Большие данные и ИИ в принятии решений
Сегодня все чаще можно услышать о том, что данные, обогащенные аналитикой — это новая нефть, один из наиболее ценных ресурсов, которыми сегодня обладают страны и корпорации. В России летом 2024 года должны объявить о содержании нового национального проекта «Экономика данных», который будет действовать до 2030 года.
Его цель - перевести экономику, социальную сферу и органы власти на новые принципы работы, внедрить управление на основе анализа данных и выйти на новый уровень в самых разных отраслях. Известно, что проект будет включать в себя следующие направления: сбор, обработка, анализ и передача данных, развитие систем связи, хранение данных и их безопасность, стандарты и протоколы работы с данными.
Напомним, большие данные представляют собой колоссальные объемы постоянно поступающей информации, обработать которую вручную невозможно. Неудивительно, что извлечение из этих массивов полезных сведений, формирование кратких аналитических отчетов, на основе которых можно принимать верные решения, для многих компаний становится настоящей идей фикс.
И тут на помощь приходят передовые технологии, решения для обработки больших данных, в том числе на базе искусственного интеллекта – которые умеют быстро находить закономерности между огромным числом событий и выдавать краткое резюме.
Так, в банках, ритейле, промышленности, на транспорте и в других отраслях сегодня активно применяют интеллектуальных цифровых помощников. Их относят к классу систем поддержки принятия решений (СППР) на уровне среднего менеджмента. Также их называют Decision Support System (DSS) или цифровые советники.
Аналитическое ПО, конечно, не способно полностью заменить менеджера, однако экономит ему много времени, выдавая решения на высоком экспертном уровне. Фактически, компьютерные системы, ориентированные на поддержку принятия решений человеком, сегодня способны качественно выполнять работы, которые имеют рутинный характер.
Отметим, что до сих пор ведутся споры по поводу субъектности таких ИИ-помощников, выдающих готовые решения на базе собственной аналитики: насколько они достойны доверия и можно ли полностью исключить возможность ошибки? В то же время очевидно, что ИИ давно вышел за пределы технологии, способной лишь на расчетные задачи. И бизнес может это использовать.
Где можно использовать цифровых советников
Итак, в каких направлениях ИИ-помощники оказываются эффективными уже сегодня? Перечислим некоторые из них. 1) Маркетинг. Технологии обработки Big Data помогают лучше понять клиента, изучив все его предпочтения. Используя информацию о том, как происходит взаимодействие между производителями и потребителями, каково их отношение к продуктам и в каких случаях они их покупают, ИИ помогает персонализировать предложение для определенных сегментов аудитории. Искусственный интеллект также может проанализировать, на какие рекламные кампании клиенты реагируют лучше всего, и выдавать рекомендации.
Так, маркетолог организации, который реализует промо-программу, в один клик получает готовую выборку выбору клиентов с нужными параметрами.
Кейс 1: решения на базе больших данных помогают компаниям, например, принимать решение о том, где лучше открыть ту или иную розничную точку, разместить склад и т.д. Так, решение билайна на базе геоаналитической информации позволяет организациям найти места концентрации целевой аудитории, чтобы открывать торговые точки или размещать рекламу.
2) Оптимизация процессов. Используя передовые ИИ-решения, руководители предприятий могут оптимизировать работу на производстве, перераспределять сотрудников в цехах, контролировать соблюдение персоналом техники безопасности, степень износа оборудования, и т.д.
Кейс 2: умная видеоаналитика от билайн помогает компаниям распознавать лица, события, объекты и действия по камерам наблюдения. Это позволяет в том числе отрегулировать рабочие процессы и предотвратить сбои.
3) Прогнозирование. Технологии Big Data можно использовать для планирования производства, а также ремонтных работ, мониторинга оборудования и отслеживания дат техосмотра. Также с помощью «умной» аналитики можно предсказать будущий спрос на товары и услуги.
Уже давно ИИ-решения помогают спрогнозировать бизнес-риски и принимать инвестиционные решения.
Кейс 3: банки давно перешли на использование ИИ-решений в финансовом скоринге, который помогает оценить платежеспособность клиента, желающего взять кредит. Соответствующий продукт, например, предлагает билайн: «Скоринг и верификация для банков, МФО и страховых». В частности, решение помогает предсказать вероятность просрочек выплат по кредиту и.
Кейс 4: Интеллектуальные системы, которые относятся к классу предиктивной аналитики, получили особую популярность в транспортном секторе. Mercedes и BMW давно используют в машинах встроенные модемы с международной SIM-картой, чтобы собирать диагностические данные с контроллеров и узлов автомобиля. Таким образом, производители аккумулируют огромную базу показаний и статистику отказов, что помогает выявлять тенденции, которые ведут к отказам.
- Ценообразование. Решения на базе ИИ также анализируют рынок, продукцию конкурентов и сделать выводы о том, как похожие компании продвигают свои продукты и в чем их УТП. На базе этой информации можно четче сформулировать стратегию по ценообразованию.
Какими бывают ИИ-решения
Технологии, которые помогают человеку принимать решения, часто делят на две группы: классическая бизнес-аналитика (BI, Business Intelligence) и современные прикладные системы аналитики Big Data. Сегодня в стратегии цифровизации практически любой крупной компании есть пункт о создании корпоративной СППР, что можно считать следующим шагом после развития решений бизнес-аналитики.
Эти продукты, в частности, могут базироваться на следующих технологиях:
- нейросети и машинное обучение;
- большие данные и сквозная аналитика, озера и хранилища данных;
- интернет вещей, в том числе промышленный;
- облачные вычисления;
- цифровые двойники.
ИИ-советники во время изучения огромного объема данных используют различные методы обработки информации, среди которых:
- регрессионный анализ (применяется, например, для прогнозирования спроса);
- кластерный анализ и классификация (разделение на классы, схожие по своим характеристикам, часто используется для сегментации клиентов);
- анализ ассоциаций (чтобы понять, например, какие товары люди чаще всего покупают вместе);
- последовательность «если А, то B» (это пример простейшего алгоритма).
- методы оптимизации (для решения задач, связанных с выбором режима работы, смен, исходя из множества переменных).
- теория игр, теория ограничения систем;
- системы правил на основе экспертных знаний.
Подведем итог: аналитические решения прошлого поколения отлично делали расчеты, на основе которых человек принимал решения. Сегодня системы, созданные на базе искусственного интеллекта, способны сформировать собственное решение или предложить план действий – которого, разумеется, человек может придерживаться или нет.
Так или иначе, СППР на базе ИИ, сочетающие разные методы и модели обработки данных сегодня – это перспективное направление в области цифровизации и автоматизации. А сами решения вскоре будут стандартными для всех компаний и отраслей.
