Текст книги "Искусственный интеллект, аналитика и новые технологии"

3. Пилотный этап

Поскольку разрыв между реальными возможностями ИИ и желаемыми не всегда очевиден, компании должны создавать пилотные проекты для когнитивных приложений, прежде чем внедрять их на всем предприятии.

Пробные пилотные решения особенно подходят для инициатив, которые имеют высокую потенциальную ценность для бизнеса или позволяют организации одновременно тестировать различные технологии. Постарайтесь избежать внедрения проектов теми руководителями, которые оказались под влиянием поставщиков технологий. Они всегда будут оказывать давление на руководителей и советы директоров, побуждая их сделать «что-нибудь когнитивное», но это не повод сделать это без «пилота». Проекты, внедренные таким образом, часто терпят неудачу, что, в свою очередь, может ограничивать всю ИИ-программу организации.

Если ваша фирма планирует запустить несколько пилотов, подумайте о создании когнитивного центра передового опыта или аналогичной структуры для управления ими. Такой подход помогает развить необходимые технологические навыки и компетенции в организации, а также упрощает перенос небольших пилотных проектов на производство, что окажет значительное влияние на процессы. Pfizer имеет более 60 проектов, которые используют те или иные формы когнитивных технологий; большинство из них на стадии пилота, но есть уже и внедренные.

В Becton Dickinson служба глобальной автоматизации в рамках ИТ-отдела наблюдает за несколькими когнитивными пилотными проектами на базе средств искусственного интеллекта и RPA (в партнерстве с Global Shared Services). Эта служба использует комплексные карты процессов для руководства внедрением и определения возможностей автоматизации. Кроме того, она использует графические «тепловые карты», которые показывают активности в организации, наиболее поддающиеся вмешательству ИИ. Компания успешно внедрила интеллектуальные средства в процессы ИТ-поддержки, но пока не готова внедрять их в крупномасштабные корпоративные процессы, такие как «заказ – оплата». Страховая компания Anthem разработала аналогичную централизованную ИИ-службу, которую называет Отделом когнитивных компетенций.

Реорганизация бизнес-процесса

По мере разработки когнитивных проектов подумайте над тем, как можно изменить дизайн рабочих процессов, уделяя особое внимание разделению труда между людьми и ИИ. В некоторых подобных проектах 80 % решений станут приниматься машинами, а 20 % – людьми; другие будут иметь обратное соотношение. Систематический пересмотр рабочих процессов необходим для того, чтобы люди и машины дополняли сильные стороны друг друга и компенсировали недостатки.

Например, инвестиционная компания Vanguard запустила новое предложение «Персональные консультативные услуги» (PAS), которое сочетает автоматизированные рекомендации по инвестициям и работу живых консультантов. В этой системе когнитивные технологии применяются для выполнения многих традиционных задач инвестиционного консультирования, включая создание индивидуального портфеля, изменение его баланса с течением времени, сбор налоговых выплат и выбор инвестиций с благоприятным налоговым статусом.

Разделение труда в рамках одной компании

Инвестиционная компания Vanguard использует когнитивную технологию для консультации клиентов по более низкой цене. Система персональных советников автоматизирует многие традиционные задачи инвестиционных консультантов, в то время как они сами занимаются более ценной деятельностью. Вот как Vanguard перестроил свои рабочие процессы, чтобы получить максимум от новой системы.

Благодаря этому консультанты Vanguard выступают в роли «тренеров по инвестициям», которые отвечают на вопросы инвесторов, поддерживают их активную финансовую деятельность и, по словам Vanguard, служат «эмоциональной крепостью» для инвесторов, переживающих за свои инвестиционные планы. Консультантам рекомендуется изучать поведенческие финансы, чтобы эффективно исполнять эти роли. Технология PAS быстро собрала более $80 млрд в управление активами, причем затраты оказались ниже, чем при консультировании сотрудниками, а удовлетворенность клиентов выше. (Подробнее см. врезку «Разделение труда в рамках одной компании».)

Vanguard понимала важность реформирования рабочих процессов при внедрении PAS, но многие другие компании идут напролом, просто автоматизируя уже существующие процессы, особенно при использовании технологии RPA. Эти компании быстрее реализовывают проекты и достигают окупаемости инвестиций, но они лишают себя преимущества в полной мере использовать возможности ИИ и существенно улучшить процесс. Усилия по перепроектированию рабочих процессов могут быть обогащены принципами дизайн-мышления: пониманием потребностей клиента или конечного пользователя, вовлечением сотрудников, чья работа будет реорганизована, рассмотрением планов как экспериментальных «черновиков», обсуждением множества альтернатив и обязательным учетом возможностей когнитивных технологий. Большинство когнитивных проектов хорошо вписываются в итеративное, динамичное развитие.

