Продвинутая аналитика - признаки, сложности и пути их преодоления

Сегодня продолжаем тему продвинутой аналитики. Предиктивная аналитика — это тот самый инструмент, который станет вашим неизменным помощником в принятии важных управленческих решений, причем в любой отрасли и сфере деятельности.

Бизнес, практикующий предсказательный анализ данных, наиболее конкурентоспособен на рынке, имеет расширенные возможности и более высокие шансы на рост прибыли и оптимизацию всех своих бизнес-процессов. Такие компании намного быстрее откликаются на меняющиеся внешние условия и смену запросов потребителей. Это является прочной основой для всех компаний — от малых до гигантов — в инновационном развитии бизнес-моделей. Однако, не все компании используют Advanced Analytics. Почему? Мы говорили об этом ранее в наших статьях — некоторые имеют неполное представление о продвинутой аналитике, многие не понимают, как начать ею пользоваться, а большинство испытывает страх, предвидя сложности. Сегодня расскажем про признаки продвинутой аналитики (чем она отличается от других) и главные сложности, с которыми компания может столкнуться.

Продвинутая аналитика — отличительные особенности

Отличить предиктивную аналитику от простой можно по основным признакам. Главных признака всего 3:

• специфичность логики обработки данных (вследствие сложности и нетривиальности аналитики);
• использование сложных алгоритмов;
• работа с большими объемами данных, которые требуют долгой и тщательной обработки и анализа.

Рассмотрим подробнее каждый признак.

Специфичная логика

Здесь речь идет о том, что зачастую каждый из нас сталкивается с задачами, которые при поверхностном рассмотрении кажутся элементарными, но на самом деле являются очень непростыми!

У нас есть простейший пример, который связанный с подготовкой данных — их очисткой перед анализом. Задача: определить корректность телефонного номера в заданном формате: +A (AAA) AAAAAAA (если информация соответствует — все правильно). И возникает вопрос — а что здесь может быть сложного, где подвох?

Но при ближайшем рассмотрении, то есть при реальном анализе данных, получается вот что:

И подобных вопросов множество — может набираться не одна сотня. Решение данной задачи в реальном проекте приведет вас к пониманию, что логика обработки данных — это очень сложная и нетривиальная задача, потому что количество и множество типов проверок настолько велико, что может отнять огромное количество времени. Недаром практикующие аналитики считают этот этап одним из самых трудозатратных — многие отдают ему до 80% времени всего проекта.

Использование сложных алгоритмов

Многие ошибочно считают, что использование сложных алгоритмов является мерилом продвинутой аналитики. Конечно, во многих случаях без сложных алгоритмов и machine learning трудно обойтись, но и в продвинутой аналитике нужна умеренность — важно четко и обоснованно их применять, зная зачем и почему это необходимо. Обычно машинное обучение применяется в случае, когда между анализируемыми факторами существует множество сложных зависимостей. И это значительно облегчает и упрощает процесс анализа. Однако, все же не стоит забывать о том, что построение моделей — это уже последующий этап, а для начала нужно поработать с данными — собрать их, систематизировать, очистить и т. д.

Работа с большими объемами данных

Работа с big data на самом деле является очень сложным процессом, где возникает множество проблемных мест. Этот процесс один из самых энергозатратных — он требует огромного количества времени. Чаще всего, обрабатывая большие данные, аналитикам приходится использовать различные способы, чтобы сделать это грамотно и с наименьшей временной потерей.
Главные проблемы, с которыми можно здесь столкнуться:

• сложности с производительностью и памятью;
• трудности с логикой анализа данных.

Приведем пример. Банковские структуры всегда используют большое количество данных, однако еще некоторое время назад они не требовали применения предиктивного анализа. Сейчас же все изменилось — банки стали все чаще использовать данные клиентов: более гибко работать с вкладами, предлагать новые индивидуальные тарифы и т. п. То есть их задачи перестали быть тривиальными и привычными, а стали требовать анализа не только внутренней информации, но и внешней. Так, на основе данных о покупках клиентов в ритейлах, банки могут делать интересные коммерческие предложения. Здесь уже различные информационные потоки объединяются и связываются — и без продвинутой аналитик обойтись невозможно.

Обобщая, отметим, что если при реализации аналитической задачи вы обнаружили хотя бы один или два (не говоря уже о трех) вышеуказанных признака — значит, речь идет уже точно о продвинутой аналитике. Важно сказать, что с продвинутой аналитикой нужно уметь работать, а значит — ей обязательно нужно обучать. И да, многие всеми силами пытаются решить задачи «по-старинке», хотят остаться со своим Excel навсегда. Вы должны знать, что это не навсегда — с продвинутой аналитикой это не будет работать, а если и будет — то долго, дорого и неэффективно — вы просто перестанете успевать идти в ногу с быстро меняющимися условиями рынка.

В чем сложность продвинутой аналитики

Расскажем, почему предсказательную аналитику считают сложной и в чем это заключается. Именно эти трудности останавливают многие компании от шага в сторону продвинутой аналитики.

Сложность первая: трудности с инструментами

Один из главных факторов, которые тормозят применение продвинутой аналитики, является сложность инструментария. Сейчас уже никого не удивить такими инструментами, как Python или R, и при их бесплатном доступе каждый может научиться ими пользоваться. Так почему же не каждый бухгалтер или менеджер самостоятельно пишет себе скрипты? В действительности все не так просто — для подавляющего большинства людей это слишком сложно, и требуется обучение языку программирования. Именно поэтому почти все среднестатистические компании используют более простые системы — привычные электронные таблицы и прочее. То есть, даже при высокой компетентности сотрудников в своих предметных областях и понимании необходимости использования продвинутой аналитики, порог входа слишков высокий.

Сложность вторая: нетривиальность задач

Второй фактор — это нетривиальность решаемых задач. Трудность заключается в том, что прогнозная аналитика — это выдвижение гипотез, их доказательство или опровержение, проведение экспериментов и т. д., то есть это нет про простое построение отчетов. И это требует времен — для начала нужно провести ряд аналитических действий, прежде чем понять — работает гипотеза или нет. Иначе это сделать невозможно. А вот тратить время и силы на эксперименты и углубленное изучение — хотят немногие, таких людей в компании единицы.


По нашему мнению, все эти сложности определяют саму суть продвинутой аналитики. И, к сожалению, в реальности, вы можете столкнуться со всеми ними. Однако, достигая определенного уровня развития, компания уже не сможет обойтись без предиктивного анализа. Именно поэтому важно заранее знать не только о перспективах и возможностях, но и о предстоящих трудностях, чтобы быть к ним готовыми.

---

Команда Reshape Analytics имеет многолетний опыт в области продвинутой аналитики и внедрения автоматизированных систем управления бизнесом на основе данных. Мы разработали 4 полноценных направления управленческого и операционного консалтинга, который поможет глубоко вникнуть в бизнес-процессы любой компании, найти проблемы и решить их. Обращайтесь к нам, и мы проведем для вас бесплатную консультацию, на которой ответим на все интересующие вас вопросы и подробнее расскажем о нас и нашем подходе.