Текст книги "Оцифруйся или умри. Как трансформировать компанию с помощью искусственного интеллекта и обойти конкурентов"

Трансформируя ценность: от создания и оценки до обеспечения отдачи

Ant Financial, Ocado и Peloton демонстрируют три подхода к оцифровке обеспечения отдачи, внедрения инноваций в бизнес-модели и стимулирования изменений в отрасли. В каждом случае мы были свидетелями создания исключительной потребительской ценности, причем масштаб, объем и уровень инноваций были практически беспрецедентны в каждой отрасли. Сходства в оценке ценности также поразительны. В каждом случае компании менее транзакционны и больше инвестируют в использование технологий для повышения лояльности и заинтересованности потребителей. И до тех пор, пока потребители будут глубоко вовлечены в услугу, к ней станут присоединяться больше пользователей и возможности монетизации увеличатся.

Различия между тремя фирмами также интересны. Отрасли, на которые они изначально ориентировались, были разными: финансовые услуги, продукты питания и фитнес.

В то время как Ant Financial является исключительно инструментом оказания информационных услуг, Ocado обеспечивает продукцию с удивительно эффективной системой поставок, а Peloton создает тесно интегрированное сочетание продуктов и услуг. Тем не менее в каждом случае компании оцифровали критически важные рабочие процессы, оказывая трансформирующие изменения. Если присмотреться внимательнее, то каждая из них использовала алгоритмы и сети для трансформации своих рынков, но делала это своим способом, создавая уникальные возможности и применяя неповторимые подходы.

Ant Financial создала впечатляющие возможности в области аналитики и ИИ, она также контролирует высокоавтоматизированную систему, обеспечивающую практически беспрецедентный масштаб и охват финансовых услуг и за их пределами. Ocado также имеет операционную модель, в которой использует сложный ИИ, основанный на базовом алгоритме, обеспечивающем впечатляющую масштабируемость и поддерживающем все более широкий спектр предложений продуктов. Кроме того, компания осуществляет непрерывное обучение и внедрение инноваций. Ocado обращает внимание на то, как ее алгоритмы интегрируются с человеческим талантом, чтобы, например, помочь водителям и сборщикам продуктов. Вместо этого Peloton больше ориентируется на сети и сообщества, но по-прежнему использует данные и аналитику для повышения вовлеченности и лояльности. Компания берет контент, созданный при помощи человеческого таланта, и значительно усиливает его воздействие на широкое и растущее сообщество клиентов, которые распространяют сервис, осуществляя обратную связь с помощью своей все более сложной аналитики. Как и в случае с Ocado, человеческие навыки и трудовые ресурсы служат здесь для проектирования, производства и совершенствования, в то время как цифровые технологии обеспечивают и закрепляют опыт.

Схема 2.2. Создание ценности и закрепление дохода против обеспечения отдачи

Больше всего нас волнует сходство в операционных моделях этих разных фирм. Оцифровывая наиболее важные процессы, каждая операционная модель устраняет слабые места и обеспечивает беспрецедентную масштабируемость, охват и обучение. После того как модель выработана, большая часть того, что нужно этим фирмам для роста, – это дополнительные вычислительные мощности, к которым легко получить доступ из облака. Слабые места роста перемещаются на технологический уровень или в зону ответственности партнеров и поставщиков. Схема 2.2. иллюстрирует тип цифрового бизнеса и операционных моделей, лежащих в основе этих трех компаний.

ИИ – во главе угла

17 мая 2017 года Сандар Пичаи, генеральный директор Google, сделал неожиданное заявление на конференции Google I/O перед 7000 участниками, причем более миллиона человек смотрели прямую трансляцию. Пичаи сообщил, что стратегический фокус Google смещается с внедрения мобильной платформы на принцип «Сначала ИИ» {36}36
  Stephanie Condon “Google I/O: From ‘AI First’ to AI Working for Every one”. ZDNet. com, 7 мая, 2019. URL: https://www.zdnet.com/article/google-io-from-ai-first-to-ai-working-for-everyone/.


[Закрыть].

