Особенности профессии

Называем «вещи» своими именами

0

Давно хотел высказаться по этому поводу, но как-то откладывал.

Очень часто компании выбирают названия, которые либо отражают отрасль деятельности, либо что еще интереснее — отражают оценку качества работы, но при этом не соответствуют ни этому названию, ни тем более той самооценке, которую они себе сделали.

Яркий «пример» такой компании — аптека у меня в районе с говорящим  названием «5+». В общем обалденные цены, качество сервиса, профессионализм. Уж не помню как дословно там написано, но суть ни в этом. С точки зрения проходимости, это одно из лучших мест в районе. Но с точки зрения самооценки, они не дотягивают даже до троечки. Ассортимент у них скажем ни ахти, по крайней мере мы постоянно убеждаемся на собственном опыте. В общем какие-то био добавки, и препараты в премиальном ценовом сегменте у них имеются. Я особо на ценник не смотрю, когда выбираю — как правило, что назначили, то и беру. Но самое смешное, что я из 10 походов в эту Аптеку, 9 раз уходил ни с чем. Фармацевты тоже работают так себе. Раз, все-таки, удалось жене купить препарат для ребенка, просили без атнибиотика, купили, пришли домой, открыли тюбик, засомневались, перечитали описание — в состав входит антибиотик.

Мораль — соответствуйте своему названию. В противном случае Вы потеряете множество клиентов. Тем более, если Ваша география ограничивается одним районом.

Меня больше удивил другой факт — я забегаю в аптеку уже порядка года примерно раз в месяц. Но я ни разу не видел, чтобы фармацевт записал где-либо препарат, который у него спрашивают. Т.е. они на каждом таком покупателе теряют до 500 рублей выручки за раз. Плюс/минус, ну как-то так и выходит, если ничего серьезного.  При этом никакой серьезной работы по расширению ассортимента не проводят, похоже аналитическая составляющая на нуле. Огромное количество свободного пространства, простаивающие фармацевты.

Думаю Вы можете привести множество компаний, которые не соответствуют своему названию.

Есть даже забавные названия, которые конечно хоть и выполняют свою роль привлечения внимания, но все же, порой, бывает и перебор. 

Вот несколько интересных примеров:

Архитектурно-дизайнерская фирмы «Бяка» — ну какой серьезный человек будет пользоваться услугами Бяки.

Медицинский центр «Кариес» — тут уж не знаю о чем думал собственник, хотел подчеркнуть профиль, получилось немного нелепо.

«Волосовик» — марка творога. Ммм, я бы не стал брать творог с таким названием.

ООО «Секс» — и не то, что Вы подумали, а информационные услуги.

«Интим» — ремонт помещений, а вы что подумали?
«Облом» — торгово-посредническая фирма.

В общем, воображение иногда просто пугает.

Удачи Вам!
  

 

Data quality — качество данных

0

Сегодня мне бы хотелось поговорить о самой большой проблеме всех внедрений BI — о проблеме качества данных. Особо острой проблема является в тех случаях, когда существует более чем один источник данных. Например, в British Telecom сейчас более 200 биллинговых систем. И несомненно, когда приходится считать какой-либо составной показатель из нескольких источников или выбирать показатель из множества конкурирующих источников (источники, которые содержат один и тот показатель), в этом случае мы всегда сталкиваемся с решением задачи обеспечения качества данных.

Недавно я встречался с Вице-Президентом Oracle по BI — Полом Родвиком и задал вопрос о подходах, которыми пользуются компании во время внедрения. О двух из них я несомненно слышал, но третий меня слегка удивил, хотя он имеет право на существование.

В настоящее время есть несколько принципов решения проблем:

1. «Глубокое решение» — подход, при котором создается единый источник, который является мастер-источником для всех остальных систем, т.е. идет двухсторонняя интеграция. Т.е. изменяя данные или справочники в мастер-источнике, данные меняются в остальных источниках автоматически. Пожалуй самый дорогостоящий подход, но при этом самый, наверное, правильный. Несомненно, если у Вас более 10-ка разных источников со своей нормативно-справочной информацией по каждому из них, и Вы собрались создать мастер-источник с нуля, приготовьтесь раскошелится.

