W ciągu najbliższych trzech lat na świecie pojawi się ponad 20 miliardów połączonych urządzeń (np. rurociągi naftowe, inteligentne miasta, połączone domy i firmy itd.), które mogą wzmocnić cyfrowe przedsiębiorstwo — albo je zastraszyć. Wraz z rosnącym tempem działania urządzeń transmitujących dane w czasie rzeczywistym oraz innowacji technologicznych, można by przypuszczać, że to właśnie technologia nadal stanowi wyzwanie dla firm. Historycznie rzecz biorąc, nowe technologie — od komputerów mainframe po systemy klient-serwer i ERP — choć umożliwiały firmom realizację nowych celów biznesowych, stawały się zarazem wąskim gardłem postępu. Powodem były ograniczenia, takie jak długi czas wdrożenia czy brak elastyczności wobec zmieniających się warunków biznesowych.
Dziś jednak nie to stanowi największe wyzwanie. Prawdziwym, bardziej nieuchwytnym wąskim gardłem jest sama organizacja oraz jej zdolność do przyjęcia i adaptacji w zakresie big data i analityki.
Na podstawie naszych doświadczeń z klientami z różnych branż — od sektora finansowego po energetykę — oto trzy sposoby, w jakie firmy mogą wykorzystać możliwości analityki i przekształcić się z bariery w motor zmian dla swojej przyszłości.
Nie daj się przytłoczyć — zwolnij, by przyspieszyć
W obliczu szaleńczego tempa napływu danych strumieniowych wiele firm ma trudności z uzyskiwaniem wglądów z danych w tym samym tempie i podejmowaniem trafnych decyzji opartych na danych. Aby uniknąć przytłoczenia ilością danych i potencjalnych możliwości, firmy powinny zwolnić i skupić się na tym, co naprawdę ważne — znacznie łatwiej jest rozwiązać pięć kluczowych problemów niż próbować zająć się pięciuset, które mogą mieć marginalne znaczenie.
Gdy firma określi już priorytetowe obszary, może efektywniej dążyć do oczekiwanych rezultatów, intensyfikując działania analityczne, automatyzując dane i wbudowując wnioski w procesy decyzyjne. Powinno się to również odbywać równolegle z promowaniem wykorzystania analityki w całym biznesie, co przynosi jeszcze większe korzyści.
Przykładowo, producent sprzętu dla przemysłu energetycznego wykorzystał to podejście, aby lepiej zrozumieć, jak długo jego maszyny produkcyjne pozostają w trybie bezczynności. Firma wiedziała, że rozwiązanie tego problemu ma ogromny potencjał finansowy, jednak tradycyjne technologie nie były w stanie poradzić sobie z ogromem danych (300 tys. lokalizacji, około 20 maszyn na lokalizację, 200–300 punktów danych na maszynę, próbki co 45 milisekund). Dzięki platformie Big Data Discovery zespół w ciągu 10 tygodni był w stanie wygenerować ponad 70 milionów dolarów oszczędności, analizując jedynie część lokalizacji (13 500 lokalizacji, 20 TB danych, 15 sekund na przetwarzanie).
Technologia nie musi być widoczna (Trzymaj złożoność za kurtyną)
Firmy nie powinny obawiać się nowych technologii i eksperymentów z danymi w celu zwiększenia skuteczności analityki wspierającej kluczowe decyzje. Uczenie maszynowe — czyli zestaw narzędzi służących do odkrywania ukrytych wzorców w danych — to zaawansowana technologia, która świetnie się do tego nadaje. Jego możliwości eksploracyjne i prostota stają się nieodzowne w utrzymaniu konkurencyjności w połączonym świecie.
Techniki uczenia maszynowego mogą pomóc firmie m.in. w:
- analizie przeszłych zachowań i przewidywaniu zachowań nowych klientów (np. modele ryzyka przewidujące prawdopodobieństwo niewypłacalności),
- segmentacji klientów w sposób zoptymalizowany pod kątem rynku (np. modelowanie stylów życia klientów na podstawie danych geolokalizacyjnych z telefonów),
- symulacjach reakcji klientów na różne nagrody (np. modelowanie odpowiedzi klientów na promocje).
To tylko kilka przykładów — możliwości jest znacznie więcej.
Na przykład jeden z banków detalicznych wdrożył uczenie maszynowe w analizie klientów i osiągnął 300% wzrost skuteczności kampanii sprzedażowych w porównaniu do grupy kontrolnej. Mimo to wdrażanie nowego podejścia w oddziałach było powolne, ponieważ wielu menedżerów nadal korzystało z tradycyjnych metod sprzedaży relacyjnej. Aby zwiększyć przyjęcie nowego podejścia, bank zrealizował program zmian, który upraszczał definicję potencjalnych klientów oraz stosował podejście WIIFM („co ja z tego będę miał?”), pokazując menedżerom, jak to pomaga im realizować własne cele.
Szybsze decyzje oznaczają szybsze zyski
Dla firm kluczowe jest szybkie wyczuwanie, analizowanie, interpretowanie i działanie na podstawie wniosków z danych — ponieważ przewagi konkurencyjne będą raczej krótkotrwałe niż długofalowe w hiper-konkurencyjnym świecie. Obserwujemy fundamentalną zmianę w podejmowaniu decyzji strategicznych, która opiera się na big data discovery, czyli zdolności szybkiego dochodzenia do wniosków.
Przykładowo, duży bank wykorzystał analizę danych do pogłębienia strategii doświadczeń klienta i zrozumienia, dlaczego spadała jego satysfakcja. Analiza danych zajęła tygodnie zamiast miesięcy — zespół data scientistów, ekspertów merytorycznych i analityków biznesowych wspólnie tagował dane, filtrował je i szukał korelacji oraz różnic w zależności od segmentu klientów. Okazało się, że najbardziej zamożni klienci banku byli też najbardziej cyfrowi i to właśnie ich doświadczenie online i mobilne było źródłem niezadowolenia. Bank sądził, że chodzi o opłaty, które owszem, były istotne, ale nie najważniejsze dla najcenniejszych klientów. W efekcie zmieniono strategię obsługi klienta, oferując zwroty opłat i umożliwiając doradcom ds. majątku kontaktowanie się z klientami cyfrowo.
To fakt: ilość danych będzie nadal rosła, a możliwości technologiczne będą szły w ślad za nią. Firmy nie powinny uciekać przed tą nową cyfrową rzeczywistością, ale nauczyć się ją przyjmować, dostosowując strategie analityczne, aby pozostać konkurencyjnymi. Dzięki sile danych i technikom analitycznym, takim jak uczenie maszynowe, firma może podejmować mądrzejsze i szybsze decyzje — dla dobra biznesu, klientów, a nawet całej branży.
Autor: Brian McCarthy
Opublikowano: 29 września 2014 na HBR.org