Это заявление удивило многих. С самого начала своей деятельности компания всегда руководствовалась данными, сетями и программным обеспечением. В конце концов, Google коммерциализировала лучший в мире алгоритм поиска, разработала передовые рекламные технологии и превратила Android в самую популярную платформу в мире. Компания к тому времени уже вложила значительные средства в ИИ, затмив большинство других фирм и университетов по количеству публикаций и патентов. Что означал для Google принцип «Сначала ИИ»?

Пичаи говорил не о внедрении нового продукта, вдохновленного ИИ, или о запуске ряда проектов, экспериментирующих с передовой аналитикой. Скорее, его заявление было новым курсом, выработанным на основе двух десятилетий инвестиций в разработку программных алгоритмов и технологий ИИ. Он показал, что ИИ переместился в центр компании, в ядро ее операционной модели. Все чаще ИИ будет основой для практически каждого рабочего процесса. Сандар Пичаи проиллюстрировал этот подход на множестве примеров: от новых приложений для клиентов (таких как инновационный Google Assistant с поддержкой ИИ) до новой инфраструктуры с поддержкой ИИ, обеспечивающей работу центров обработки данных и облачных сервисов Google.

Это заявление явилось сигналом для потребителей, рекламодателей, внешних разработчиков и сотрудников Google о том, что ИИ и связанные с ней инвестиции в данные и аналитику будут лежать в основе бизнеса и операционных моделей компаний. Практически каждый компонент Google собирался использовать ИИ как ядро. Это означало, что все продукты и услуги Google (некоторые из которых обладают миллиардами активных пользователей) увеличат ценность, которую они создают через разговорный (речь, текст), всеохватывающий (во всех типах устройств) и контекстный (понимание того, что вы хотите) ИИ, и каждый из этих процессов будет все время совершенствоваться за счет постоянного обучения и адаптации.

Встроенные системы искусственного интеллекта всегда будут пытаться предсказать, чего хотят или в чем нуждаются их потребители, обновляя эти модели во всех взаимодействиях. Такая способность предсказывать, конечно, чрезвычайно ценна и для рекламодателей Google. Подход «сначала – ИИ» означал, что реклама Google будет становиться все более персонализированной и контекстуализированной, что в конечном итоге повысит актуальность предложений и приведет к увеличению количества кликов.

Заявление Пичаи содержало ясный посыл и пробуждающий звоночек. Для сотрудников Google, как технических, так и бизнес-ориентированных, это был сигнал к развитию глубокого понимания ИИ и его применению во всех аспектах создания ценности компании, охвата и операционной модели. Для огромного сообщества партнеров и разработчиков Google это послужило приглашением ко внедрению ИИ для улучшения своих продуктов и услуг, от приложений с упражнениями до телевизоров. Остальным из нас, кто слушал его речь, стало ясно, что ИИ наконец достиг совершеннолетия. Буквально за секунду для миллионов людей ИИ перестал быть многообещающим набором инновационных технологий и превратился в ядро фирмы.

В следующей главе мы рассмотрим, как ядро фирмы Google представляет собой масштабируемую фабрику решений, работающую на программном обеспечении, данных и алгоритмах.

Глава 3
Фабрика ИИ

На протяжении большей части истории изделия кропотливо и индивидуально изготавливались в ремесленных мастерских. Этот период закончился, когда промышленная революция преобразила экономику, породив масштабируемый и воспроизводимый подход к производству. Инженеры и менеджеры стали экспертами в понимании процессов, необходимых для массового производства, и построили первое поколение фабрик, предназначенных для непрерывного и недорогого производства качественных товаров. Хотя производство и было индустриализировано, анализ и принятие решений оставались процессами, в значительной степени определяемыми конкретными людьми, которые их принимали.

Сейчас, в эпоху ИИ, происходят фундаментальные трансформации компаний. Это включает в себя индустриализацию сбора данных, аналитику и принятие решений, для того чтобы заново создать ядро современной фирмы, или то, что мы называем «фабрикой ИИ» {37}37
  Мы искренне благодарим Владимира Яцимовича, который вдохновил нас на изучение многих идей и оказал неоценимую помощь.


[Закрыть].