2. Аналитический подход — односторонняя интеграция — справочники поддерживаются аналитически на уровне хранилища в BI-системе. Там же решается приоретизация конкурирующих источников. Гораздо дешевле во внедрении, немножко сложнее поддерживать. Все-таки с источников могут прийти любые данные, могут появиться новые источники, соответственно приходится постоянно решать эту задачу.

3. Не решать задачу вообще. Я был немного удивлен этим заявлением Пола. На что он заметил: «Для некоторых отраслей гораздо важнее иметь хоть какие-то данные, чем не иметь их вовсе». Конечно, применительно к телекому, банкам или ритейлам такой подход вряд ли возможен, хотя по некоторым типам данных, возможно. Но все же он имеет право на существование.

Вообще говоря, прежде чем использовать данные, необходимо решить вопрос о качестве данных. В противном случае, в том случае если данные недостоверные, своим решением можно нанести ущерб предприятию, нежели пользу.

Я при выборе подхода руководствуюсь финансовой составляющей. Какой эффект дает улучшение качества данных? Если погрешность в данных достаточно низка, при этом данные используются не для формирования официальной раскрываемой информации, а всего лишь для проведения аналитических выкладок или проверки каких-либо гипотез, стоит ли улучшать качество этих данных, если улучшение не принесет никакой дополнительной ценности для компании? Вопрос, конечно, больше риторический, ситуации бывают разные.

А какими способами пользуетесь Вы при выборе источника данных и как контролируете качество?

Удачи Вам!

Что Data mining может, а чего нет?

0

Недавно натолкнулся на очень интересное интервью с Питером Фэйдером (Peter Fader) с редактором журнала CIO Insight Алланом Алтером (Allan Alter), мастером по количественным ислледованиям в маркетинге бизнес-школы Wharton, который обращается к IT-директорам компаний: «хватит накапливать множество абонентских данных и не правильно применять алгоритмы Data mining-а».

Несмотря на то, что интервью бралось еще в далеком 2007 году, мне оно кажется очень актуальным, тем более после появления новых трендов, таких как Big Data. Я уже ни раз говорил о том, что не всегда продвинутый инструментарий позволяет получить гораздо лучшие результаты при аналитической обработке данных, чем при построении простейших моделей в том же Excel. После прочтения этого интервью я еще больше укрепился в этом мнении.

Статья на столько понравилась, что решил сделать перевод для читателей блога.

CIO INSIGHT: Питер, расскажите о сильных и слабых сторонах использования инструментария Data Mining и Business Intelligence.

FADER: 

Инструментарий Data mining очень хорош для решения классификационных задач, например, для понимания чем одна группа клиентов отличается от другой. Почему у одних людей высокий кредитный риск, а других низкий. Что заставляет людей принимать сторону республиканцев, а другую демократов. Когда мы решаем подобные задачи, я думаю, что лучшего инструмента чем Data Mining не найти и применение инструментария в таких случаях действительно. Другой важный вопрос, про который не стоит забывать, не то попали или нет они в определенную группу, а когда произойдут, какие-то интересующие нас события в будущем. Как долго клиент будет потенциальным, пока не станет действующим? Когда произойдет следующая покупка клиента? Мы очень часто задаемся временными вопросами, и я думаю, что в таких задачах инструментарий Data mining является достаточно слабым. Data mining хорош при ответе на вопрос — произойдет или нет, но очень слаб при ответе на вопрос — когда это случится.

Data mining может быть хорош в задачах, которые чувствительны к сезону, таких как например, похож ли этот ритейлер на такого, который вероятно мог бы заказать определенный товар в течение Рождества. Но в задачах, когда Вы хотите спрогнозировать какие конкретно клиенты приобретут, а не просто какой бренд они могут выбрать следующим, лучше применять другой инструментарий. Существует огромное множество случайных событий в жизни каждого человека, что все их в любом случае не опишешь, например, 600-ми объясняющими переменными, как это делается в Data mining-е.

Люди продолжают думать, если накапливать больше информации, которая описывает поведение клиентов, можно будет разрешить все неопределенности. Такого никогда не будет. Причины, по которым абоненты переходят от одного оператора к другому очень случайны. Это случается порой по причинам, которые уж точно не могут быть взяты из хранилищ информации. Например, из-за споров с женой, или ребенок вывихнул лодыжку и надо что-то делать, или он увидел что-то по телевизору.  Чем пытаться наращивать мощности хранилища, лучше отказаться от этой изматывающей затеи.

