ИСПОЛЬЗОВАНИЕ ПРОЦЕССА ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ ДАННЫХ И РАЗВИТИЕ КУЛЬТУРЫ ОРИЕНТИРОВАННОЙ НА ДАННЫЕ В КОМПАНИИ

Чего не хватает?

Несмотря на вышесказанное, в открытых источниках очень трудно найти руководство по внедрению DI в бизнес. Хотя мы знаем, что DI используются в организациях, на данный момент не существует руководства по их применению. Большинство опубликованных материалов в этой области либо слишком теоретические, либо слишком тесно связаны с проприетарными сервисами или фреймворками, и, как правило, в них отсутствует пошаговый подход к «переходу» (к переходу от обычного принятия решений, к DI, в оригинале «getting off the ground» – прим. пер.).

Данная статья не сможет полностью устранить этот пробел, но она делает важный шаг, предлагая открытый фреймворк, описывающий основные группы процессов DI, которая может служить каркасом для внедрения DI в любой компании.

Задача 5

Представим себе, что мы рулим каким-то никзомаржинальном высококонкурентном бизнесом, т.е. мы не можем раздавать скидки всем налево и направо, а любая наша ошибка приведёт к оттоку аудитории в конкурентам. Например, мы мобильный оператор из большой тройки. Или интернет-провайдер. Или парикмахерская.

На основании общих соображений мы формируем следующие сегменты нашей аудитории:
Новички — те, кто только что познакомился с продуктом.

Отток — те, кому наш продукт не понравился, они перестали им пользоваться

Лояльные — самые классные, они пользуются и они счастливы (возможно, даже рекомендуют нас друзьям)

Отток лояльности — пользователи, которые всё ещё “с нами”, но они несчастливы, активно ищут альтернативу и с радостью перейдут к тому, кто предоставим им более дешёвый или удобный сервис.

У мобильный операторов или банков этот сегмент особено велик: мало кто полностью доволен своим, но “переезд” чреват большими издержками и на него надо решиться.

Вы располагаете следующей информацией по динамике переходов из сегмента в сегмент:

Разница во времени между “было” и “стало” значительная для нашего продукта.

Ваши действия

1. Ничего не предпринимать
2. Сделать скидку для новичков
3. Сделать скидку для тех, кто сейчас в сегменте “Лояльные”
4. Сделать скидку для тех, кто сейчас в сегменте “Отток лояльности”
5. Для принятия решения недостаточно данных

Информация к размышлению

Смотреть, если вы готовы

Делать хороший продукт, оптимизировать расходы, активно себя продвигать — само собой, так мы будем делать и без этой информации.

Дать скидку всем мы не сможем.

Удержать пользователя с помощью скидки в подавляющем большинстве случаев дешевле, чем привлечь нового пользователя.

Возможные ответы

Вполне возможно, что такое поведение нормально. Неплохо бы знать хотя бы примерно как у конкурентов.

Новичкам давать скидку не выгодно. Мы и так потратили много на их привлечение, а переход в отток сразу очень большой. Оттоку давать уже поздно, они нашли альтернативу. Обычно в таких случаях дают скидку оттоку лояльности, если получается быстро вычленить этот сегмент до того, как станет слишком поздно.

Судя по долям и динамике в нашем примере, давать скидку оттоку как раз поздно. Их мало и они быстро утекают. В данных (признаемся, достаточно редких в реальном мире) условиях лучше давать скидку лояльным

В данном конкретном случае возможно, следует либо поменять методику деления на лояльных и отток лояльности, либо ввести промежуточные градации, т.к. с таким “текучим” сегментом сложно работать.

Технологии Big Data, в частности Data Mining, обеспечивают сбор, хранение и сортировку огромных объемных данных.

Веб-аналитика: Google Analytics, «Яндекс. Метрика», Google Tag Manager — инструменты собирают и хранят данные о пользователях сайтов и их поведении.

Сквозная аналитика оценивает эффективность и прибыльность рекламных каналов, например, Roistat, Mixpanel, Rick, Alytics и CoMagic.

CRM позволяет прогнозировать продажи или оценивать эффективность работы отдела маркетинга.

Инструменты позволяют принимать цепочки решений на основе данных, то есть каждое из них будет обдуманным и с прогнозируемым результатом.

Одна из самых доступных платформ для работы с массивами данных — «Битрикс24». Он объединяет в себе корпоративный портал, CRM, инструменты сквозной аналитики, Big Data и автоматизацию бизнеса. Пользователям доступны чат-боты, роботы в задачах, AI-скоринг для прогнозирования успешности сделок, интеграции с популярными коммерческими площадками, соцсетями, мессенджерами.

Платформа собирает все источники информации в одном месте и визуализирует их для последующего анализа и прогноза.

Сбор и анализ данных могут значительно улучшить процессы в вашей организации, если будут использоваться правильно и системно: на всем пути клиента, от формирования потребности до рекомендации знакомым. Подход Data Driven должен стать частью культуры вашей компании, каждого ее сотрудника.

Возможности использования метода

В современном цифровом мире данные генерируются и обновляются регулярно. Разработчики опираются на них при создании практически любого программного обеспечения. Но этим не ограничивается сфера применения Big Data.

