Большие данные, цифровизация и машинное обучение для собственников и топ-менеджеров, Или как зарабатывать больше с помощью информации

В предыдущем разделе были рассмотрены два примера улучшения финансового состояния компаний с помощью цифровизации: гаражный кооператив и столовая в вузе. Предприятия из этих примеров находятся на грани рентабельности, поэтому даже небольшое уменьшение затрат с помощью цифровизации имеет для них существенное значение. Но останавливаться на этом нельзя, потому что конкуренты тоже непрерывно переводят свои процессы в цифру, снижая издержки и накапливая большие данные для машинного обучения. К сожалению, многие владельцы и менеджеры компаний с многолетней историей думают, что рынок статичен и до конца их жизни будет находиться в неизменном состоянии.

Вспомним 90-е годы в России. Тогда практически все ниши на рынке пустовали, конкурентов как таковых не было. В той ситуации любое предложение товара оборачивалось его продажей. Можно было прийти на центральную площадь города, поднять свой продукт над головой, и сразу находился покупатель. Потому что если на рынке нет конкурентов, то стоимость рекламы намного ниже стоимости товара. К примеру, чтобы реализовать продукт на пустом рынке, нужно потратить на маркетинг ~5 % его стоимости. Но когда появляются конкуренты, затраты на продажу товара возрастают в несколько раз или даже на несколько порядков. В таком случае единственным способом заработка остается продажа сопутствующих товаров, комплектующих, дополнений, услуг, сдача товара в аренду и т. д. Это нормальная ситуация для конкурентного, занятого рынка.

При этом сами рынки очень инертны. Если производитель нашел пустую нишу, то он быстро заполнит ее своей продукцией, практически не тратясь на рекламу. Отбить потом у него эту долю рынка практически невозможно. На это уйдут десятилетия, за которые продукт может потерять свою ценность.

Многие собственники и топ-менеджеры, ведущие свой бизнес со времен «пустого» рынка, воспринимают потребительский спрос как должное, а не то, что требует серьезных усилий по стимуляции. Потому что изначально они руководствовались девизом «мои штаны продают мои штаны». И это отлично работало. Но с развитием популярности товара рынок продаж становится перенасыщенным предложением в результате конкуренции. Тогда старый бизнес с консервативным подходом про «штаны» начинает проседать под натиском чужой рекламы, маркетинга и товаров, которые лучше удовлетворяют покупателей.

Поэтому руководителям, принимающим ключевые решения в компании, ни в коем случае нельзя упускать из виду момент перехода от пустого рынка к занятому. Для этого нужно отслеживать основные метрики: затраты на рекламу и маркетинг, размер среднего чека покупателя, количество посетителей стенда компании на областной выставке и т. д. Все эти большие данные должны поступать ответственным лицам буквально в режиме онлайн. То есть компании необходима система с кучей диаграмм и графиков, которые отражают актуальную информацию. Такие информационные панели делаются вручную программистами (в англоязычных компаниях такие панели называют Dashboard). Это большая работа по ежедневной обработке и визуализации данных. Но без нее любой собственник и топ-менеджер будет пребывать в уверенности, что дела на предприятии идут хорошо и компания должна продолжать двигаться в прежнем направлении, даже если на самом деле она находится на краю пропасти.

Далее центральной темой примерно до середины книги будет цифровизация отделений компаний и создание информационных панелей. И только в последней части этого издания мы вплотную приступим к обсуждению использования больших данных для машинного обучения. Причина такого порядка изложения материала в том, что при цифровизации и создании информационных панелей волей-неволей происходит сбор «больших данных», так как сохраняются все сведения по продажам, выработке часов сотрудниками, успехам менеджеров. Затем на этих больших данных проводится тренировка моделей машинного обучения для предсказания будущего. Но без фундамента в виде цифровизации ничего не получится, так как не будет самих данных.

Дойдя до середины этой книги, читатель сможет убедиться, что цифровизация является фундаментом для всего развития компании посредством больших данных и что этот фундамент сам по себе приносит отличную материальную выгоду даже без машинного обучения.

Почему не CRM?