CIO INSIGHT:

Как Вы думаете, люди понимают ограничения Data mining?

FADER:

Думаю, что не понимают. И тут ничего не поделаешь с инструментарием или с маркетингом, но можно что-то изменить в человеческой натуре. Такие же вопросы возникают в каждой области науки. Когда технологии сбора данных становятся более продвинутыми и возможностей для построения моделей больше, люди думают, что они смогут ответить на вопросы, на которые раньше не могли ответить. Но если мы говорим о причинах заболеваний или механических поломках,  мы можем еще больше объяснить, накапливая данные.

CIO INSIGHT:

А люди, которые используют пакеты Data mining достаточно ли знают, как их применять.

FADER:

Я бы не стал обобщать, но есть действительно люди, которые пытаются искать иголку в стогу сена. Они думают, что могут ответить на любой вопрос используя один и тот же набор процедур, и это большое заблуждение. Когда Вы получаете другой набор данных, Вам нужно использовать различные алгоритмы. Но что действительно сводит меня с ума, когда люди неправильно используют некоторые алгоритмы статистического анализа, которые ассоциируются с Data mining-ом. Лифт-кривая показывает нам насколько построенная модель корректно описывает склонность людей к какому поведению по отношению к их фактическому. Это средство хорошо использовать в задачах классификации, но не задачах, требующих определить время. Для задач с вопросами «Когда», нужно применять и алгоритмы, которые будут отвечать на вопросы «Когда» . Люди просто не пытаются понять, а правильно ли работают их модели.

CIO INSIGHT:

Что Вы имеете ввиду, когда говорите про склонность в противовес их поведению?

FADER:

Разница в том, что тенденция что-то делать не говорит о том, что люди это будут делать в будущем. Вы можете быть одним из тех, кто покупает одну единицу товара в месяц с Amazon-а. Означает ли, что в течение следующих 10 лет, или 120 месяцев, Вы купите 120 товаров. Вовсе, нет. Вы можете 2 года ничего не покупать или наоборот в следующем месяце купить 5 товаров. Количество всевозможных ситуаций просто огромно. Вот откуда вся это случайность возникает.

CIO INSIGHT:

Вредят ли себе компании неправильно применяя алгоритмы Data mining-а?

FADER:

Хотелось бы начать с положительного примера. Я восхищаюсь тем, как работают специалисты страховых кампаний со своими клиентами. Они не смотрят на все Ваши параметры и не говорят когда Вы умрете. Они изучают похожего на Вас клиента и делают вероятностный вывод о том, когда умрет человек, с характеристиками, похожими на Ваши. Или какой процент людей, с похожими характеристиками доживает до 70 лет. Они просто понимают, что невозможно рассчитать это по каждому страхователю.

Давайте теперь перенесемся в мир маркетинга. Множество фирм говорит о персонифицированном (one-to-one) маркетинге. Вот это действительно плохо для большинства отраслей. Персонифицированный маркетинг работает, когда у Вас есть действительно глубокие отношения с клиентом. Он хорошо работает например в частном управлении капиталом или в B2B, когда Вы встречаетесь с клиентом хотя бы один раз в месяц и понимаете не только их потребности, но также что происходит в их бизнесе. Но в масс-маркетинге, когда Вы не можете отличить каждого отдельно клиента, Вы просто имеете множество людей с их множеством характеристик, которые их описывают. Само понятие персонифицированного маркетинга ужасно. Оно наносит больше время чем приносит пользы, потому что клиенты ведут себя более хаотично чем Вы себе представляете, и затраты, которые Вы тратите на то, чтобы понять как поведет себя конкретный клиент намного перевешивают выгоду, которую Вы можете получить от такого уровня детализации.

Очень сложно сказать, кто их клиентов собирается купить этот товар и когда. Намного проще сгруппировать клиентов по определенным признакам и сделать предположение о них как о группе, чем пытаться делать предположение относительно каждого клиента, какой товар они приобретут с большей вероятностью. А когда мы говорим о том, какие товары покупаются вместе, задача еще больше усложняется.