Бизнес-аналитики используют данные о поведении пользователей, отчёты об ошибках, отзывы пользователей и другую обратную связь, чтобы принимать верные решения при разработке и продвижении продукта. Информация о трафике, загрузках, количестве зарегистрированных пользователей, сообщения и внутренних проблемах сервисов используют для мониторинга качества услуг. А оценка качества кода и согласованности его блоков подскажет оптимальные способы улучшить программное обеспечение. Когда компания следует этим трем направлениям, она разрабатывает и поддерживает услуги на основе данных. А значит исповедует принципы Data Driven бизнеса.

Сбор, интерпретация и обработка данных играют все бо́лее важную роль в любой промышленности. Они обеспечивают точную и действенную обратную связь, которая помогает инженерам понять, где и как вносить улучшения в продукт или процесс. С их помощью ИТ-руководители визуализируют, рабочие процессы, анализируют качество и количество результатов и прогнозируют возможные улучшения.

Искусственный интеллект и большие данные позволяют принимать более обоснованные конструктивные решения и быстрее реализовывать оптимальные бизнес-модели. Машинное обучение помогает разрабатывать новые передовые производственные процессы, повышающие комфорт рабочих и производительность компании.

Data Driven в менеджменте

Data Driven Management — управление бизнесом на основе объективных, фактических данных.

Подход открывает перед управленцами широкие возможности:

Сокращение маркетинговых издержекАнализ рекламных кампаний направлен на то, чтобы они были эффективнее: тратить по минимуму, чтобы зарабатывать по максимуму.

Повышение эффективности инвестицийДанные могут рассказать, как привлечь новую аудиторию, повысить качество пользовательского опыта и пр.

Рост клиентоориентированностиДетальный анализ данных помогает понять предпочтения целевой аудитории, выстроить персональные коммуникации с клиентом, отслеживать отзывы.

Оперативное реагирование на изменения рынкаОтслеживание данных в реальном времени позволяет принимать решения практически молниеносно.

Результат — рост прибыли.

Data Driven используют крупнейшие компании мира: Intel, Google, Chevron. В России, например, «Сбербанк». В банке с каждым годом растет количество решений, принятых на основе анализа данных. В качестве ключевого подхода к моделированию «Сбербанк» использует CRISP — Cross Industries Standard Process по Data Mining — межотраслевой стандарт извлечения данных.

Рост количества решений, которые «Сбербанк» принимает на основе данных. Источник

старший управляющий директор и главный исследователь данных «Сбербанка»

Иногда надо убедить себя, что аналитика данных дает более консистентный, более достоверный результат, чем эксперт, который сидит в этом направлении уже 25 лет. Но он может не знать чего-то, что показывают данные.

Data Driven в дизайне

Data Driven Design — проектирование продуктов на основе данных, полученных с помощью тестов, исследований, проверки гипотез.

Раньше предполагалось, что дизайнер принимает решения на основе собственного вкуса и опыта, однако сейчас этого недостаточно. Работа в digital оценивается по KPI (Key Performance Indicators) и, чтобы их достичь, необходимо уметь прогнозировать, а значит анализировать.

Для дизайнера. Меньше необоснованных правок и споров, исключается элемент вкусовщины.

Для заказчика. Нет действий, сделанных наугад, все решения обоснованы.

При таком подходе подрядчик и заказчик концентрируют свои усилия, чтобы сделать сервис удобным пользователям, а не удовлетворять чьи-либо амбиции.

Новый уровень требований привел к тому, что профессия дизайнера распалась на несколько самостоятельных единиц — теперь над проектами работают целые дизайн-команды: UI-дизайнер, UX-проектировщик, дизайнер анимации, аналитики и арт-директор. Также подключаются специалисты по Big Data (data scientist).

Data Driven Design — это постоянные циклы улучшений, но здесь есть риск погрязнуть в данных и уделить излишнее внимание мелочам.

Такое явление получило название датацентризм. Например, в 2009 году из-за подобного подхода из Google уволился ведущий дизайнер.

Да, это правда, что команда в Google не могла выбрать между двумя вариантами синего, поэтому они тестируют 41 оттенок, чтобы увидеть, какой из них лучше работает. Недавно у меня была дискуссия о том, должна ли граница быть шириной 3, 4 или 5 пикселей, и меня попросили доказать свою правоту. Я не могу действовать в такой обстановке. Я уже устал обсуждать такие незначительные дизайнерские решения. В этом мире есть более захватывающие проблемы дизайна, которые требуют решения.

Data Driven в маркетинге

Новая концепция Data-driven маркетинга опирается на старую поговорку: «Невозможно управлять тем, что нельзя измерить». В Data driven бизнесе измерить можно и нужно все. В первую очередь это касается маркетинговой аналитики: релевантная информация о клиентах необходима для выстраивания персонализированных и действенных таргет-кампаний.

Еще в 2013 году 74% онлайн-потребителей заявляли, что разочаровываются в сайтах, на которых появляется контент, не соответствующий их интересам. 50% посетителей сайта просто покинут платформу, увидев такой контент. Чтобы оставаться конкурентоспособными при таких условиях рынка, предприятиям необходимо сосредоточиться на анализе и применении данных в своих маркетинговых кампаниях.

Контент со всех старых версий веб-страниц наши программисты импортировали автоматически без потерь и дублей.