Дочитав до этого места, опытные предприниматели и топ-менеджеры наверняка зададутся вопросом: «Почему надо создавать свою информационную систему и всякие панели? Чем вас не устраивает сервис имеющихся на рынке готовых программ по управлению взаимоотношениями с клиентами (сокращенно и по-английски) CRM?» И отчасти будут правы. Современные CRM обладают очень большим набором встроенных функций. И логично было бы арендовать к ним доступ и начать ими пользоваться, не нанимая программистов. Но здесь стоит обратить внимание на то, что чаще всего компании вообще не используют большинство встроенных в систему функций, ограничиваясь лишь базовыми: хранением информации о контактах, заказах и документах. Вдобавок можно оказаться обладателем импортной CRM, которая внезапно удалит[4 - «Atlassian начнет отключать от своих сервисов учетные записи, зарегистрированные в России и Беларуси» (https://habr.com/ru/news/753384/ (https://habr.com/ru/news/753384/)).] учетную запись компании по политическим причинам. Надо сказать, очень популярная проблема, с которой столкнулись отечественные компании в 2022 году.

Систему CRM с базовыми функциями контактов, заметок и задач может написать один программист буквально за пару месяцев работы. При этом она будет находиться на серверах компании, к ней всегда будет доступ, не надо будет платить за нее каждый месяц правообладателю под страхом удаления всех данных. И это далеко не самая большая проблема и причина создания своей CRM, разработанной своими программистами под конкретные нужды предприятия.

Самая большая проблема готовых CRM-сервисов в том, что предлагаемые ими ресурсы крайне ограничены. Например, невозможно найти такой, в котором объем хранилища исчислялся бы десятками терабайт. А между тем, такие хранилища могут содержать крайне полезную для компании информацию. К примеру, о географическом положении клиентов. Подобные большие данные критически важны для определения лучшего места для наружной рекламы, выгодного расположения для новой торговой точки. И еще много каких «нельзя» скрываются за фасадом покупной CRM.

Готовые CRM хоть и обладают значительным набором функций, но все эти возможности по тем или иным причинам оказываются невостребованными, когда появляются реальные задачи. Современным компаниям требуются серверы с хорошими объемами хранилищ, с тензорными или видеокартами, с высокопроизводительными процессорами. Ни один сервис не даст даже десятой доли этих ресурсов за вменяемую цену. Конечно, можно сделать свои вычислительные системы на стороне и заставить их связываться с CRM. Но зачем такие сложности, если за пару месяцев можно написать свою CRM с базовыми функциями?

Предположим, что вышеприведенные аргументы не возымели должного эффекта и компания решилась использовать покупную готовую CRM, а не делать свою систему. Для привнесения в общую картину информатизации предприятия дополнительных доводов в пользу создания собственных систем, рассмотрим проблемы, которые могут появиться в случае покупного программного обеспечения в зависимости от размера организации.

Малая организация

В небольшой компании, в которой еще нет ни одного программиста, использование CRM будет оправданно. Потому что информационная система не готова ни у одного отдела, а продажи уже надо запускать. В таком случае обычно заказывают самые дешевые тарифы известных CRM, которые сильно ограничены как по функциям, так и по количеству возможных учетных записей. То есть даже не все сотрудники могут пользоваться ими, приходится нескольким людям сидеть через одну учетную запись или определенным сотрудникам нести дополнительные обязанности за пополнение данных с различных рабочих мест.

Ежемесячная стоимость использования CRM не бьет по карману такой организации и позволяет провести хоть какую-то автоматизацию, усыпляя бдительность руководителя и топ-менеджера. Важно не пропустить момент, когда мини-CRM должна быть увеличена до разрастающихся нужд предприятия, и начать привлекать программистов, которые будут создавать дополнительно требующийся функционал. Иначе можно забыть о следующем шаге, о сборе больших данных, для чего, собственно, и проводится цифровизация.