Фабрика ИИ – это масштабируемый механизм принятия решений, который поддерживает операционную модель фирмы XXI века. Управленческие решения все чаще встраиваются в программное обеспечение, которое оцифровывает многие процессы, ранее выполнявшиеся сотрудниками. Ни один аукционист не участвует в миллионах ежедневных аукционов поисковой рекламы в Google или Baidu. Диспетчеры не решают, какой автомобиль выбрать на DiDi, Grab, Lyft или Uber. Спортивные магазины не устанавливают цены на одежду для гольфа Amazon ежедневно. Банкиры не одобряют каждый займ в Ant Financial. Вместо этого данные процессы оцифровываются и реализуются фабрикой ИИ, которая рассматривает принятие решений как производственный процесс. Аналитика систематически преобразует внутренние и внешние данные в прогнозы, аналитические идеи и решения, которые, в свою очередь, направляют и автоматизируют различные рабочие процессы. Вот что обеспечивает превосходную масштабируемость, охват и способность к обучению цифровой фирмы.

Цифровые операционные модели могут принимать различные формы. В некоторых случаях они управляют потоками информации (например, Ant Financial, Google или Facebook). В других – операционные модели определяют, как компания создает, поставляет и эксплуатирует реальные продукты (например, Ocado, Amazon или Waymo). В любом случае фабрика ИИ находится в центре этой модели, управляя наиболее важными процессами и рабочими решениями в то время, как люди смещаются ближе к краю, уходя с пути создания ценности и обеспечения отдачи.

По своей сути, фабрика ИИ создает эффективный цикл взаимодействия с вовлечением пользователей, сбором данных, разработкой алгоритмов, их прогнозированием и совершенствованием (см. сх. 3.3.). Она объединяет данные, полученные из нескольких источников (внутренних или внешних по отношению к фирме), для уточнения и обучения алгоритмов. Эти алгоритмы не только создают прогнозы, но и используют данные для повышения собственной точности. Затем эти прогнозы управляют решениями и действиями, либо информируя людей, либо путем автоматического реагирования. Гипотезы об изменении моделей поведения потребителей, конкурентных реакциях и вариациях процессов проверяются с помощью строгих протоколов экспериментов, позволяющих выявить возможности изменений для улучшения системы. Данные об использовании, точности и влиянии результатов прогнозирования направляются обратно в систему для дальнейшего изучения и прогнозирования. Цикл постоянно повторяется.

Возьмем, к примеру, поисковую систему Google или Bing. Как только пользователь вводит несколько букв в поле поиска, алгоритмы прогнозируют полный поисковый запрос на основе предыдущих поисковых запросов и прошлых действий пользователя. Эти прогнозы фиксируются в раскрывающемся меню (поле автозаполнения), которое помогает быстро сосредоточиться на желаемом поиске. Каждое движение пользователя и каждый клик фиксируются как данные, и каждая крупица собранной информации улучшает прогноз для будущих поисков. Чем больше запросов, тем лучше прогнозы, чем лучше прогнозы, тем больше используется поисковая система.

Схема 3.3. Цикл работы фабрики ИИ

На фабрике ИИ поисковика существует множество других циклов прогнозирования. В процессе естественного поиска введенный пользователем поисковый запрос генерирует отображение обычных результатов поиска, которые извлекаются из ранее собранной информации в Сети и оптимизируются с использованием результатов (сгенерированных кликов) предыдущих поисков. Кроме того, ввод поискового запроса запускает автоматический аукцион наиболее адекватных рекламных объявлений, соответствующих намерениям пользователя, – аукцион, результаты которого также определяются дополнительными циклами обучения. Таким образом, страница результатов поиска, которая объединяет в себе результаты обычного поиска и соответствующую рекламу, находится под сильным влиянием данных, которые были получены системой в результате предыдущих запросов поиска. Любой переход «на» или «со» страницы запроса или результатов поиска представляет собой полезные данные.

Кроме того, у менеджера по операциям поисковой системы может появиться новое предположение. Например, он считает, что показ меньшего количества рекламы может повысить доход на данной странице или что выделение результатов поиска улучшит вероятность захода пользователя на нужную рекламодателю страницу. Чтобы обеспечить дополнительную базу для улучшений, эти предположения будут загружены в механизм проведения экспериментов и проверены на статистически значимой выборке пользователей.