Такие целевые сообщения достигают бо́льших результатов, чем общие рассылки, а сегментация рекламных кампаний позволяет получить более высокий ROI. Например, если магазин продает и мужскую, и женскую одежду, ему понадобятся как минимум два набора маркетинговых рассылок. Такая же ситуация с разными точками дистрибьюции − маркетинговая тактика для московской аудитории должна отличаться от кампаний, ориентированных на казанских покупателей. На основе данных и создается оптимальная рабочая схема, удобная для управления и масштабирования.

Успех Data Driven маркетинга зависит от точности данных о клиентах. Даже самые простые алгоритмы сбора информации бесполезны, если, если она не будет правильно отражать интересы клиентов и целевой рынок. Следует обращаться к существующей клиентской базе, чтобы сформировать представление о целевой аудитории.

Маркетинг на основе данных − это итеративный процесс, который постоянно развивается и расширяется. В грамотно выстроенном маркетинге процесс анализа и интерпретации данных ведется постоянно. Нельзя оперировать данными пятилетней давности для работы с современной аудиторией сайта. Поэтому важным фактором успеха является управление данными. Оно помогает выстроить процесс регулярного анализа данных о клиентах, оценивать новые возможности маркетинга, а также экономить время и ресурсы команды.

Какие данные собирают:

О поведении пользователей на сайте или приложении.

Об удовлетворенности пользователей.

Об обслуживании клиентов.

Персонализированный подход к коммуникациям с пользователями.

Привлечение новых и удержание постоянных клиентов.

Понимание потребностей пользователей с помощью анализа данных.

Data Driven Marketing позволяет:

Прогнозировать поведение пользователей на основе паттернов.

Таргетировать предложения, сообщения и контент.

Определить целевую аудиторию рекламной кампании.

Повысить эффективность рекламных кампаний.

Увеличить пожизненную ценность клиента (LTV) за счет повышения количества повторных продаж.

Оперативно реагировать на изменения рынка.

Чтобы не распыляться, важно отслеживать только самое важное.

Метрики для электронной коммерции:

Conversion Rate — показатель конверсии, процент пользователей, которые совершили конверсионное действие, например оставили заявки или купили. Позволяет прогнозировать прибыль.

Cost Per Action — цена за клик, стоимость, которую вы платите за привлечение одного пользователя. Позволяет оценить целесообразность вложений и возврат инвестиций из рекламного канала.

Shopping Cart Abandonment — «брошенные корзины», количество пользователей, которые бросили оформление заказа на определенном этапе. Позволяет найти узкие места в воронке продаж.

Метрики для сервисов с подпиской (SAAS):

Churn Rate — показатель оттока клиентов, количество пользователей, которые не стали вашими постоянными покупателями и покинули вас. Позволяет прогнозировать убытки. Хорошими цифрами считаются показатели менее 3%.

Monthly Recurring Revenue — регулярная месячная выручка. Нужна для того, чтобы понять, сколько вы зарабатываете в среднем за указанный промежуток времени.

Lifetime Value — пожизненная ценность клиента, доход с потребителя за все время пользования сервисом. Показатель используется для расчета вложений в таргетированную рекламу, чтобы понять, сколько вы можете потратить без убытков.

Customer Retention Rate) — показатель удержания клиентов. Демонстрирует какой процент пользователей вы способны превратить в постоянных клиентов.

Data Driven уже сейчас широко используется в маркетинге — об этом, например, говорит исследование Google:

Новое исследование Boston Consulting Group по заказу Google показало, что компании-лидеры в digital-маркетинге добиваются в 1,4 раза большего снижения расходов и в 2,5 раза большего повышения доходов, чем другие.

Google активно внедряет Data Driven, например, вы можете использовать атрибуцию на основе данных при запуске контекстной рекламы в Google AdWords.

Чтобы получить такую возможность вы должны накопить определенный объем данных: получить более 15 000 кликов и 600 конверсий за всю историю рекламного кабинета. Также нужно учесть, что инструмент эффективно работает лишь в сочетании с автоматическим управлением ставками.

Задача 4

Представьте, что у нас есть хороший приносящий деньги бизнес, за который не стыдно: у нас есть много лояльных клиентов. Например, у нас есть интернет-магазин и есть подписка с каталогом товаров, на которую законно и этично подписана большая аудитория. Они видят в своём почтовом ящике письмо от их любимого бренда, открывают его, смотрят описания товаров (акций, спецпредложений — ну чего-то), в конце письма есть кнопка “Купить” (нейтрального цвета как обычная кнопка в интерфейсе) после нажатия на которую переходим на сайт. Там уже можно что-то купить.

Продуктовой команде пришла в голову идея поднять продажи с помощью изменения цвета кнопки (нам опять повезло, не психология, не привязанность к бренду, не долгосрочные прогнозы, а продажи здесь и сейчас). Решили провести тест: разделили всю нашу лояльную (давшую согласия на обработку персональных данных и рекламную рассылку) аудиторию на три группы: контрольную (в которой примерно 90% аудитории) и две экспериментальных, с зелёной и красной кнопкой (примерно по 5%).

Ждём фиксированное время и смотрим на следующие результаты теста:

Зелёным подсвечены те результаты, где результат теста статистически лучше базового. Если бы где-то было статистически хуже — это было бы подсвечено красным.

