вместо того чтобы прокладывать ее по традиционным полосам отвода вдоль автомобильных и железных дорог, инвесторы приобретали частные участки, лишь бы спрямить маршрут. Сокращение его протяженности на несколько миль, по сравнению с существующей линией, сокращало время передачи данных на несколько миллисекунд. С учетом скорости работы торговых алгоритмов эти сэкономленные миллисекунды со временем вполне могут вылиться в многомиллиардные прибыли. Ведь алгоритмы, использующие более быструю подпитку данными, способны получать, анализировать и применять информацию прежде, чем конкуренты, использующие традиционные линии связи, даже ее получат. Поэтому инвесторы были уверены в том, что их вложение средств с лихвой себя оправдает.

Широкое разнообразие методов операционной аналитики направлено на обеспечение безопасности людей, имущества и продуктов питания. Применяя новые источники данных для создания новых аналитических процессов, можно сделать наш мир безопаснее. В следующем разделе мы рассмотрим несколько таких примеров, в том числе один из государственного сектора. Ведь коммерческие организации не единственные, кто может выиграть от внедрения операционной аналитики. Государственным структурам это тоже по силам.

Сегодня автомобили становятся все более и более сложными. Современные автомеханики при обслуживании автомобиля должны разбираться не только в его механических, но и в компьютерных системах. Несколько последних инноваций направлены на повышение безопасности вождения за счет предотвращения неблагоприятных событий.

Системы круиз-контроля могут вскоре усовершенствоваться благодаря аналитике, автоматически предупреждающей столкновения. Если, исходя из разницы в скорости между своим и впереди идущим автомобилем, компьютер определяет, что столкновение неизбежно, он автоматически активирует тормоза, опережая водителя. В беспилотных автомобилях (о них мы поговорим чуть дальше) водителям вообще не нужно нажимать на тормоза. Также очень простая аналитика помогает обнаружить людей и объекты при движении задним ходом. Многие автомобили сейчас уведомляют водителей звуковым сигналом о наличии препятствия и информируют о расстоянии до него. Невероятно простая в этом случае аналитика, однако, позволяет спасти жизни, особенно маленьких детей, которые часто остаются незамеченными для водителей при движении вспять.

Вспомните пример из второй главы о датчиках, устанавливаемых рядом с железнодорожным полотном, чтобы в режиме реального времени они отслеживали температуру колес у проходящих составов. Если система обнаруживает перегрев колес, состав получает приказ остановиться. К нему направляется бригада рабочих, чтобы проверить состояние вагона и правильно разместить груз. Для железнодорожной компании гораздо дешевле остановить состав и устранить проблему до схода его с рельсов, чем потом устранять последствия катастрофы. Ведь сход с рельсов не только приведет к серьезной задержке движения, но и может причинить значительный материальный ущерб и даже привести к человеческим жертвам. Использование же сенсорных данных не только делает железные дороги более безопасными, но и бережет средства. Хотя в этом случае используются довольно простые алгоритмы, их роль весьма значительна.

Теперь давайте перейдем к производителям свежей продукции. Они обычно хранят ее на поддонах на складе, а затем транспортируют в магазины. В течение всего времени хранения температура продуктов должна оставаться в пределах заданного диапазона наряду с заданным диапазоном влажности. Но что если на одном из участков склада выйдут из строя кондиционеры или обогреватели? Заведующий складом может быстро узнать об этом, поскольку датчики начнут подавать сигналы тревоги, и поручить сотрудникам переместить поддоны с продукцией в другое место. Но производителю также важно знать и то, какие поддоны со свежей продукцией могли пострадать, чтобы проверить их состояние.

В прошлом могло пройти много часов, прежде чем кто-то замечал, что на одном конце склада стало немного теплее, чем должно быть. К этому моменту поврежденная продукция уже могла быть отправлена в магазины. И производителю приходилось уведомлять все магазины, получившие продукцию со склада в тот день, о необходимости перепроверить ее качество.

Сегодня поддоны с испортившейся продукцией могут выявляться до того, как они покинут склад. Бóльшую часть времени аналитика используется в основных приборах оповещения, которые сравнивают текущие показания датчиков с заданными пороговыми значениями. Со временем алгоритмы будут развиты до такой степени, что станут учитывать колебания температуры и влажности у каждого поддона и прогнозировать риск порчи продуктов. Нагревание на несколько градусов в течение нескольких минут обычно не вызывает проблем, однако серия небольших отклонений в течение нескольких дней значительно увеличивает этот риск. Для поиска подобных аномалий, несомненно, будут разработаны более продвинутые аналитические процессы.