Интеллектуальные средства анализа и прогнозирования

 

Многие организации страдают от нехватки инструментов для извлечения полезных сведений (знаний) из накапливаемой информации. В статье приведен краткий обзор таких инструментов, а также задач, которые могут быть решены с их помощью.

Анализ и прогнозирование являются неотъемлемой часть современного бизнеса. Все больше и больше организаций берут на вооружение современные программные средства. На их основе можно оперативно получать нужную аналитическую информацию, прогнозировать, оптимизировать существующие бизнес процессы и делать многое другое.

Современный бизнес очень динамичен, поэтому скорость принятия решений и их точность приобретают огромное значение. Нельзя допускать, чтобы информация, хранящаяся в ваших базах данных, лежала мертвым грузом. Она должна превращаться в ЗНАНИЯ и обеспечивать ваше развитие. Знания – вот что в современном мире сегодня является самым дорогим и важным. В основе технологии извлечения знаний лежит математический аппарат, ранее используемый только узких областях высококлассными специалистами. Но время идет, и сейчас технологии анализа становятся гораздо более доступными и используются для решения ежедневных бизнес задач.

К сожалению, названия технологий анализа звучат довольно непривычно для слуха бизнесмена, и зачастую он не может понять, зачем ему нужна, например, кластеризация. Мы хотим рассказать, как можно применять аналитический аппарат, в фирме, занимающейся, например оптовой продажей товаров и как извлечь из него максимум выгоды.

 

Ситуация первая

В вашей организации установлена программа складского учета. Печатаются документы, отгружается товар. Но чем дальше развивается бизнес, тем чаще вы сталкиваетесь с тем, что информация вроде в базе данных есть, а получение ее в нужном виде занимает много времени. Да и к тому же, то нужно приглашать программиста, то загружать работой отдел сбыта, чтобы те вручную собрали все нужные данные. Решение этой проблемы – OLAP. Вы решили его установить, и вот… два дня ушло на выяснение ваших задач, еще два дня на настройку и подключение его к вашей базе данных, еще 4 дня на проверки и после этого… Вы решили узнать, сколько вашей организацией продано определенного товара в нижегородскую область за последние полгода с разбивкой по месяцам – 1 минута – и результат у вас на экране, еще 1 минута – и он напечатан и лежит на вашем столе. Вы решили узнать, как платят вам самые крупные клиенты в последний месяц с разбивкой по дням, пожалуйста. И пусть отдел сбыта занимается сбытом, а не подготовкой отчетов.

 

Ситуация вторая

С отчетами у вас все в порядке. Вы двигаетесь дальше. С увеличением оборотов вы сталкиваетесь с тем, что заводы-поставщики требуют, чтобы вы им заранее сообщали, сколько продукции вы приобретете у них в следующем месяце. Заводы обосновывают это необходимостью определить количество закупаемого сырья, заказываемых контейнеров и т.п. Вы даете задание вашему аналитику, и он начинает заниматься прогнозированием. И тут оказывается, что, при прогнозировании, опираясь на продажи за предыдущий месяц, допускается много ошибок. Есть сезонные факторы, изменение курса доллара и множество других параметров, влияющих на прогноз. Человек в состоянии учитывать одновременно 5-6 факторов. Как же быть? Решение есть – нейронная сеть. К вашей базе данных подключается нейронная сеть. Она пропускает через себя всю историю продаж, самообучается и может начать самостоятельно прогнозировать, одновременно учитывая десятки факторов. Помимо прогноза, вы сможете еще и моделировать ситуацию, например, определить, как изменятся объемы продаж, если повысить стоимость на 10%. Благодаря этому, вы сможете не только повысить оборачиваемость капитала, но варьировать номенклатуру товаров с целью максимизации прибыли.

 

Ситуация третья

Ваш бизнес растет и для стимулирования клиентов, вы решили предоставлять им отсрочку платежа в размере 45 дней. Все идет хорошо, но проходит несколько месяцев и выясняется, что платежеспособность некоторых клиентов оставляет желать лучшего. Задержки в оплате составляют иногда несколько месяцев. Дебиторская задолженность растет. Отказываться от такого эффективного метода стимулирования как отсрочка платежа не хочется, но и терпеть убытки тоже. Что делать? Для решения этой проблемы нужно отделить надежных клиентов от ненадежных и применять для каждой категории свои методы работы. При работе с ненадежными требовать предоплаты. В этом нам помогут  механизмы кластеризации. Мы берем кредитную историю всех наших клиентов и строим на ее основе карты. На этих картах клиенты будут автоматически сгруппированы. По расположению на карте и относительно друг друга можно делать выводы, насколько надежен тот или иной покупатель. Мы определим насколько клиент A похож на клиента B и на основе полученных знаний будем строить свои отношения с ними. Таким образом мы минимизируем риски не жертвуя качеством и количеством предоставляемых услуг.

Все вышеописанное – просто частные случаи задач, которые можно решить при помощи современных аналитических систем.

 

Арустамов Алексей.

BaseGroup Labs.