Т.к. часть результатов может вызвать скепсис, немного пруфов из независимого источника (один из многих онлайн калькулятора A/B-тестов www.evanmiller.org/ab-testing/chi-squared.html):

Ваши дальнейшие действия

1. Провести A/A-тест
2. Оставить базовый вариант
3. Поставить вариант с зелёной кнопкой
4. Поставить вариант с красной кнопкой
5. Продолжить ABC-тест в других пропорциях
6. Для принятия решения недостаточно данных

Провести A/A-тест — это тот же A/B-тест, при котором двум частям аудитории показывается одно и то же. Разумеется, результаты должны быть статистически незначимы. Если это не выполняется, у нас явно есть проблемы в проведении теста.

Механизм тестирования может быть несовершенным.

Механика почтовой рассылки в данной задаче важна.

Иногда нужна ещё и внимательность.

В момент открытия письма пользователь не видит кнопки. Поэтому статистически значимый результат на красной кнопке — это что-то невообразимое. Либо мы плохо поделили пользователей (“плохой рандом”), либо в письме есть какая разница не только в кнопке, но и где-то ещё (время отправки, сегмент отправки, заголовок, “неравный тест”), либо 90% уровень значимости для нас недостаточен (“нам не повезло”). Лучше всего провести A/A-тест.

Значимый результат красной кнопки на самом деле не про кнопку. А вот зелёную стали жать лучше. На продажи это не повлияло, т.к. выборка маленькая. Но бизнес не ждёт, надо выкатывать какой-то результат, так что ставим зелёную кнопку и идём дальше.

Нам нужны продажи. Возможны случаи, как высокая конверсия в клик ведёт к низким продажам (например, когда мы обещаем что-то хорошее за копейки, а действительность оказывается хуже или значительно дороже). Вроде это не наш случай, всего лишь цвет кнопки. Но в некоторых областях (экзамены ПДД, футбол, переработка мусора и т.п.) зелёный цвет может вызвать неожиданные ассоциации и теоретически обрушить продажи. Т.к. оценить продажи на таких выборка объективно не получается, надо продолжить тест в других пропорциях: 90% отдать зелёной кнопке, по 5% красной кнопке и контрольной группе.

Пример с цветом кнопки очень теоретический. Хотя иногда небольшие мелочи могут действительно приводить к значимым результатам.
Главная проблема тестов — они требуют времени. Поэтому часто приходится принимать половинчатые решения: бизнес не будет ждать столько, столько нужно для полной уверенности.

Благоприятные факторы

Хотя в приведенных выше разделах описаны процессы, которые могут быть адаптированы для внедрения Decision Intelligence, они вряд ли будут успешными без корпоративной среды, которая позволяет применять методы анализа решений в корпоративном контексте.

Культура принятия решений

Bain and Company

Конечно, культура принятия решений в организации (ценности, стремление к прозрачности принятия решений, культура непрерывного совершенствования и т.д.) является важнейшим фактором, способствующим применению подхода DI к принятию решений.

Структура процессов для внедрения Decision Intelligence

Здесь я предлагаю схему, которая описывает основные виды деятельности и факторы, способствующие развитию целостной операционной модели Decision Intelligence и принятия решений. Эта модель, представленная ниже, объединяет концепции из нескольких различных определений DI и наук о решениях и служит руководством для внедрения возможностей DI в организациях:

Оригинальное изображение, созданное автором статьи

Эта структура построена вокруг двух основных принципов:

Следующие разделы в общих чертах описывают каждую из этих областей и призваны дать читателю основу, в виде этой структуры (на которую можно опереться в собственных изысканиях – прим. пер.).

Читайте по теме

Все вводные предыдущей задачи остаются, добавляется график динамической себестоимости (предположим, что там учтены расходы на хранение на складе, колебания курсов валют, усушка и т.п.).

По итогам акции мы видим следующий график продаж:

• к аналогичному месяцу прошлого года: +77%
• к прошлому месяцу: +52%

Ваши действия?

1. Уволить маркетолога
2. Оставить маркетолога без премии
3. Вручить маркетологу стандартную премию
4. Вручить маркетологу двойную премию
5. Для принятия решения недостаточно данных

1. Уволить маркетолога (“мы в минусе, уволить!”)
2. Оставить маркетолога без премии (“признаем эксперимент неудачным, решаем проблемы внутренней коммуникации и идём дальше”)

Распродажи “в минус” при несогласованности отделов — это большая беда. Чаще всего такие акции скорее рассчитаны на повторные продажи.

Пожалуй, количество линий на текущем графике — это максимум, который можно себе позволить без потери читабельности.

Задача №7

Вы занимаетесь развитием сайта, который предоставляет платные услуги.
Ваш основной KPI — среднемесячная конверсия из визитов в оплаченные заказы.

Формулировка задачи

Каким способом вы можете обеспечить выполнение KPI наиболее надёжным способом?

1. Улучшать функциональность сайта с помощью пользовательского опыта
2. Вводить новые фичи
3. Улучшать качество услуг и время обратной связи
4. Давать больше бесплатных материалов
5. Снижать цены на продукт
6. Закрыть доступ на сайт всем, кроме старых платящих пользователей

У нас нет никакой информации о бизнесе, о рынке, о структуре отдела, отлаженности процессов.

Нам нужен очень проверенный и надёжный способ.

Вопрос стоит не в том, как хорошо сделать бизнесу, вопрос стоит в том, как выполнить поставленный нам KPI.