Очевидно, что нет никакой возможности проанализировать все эти данные аналитиками вручную, пусть даже с помощью созданного для каждого отдельного случая кода. Фабрика ИИ решает эту проблему, внедряя методы массового производства для обработки и анализа данных, тем самым формируя ядро цифровой операционной модели. Давайте углубимся в его природу, взяв в качестве примера Netflix, чтобы закрепить результат.

Создание и эксплуатация фабрики ИИ

Netflix изменила медиасреду, используя силу ИИ. Ядром Netflix является ее ориентированная на ИИ операционная модель: она основана на программной инфраструктуре, которая собирает данные, обучает и выполняет алгоритмы, влияющие практически на все аспекты бизнеса, от персонализации пользовательского опыта до выбора концепций фильмов и заключения соглашений по поставке контента.

В первые дни своего существования, два десятилетия назад, Netflix показывала обзоры фильмов, генерировала рекомендации, основанные на истории просмотров клиентов, и отправляла DVD-диски с новыми релизами в тот же день, когда они становились доступны в магазинах. Уже тогда Netflix признала важность использования данных для улучшения качества обслуживания клиентов. Первые усилия компании были сосредоточены на разработке механизма рекомендаций, который предлагал фильмы, основанные на истории просмотров, рейтингах и предпочтениях похожих пользователей {38}38
  “CineMatch: The Netflix Algorithm”. Lee’s World of Algorithms (блог), 29 мая 2016. URL: https://leesworldofalgorithms.wordpress.com/2016/03/29/cinematch-the-netflix-algorithm/.


[Закрыть]. Netflix не только использовала эти данные внутри компании, но и делилась своими отзывами с киностудиями. Обмен данными помог Netflix договориться о более выгодных финансовых условиях в рамках партнерских отношений с Warner Home Video и Columbia TriStar {39}39
  “Netflix, Inc. History,” Funding Universe. Дата обращения – 6 июня 2019 года. URL: http://www.fundinguniverse.com/company-histories/netflix-inc-history/.


[Закрыть].

Компания Netflix быстро росла, достигнув 8 миллионов подписчиков к 2007 году, когда она запустила потоковый сервис. Это новое предложение значительно расширило доступ компании к пользовательским данным, которые активно использовали аналитические команды Netflix.

Благодаря сервису доставки почты Netflix могла отслеживать только те названия фильмов, которые запрашивали пользователи, продолжительность времени, в течение которого они хранили DVD-диски, и пользовательский рейтинг каждого из названий, однако не могла отслеживать просмотры в режиме реального времени. С потоковой передачей Netflix смогла отслеживать весь пользовательский опыт – например, когда зрители приостанавливают, перематывают или пропускают показ или какое устройство они используют для просмотра. Эти поведенческие данные помогли Netflix определить, какую обложку фильма показывать зрителю (да, даже они персонализированы на основе предпочтений конкретного потребителя, касающихся определенных жанров, актеров и других подобных факторов), прогнозируя их вероятные предпочтения. Благодаря более продвинутой аналитике Netflix также предсказывает факторы лояльности клиентов.

С целью увеличения времени просмотра подписчиков и уменьшения оттока клиентов Netflix использовала ИИ для запуска функции, которая автоматически ставит в очередь следующий эпизод в серии или рекомендует похожие фильмы. Индивидуализация и персонализация стали повсеместными. Как сказал Джорис Эверс, руководитель PR-отдела Netflix, для New York Times в 2013 году: «Существует 33 миллиона различных версий Netflix. Это означает, что опыт каждого пользователя Netflix персонализирован и индивидуально настроен» {40}40
  David Carr “Giving Viewers What They Want. New York Times”, 24 февраля 2013. URL: https://www.nytimes.com/2013/02/25/business/media/for-house-of-cards-using-big-data-to-guarantee-its-popularity.html


[Закрыть].

Netflix также использует данные и алгоритмы ИИ, чтобы решить, какой контент создавать самостоятельно. В 2013 году компания впервые использовала для этой цели прогнозную аналитику, для того чтобы оценить потенциал «Карточного домика», вымышленного рассказа том, как сенатор стал хозяином Белого дома, в сотрудничестве с Media Rights Capital (MRC). Синди Холланд, вице-президент по оригинальному контенту, отметила в интервью: «У нас есть проекционные модели, которые помогают понять, насколько большой, по нашему мнению, может быть аудитория для данной идеи или области контента. У нас есть система по каждому жанру, которая вырабатывает информацию о том, в какой области у нас уже достаточно программ, а в какой еще есть возможности для создания новых» {41}41
  Todd Spangler “Netflix Eyeing Total of About 700 Original Series in 2018”. Variety, 27 февраля 2018. URL: https://variety.com/2018/digital/news/netflix-700-original-series-2018-1202711940/.