4. Масштабирование

Многие компании успешно запустили когнитивные пилоты, но не смогли достичь большего, развернув их в масштабах всей организации. Для достижения своих целей компаниям нужны подробные планы масштабирования, что требует сотрудничества между технологическими экспертами и ответственными за автоматизируемый бизнес-процесс лицами. Поскольку когнитивные технологии обычно поддерживают отдельные функции, а не весь процесс целиком, масштабирование почти всегда требует интеграции с существующими системами. Действительно, в нашем опросе руководители сообщили, что такая интеграция была самой большой проблемой, с которой они столкнулись в ИИ-проектах.

Компании должны начать процесс масштабирования с выяснения того, является ли необходимая интеграция возможной в принципе и выполнимой технически. Например, если приложение зависит от специальной технологии, которую сложно получить, это ограничит масштабирование. Убедитесь, что те, кто отвечает за бизнес-процессы, обсуждают вопросы масштабирования с ИТ-отделом до начала или во время пилотного этапа. Конечный запуск в обход айтишников вряд ли будет способствовать успеху, даже в случае относительно простых технологий, таких как RPA.

Например, медицинская страховая компания Anthem разрабатывает когнитивные технологии в рамках серьезной модернизации существующих систем. Вместо того чтобы встраивать новые когнитивные приложения в устаревшую технологию, Anthem использует целостный подход, максимизирующий ценность, производимую когнитивными приложениями, снижающий общую стоимость разработки и интеграции и создающий эффект ореола в устаревших системах. Компания также реорганизует процессы, чтобы, по словам ИТ-директора Тома Миллера, «использовать когнитивные функции, которые выведут нас на новый уровень».

При масштабировании компании могут столкнуться с серьезными проблемами управления изменениями. Так, к примеру, в одной сети розничной торговли одеждой в США пилотный проект в небольшой группе магазинов использовал машинное обучение для получения рекомендаций по продуктам в режиме онлайн, прогнозирования оптимальных запасов и моделей быстрого их пополнения, а также, что оказалось наиболее сложным, в мерчандайзинге. Закупщики, привыкшие заказывать товары на основе своей интуиции, почувствовали угрозу и поставили вопрос ребром: «Если теперь у вас есть эта штука, зачем вам мы?» После завершения пилотного этапа группа закупщиков явилась к начальнику отдела мерчандайзинга с требованием свернуть проект. Исполнительный директор сети познакомил их с положительными результатами пилота и настоял на расширении проекта. Он заверил закупщиков, что, освободившись от определенных мерчандайзинговых функций, они смогут выполнять более ценную работу, которую люди выполняют лучше машин, такую, например, как понимание желаний молодых клиентов и определение планов производителей одежды. При этом он признал, что новые функции потребуют обучения мерчандайзеров.

Если для достижения желаемых результатов нужно масштабироваться, компаниям также придется сосредоточиться на повышении производительности. Многие, например, планируют нарастить ее, увеличив число клиентов и транзакций без увеличения численности персонала. Компании, которые не хотят инвестировать в ИИ, выдвигая в качестве основной причины неизбежное сокращение рабочих мест, должны знать, что куда лучше с этой задачей справляется систематическое изнурение сотрудников или отказ от аутсорсинга.

Когнитивная компания будущего

Наш опрос и интервью показывают, что менеджеры, имеющие опыт работы с когнитивными технологиями, настроены в их отношении оптимистично. Хотя первые успехи относительно скромны, мы ожидаем, что эти технологии в итоге заметно преобразят рабочие процессы. Мы полагаем, что компании, которые в настоящее время начинают разрабатывать проекты на базе ИИ, имея при этом агрессивные планы их внедрения на будущее, смогут получить не меньшие преимущества, чем те, кто воспользовался аналитикой чуть раньше.