Я не хотел бы обижать систему рекомендаций Amazon, которую они продвигают. Но может клиент и так собирался приобретать книгу B, тогда все рекомендации оказались для него неподходящими. Или может клиент собирался приобрести книгу C, которая продается с большей маржой для компании, а в результате рекомендации купил книгу B. Или может клиент и вовсе может разочароваться тем, что ему рекомендуют, что и вовсе откажется от покупок. Я ни в коем случае не говорю, что не нужно заниматься кросс-продажами. Я просто говорю, что прибыли от этих операций может быть много меньше, чем думают люди. Очень часто я не могу найти оправданий для таких инвестиций в инструментарий.

CIO INSIGHT:

В свое время Вы выступали за использование вероятностных моделей в качестве альтернативы моделям Data mining. Что Вы понимаете под вероятностными моделями.

FADER:

Вероятностные модели — это класс моделей, которые использовались раньше, когда данные не были столь доступны. Эти модели основываются на нескольких постулатах: люди ведут себя случайным образом; случайность может характеризоваться простыми распределениями; склонность людей что-то делать со временем меняется, для разных людей и при разных обстоятельствах. Наиболее известная наверное, модель выживаемости, которая пришла к нам из страхования. Также она используется в производстве. Вы включили множество лампочек в тестовой лаборатории и смотрите, на сколько долго они горят. Во множестве случаев, это именно то, что я предлагаю делать с клиентами. Мы не собираемся делать предположений относительно любой из светящих лампочек, точно также как мы не должны делать предположения о каждом клиенте в отдельности. Мы сделаем заявление в совокупности, сколько из этих лампочек будут светить в течение 1000 часов. Видно как теория из производства, очень хорошо ложится на страхование. Многие конечно ополчатся на идею, но думаю, что такое сравнение гораздо лучше, чем вся эта персонификация и кастомизация, которую мы видим.

Клиенты настолько же отличны друг от друга, как и лампочки, но по причинам, которые мы не можем выявить, и чтобы их понять нужно потратить множество времени.

CIO INSIGHT:

Какие задачи можно решить с помощью вероятностных моделей?

FADER:

Вероятностные модели решают 3 типа задач: одна из них — время — сколько времени пройдет, прежде чем что-то произойдет; вторая — количественная — сколько полетов, сколько покупок или чего бы то не было произойдет на данном промежутке времени; третья — задача выбора чего-либо — сколько людей выберут это. Большинство современных бизнес-задач как раз и являются комбинацией данных типов. Например, если Вы моделируете время, потраченное на серфинг в Интернете в течение месяца, это количественный метод для моделирования количества визитов и временной метод для длительности каждого из них. Мое мнение что, в Excele достаточно просто построить модели всех трех типов. Большинство людей занимается построением этих моделей на протяжении многих лет и очень тщательно их тестируют. Некоторые начинают противопоставлять алгоритмы Data mining-а  для решения подобных задач. И находят, что возможности вероятностных методов не только удивительны, но и превосходят методы Data-mining-а. Когда Вы подумаете о различных ситуациях комбинирования времени, количественных показателях и выборе, Вы можете описать множество интересных бизнес-кейсов.

CIO INSIGHT:

А как использовать данные методы для определения наиболее прибыльных клиентов или вычислять ценность клиентов на протяжении жизненного цикла?

FADER:

Это как раз тот случай, когда вероятностные модели хорошо работают с моделями глубинного анализа данных. Вероятностные модели мы можем использовать для определения промежутка времени, в течение которого они будут оставаться нашими клиентами или сколько покупок они сделают в течение следующего года. Использовать основные вероятностные модели для определения основного поведения клиентов и потом уже с помощью моделей Data mining понимать, чем группы клиентов с разными поведенческими характеристиками отличаются друг от друга. Понимаете, само по себе поведение не полностью описывает склонность к чему-либо, которые пытаются определить менеджеры. И для этого мы строим вероятностные модели, которые позволяют нам понять склонности клиентов, и потом мы берем эти склонности — тенденции клиентов что-нибудь быстро или медленно, находится долгое время online или нет, и передаем их в инструментарий Data mining объяснить такое поведение 600-ми переменных. И в этом смысле Вы более качественно можете подойти к профилированию новых клиентов или понимать наиболее вероятные действия существующих клиентов. Когда речь идет о принятии результатов и объяснении вероятностных моделей, процедуры Data mining самое лучшее средство.