Ситуация аналогичная предыдущей.

Конверсия не зависит от объёма.

На низких объёмах делать высокую конверсию проще. Поэтому сайта надо выгонять всех, кто ещё не заплатил. Тогда не будет ни аудитории, ни развития, ни рынка, но будет высокая конверсия.

Неправильно поставленные KPI могут привести к тому, что естественное стремление их выполнить будет вредить бизнесу, а не помогать ему.

На этом по задачам на сегодня всё. Буду рад услышать ваши мысли и альтернативные решения в комментариях.

Core Processes — Post Decision

«Даже самое лучшее решение имеет высокую вероятность оказаться неверным. Даже самое эффективное решение в конечном итоге устаревает».

Если мы признаем, что Peter F. Drucker прав, что даже лучшее решение может быть ошибочным, тогда мы должны признать, что хорошее решение может иметь плохой результат. Другими словами, качество решения должно оцениваться по достоинствам его процесса.

Ретроспектива решения — это возможность спросить, был ли процесс принятия решения обоснованным, а в случае плохого исхода определить, можно ли было сделать что-то еще. Обратите внимание, что даже при хорошем исходе процесс принятия решения мог быть плохим. Ретроспектива решений дает нам возможность внедрить непрерывное совершенствование в систему принятия решений.

Core Activities — Pre-Decision

Первый набор действий происходит до принятия решения и описывает процесс «проектирования» решения — то есть, принятие первых критических шагов по созданию структуры решения, которая позволит всем последующим шагам опираться на данные изыскания.

Decision Framing

(Определение границ принятия решений – прим. пер.).

Известные психологи Канеман и Тверски определяют границ принятия решения следующим образом:

Из этого определения видно, что оно эффективно устанавливает границы решения — каковы мои действия (рычаги), результаты (желаемые или нет) и непредвиденные обстоятельства (риски и внешние факторы)? Далее они показывают, что предпочтение при принятии решения сильно зависит от формулировки — даже если ожидаемые результаты идентичны.

Очевидно, что процесс правильного формулирования решения является ключевым не только для определения границ решения, но и для выработки желаемого процесса принятия решения. Таким образом, они должны отвечать на следующие вопросы:

Системный подход к определению границ принятия решений является критически важным условием для процессов принятия решений на последующих этапах.

Decision Mapping

(Картографирование процесса принятия решения – прим. пер.).

Доктор Лориен Пратт проделала отличную работу по разъяснению полезности Causal Decision Diagram в своей книге «Link» и соответствующих статьях (как обсуждалось выше). Этот метод очень полезен для отражения действий, причинно-следственных связей и результатов в простом графическом формате, который располагает к обсуждению, вовлечению, прозрачности и структуре.

Упрощение Decision Mapping имеет решающее значение для внедрения структурированного принятия решений с помощью CDD или связанных с ними процессов принятия решений.

Decision Augmentation

Деятельность, сгруппированная в разделе «Decision Augmentation», основывается на шагах «Decision Design», оценивая разработанные решения и четко определяя, где есть точки интеграции для данных и/или аналитики. Здесь предлагается провести анализ дизайна решения с целью определения пробелов или проблем, которые могут быть или не быть разрешимыми.

Data and Analytics Integration

Спроектированное решение — например, представляющее серию действий до результата — дает возможность четко определить, где и как данные или аналитика могут поддержать последующие процессы, предшествующие принятию решения (например, моделирование), или как определить, будет ли действие иметь запланированный результат.

Обоснование простое: если у вас есть путь «действие — причинно-следственная связь — результат», то на самом деле перед вами математическая функция. Например, если моим действием является увеличение расходов на рекламу, а результатом или промежуточным звеном — увеличение продаж, то существует математическая функция, которая описывает взаимосвязь между расходами на рекламу и продажами.

Таким образом, для проработки решения в рамках описанной выше схемы мы можем взять подкомпоненты решения, чтобы прикрепить к ним конкретные данные, метрики, аналитику, прогнозные модели и т. д. В равной степени мы можем рассматривать блоки подкомпонентов (например, кластеры «действие — связь — результат» или аналогичные), которые, как известно, имеют взаимосвязи, управляемые одной совокупной взаимосвязью, описывающей действия и результаты. В книге Лориен Пратт «Link» проделана большая работа по представлению Causal Decision Diagram как основы для интеграции данных и аналитики (автор оригинальной статьи видимо очень сильно ждал эту книгу – прим. пер.).

Выявление неопределенности

VUCA означает волатильность (volatility), неопределенность (uncertainty), сложность (complexity) и двусмысленность (ambiguity). Оно описывает деятельность в условиях постоянных, непредсказуемых изменений, которые сегодня являются нормой в некоторых отраслях и сферах.

Expected Utility — экономический термин, обозначающий «пользу», которую, как ожидается, получит организация при любых обстоятельствах. Рассчитывается через средневзвешенное значение всех возможных исходов.

Решение имеющее определенные границы дает возможность рассмотреть контекст решения на верхнем уровне и определить, где у нас есть известные факты, неизвестные и т.д. В равной степени CDD даёт возможность рассмотреть каждую причинно-следственную связь и выявить неопределенности используя подход Рамсфельда (как указано выше), а также (если данные и аналитика интегрированы) с точки зрения статистики, например: какова погрешность, как выглядит качество данных, и т.д.

