От дескриптивной к прескриптивной аналитике: как компании принимать управленческие решения

Развитие бизнеса и поддержание его показателей на высоком уровне – комплексная задача, которую не решить без анализа данных. Он необходим потому, что для повышения эффективности компании нужно принимать оптимальные решения. Поговорим о том, какие есть виды аналитики, какие задачи решает каждый тип и как Operations Research помогает в принятии решений.

Выделяют три вида аналитики, каждый из которых отличается задачами и используемыми инструментами:

Дескриптивная аналитика (Descriptive analytics)

Форма аналитики, которая отвечает на вопросы «Что происходит и почему?». В ней компания выгружает имеющиеся данные, интерпретирует их и ищет зависимости.

Предиктивная или прогнозная аналитика (Predictive analytics)

Аналитика, которая изучает данные и отвечает на вопрос «Что может произойти?». В ней на имеющихся данных можно построить прогнозную модель на основе машинного обучения, которая поможет предсказать, что может случится дальше.

Предписывающая или прескриптивная аналитика (Prescriptive analytics)

Аналитика, изучающая данные и отвечает на вопрос «Что можно сделать, чтобы добиться Х?» Это более усложненная форма аналитики, где используется машинное обучение и исследование операций.

Как видим, дескриптивная аналитика по большей части работает с историческими данными, чтобы выявить закономерности, в то время как предиктивная и прескриптивная с помощью математических моделей пытаются работать с будущим. Наибольшую практическую ценность для бизнеса несет прескриптивная аналитика, потому что она напрямую отвечает на вопрос, какое решение принять.

Инструменты предписывающей аналитики

Главная особенность прескриптивной аналитики – помогать принимать более взвешенные и корректные решения сегодня для достижения лучших результатов завтра. Для этого существуют несколько инструментов, о которых подробно расскажем ниже.

Опыт

Менеджеры, принимающие управленческие решения, руководствуются своим опытом. Когда этого опыта недостаточно или ситуация требует взгляда со стороны, компании нанимают консультантов. В качестве примера можно привести актуальный кейс с разрывом логистических цепочек: в связи с блокирующими санкциями и политической ситуацией, количество перевозок в европейской части страны сократилось, появилась необходимость в стратегических решениях. Тут и нужны консультанты: опираясь на опыт зарубежных и отечественных компаний и данные заказчика, они просчитают возможные сценарии и варианты на несколько лет вперед. Единственный минус консультантов заключается в том, что это дорогая услуга, влекущая за собой множество перемен в процессах, как стратегических, так и операционных.

Имитационное моделирование (Simulation)

Это один из многоразовых инструментов, который позволяет «проиграть» различные сценарии для одного и того же процесса. Этот инструмент подходит для задач, в которых невозможно построить уравнение, полностью описывающее систему, из-за нехватки точности описания входящих параметров и их зависимостей. Например, с помощью имитационного моделирования можно оценить, сможет ли склад в текущей конфигурации справиться с увеличенным грузопотоком. В этой задаче есть ряд сложностей: фуры не всегда укладываются в нормативный интервал прибытия, что влияет на разгрузку, приходование товара, прием документов, размещение товара на хранение и т.д. Имитационное моделирование в таком случае поможет выявить не только пропускную способность склада, но и узкие места в процессах.

Машинное обучение (Machine Learning)

Это самый удобный для прогнозирования инструмент. Но и у него есть недостатки: чтобы построить модель на основе ML, нужно большое количество данных, причем данных корректных. Другой момент, на который стоит обратить внимание, заключается в том, что зависимость между входными и выходными данными тяжело описывается.

Исследование операций (Operations Research)

Инструмент, в рамках которого происходит моделирование проблемы в виде уравнения, в котором есть целевая функция с описанием всех параметров. Результат такой оптимизационной задачи помогает принять решение с пониманием того, что можно улучшить в процессах, почему стоит поступить именно так, а не иначе. Здесь зависимость между данными прозрачна и математически описываема.

Использование прескриптивной аналитики в бизнесе: примеры и возможности

Компании используют предписывающую аналитику для решения сложных проблем и поиска новых возможностей, от прогноза спроса до стратегического планирования ремонта оборудования. Приведем еще примеры использования:

• Прогноз объёма продаж
• Прогнозирование потребительского спроса
• Поиск оптимального места для открытия: новых филиалов магазина, станций метрополитена
• Прогнозирование объема необходимого к производству товара
• Планирование оптимального графика работы сотрудников
• Планирование ремонта и сервисного обслуживания техники
  
  

Как мы видим, предиктивная аналитика может стать стратегическим ресурсом для развития компании. Согласно исследованию AMR, только в 2019 году объем мирового рынка предиктивной аналитики оценивался в $7,32 млрд, а к 2027 году он достигнет $35,45 млрд, ежегодно увеличиваясь на 21,9%.

Таким образом, использование прескриптивной аналитики становится все более актуально с каждым годом. Этот инструмент поможет не только быстрее принимать решения, но также увеличить выручку и рентабельность. Если вашей компании необходимо внедрить решение с использованием прескриптивной аналитики, пишите нам для консультации и обсуждения проекта на email@f5devs.ru