Система в помощь: как передать машинам принятие решений

Светлана Закутаева, BDM AYRA I Navicon EMEA, рассказывает, как построить внутри компании триггерно-аналитическую систему, которая поможет менеджерам находить оперативные ответы и принимать взвешенные решения, основанные на анализе и прогнозах, а не интуиции.

Четыре шага к «умному» управлению брендом

Сегодня почти аксиомой стало выражение: «К какому дню нужно выполнить задачу? Вчера». Сюда же можно добавить принятие решений, которое в условиях постоянно меняющегося рынка должно быть очень быстрым. Опоздали — бизнес, наверняка, понесет потери. Но зачастую важные решения принимаются не просто недостаточно оперативно — к ним приступают тогда, когда проблемы уже начались и исправить их довольно сложно.

Мы работаем с фармацевтическими компаниями около восьми лет, в том числе с лидерами индустрии, и за это время получили большой опыт в том, как помочь бизнесу сохранить и повысить свою конкурентоспособность, а также эффективно управлять продвижением бренда. Наш опыт показал, что проблему можно решить с помощью мониторинга имеющихся данных и автоматического принятия решений на основе анализов и прогнозов.

Если подробнее, то интеллектуальный анализ данных на основе машинного обучения позволяет формировать логические выводы, базируясь на исторических данных, а триггерная модель запускает бизнес-процесс при отклонении от целевых показателей. Чтобы быть конкурентоспособным, нужно иметь сквозную автоматизацию процессов предприятия, результатами которой станут увеличение скорости принятия управленческих решений и возможность для пользователей самостоятельно вносить изменения в триггерную модель.

Основная задача триггерно-аналитической системы, работающей по этим принципам — рекомендовать менеджеру наиболее эффективный канал для продвижения: социальные сети, медиа, офлайн визиты медицинских представителей, мероприятия, промо-активности, телевидение, а также помогать ему оперативно управлять этими каналами.

Если вы задумались над созданием такой системы у себя в компании, то осмелюсь сказать, что сделать это будет довольно сложно. Вам потребуется пройти четыре этапа:

1. Определение источников данных, внедрение систем автоматизации;
2. Внедрение хранилища для построения индустриальной модели данных (Industry Data model);
3. Построение аналитических, прогнозных и оптимизационных моделей;
4. Разработка и внедрение дерева решений, настройка триггерных механизмов для запуска бизнес-процессов.

Строим триггерную систему: реальный опыт

1. Определение источников данных, внедрение систем автоматизации

С этим этапом на рынке, как правило, не возникает проблем. Ведь с такими решениями как, например, ERP, CRM, MDM, знакомы многие фармкомпании и успешно их внедряют. Без автоматизации невозможно принимать верные быстрые решения, основанные на сводных таблицах Excel и ручных разрозненных отчетах. Результатами автоматизации являются:

• Освобожденное время, которое раньше уходило на отчеты, графики, статистику и др.;
• Сокращение погрешностей, исключение ошибок из-за человеческого фактора;
• Увеличение качества обслуживания;
• Возможность быстрого доступа к критически важной информации;
• Повышение общей эффективности бизнеса;
• Управление всеми процессами и др.

2. Внедрение хранилища для построения индустриальной модели данных (Industry Data model)

Концепция индустриальной модели данных (Industry Data Model) позволяет компаниям не только собирать все данные в единое хранилище и получать доступ к «единому источнику правды», но и использовать их как конкурентное преимущество (см. график). Добавляя новые источники, которые появляются на рынке, и накапливая данные, компания всегда будет использовать актуальные показатели KPI для принятия управленческих решений. Мы построили хранилища с индустриальными моделями данных в 12 компаниях, и хотелось бы поделиться одним из интересных примеров.

При внедрении хранилища данных в одну из ведущих фармацевтических компаний наши специалисты визуализировали ее ключевые показатели. На первый взгляд, задача стара как мир. Однако при дополнительной настройке индустриальной модели данных мы выделили важные показатели и смогли найти одного из конкурентов, сильно влияющего на долю рынка — система позволила выявить его стратегическую политику по аналитическим показателям.