Благодаря применению ИИ такие высокоинформативные области, как маркетинг, здравоохранение, образование, финансовые и профессиональные услуги, могут одновременно повысить свою ценность и стать менее дорогостоящими для общества. Монотонная деятельность, которую вынужден вести бизнес во всех отраслях и сферах – учет текущих операций, ответы на повторяющиеся вопросы и извлечение данных из бесконечных документов, – может стать уделом машин, освобождая сотрудников для повышения продуктивности и творчества. Когнитивные технологии также являются катализатором успеха других информационно емких разработок, включая автономные транспортные средства, интернет вещей и многоканальные потребительские технологии.

Основной страх перед когнитивными технологиями состоит в том, что они вызовут массовое сокращение рабочих мест. Конечно, некоторое их уменьшение возможно, поскольку интеллектуальные машины выполняют те же задачи, которые традиционно выполняются людьми. Тем не менее мы считаем, что большинству работников на данный момент нечего опасаться. Когнитивные системы решают только отдельные задачи, а не берут под контроль весь процесс целиком. Сокращения в нашем исследовании главным образом были вызваны «перегоранием» сотрудников, которых некому было заменить, или автоматизацией аутсорсинга.

Большинство когнитивных технологий в настоящее время дополняют человеческую деятельность, решая локальные задачи в рамках более широкого рабочего процесса, или выполняют такую работу, с которой люди не способны справиться в принципе, как, например, анализ больших массивов данных. Почти все управляющие, с которыми мы обсуждали этот вопрос, являются приверженцами стратегии дополнения, то есть интеграции человеческого и машинного труда, а не полной замены первого вторым. Только 22 % руководителей в нашем опросе указали сокращение сотрудников в качестве основного преимущества искусственного интеллекта.

Мы считаем, что каждая крупная компания должна идти путем исследования когнитивных технологий. Этот путь не так прост, он не несет готовых ответов на вопросы, связанные с реструктуризацией коллектива и этикой использования умных машин. Но при верном планировании и развитии когнитивные технологии могут стать началом золотого века производительности, удовлетворенности от работы и процветания.

Впервые опубликовано в выпуске за январь – февраль 2018 года.

Генеральный директор Stitch Fix о продаже индивидуального стиля на массовом рынке

Катрина Лейк

БИЗНЕС-МОДЕЛЬ STITCH FIX ПРОСТА: мы посылаем вам одежду и аксессуары, которые, как нам кажется, вам понравятся, вы оставляете нужные вещи и отправляете остальные обратно. Наука о данных дает компании возможность использовать индивидуальный подход к потребителям, добиваясь при этом масштабирования бизнеса и выходя за рамки традиционной розничной торговли и электронной коммерции. Клиенты любят совершать покупки с помощью опытных стилистов, а также ценят удобство и простоту обслуживания.

Конечно, обеспечить простоту и удобство сервиса в условиях масштабирования бизнеса трудно. Это еще сложнее на рынке модного ритейла – высококонкурентном, неустойчивом и быстро меняющемся. Другие розничные продавцы одежды пытаются выделиться среди конкурентов низкой ценой или быстрой доставкой, наше же отличие – в персональных рекомендациях. Каждый набор вещей, или фикс-бокс, как мы его называем, представляет собой коробку с пятью предметами одежды и аксессуарами, выбранными специально для вас на основе информации, которую вы, как и миллионы других людей, предоставляете нам – сначала в подробной анкете при регистрации, а затем в отзывах после отправки каждого заказа.

Stitch Fix продала одежды на $730 млн в 2016 году и на $977 млн в 2017-м. Компания получила этот доход благодаря системе рекомендаций, которые составляют основу ее бизнеса. Stitch Fix имеет свыше 2 млн активных клиентов в Соединенных Штатах и работает с более чем 700 брендами. Мы не пытаемся продать вам ремни, которые так идут к блузке, добавленной в корзину, или навязать определенную марку, потому что вы ее уже покупали, или использовать вашу историю просмотров, чтобы предложить маленькое черное платье, – все эти действия имеют низкие показатели конверсии. Вместо этого мы создаем уникальные персональные комплекты, используя анализ данных и машинное обучение вместе с экспертным мнением.

Анализ данных не просто встроен в нашу корпоративную культуру, это и есть наша культура. Мы не внедряли его в стандартную организационную структуру – с самого начала он был главной составляющей бизнеса, и алгоритмы компании строились вокруг клиентов и их потребностей. У нас работают более 80 специалистов по обработке и анализу данных, большинство из которых имеют докторские степени в таких областях, как математика, нейробиология, статистика и астрофизика. Отдел Data Science подчиняется мне напрямую, и компании Stitch Fix просто не существовало бы без него.