CIO INSIGHT:

Могут ли вероятностные модели решать временные задачи или задачи предиктивной аналитики.  

FADER:

Очень-очень хорошо. На самом деле, самым моим любимым примером является задача удержания и возврата клиентов. Вы можете их решать вовсе не имея никаких объясняющих переменных. Ирония состоит в том, что при добавлении в модель объясняющих переменных, качество модели ухудшается. Это сводит многих менеджеров с ума. Им нужно знать чем отличаются эти абоненты. И если Вы попытаетесь добавлять объясняющие переменные для объяснения разницы, Вы просто добавляете шум (размываете данные) в систему. Ваша способность сделать более точный прогноз для каждой группы может становиться только хуже.

CIO INSIGHT:

Т.е. Data mining лишь позволяет увидеть есть ли какая-нибудь склонность и все?

FADER:

Совершенно верно. Разгадка заключается в объяснении тенденции склонности к каким-либо вещам, а не объяснению поведению клиентов.

CIO INSIGHT:

Вы говорили, что вероятностные модели могут быть построены просто в Excel-е. Т.е. для того, чтобы их построить вовсе не нужно иметь степень PhD?

FADER:

Конечно, степень не повредит. Но да, Вы правы, эти модели более прозрачны для менеджеров и объясняют они более простые вещи, требований к данным намного меньше, и разработка и внедрение намного проще. Прежде всего я начинаю с вовлечения людей в использование самых простейших моделей. Покажите мне сколько клиентов у нас было в первый год, во второй, третий, четвертый, пятый, и я скажу сколько у нас будет в девятый и десятый прежде чем мы перейдем к объяснению каких-либо переменных, что так любят делать специалисты Data mining. Тут я конечно, не совсем согласен с автором, за 5 периодов предсказать еще 5 на некоторых рынках нереально, но в то же время такой подход имеет право на существование, т.е. не нужно 600 переменных, чтобы сделать простейший прогноз.

CIO INSIGHT:

А если компании и дальше продолжают использовать эти модели, какие данные им стоит продолжать накапливать, а какие стоит прекратить?

FADER: 

В конечном итоге важно поведение. Не должно быть обратных действий, но в основном сейчас собираются данные, которые не характеризуют поведение клиентов. Демографические, психографические, социоэкономические данные, да даже данные по предпочтениям не должны занимать всю емкость хранилищ, если они не делают качество поведенческих моделей лучше. У меня есть огромное множество примеров данных, которые дают неверные представления о ситуации.

Так что поведение это главное, но даже в этом случае всегда можно упростить сбор данных. Например, во многих случаях нам даже не нужно знать, когда произошла та или иная транзакция в прошлом, чтобы сделать прогноз. Просто дайте мне суммарную статистику такую, как частота. Просто скажите мне когда произошла покупка и сколько покупок было сделано в течение последнего года и это практически объяснит все, что можно объяснить. Вы как-то упомянули, что исследование CIO Insight выявило, что объем накапливаемых данных ежегодно увеличивается на 50%. Я бы сказал, что наибольшее из того, что накапливается, бесполезно. С одной стороны иметь на 50% данных больше, это хорошо, но это вовсе не значит, что Вы получите на 50% больше знаний о клиенте. Фактически, Вы даже наносите больший вред, чем приносите пользы, так как Вы вытесняете часть переменных, которые действительно могли бы иметь значение.

CIO INSIGHT:

Какие компании наиболее правильно применяют такие модели?

FADER:

Я может быть и мог бы выделить какие-то компании, но я нигде не видел, чтобы методы применялись именно таким образом, как я люблю. И я скажу почему — это полностью моя вина. Это вина системы образования, которая практически не учит их применять. Большинство фирм просто не обладают этим инструментарием.

CIO INSIGHT:

Что должны делать ИТ-директора компаний, чтобы помочь своим компаниям правильно применять аналитический инструментарий и средства моделирования.