Средняя организация

Большие проблемы появятся, как только компания начнет быстро расширяться. В этот момент типовое решение CRM перестанет удовлетворять запросам бизнеса, и его тоже потребуется наращивать. Например, закупить расширенные версии имеющейся системы CRM с дополнительными модулями, которые способны связываться с другими типовыми системами от известных производителей за дополнительную плату. Бухгалтер начнет слегка нервничать, видя новые цифры в ежемесячном счете на оплату. А многих руководителей начнет посещать мысль: «Может, пришла пора нанимать программистов и делать свое?»

Если организация успела дорасти до средних размеров (~50 человек), но так и не нашла хотя бы одного программиста, который мог бы начать создавать единую информационную систему, то дальше можно не мечтать о быстром росте компании. В такой фирме проблемы с CRM и другими сторонними системами будут накапливаться как снежный ком:

• Функций хоть и много, и они разные, но нет нужных для решения задач компании.

• Недостаточно уровней доступа, система авторизации не является гибкой.

• Недостаточная информативность (не хватает графиков, диаграмм, сводных таблиц и т. п.).

• Нет возможности анализа больших данных (терабайты) и машинного обучения на них.

• Нужно ежемесячно платить за каждую дополнительную функцию. А если откажешься, то производитель отключит программу и возникнет угроза потери имеющейся информации.

• Нет интеграции с сервисами других производителей. Поставщик ограничивает все функции только своей «экосистемой» продуктов, программы от стороннего поставщика подключить не получится.

• Нет возможности скопировать свои данные из системы, чтобы не потерять их. А весь доступ к системе предоставляется по модели «с подпиской». Купить раз и навсегда нельзя.

• Сервис CRM иностранный, и его в любой момент могут отключить по политическим соображениям, удалив все данные организации.

К сожалению, во многих растущих фирмах все перечисленные проблемы решаются закидыванием деньгами производителя CRM, выбранного компанией на начальной фазе развития. Такое решение перевалить проблему «на другого» рано или поздно приводит к остановке роста компании. А как только компания перестает расти, то она тут же начинает терять лучших инициативных сотрудников, которые не видят перспектив для развития и карьерного роста.

Крупная организация

Большой зрелой организации, которая уделяла достаточное внимание своей информационной системе, нет нужды использовать даже расширенные версии популярных CRM. Потому что у них уже есть подобная система в каждом отделе. Они ее уже выстрадали регулярной и планомерной работой многих специалистов компании по развитию собственной системы и убедились, что делать свое намного выгоднее и удобнее, чем купленное на стороне. При этом в организации уже трудится пара программистов, способных за считанные часы добавить новые функции, перестроить старые рабочие процессы или увеличить вместимость озера данных. Благодаря их деятельности все большие данные компании находятся в руках компании, что позволяет проводить серьезную аналитику и машинное обучение хоть каждый день.

Большие данные в компании

От темы CRM вернемся к большим данным. Ими же наполнена и самодельная CRM, сводку о состоянии которой видит руководитель компании на своей информационной панели каждый день. Давайте разберемся, как эти данные используются в разных отделах организации, как собираются и обрабатываются. Но сначала познакомимся с основными профессиями, которые связаны с большими данными.

В реальной жизни количество параметров, отслеживаемых/собираемых в рамках «больших данных», может достигать нескольких тысяч. Эти данные не ограничиваются стенами предприятия или даже границами города. К примеру, один из крупнейших банков нашей страны при выдаче ипотечного кредита использует сотни параметров. В том числе такую экзотику как «количество занятых одноместных номеров в трехзвездочных гостиницах в радиусе 500 метров от приобретаемой квартиры». Все значения этих параметров непрерывно отслеживаются и обновляются в автоматическом режиме. Для этого создаются специальные программы, которые, словно конвейер, неустанно доставляют информацию в озеро данных компании. При этом старые сведения не удаляются. К ним лишь добавляются новые. Из-за этого хранилища могут разрастаться до невероятных размеров (отсюда и название «большие данные»). Сбором, обработкой, сжатием и упорядочиванием данных занимаются инженеры данных (Data Engineer). Эти же специалисты конвертируют информацию в таблицы для дальнейшего ее анализа и построения графиков на ее основе.