История, нехарактерная для Долины

Мы далеки от образцового стартапа Кремниевой долины. Я не считаю себя серийным предпринимателем: Stitch Fix – первая компания, которую я основала. Я была поражена тем, что в XXI веке в ритейле используется так мало современных технологий. Во время обучения в Стэнфорде в начале 2000-х годов и на моей первой работе в качестве консультанта в Parthenon Group я часто имела дело с розничными продавцами и предприятиями ресторанного бизнеса. Мне нравились обе эти сферы, они очень важны для людей, но обслуживание потребителей в них осуществлялось так же, как в 1970-х или даже 1950-х годах, несмотря на то что мир сильно изменился. Я задавалась вопросом, как они могут приспособиться к современным условиям, и мне хотелось быть частью будущего, в котором это произойдет.

Идея вкратце

Работая в качестве консультанта в сферах розничной торговли и ресторанного бизнеса, Катрина Лейк была удивлена тем, как мало технологий XXI века используется в этих отраслях. Имея интерес и к одежде, и к анализу данных, она была уверена: с помощью Data Science можно улучшить потребительский опыт, но при условии, что в этот процесс по-прежнему будут вовлечены люди.

С самого начала Лейк планировала построить операционную деятельность Stitch Fix на основе анализа данных, чтобы масштабировать бизнес. Доход компании зависит от рекомендаций алгоритма, поэтому специалисты в области Data Science подчиняются непосредственно генеральному директору. Анализ и обработка данных глубоко укоренились в корпоративной культуре: кроме рекомендаций клиентам в отношении одежды, алгоритмы поддерживают снижение капитальных затрат, перемещение запасов и эффективные поставки. При разработке продукта были использованы адаптированные генетические алгоритмы, позволившие выявить характеристики одежды, благодаря которым она пользуется успехом. Stitch Fix также применяла машинное обучение при разработке дизайна изделий.

Но, по словам Лейк, шопинг – вид деятельности, присущий исключительно людям, поэтому стилисты имеют право изменить или отклонить набор товаров, подобранный алгоритмом, прежде чем клиент получит заказ.

В 2007 году (тогда же, когда появился iPhone) я ушла из Parthenon Group и стала партнером в венчурной фирме Leader Ventures, но не прекращала думать о розничной торговле. Я наблюдала за сетью видеопроката Blockbuster во время роста Netflix. Обе компании лидировали по продажам: первая – через офлайн-магазины, а вторая – за счет онлайн-контента. Это был идеальный пример, и я могла точно сказать, когда одна чаша весов перевешивала другую. Всякий раз, когда Netflix занимала около 30 % рынка, местный Blockbuster закрывался. Тогда оставшиеся 70 % клиентов оказывались перед выбором: попробовать Netflix или ездить за фильмами в удаленный магазин. Большинство склонялось в сторону Netflix, оказывая еще большее давление на Blockbuster. Число покупателей, столкнувшихся с выбором «попробовать новое или потратить время», возрастало, и офлайн-магазинов становилось все меньше.

Я осознала, что и другие ритейлеры могут разделить судьбу Blockbuster, если не пересмотрят свои стратегии. Например, им следовало задаться вопросом: как будет выглядеть покупка джинсов через десять лет? Тогда я понимала, что она будет отличаться от традиционной, когда нужно обойти шесть магазинов, в каждом взять по несколько пар и все это перемерить. Но я не думала, что она будет похожа на сегодняшнюю модель онлайн-шопинга: у вас в браузере открыто 15 вкладок, вы сверяете размеры и читаете отзывы, затем покупаете несколько пар, а после возвращаете те, что не подходят.

Часть меня, которая любит анализ данных, точно знала, что они могут быть использованы для улучшения потребительского опыта в модном ритейле. В конце концов, одежда, которая подходит и нравится потребителю, просто обладает определенным набором характеристик: обхват талии, длина внутреннего шва, материал, цвет, вес, долговечность и рисунок. Это всего лишь данные. Если вы соберете их достаточно, то получите довольно точное представление о том, какую одежду хотят носить люди.

Но та часть меня, которая любит одежду, признавала важность человеческого участия в процессе шопинга. Вы испытываете особое чувство, когда наконец-то находите вещь, которую уже и не надеялись найти, и радость от того, что она вам подходит и вы можете себе это позволить. И я поняла, как объединить эти два элемента – анализ данных и человеческий опыт – и создать новую модель покупки одежды.

Плохая идея?