[Закрыть].

К 2010 году Netflix стала применять подход фабрики ИИ, чтобы системно применять аналитику для механизма рекомендаций компании. В 2014 году компания расширила «фабрику», чтобы улучшить возможности потоковой передачи видео для взаимодействия с пользователями, создавая персонализированный потоковый интерфейс для каждого пользователя (на основе таких факторов, как скорость соединения и предпочтительное устройство), а также для определения того, какие фильмы и шоу следует сохранять на пограничных серверах, расположенных поблизости от зрителей. {42}42
  Nirmal Govind “Optimizing the Netflix Streaming Experience with Data Science”. Medium, 11 июля 2014. URL: https://medium.com/netflix-techblog/optimizing-the-netflix-streaming-experience-with-data-science-725f04c3e834/


[Закрыть] В настоящее время Netflix имеет около 150 миллионов подписчиков в более чем 190 странах, компания собрала библиотеку контента из более чем 5500 фильмов и программ и потребляет 15 процентов глобальной пропускной способности интернета.

Схема 3.4. Компоненты фабрики ИИ

Опыт Netflix и других ведущих фирм подчеркивает важность нескольких основных компонентов фабрики ИИ (см. сх. 3.4.):

1. Конвейер данных: этот процесс собирает, вводит, очищает, интегрирует, обрабатывает и защищает данные систематическим, устойчивым и масштабируемым способом.

2. Разработка алгоритмов: алгоритмы генерируют прогнозы о будущих состояниях или действиях бизнеса. Данные алгоритмы и прогнозы – это сердце цифровой фирмы, которое управляет ее наиболее важной операционной деятельностью.

3. Платформа экспериментов: механизм, при помощи которого проверяются гипотезы относительно новых алгоритмов прогнозирования и принятия решений, для того чтобы гарантировать, что задуманные изменения будут иметь ожидаемый эффект.

4. Программная инфраструктура: системы встраивают конвейер в последовательную и разделенную на компоненты программную и вычислительную инфраструктуру и подключают его, по мере необходимости, к внутренним и внешним пользователям.

Если данные – это топливо, которое питает фабрику ИИ, то инфраструктура – это трубы, которые доставляют топливо, а алгоритмы – это машины, которые выполняют работу. Экспериментальная платформа, в свою очередь, управляет клапанами, которые подсоединяют новое топливо, трубы и машины к существующим операционным системам.

Давайте для начала рассмотрим конвейер данных.

Конвейер данных. Разработка алгоритма

Данные являются основным источником фабрики ИИ. Одна из причин радикального прогресса, достигнутого системами ИИ в последние годы, заключается в том, что скорость, объем и разнообразие данных, доступных для анализа, резко возросли. Еще в 2012 году Netflix использовала широкую базу данных. Как рассказывают инженеры Ксавье Аматриен и Джастин Базилико в блоге Netflix, входные данные бывают разными:

– У нас есть несколько миллиардов пунктов рейтинга от подписчиков, и мы получаем миллионы новых рейтингов ежедневно.

– Мы уже упоминали о популярности товара как главного мерила. Однако есть много способов вычислить популярность. Мы можем вычислить ее в различных интервалах времени, например ежечасно ежедневно или еженедельно. Мы можем сгруппировать участников по регионам или другим схожим показателям и вычислить популярность в этой группе.

– Мы получаем несколько миллионов потоковых показов каждый день, которые включают в себя такой контекст, как продолжительность, время суток и тип устройства.

– Наши подписчики добавляют миллионы названий в свои списки просмотров ежедневно.

– Каждый элемент в нашем каталоге имеет богатые метаданные: актеры, режиссер, жанр, наличие родительского контроля и отзывы.

– Презентации: мы знаем, какие названия мы рекомендовали и где мы их демонстрировали, и можем отслеживать, как это решение повлияло на действия пользователя. Мы также можем наблюдать за взаимодействием пользователей с рекомендациями: прокрутки, наведение курсора мыши, клики или время, проведенное на данной странице.