После того как данные собраны и преобразованы в подходящий для анализа вид, в дело вступают аналитики данных (Data Analitycs). Они представляют информацию в виде наглядных графиков, в которых нуждается бизнес. Также аналитики ищут в данных полезные связи, новые способы их демонстрации, что позволило бы руководству лучше оценивать текущую ситуацию. Цель работы этих специалистов – найти пути получения прибыли из собранной информации. Аналитики думают только о деньгах. Они не умеют настраивать хранилища, управлять озером данных или круто программировать, поэтому инженеры по данным должны предоставлять им хорошо подготовленную информацию в удобной форме. Но именно аналитики знают, как из этих данных получить дополнительную маржу, как превратить данные в деньги.

Собранные большие данные позволяют буквально предсказывать будущее в результате учета значимых связей и зависимостей между отдельными компонентами данных, выявленных программными алгоритмами. Созданием инструментов для подобных прогнозов занимаются специалисты по машинному обучению (Machine Learning Engineer). Они могут заставить компьютер проанализировать тысячи собранных параметров с миллионами значений, чтобы предсказать практически любой экономический показатель. Имея достаточно данных и используя машинное обучение, профессионалы могут ответить на любые вопросы, касающиеся оптимизации продукта и максимизации прибыли.

Вспомните пример с ипотечным кредитом и странным параметром «количество занятых одноместных номеров в трехзвездочных гостиницах в радиусе 500 метров от приобретаемой квартиры». На наш обывательский взгляд, данный пункт вряд ли влияет на спрос жилья в районе. А собственник бизнеса или топ-менеджер никогда не попросит инженера по данным построить график зависимости прибыли от этого параметра на информационной панели в системе компании. Но с точки зрения машинного обучения данный фактор может внести существенный вклад в предсказания, потому что компьютер, в отличие от человека, способен уловить любую, даже еле заметную, связь в параметрах.

Все три профессии – аналитик, инженер по данным и специалист по машинному обучению – называют одним термином «специалисты по данным» (англ. ”Data Scientists”). Благодаря их слаженной работе руководство компании может в реальном времени наблюдать за всеми показателями, прогнозировать будущее и тестировать предложения по смене стратегии компании.

Как начать собирать большие данные

В каждой компании существует свой уникальный производственный процесс. Любая его стадия может быть описана определенными величинами в цифрах: количество выполненных операций, себестоимость использованных комплектующих, затраченное время и количество задействованных сотрудников и т. д. и т. п. Эти цифры необходимо собирать и хранить, чтобы в будущем найти между ними взаимосвязь. Обнаружив ее, можно будет разработать стратегию развития компании, выделить основные показатели и определить для них желаемые значения. Без количественной оценки конкретных параметров любое улучшение в компании будет казаться сотрудникам очередной бесполезной инициативой руководства. В такой ситуации топ-менеджер или собственник не сможет аргументированно доказать необходимость изменений.

Попробуем разобрать популярные методики сбора информации и организации деятельности в компаниях, которые уже работают полностью «в цифре». Допустим, ваше собственное предприятие разделено на несколько отделов по роду деятельности, в соответствии с современными канонами управления[5 - А. Высоцкий (2021). Оргсхема. Как разработать структуру компании.]:

• Административное отделение.

• Отделение создания и построения компании.

• Отделение распространения (маркетинг и рекламу рассмотрим отдельно).

• Финансовое отделение.

• Техническое отделение.

• Отделение квалификации и качества.

• Отделение по работе с клиентами и партнерами.

Конечно, в вашей компании деление может быть несколько иным, но в качестве примера рассмотрим именно такой вариант. Пройдемся по всем отделам, обсудим, как вообще можно провести их цифровизацию с нуля, чтобы начать собирать данные.

Сразу уточню, что, говоря о больших данных для бизнеса, почти всегда подразумевают их привязку к дате и времени. Например, если ведется статистика количества опубликованных рекламных материалов, то в собранной информации обязательно присутствует время. То есть сколько штук в какой день и час было опубликовано. Привязка ко времени критически важна для предсказания циклических процессов при машинном обучении. Поэтому почти все примеры собираемых данных, приведенные в этой книге, стоит дополнять пунктом «дата и время наступления события».

Административное отделение