Что касается этой схемы процесса, то, проактивно выявляя области неопределенности, мы готовимся признать ограничения нашего процесса принятия решений и даем себе шанс выявить систематически неразрешимую неопределенность или области, где мы могли бы снизить уровень неопределенности при принятии решений.

Decision Optimization

Разработанное решение дает нам возможность рассмотреть, есть ли возможности для оптимизации действий с помощью моделирования, и/или согласовать подход к принятию решения с контекстом и его дизайном. Этот набор процессов дает возможность рассмотреть заключительные шаги перед принятием решения.

Modeling

Этот шаг возможен там, где хорошо структурированные решения дают возможность моделировать связи между действиями и результатами в рамках CDD (или логической модели, или аналогичной). Потенциально это позволяет оценить совокупное влияние действий на результаты от принятия решения. Там, где данные не позволяют разработать детализированную модель, и оценка суммарного влияния решения на конкретный или промежуточный результат (например, «больше» или «меньше» результата Х будет получено в результате этого действия) может быть полезным в оценке кумулятивного эффекта на все результаты серии событий.

Очевидно, что это сложный процесс, требующий значительных затрат времени и ресурсов, который может соответствовать или не соответствовать контексту решения. Однако — это потенциально ценный шаг, так как он позволяет оптимизировать решение по отношению к целевым бизнес-результатам.

Независимо от того, решите ли вы моделировать решение или нет, должно быть ясно, что организациям, желающим моделировать и оптимизировать (и автоматизировать — прим. пер.) свои решения, придется привлекать собственных специалистов по анализу данных и/или привлекать внешних поставщиков услуг для поддержки этого процесса.

Подход

Хотя много говорится о подходах к принятию решений, основанных на данных, реальность такова, что во многих обстоятельствах они не являются оптимальными или даже желательными. На недавнем саммите Gartner® Data and Analytics Summit компания Gartner провела несколько сессий, посвященных принятию решений.

Я бы распространил эту концепцию на части решения, например, связи между действиями и результатами в CDD, с точки зрения этого подхода, также могут иметь сильные и слабые стороны. Например, инстинктивный (т.е. эвристический) подход к оценке того, повлияет ли то или иное действие на результат, может подойти в тех случаях, когда чувствительность результата к данному действию низка или когда сбор данных обходится непомерно дорого. Это также хороший способ адаптировать подход к участникам процесса принятия решения (см. выше).

Для целей данной схемы важно признать, что существует целый ряд подходов, и что часть вашего процесса принятия решения должна учитывать наиболее подходящее сочетание подходов для конкретного контекста принятия решения.

Задача №3

Все условия предыдущей задачи остаются прежними, но продаём мы не услуги, а товары. ( Купили подешевле — продали подороже).

Тут без себестоимости ну никак.
5. Для принятия решения недостаточно данных

Изменение одного слова в условии задачи приводит к совершенно другому решению. Детали часто могут быть важны.

Организационные возможности

Давайте рассмотрим возможности организации и их роль в поддержке надежного подхода к принятию решений, использующего принципы DI. Здесь мы обсуждаем «классические» три организационных аспекта — люди, процессы, технологии.

Во-первых, и это самое главное, подход к принятию решений, основанный на данных или фактических данных, требует, чтобы навыки персонала соответствовали этим целям. Отсюда следует, что наряду с навыками, необходимыми для выполнения основной работы, перечень навыков организации, способствующей принятию решений, будет включать роли, ориентированные на данные (аналитика, наука о данных, управление информацией и т.д.), а также навыки, необходимые для поддержки технологической инфраструктуры, обеспечивающей работу с данными.

Во-вторых, организационные процессы могут поддерживать стремление к структурированному принятию решений и анализу. В частности, управление, управление рисками и управление программами/проектами обеспечивают возможность внедрения в корпоративные процессы практик, способствующих принятию решений. Например, часть аттестации льгот для работы, связанной с программой, может включать ретроспективу и анализ решений. Аналогичным образом, снижение операционного или стратегического риска может включать пропаганду подхода к стратегическим решениям, связанного с DI. Хотя эта область зависит от конкретной организации, она предоставляет средства для «жесткой привязки» DI или структурированных процессов принятия решений к работе организации.

В-третьих, технологические возможности и инфраструктура организации имеют решающее значение для обеспечения возможности хранения, преобразования, визуализации, анализа и т.д. активов данных. Аналогичным образом, эти возможности позволяют хранить/извлекать артефакты решений (в оригинале «assets» — прим. пер.), а также предоставляют возможности сотрудничества и инструменты, которые имеют решающее значение для проведения облегченных обсуждений, имеющих решающее значение для принятия решений.

Как применять этот фреймворк?

Применение всех процессов системы требует значительных затрат времени и ресурсов. Поэтому, более рациональное применение этого фреймворка предполагает его адаптацию к конкретным решениям.

Концепция проста: не все решения требуют всех процессов, при этом более простые или менее влиятельные решения требуют меньшего подмножества, в то время как более сложные решения потенциально требуют большего.

Задача №1

Представьте себе, что у вас есть деньги. И вы эти деньги проинвестировали в активы.

Возможно, это ваш интернет-магазин и тогда активы — это маркетинговые каналы. Возможно, вы венчурный инвестор и тогда активы — это какие-нибудь стартапы. Вариантов может быть много.