– Данные соцсетей стали нашим последним источником персонализированных характеристик: мы можем обрабатывать то, что видели или оценили ваши друзья.

– Наши пользователи ежедневно вводят миллионы поисковых запросов в сервис Netflix.

– Все упомянутые выше данные поступают из внутренних источников. Мы также можем использовать внешние данные для улучшения наших функций. Например, мы можем добавить такие внешние элементы данных, как кассовые сборы или отзывы критиков.

– Конечно, это еще не все: есть много других факторов, таких как демография, местоположение, язык или данные о времени, которые можно использовать в наших прогнозирующих моделях {43}43
  Xavier Amatriain, Justin Basilico “Netflix Recommendations: Beyond the 5 Stars (Part 2)”. Medium, 20 июля 2012 года. URL: https://medium.com/netflix-techblog/netflix-recommendations-beyond-the-5-stars-part-2-d9b96aa399f5. Подробнее об этом см. Josef Adalian Inside the Binge Factory. Vulture. URL: https://www.vulture.com/2018/06/how-netflix-swallowed-tv-industry.html.


[Закрыть].

ПРОБЛЕМЫ СЛИШКОМ ВЕЛИКИ, СЛИШКОМ СЛОЖНЫ И СЛИШКОМ АМОРФНЫ, ЧТОБЫ ИХ МОГЛИ РЕШИТЬ ИСКЛЮЧИТЕЛЬНО ТЕХНОЛОГИИ (ИЛИ ТЕХНОЛОГИ).

ДЛЯ ТОГО ЧТОБЫ БЛАГОПОЛУЧНО ПЕРЕЖИТЬ ПЕРЕМЕНЫ, ПОТРЕБУЕТСЯ НОВЫЙ ВИД УПРАВЛЕНЧЕСКОЙ МУДРОСТИ.

В 2018 году у пользователей Netflix было более 5600 фильмов и сериалов на выбор. Каждый раз, когда пользователи открывают приложение Netflix на своем телевизоре, компьютере, телефоне или планшете, системы компании начинают давать персональные рекомендации и настраивать интерфейс. Практически каждый аспект пользовательского опыта генерирует данные, которые позволяют Netflix дополнительно кастомизировать представляемый им контент. (Сейчас доступно гораздо больше данных, чем на момент, когда этот пост был написан в 2012 году.) Все данные очищаются, интегрируются, подготавливаются и используются Netflix для динамической адаптации своей службы для непрерывного повышения ценности, которую он предоставляет приблизительно 300 миллионам пользователей.

Глубина и полнота данных Netflix – предмет зависти всей отрасли. Часть информационных и аналитических активов компании включает в себя создание примерно 2000 микрокластеров по вкусовым предпочтениям, которые объединяют зрителей с одинаковыми вкусами. Отдельные пользователи могут вписаться в несколько таких «сообществ по вкусовым предпочтениям», которые бросают вызов простым демографическим профилям: 65-летняя бабушка из города Мумбаи может любить те же шоу, что и подросток из Арканзаса.

Netflix имеет «датафицированное» телевизионное развлечение – термин, введенный Мин Цзеном, главным стратегом и научным советником Alibaba. Идея датафикации относится к систематическому извлечению данных из операций и транзакций, которые естественным образом осуществляются в любом бизнесе {44}44
  Цзен М. Alibaba и умный бизнес будущего. Как оцифровка бизнес-процессов изменила взгляд на стратегию. М.: Альпина Паблишер, 2019.


[Закрыть]. Например, термостат Nest взбудоражил спокойный рынок термостатов, датафицируя традиционный спектр операций – управления системами отопления, вентиляции и охлаждения (HVAC) в доме. Добавление нескольких электронных датчиков для контроля температуры и движения в доме, наряду с компьютерным управлением и подключением к Wi-Fi, позволило Nest создать совершенно новый уровень данных, который создает новую ценность для домовладельцев. Устройство Nest всего за несколько дней может изучить ваши привычки и автоматически регулировать температуру в вашем доме, участвовать в программах снижения энергопотребления близлежащей энергетической инфраструктуры.