3. Построение аналитических, прогнозных и оптимизационных моделей

Про важность прогнозирования и оптимизации сегодня говорят на каждом шагу — с них начинается планирование всех S&OP-процессов. У нас есть опыт построения прогнозных моделей, причем как в фармацевтике (в том числе в Pharma Retail), так и в FMCG — и можно с точностью 93% сказать: аналитика, основанная на машинном обучении, может стать источником wow-результатов. Увеличивая точность прогнозов и оптимизируя использование своих ресурсов, компания получает ряд критичных преимуществ в разных сторонах бизнеса.

1. Продажи
   1. Обоснованный план продаж позволяет избежать занижения плана менеджерами;
   2. Повышение уровня сервиса: снижение вероятности over/out of stock, дефектуры;
   3. Повышение эффективности ТМА.
2. Склад
   1. Сокращение объема неликвидного товара, затоваривания складских запасов и списания товара с истекающим сроком годности;
   2. Снижение объемов утилизации товаров с истекшим сроком годности.
3. Производство
   1. Оптимизация производственных мощностей, ресурсов;
   2. Оптимизация расходов на производство и логистику.
4. Закупки
   1. Сокращение излишков при закупках сырья и материалов, в том числе сокращение неликвидных СиМ;
   2. Сокращение переплат за срочный заказ из-за нехватки СиМ.

Еще о нашем опыте

Все любят готовить об успешных кейсах, в том числе и мы. Но еще более ценным опытом является негативный, провалы и ошибки. Именно о нем я расскажу.

Когда мы начинали заниматься построением прогнозных моделей и машинным обучением, все казалось методологически сложным. И наш первый «business success» был совсем не success. На пилоте была поставлена задача спрогнозировать отдачу от промо-акции продолжительностью две недели по данным вторичных продаж со степенью гранулярностью месяц. На тот момент это казалось невозможным. Но, со временем изучив вопрос глубже, мы поняли, что технически можно реализовать любую задачу, лишь бы данных хватило. Если переводить все в числа, то 85% успеха — качественные данные с высокой гранулярностью. А их сейчас на рынке становится все больше благодаря операторам фискальных данных, внедрению маркировки и др.

Накопив опыт построения моделей и подключения необходимых данных, мы при реализации проектов успешно решаем задачи по прогнозу продаж или рентабельности промо-инвестиций с точностью до 98%.

4. Разработка и внедрение дерева решений, настройка триггерных механизмов для запуска бизнес-процессов

Это один из самых сложных этапов, требующий инвестиции в R&D. Исходя из опыта создания триггеров, расскажу, с какими сложностями придется работать. Сначала необходимо изучить, какие факторы влияют на бизнес-успех. Здесь стоит рассмотреть и внутренние, и внешние факторы. Далее нужно зафиксировать KPI, мониторинг которых позволит управлять факторами и улучшить бизнес-результат. Следующий шаг — определить, какие действия необходимо совершить, чтобы управлять факторами. Затем нужно составить скрипт: какие задачи необходимо выполнить при отклонении показателей KPI? И, наконец, протестировать, как влияют принятые решения на показатель KPI. При необходимости доработать исходную модель.

«На продажу влияют много факторов: доступность SKU в торговой точке, узнаваемость бренда, наличие рецепта на этот SKU, реклама по телевизору, стоимость SKU клиента и конкурента, эпидемиологический порог, покупательная способность населения. В зависимости от жизненного цикла продукта и самого продукта на продажу влияют те или иные факторы из всего перечня. Для получения бизнес-результата по каждому SKU необходимо разрабатывать индивидуальные факторы и триггерную модель для каждого SKU»,

так описывает все сложности внедрения такого подхода Евгений Смирнов, партнер по Pharma& FMCG в компании Navicon.

Иначе говоря, при принятии решения есть сложность — человек не может держать в голове сотни факторов и учитывать эффект от изменения одного из них в процессе принятия решения. Поэтому при разработке нашего технологического помощника AYRA мы ставили целью создать систему, которая поможет менеджеру принять взвешенное решение, продиктованное объективными данными, а не интуицией. Сегодня машинный интеллект может взять на себя не просто анализ или прогнозирование, но и такие задачи, как точная оценка альтернативных вариантов, быстрая реакция на изменения среды и бизнес-показателей и прогнозирование результата от выполнения запланированных задач.

Источник: Naviсon