Предсказания пока не сбываются: 7 причин низких темпов внедрения предиктивной аналитики

IT-World выяснял, что мешает бизнесу массово внедрять современные решения предиктивной аналитики. Расскажем, как инструменты прогнозной аналитики помогают бизнесу принимать более обоснованные решения, улучшать операционную эффективность, повышать маржинальность, улучшать клиентский опыт и получать конкурентное преимущество, быстро реагировать на изменения рыночных условий и запросы клиентов.

Современные ИТ-инструменты предиктивной аналитики уже давно доказали свою эффективность в прогнозировании продаж в ретейле, предсказании оттока клиентов страховых компаний или предотвращении поломок производственных линий на промышленных предприятиях. Однако на российском рынке до сих пор крайне мало кейсов в этой области; в основном эти инструменты пока используют только финтех и торговые компании. Что же мешает бизнесу массово внедрять современные решения предиктивной аналитики?

К сожалению, точных и актуальных данных о количестве компаний, активно внедряющих предиктивную аналитику в России нет. Экспертные оценки разнятся, но большинство сходятся на том, что это менее 20% от общего числа компаний. Лидером внедрения остается финансовый сектор – это около 25-30%. Далее идут розничная торговля и телекоммуникации (15-20%) и нефтегазовый сектор (10-15%). В конце списка находится логистика и производство – только 5-10%. При этом во всех случаях речь идет о крупном бизнесе; процент использования прогнозной аналитики в малых и средних компаниях даже из этих отраслей существенно ниже. По другим отраслям есть примеры небольших точечных внедрений, но о комплексном использовании говорить пока не приходится.

Дальнейшие прогнозы по поводу «поголовного» внедрения предиктивной аналитики в России – это сложный вопрос, который зависит от множества условий. С одной стороны, есть огромный потенциал для применения этих технологий, с другой – существуют определенные сдерживающие факторы. Некоторые препятствия находятся внутри самих компаний, некоторые связаны с внешними аспектами:

1. Внедрение любых новых инструментов требует изменений в бизнес-процессах и подходах к принятию решений. Многие сотрудники и руководители могут сопротивляться этим изменениям действуя по принципу «зачем ломать то, что и так хорошо работает». Зачастую руководителей пугает сложность процессов, которые необходимы для внедрения инструментов прогнозной аналитики.
2. Внедрение и поддержка современных инструментов прогнозирования, особенно на основе искусственного интеллекта (ИИ), требует наличия квалифицированных специалистов по анализу данных, машинному обучению и т.д. Найти и нанять таких специалистов может быть сложно и дорого. Сейчас рынок труда испытывает большой дефицит кадров в данном направлении, особенно если речь идет о специалистах уровня middle и выше.
3. Дополнительно существует проблема «размазанности» навыков специалистов на различных уровнях оргструктуры («грейдах») из-за того, что сфера предиктивной аналитики относительно новая и развивается очень быстро. Рынок кадров просто не успевает подстраиваться под запросы и компаниям очень тяжело оценить уровень соискателей, не имея у себя в штате соответствующего квалифицированного специалиста.
4. Для успешного внедрения моделей предиктивных аналитики необходим определенный объем оцифрованных исторических данных, как минимум – за один год. Эти данные поступают из высоконагруженных систем учета (ERP, CRM, MES и т.д.), а настроить эффективную предиктивную модель на базе, условно говоря, Excel, практически невозможно – скорее всего такая модель окажется нежизнеспособной. В то же время сейчас на многих российских предприятиях такие системы либо используются не в полной мере, либо находятся в стадии импортозамещения.
5. Большинство российских компаний используют иностранное производственное оборудование, которое имеет свои системы управления и диспетчеризации. Подключиться к этим системам и настроить передачу данных – достаточно трудоемкий процесс.
6. У большинства российских компаний (особенно это касается промышленных предприятий) пока мало собственной экспертизы в управлении данными. Поэтому бизнес часто нуждается в поддержке ИТ-партнера, который сможет проанализировать все системы и текущие процессы, помочь подобрать подходящий ИТ-продукт, а также спроектировать и внедрить систему предиктивной аналитики. При этом далеко не все компании сегодня готовы инвестировать в развитие прогнозной аналитики, предпочитая закрывать лишь наиболее критичные для бизнеса ИТ-задачи.
7. Многие российские ИТ-продукты для предиктивной аналитики еще не достигли достаточного уровня зрелости по объективным причинам. К примеру, пакет статистического программного обеспечения SAS (Statistical Analysis System) используют во всем мире. Он включает продвинутые методы прогнозирования и предлагает широкий спектр возможностей для прогнозирования продаж, начиная от простых моделей временных рядов и заканчивая сложными алгоритмами машинного обучения. Но именно успешный многолетний опыт внедрения инструмента для задач прогнозирования, выстроенная сервисная экосистема и регулярная обратная связь с пользователями позволили SAS стать одним из мировых лидеров в этой сфере. Возможно, у российских ИТ-решений с сфере прогнозной аналитики тоже есть шанс повторить успех, но для этого необходимо как минимум несколько лет.

Опыт зарубежных, а также некоторых российских компаний показывает, что инструменты прогнозной аналитики помогают бизнесу принимать более обоснованные решения, улучшать операционную эффективность, повышать маржинальность, улучшать клиентский опыт и получать конкурентное преимущество, а также быстро реагировать на изменения рыночных условий и запросы клиентов. Особенно это актуально в условиях глобализации и быстро меняющихся рынков – ИТ-решения для прогнозной аналитики позволяют занимать и удерживать лидирующие позиции в своей сфере.

Например, Amazon разработал и внедрил одну из лучших в мире систему оптимизации доставки и управление складом. DHL, один из ведущих мировых поставщиков логистических услуг, имеет одну из лучших систем оптимизации доставки в отрасли, которая позволяет учитывать факторы, влияющие на сроки доставки. Walmart является одной из ведущих компаний в мире по применению передовых технологий и методов в прогнозирование спроса и управление запасами. Siemens внедрило систему прогнозирования сбоев оборудования и оптимизации производства (кстати, отельные кейсы использования предиктивной аналитики для ТОиР начали появляться и в российской промышленности). John Deere является одним из лидеров «цифрового» АПК и прогнозирования урожайности благодаря использованию передовых технологий и прогнозной аналитики.

Как уже было отмечено, в России передовыми в плане использования предиктивной аналитики пока остаются финтех и ритейл. Это связано с тем, что такие компании обладают достаточными финансовыми ресурсами. Кроме того, на эти рынки являются высококонкурентными, что заставляет игроков получать конкурентное преимущество за счет быстрого принятия решений – в этом и помогают прогнозные модели. Например, Сбер является одним из лидеров в России по внедрению и использованию предиктивной аналитики. Банк использует свои прогнозные модели в сфере кредитования, обслуживания клиентов, безопасности и в других направлениях. Именно прогнозные модели позволяют лучше понимать потребности своих клиентов и предлагать им персонализированные продукты, эффективно управлять рисками, выявлять нелегальные операции и прогнозировать финансовые потери.

При этом важно понимать, что внедрение инструментов прогнозной аналитики – это не разовая акция, а система, требующая постоянного обновления и доработки из-за изменяющихся внешних условий. Внедрение инструментов прогнозирования должно стать частью общей стратегии компании, с учетом ее бизнес-целей, метрик эффективности и производственных особенностей. И если такой стратегии нет, то внедрение решений предиктивной аналитики становится неэффективным. Однако в текущих условиях далеко не все российские компании могут позволить себе такие долгосрочные инвестиционные проекты, пусть даже и прибыльные в перспективе.