19/08/2014 Почему менеджер должен говорить «алгоритм», а не big data

стартовый шаг в работе с big data - сформулировать стратегию, навести порядок и определиться, какие данные нужно анализировать в первую очередь

Ограничение роста компании заложено в её менталитете. Это можно исправить двумя способами: коучингом топ-менеджмента или алгоритмизацией бизнес-процессов.

Знаете ли вы, какой самый честный способ увидеть менталитет компании? Через данные, через большие данные (или big data), если быть точным. Из массива данных компании легко проследить специфику бизнес-процессов, особенности принятия решений и стиль менеджмента, опыт сотрудников, историю взаимоотношений с клиентами.

Но даже среди специалистов нет чёткого понимания, что считать большими данными и как наиболее эффективно работать с ними. А если работа с большими данными - это постоянное развитие менталитета компании?

Новый чемпион мира по футболу, сборная Германии использовала большие данные для улучшения своей игры. При анализе матчей выяснилось, что среднее время, которое игрок проводил с мячом, составляло 3,4 секунды. Тренерский штаб сборной Германии поставил во главу угла скорость работы с мячом, и в результате время владения было снижено до 1,1 секунды. Ведь скорость - один из ключевых параметров в футболе. В итоге немцы стали одной из самых скоростных команд в мире, а изменение «менталитета в работе с мячом» привело к золотым медалям.

Начните с начала

Сегодня многие российские компании говорят про важность больших данных, про то, что работают с big data уже несколько лет. Но большие данные - это лишь поверхность океана.

Под работой с ними должно подразумеваться отношение к данным, выявление ценных корреляций, создание алгоритма, который превращает неструктурированную информацию в полезные бизнес-знания, открывает дополнительные полезности из скрытого массива и позволяет использовать одни и те же данные для разных целей.

Однако вместо того, чтобы досконально разобраться в тех данных, которые уже есть у компаний и которые могут быть драйверами роста бизнеса, компании стремятся собирать всё больше и больше новых типов данных.

Большими данными обладают очень многие компании, и все с ними работают, но многие делают это устаревшими методами. Например, в некоторых компаниях понимание поведения клиентов до сих пор лежит на плечах аналитиков.

Поэтому стартовый шаг в работе с big data - сформулировать стратегию, навести порядок и определиться, какие данные нужно анализировать в первую очередь. Вспомним пример со сборной Германии. Скорость - один из главных параметров современного футбола или драйвер качества игры, выражаясь языком бизнеса. Поэтому анализ времени работы с мячом был приоритетом номер один.

После определения целей работы с big data необходимо перейти к развитию инфраструктуры и алгоритмизации бизнеса, то есть созданию алгоритмов для оптимизации, визуализации и прогнозирования бизнес-процессов организации.

Всё ли вы знаете о своих данных?

Есть компании, которые уже работают с big data довольно успешно, считая себя профи в этом деле и обладая уверенностью, что знают о своих данных всё. На самом деле это не так. Наличие собственного подразделения по работе с данными так или иначе ограничивает ресурсы, возможности и разброс задач. Многие, кто работает с данными, думают, что раз они собрали свою команду, то аутсорсинг им не нужен. Аутсорсинг нужен всегда, потому что позволяет обогатить команду, соотнести свои методы и подходы с теми, что используются другими специалистами. Ограниченная по численности команда может не заметить ценных корреляций в данных.

Есть такая американская компания Inrix, которая занимается анализом дорожного движения, объединяя в реальном времени геолокационные данные о 100 млн. автомобилей в США и Европе для прогнозирования плотности трафика. В Inrix смогли извлечь альтернативную ценность из своих данных неочевидным на первый взгляд способом.

Данные по анализу дорожного движения стали использоваться для оценки состояния региональных экономик. Несмотря на заверения американских политиков о восстановлении экономики США, статистика Inrix в 2011 году показала, что в часы пик на дорогах стало свободнее, что предполагало увеличение безработицы. Позже компания продала свои данные в инвестиционный фонд, который на основе корреляций между количеством автомобилей у магазинов крупнейших розничных сетей выявляет объёмы их продаж.

Максимум решений

Чтобы выявить больше ценности в данных, рынок big data вбирает в себя элементы краудсорсинга.

Допустим, руководитель компании ставит задачу повышения количества заказов в крупном интернет-магазине. Сотрудникам компании нужно разработать или улучшить алгоритм показа товаров, рекомендуемых аксессуаров и т.д. Сколько специалистов по анализу данных (их ещё называют data scientists) работает в этой компании? Один, два, пять? Сколько алгоритмов они могут создать? Сколько времени уйдёт на тестирование каждого из них для последующего внедрения в бизнес-процессы?

А теперь представьте, что эту же задачу будут решать сотни специалистов по анализу данных со всего мира на конкурсной основе. Вы сможете посмотреть самые разные подходы, получить широкий спектр решений. Однако только лишь краудсорсинга недостаточно. Из авторов лучших алгоритмов можно создать отдельную рабочую группу, которая будет сотрудничать с вашей компанией над созданием сверхрешения.

Такой научный краудсорсинг будет более эффективен для получения палитры мнений и алгоритмов, чем даже специальное подразделение по big data. Бизнес должен стремиться видеть максимальное количество подходов в решении задач. С эффективными алгоритмами компания обретает искусственный интеллект, что, в свою очередь, приводит к снижению риска ошибки, и, как результат, к росту эффективности бизнеса и прибыли.

По материалам сайта Slon.ru - Деловые новости и блоги.

Вернуться

cont@ct © 123lab.ru 2006- хостинг Зенон Н.С.П.