Подобная передача данных происходила практически везде: от социального поведения на Facebook до фитнеса с Apple Watch или Fitbit, отслеживания сна и здоровья с помощью колец Oura и Motiv {45}45
  Для нас одним из самых удивительных примеров датафикации является система на основе искусственного интеллекта, которая отслеживает внимание студентов и результаты их обучения с помощью камер распознавания лиц в классах, как это было впервые сделано китайской Face++ – естественно, личный фаворит преподавателей, которые хотят гарантировать, что каждый ученик полностью вовлечен в занятие.


[Закрыть]. Все чаще, как в примере с Netflix, первоначальный процесс датафикации может быть объединен с внешними источниками, чтобы создать дополнительную ценность для пользователя. Например, приложение для колец Oura объединяет данные о сне и частоте сердечных сокращений с уровнем активности пользователя, отслеживаемым Apple Watch, чтобы предоставить пользователю показатели отдыха и активности, необходимые для продуктивного дня. Платформы райдшеринга (сервиса совместных поездок), такие как Uber, Lyft, Grab, DiDi и GOJEK, создали слой датафикации в сфере транспорта. Сочетание приложений в смартфоне позволило этим компаниям генерировать данные об индивидуальных предпочтениях в области транспорта, потребностях в спросе и предложении, а также об общем потоке трафика в городских центрах и за их пределами. Точных данных в реальном времени обо всем этом до сих пор не существовало.

Иногда инновации необходимы для того, чтобы преобразовать обычные виды деятельности в источники полезных данных. Alipay и WeChat Pay лидируют в этой области, благодаря широкому использованию QR-кодов для платежей. Если данные недоступны или отсутствуют, то компании целесообразно инвестировать в первую очередь в технологии и услуги, которые генерируют данные. Даже Pitney Bowes, давний поставщик почтового оборудования, выстроил стратегию датафикации с использованием физических адресов в Соединенных Штатах и расширяет бизнес-модель компании, предлагая управляемые данными решения Knowledge Fabric для банков, страховщиков, социальных платформ и розничных продавцов – для любой организации, которая может использовать адресные данные для маркетинга, обнаружения угрозы мошенничества и других целей. Компания поняла, что она может создавать и определять ценность, выходящую за рамки простой продажи почтовых услуг.

Многие действующие компании, которые пытаются построить фабрики ИИ, обнаруживают, что данные, которыми они обладают, фрагментированы, неполны и часто изолированы в подразделениях и разрозненных ИТ-системах. Возьмем, к примеру, типичное пребывание делового путешественника в отеле. Теоретически гостиничная сеть должна иметь множество данных о своих клиентах, начиная с домашнего адреса и заканчивая информацией о кредитной карте, частоте поездок, авиакомпании и видах транспорта, которыми они пользуются, мест путешествий, класса проживания, выбора блюд, местных достопримечательностей, посещаемых ими, и предпочтений в области здоровья и фитнеса. Однако на практике эти данные сильно фрагментированы, находятся в различных системных хранилищах с несовместимыми структурами данных, у них отсутствуют общие идентификаторы, и они не всегда точны. Руководители многих действующих компаний постоянно недооценивают сложность и срочность инвестиций, с которыми они сталкиваются при очистке и интеграции данных в рамках всего предприятия для построения эффективной фабрики ИИ. Первостепенная задача, стоящая перед этими руководителями, заключается в том, чтобы обеспечить соответствующие инвестиции.

Мы подчеркиваем, что после сбора данных предстоит проделать большую работу по их очистке, систематизации и интеграции. Сделать это не так-то просто. Активы данных чаще всего страдают от всевозможных искажений и даже простых ошибок, и необходимо приложить значительные усилия для обеспечения их тщательной проверки на предмет неточностей и несоответствий. Кроме того, поскольку различные потоки данных объединены в один поток для обеспечения комплексного анализа, разные виды данных должны быть упорядочены. Основная проблема заключается в том, чтобы убедиться, что финансовые данные используются должным образом, в соответствии с операционными данными, чтобы любая информация, полученная в результате анализа интегрированного комплекта данных, была точной. Например, единицы измерения должны быть согласованы, дубликаты устранены, а переменные совместимы. Эти вещи зачастую кажутся простыми, однако это не так, особенно когда базы данных достигают значительных размеров.