Важно, что вы вложили деньги с чётко прописанной целью — окупиться за 1 календарный год.
Этот год прошёл, и пришло время смотреть на финансовый результат.

Он выглядит следующим образом:

Среднемесячные показатели приведены для того, чтобы не учитывать разную сезонность активов.

И дополнительный график:

Укажите номер активов, в которых вы бы проинвестировали с аналогичной целью на следующий год.

Стабильный крупный рынок предполагает, что ситуация год от года меняться будет не сильно.

В задачах на таком уровне детализации логично предположить, что расходы на следующий год в каждом активе будут примерно такими же.

Ответ 2:
Год на год не приходится, можно проинвестировать и в активы с лёгким минусом, возможно, в следующем году будет лучше. Кроме 1,2,5,9,10,11,12 можно добавить 3, 6,7,13,14

Ответ 3:
Давайте вернёмся к первому графику (доходы и расходы), посмотрим на него и поймём, что по расходам у нас активы разделяются на 3 категории: дорогие, средние и дешёвые.
При прочих равных имеет смысл инвестировать в более дешёвые активы. Риски (вероятность потерять вложенное) такие же, но рискуем мы меньшими суммами. У активов с номерами 3, 7 и 14 одинаковый ROI (-4%). Из них в портфель лучше взять номер 14 (меньшими суммами рискуем).

Задача 6

Вы занимаетесь платным продвижением в сервисе, который предоставляет платные услуги online. Ваш основной KPI — среднемесячный ROI каналов, которыми вы управляете.

1. Работа над качеством рекламных материалов (баннеры, лендинги и т.д.)
2. Работа в правильном наборе каналов и кампаний
3. Оперативное реагирование на неудачные кампании по опережающим метрикам
4. Работа только с дешёвыми каналами
5. Работа по узкой, но целевой аудитории без масштабирования

Работа над качеством рекламы и правильный набор каналов — это хорошо, так надо делать, в эту сторону нужно стремиться. Но это ничего не гарантирует.

Оперативное реагирование хорошо, но никакой гарантии выполнения нашего KPI, это, увы не даёт.

Обращаем внимание на то, что ROI никак не зависит от оборота. R OI в 20% может быть и на космических бюджетах, так и на крошечных.

Но небольшие бюджеты (особенно, если процесс хоть как-то налажен) легче поддерживать на уровне, чем масштабировать. На малых выборках (особенно при наличии лояльной аудитории и неидеальной атрибуции) делать высокий ROI гораздо проще.

Поэтому никакого масштабирования, никакого риска, никакого развития. Тратим мало, чем меньше, тем лучше, только в самое надёжное и проверенное.

Что дальше?

Эта статья охватывает очень много областей и не очень глубоко. Однако я надеюсь, что она поможет понять набор взаимосвязанных процессов в рамках простой структуры, которая поможет вам внедрить некоторые из основных концепций DI в корпоративный контекст. Я искренне надеюсь, что другие люди, стремящиеся объединить некоторые из этих идей в единую и консолидированную область DI, смогут воспользоваться этой работой, чтобы вдохновиться — даже если эта структура будет отброшена/переделана/адаптирована. Лично я буду внимательно наблюдать за этой областью и смотреть, как мы превращаем DI в «готовую к производству» практику, отвечающую вызовам нашего общего будущего.

Задача №2

После обсуждений сформулировали её максимально просто: заработать денег прямо сейчас. ( Редкий случай в реальной жизни, чаще всего цель заработать денег когда-нибудь потом, стимулировать повторные продажи, привязать к бренду или ликвидировать складские остатки).

Давайте считать, что мы по ценам и качеству в целом “в рынке” относительно наших конкурентов, наша сфера достаточно большая, стабильная и появилась не вчера, крупных внешних изменений за последние месяцы не произошло. Кроме того, не наблюдается изменений в структуре продаваемых товаров.

Оценивать действия маркетолога нужно по достижению поставленной цели.

Услуги (в отличие от классического ритейла “купи подешевле-продай подороже”) предполагают такую бизнес-модель, когда себестоимостью услуг можно пренебречь.

В отличие от реальной жизни, в данном примере мы не знаем специфики бизнеса, а она может быть важна. Но часто со спецификой можно ознакомиться с помощью данных, главное правильно задать вопрос.

Для того, чтобы оценить эффективность акции, нам нужно быть уверенным в том, что причиной роста продаж являются именно наши действия в маркетинге.

Есть версия о том, что тут работает обычная распродажа (сбросили цены — увеличили спрос), но для подтверждения этой мысли нам недостаточно данных.

Дополнительно поставленные условия исключают такое изменение спроса, как ожидаемое изменение спроса (например, мода) или действия конкурентов.

Но вполне возможно, что в октябре у нас может быть естественный сезонный рост (небольшой пик спроса в феврале при росте цен показывает, что такое возможно).

5. Для принятия решения недостаточно данных — мы хотим знать сезонность.
В идеале бы ещё — аналогичные графики для наших основных конкурентов (мечтать, конечно, не вредно, ладно, обойдёмся без этой информации).

Мы видим “ноль” на вертикальной оси на графике, т.е. нет никакой манипуляции с масштабом.