FADER: 

Прежде всего, запомните, много не значит лучше. ИТ-директора часто не задумываются об аналитических задачах и о данных, которые нужно накапливать, но если кто-то дает им весь дополнительный набор данных и атрибутов, они их берут. И неправильно делают, что берут. Дополнительные данные могут Вам навредить, зашумляя действительно важные данные, которые характеризуют склонность к чему-либо. Но очень часто Вам достаточно самых простых мер, таких как частота и давность покупки, чтобы объяснить поведение клиентов. Лучше инвестиции направить на сбор именно этой информации с большей точностью и на регулярной основе. Во-вторых, помните, что более простые модели могут дать Вам много больше, если Вы пока не думаете о том, что может повлиять на поведение. Не думайте о влиянии: сначала, определите поведение. Начните просто в Excel. Вы будете удивлены тому, сколько можно сделать выводов, не покидая одной таблицы.

Оригинал публикации можно прочесть по ссылке.

Я разделяю идеи Питера, на счет анализа данных и накопления данных в хранилищах. О чем я неоднократно говорил на страницах блога. С некоторыми тезисами бы поспорил, но в целом он конечно прав.

Удачи Вам, следите за обновлениями!

Что делать с низкододными клиентами

0

Недавно наткнулся на очень интересную дискуссию относительно того, что делать с клиентами, которые являются низкодоходными либо вообще убыточными для компании. Ну и задавался риторический вопрос — может стоит от них вообще отказаться. Я бы не торопился с ответом, а прежде всего начинал с анализа таких абонентов. Когда мы раньше говорили про правило Парето — 20% клиентов приносит 80% доходов (а возможно и прибыли). Тогда в таком случае мы говорим об отказе в обслуживании 80% клиентской базы. Неужели все так плохо?

Ответ не так уж прост. С одной стороны отказаться от этих клиентов легко и я уверен, что в краткосрочной перспективе это может оказаться даже более эффективно, чем продолжать их обслуживать, НО с точки зрения долгосрочной стратегии работы с клиентом это может привести к полному краху предприятия, ну или по крайней мере глубокому застою. Так как привлечь высокодоходного клиента не просто.

Если говорить, про шаги, которыми должно воспользоваться предприятие, то я бы говорил прежде всего о сегментации клиентской базы и о дифференцированном обслуживании.

Некоторые вопросы при целеполагании сегментации:

1. Посмотреть — есть ли сегменты c потенциалом роста, которые можно «вырастить».

2. Можно ли снизить cost некоторых сегментов и обеспечить его прибыльность.

3. Как можно увеличить частоту покупок в сегментах.

Кроме этого всю эту клиентскую базу можно использовать как Lead — т.е. Вашего будущего потенциального клиента высокодоходного сегмента.

Ну а дальше Ваша задача сводится уже к выращиванию клиентов. Грубо звучит, конечно, но задача аналитика как раз и сводится к тому чтобы принимать рациональные решения, иногда отбрасывая в сторону эмоциональную составляющую.

Есть, конечно, и другой ответ. А почему бы не избавиться от части клиентов, которые несмотря на все усилия не становятся прибыльными. Иногда это самый простой способ, но поверьте есть в этом методе очень опасная вещь, которая называется — сарафанное радио. И если один клиент будет недоволен, он может увести в 2 раза больше клиентов, чем привести один довольный. Поэтому будьте с этим инструментом очень внимательны.

Лучше все-таки пробовать находить альтернативу. Пытаться снижать свои издержки по обслуживанию таких клиентов на столько, на сколько это возможно и «тянуть» лямку, если вред, который они наносят предприятию, незначительный.

Удачи Вам, любите своих клиентов и они повернутся к Вам лицом.

Предотвращение преступлений и аналитика

0

Сегодня мне бы хотелось поговорить о необычных областях, где используется предиктивная аналитика.

Многие, наверное, видели фильм «Особое мнение», где 3 провидца предсказывают преступления до того момента, пока они еще не наступили.

Фантастика, скажите Вы и нереально. А вот Департамент полиции Чикаго думает иначе. Они уже давно используют предиктивную аналитику для борьбы с преступностью.

Проводя ежедневный мониторинг, событий, звонков на 911, собирая и аккумулируя статистику, они на основе прогностических моделей получают примерное место, в котором может произойти то или иное происшествие с большой долей вероятности и учитывают эту информацию при составлении маршрутов для патрулирования.

Вся аналитическая обработка информации проводится на «аутсорсинге» в Технологическом институте Иллинойса.

Интересно, как наша полиция использует статистику по происшествиям, которые аккумулирует?

Удачи Вам, присмотритесь к предиктивной аналитике, может быть ее можно использовать и у Вас.


Вверх