Вначале я не планировала основывать компанию, а собиралась присоединиться к стартапу, который захотел бы реализовать эту идею. В Leader Ventures я встречалась с сотнями предпринимателей, надеясь найти подходящего. Этого не случилось, поэтому я поступила в Гарвардскую школу бизнеса, чтобы продолжить свой рискованный путь к предпринимательству. Я использовала два года учебы для планирования и запуска бизнеса. Предварительное соглашение о финансировании Stitch Fix было подписано в феврале 2011 года, первые фикс-боксы я отправила из своей квартиры в апреле, а в мае я окончила обучение.

Очень немногие считали идею хорошей. Один из моих преподавателей назвал это инвентарным кошмаром, так как предполагалось, что все продаваемые товары будут в наличии, я хотела знать все о каждой позиции, чтобы превратить эти сведения в структурированные данные. Мой преподаватель полагал, что такая стратегия будет капиталоемкой и рискованной, но в итоге она оказалась верной. Использование Data Science для лучшего понимания того, что хотят люди, способствует более быстрому обороту запасов по сравнению с оборотом большинства розничных продавцов, потому что мы можем закупать только нужные вещи. Достаточно короткий цикл продаж позволяет расплачиваться с поставщиками денежными средствами от клиентов, что в целом хорошо влияет на рентабельность.

После были скептически настроенные венчурные капиталисты. Я приходила на встречи с коробкой одежды и персональной открыткой от стилиста. Помню, однажды один инвестор уже через пять минут сказал мне: «Просто не понимаю, зачем это кому-то может понадобиться». Я оценила его честность. Многие из них были не в восторге от складов, забитых одеждой. Другие были озадачены тем, что мы нанимали стилистов с почасовой оплатой: эта идея была чужда рынку венчурного капитала, ориентированного на автоматизацию и приложения. Несмотря на наши первые успехи, при обсуждении финансирования следующего этапа реакция инвесторов была сдержанной. «Я думаю, что вы великолепны, ваша команда грандиозна, а ваш бизнес работает, – сказал мне один венчурный капиталист, – но я отбираю всего один или два проекта в год и хочу чувствовать с ними связь. Я не могу увлечься розничной торговлей или женскими платьями».

Это было неприятное, но справедливое замечание. Действительно, 87 % сотрудников, 35 % специалистов по обработке данных и 32 % инженеров Stitch Fix – женщины. Более 90 % венчурных капиталистов – мужчины, и я чувствовала, что гендерная динамика отрасли работает против нас. В конце концов, то, что нас не убило, сделало нас сильнее, потому что заставило сосредоточиться на прибыльности и эффективном использовании капитала. С тех пор мы вкладываем денежные средства, полученные в результате деятельности, в открытие новых бизнес-направлений, в том числе мужской одежды и женской одежды больших размеров.

Комбинировать и сочетать

STITCH FIX ИСПОЛЬЗУЕТ ДАННЫЕ, которые предоставляют клиенты в профиле стиля, и набор алгоритмов, чтобы зафиксировать их реакцию на товар. Перед отправкой по почте стилисты (назначенные клиентам с помощью алгоритма) перепроверяют и при необходимости вносят коррективы в каждый фикс-бокс, укомплектованный пятью позициями. Клиенты дают письменные ответы на пять вопросов о каждой позиции, а также оставляют свои комментарии. Эта обратная связь вместе с историей покупок позволяет Stitch Fix улучшать рекомендации с течением времени.

Далее показано, как алгоритм и стилист вместе собирают для клиента первый фикс-бокс и два последующих.

Наконец, проблема была в самой индустрии. Ставя доход в зависимость от модных рекомендаций, я выбрала одну из самых сложных задач для машинного обучения. Даже те, кто привык думать, что им все равно, что носить, в действительности заботятся о своей одежде. То, как одежда сидит, стиль, материал – это важно для всех нас. В модном ритейле много нюансов, что делает его особенно интересным, но и более сложным. Первые фокус-группы просто не верили, что у нас получится выбрать одежду, которая им понравится. Они говорили: «Как это сможет работать? Ничего не будет подходить».

Необходимость заплатить $20 до оформления заказа тоже заставляла задуматься. Участники фокус-группы спрашивали: «Зачем мне платить $20, если я так ничего и не выберу?» Нам нужно было, чтобы клиенты поверили в то, что им захочется носить предложенные нами вещи, и мы их не подвели благодаря анализу данных.