Величины, которые влияют на выручку (продажи и средний чек), отражены на одном графике, а значит легко увидеть их взаимодействие. Сценариев, когда одна величина уменьшается при росте другой, достаточно. На двух стоящих рядом графиках менее очевидные случаи могли быть незаметны.

В текущей задаче нас интересуют не точные цифры, а динамика, поэтому подписей на графиках минимум.

Визуализация Big Data

Если в традиционном «ручном» подсчете используется небольшое количество данных, то может возникнуть дискуссия относительно репрезентативности построенных на основе этих данных графиков и диаграмм. Зато одной из удобных особенностей методики Big Data является возможность построить объективную и наглядную визуализацию. Такая опция обеспечивает понятность полученных данных даже специалистам, которые далеки от понимания технологии.

Сгенерированные на основе Big Data графики и тепловые карты можно использовать в качестве неопровержимого аргумента. Это особенно важно, когда необходимо принять решение о распределении бюджета. Если на длительном временном промежутке влияние определенного явления не очевидно, визуализация поможет увидеть взаимосвязь между явлениями. Аналогично, визуализация данных помогает оценить масштаб эффекта после введения определенных мер.

Американское издание Wall Street Journal продемонстрировало эффект на население после внедрения различных вакцин. Наиболее показательным является тепловая карта по распространению полиомиелита. Данные собраны за 70 лет со всех 50 штатов США. Каждый прямоугольник обозначает количество заболеваний на 100 000 жителей.

Еще один наглядный пример визуализации показывает одновременно бюджет фильма, отношение кассовых сборов к бюджету и среднюю оценку кинокритиков. По шкале X отображена оценка кинокритиков на основании данных Rotten Tomatoes. Чем правее на шкале фильм, тем выше его оценка. Шкале Y показывает процентное соотношение мирового бокс-офиса к затраченным на производство средствам. Величина кругов — размер бюджета. Цвет кругов — жанр. В данном примере отобраны все голливудские фильмы 2016 года.

Из приведенного распределения можно сделать много выводов. Например, что мнение кинокритиков не влияет на коммерческий успех фильма. Или тот факт, что у крупнобюджетных кинокартин выше вероятность собрать кассу, которая вдвое превышает бюджет. Или тот факт, что некоторые малобюджетные хорроры становятся суперхитами.

Издание New York Times в 2014 году подготовило впечатляющую визуализацию из 255 графиков, каждый из которых отображает изменение в количестве рабочей силы в определенной индустрии за период с 2004 по 2013. Данные были подготовлены в связи со знаковым событием: к 2014 году в американской экономике были восстановлены 9 млн рабочих мест, утраченных в ходе экономического кризиса 2008−2009 годов. Интерактивный график показывает, в каких индустриях происходил рост, а в каких — падение числа рабочих мест.

Извлечение Decision Artifacts

Хорошо задокументированное решение, состоящее из четкие ограничения, плана, возможно карты решений связанной с данными и аналитикой, извлеченными уроками и т.д., предоставляет широкие возможности для сохранения и повторного использования всех этих артефактов для будущих решений. Аналогичным образом, субкомпоненты (например, любая информация, которая была предположена и проверена через связь «действие — причинно-следственная связь — результат») могут быть повторно использованы в качестве субкомпонентов будущих карт решений.

Безусловно не все решения будут поддаваться такому типу сохранения знаний, но для тех, которые поддаются, есть возможность сократить объем будущей работы, необходимой для создания аналогично структурированных решений.

Извлечение Decision Artifacts — там, где это применимо — обеспечивает возможность их повторного использования, что может значительно повысить эффективность применения DI к будущим решениям.

Начнем с отсутствия единой трактовки процесса DI. Существует столько же определений DI, сколько и причин для его внедрения в бизнес. Тем не менее, лидирующие определения в этой области начали формироваться как минимум вокруг трех различных взглядов на DI, которые имеют много общих элементов:

Lorien Pratt’s «Link» и Causal Decision Diagram

Ее книга представляет собой краткое изложение основ DI, представленное наряду с несколькими основными концепциями. В частности, Лориен выступает за использование «диаграммы причинно-следственных решений» (Causal Decision Diagram, CDD).

CDD — это ценный инструмент, который позволяет пользователю «проектировать» решения путем определения трех основных компонентов решения (действия, причинно-следственные связи, результаты) и их совокупного влияния на желаемый результат. Линк приводит несколько примеров и даже представляет методы проектирования CDD, подчеркивая полезность CDD как основы для использования данных, информации, аналитики или моделей ML / AI.

Cassie Kozyrkov (Chief Decision Scientist, Google)

Еще один важный человек в этой области — главный специалист Google по принятию решений доктор Кэсси Козырьков. Помимо впечатляющего резюме и биографии, Кэсси — очень талантливый оратор и писатель, который активно участвует в жизни сообщества специалистов data science и бизнеса, часто используя анекдотические истории или интернет-мемы, чтобы донести свою мысль. Как и в случае с Лориен, я советую вам ознакомиться с некоторыми статьями и видеороликами Кэсси (например – прим. пер.).

Модель «Engineering Decision Intelligence», упомянутая в исследовании Gartner®

Поэтому я уверен, что Gartner явно наблюдает за этой темой, они даже разработали собственное определение и рамки для DI. Стоит отметить, что DI были представлены на их виртуальном саммите по данным и аналитике в мае прошлого года (2021-го – прим. пер.).