STRUM: Чому варто відвідати третю онлайн-конференцію «Аналітика дієвих рішень»?

Ми вже давно спостерігаємо на своїх навчальних курсах, що теми, пов’язані з аналітикою, стабільно мають попит, який лише зростає та розширюється в нішевих напрямах. До того ж більшість студентів — це не ті, хто хоче свічнутись в IT, а досвідчені фахівці: девелопери, менеджери, аналітики, які прагнуть розширити свою експертизу та перейти до роботи з даними.

Я бачу в цьому чіткий причинно-наслідковий зв’язок. Сьогодні тема AI стрімко входить у наше життя, але її початки лежать у Data Science, який, своєю чергою, базується на Data Engineering та Data Analytics. Ці напрями виникли у відповідь на потребу компаній збирати й аналізувати дані, і зараз вони є фундаментом для ухвалення рішень, створення продуктів і розвитку нових технологій. Саме тому, коли ми з командою почали брейнштормити ідеї для конференції, вибір був одноголосним: фокус на даних як ключовому елементі майбутнього технологій, що вплинуть на зростання якості життя людей».

В одному з моїх улюблених фільмів — Moneyball — спортивний менеджер завдяки математиці за один сезон перетворює команду андердогів на одну з найкращих у лізі. Він не зважає на публічний профіль гравця, репутацію чи вартість контракту. Для нього важливий лише один показник: як часто спортсмен займає базу (результативна дія в бейсболі).

Хоч у фільмі є трохи вигадки, він заснований на реальних подіях, і цей кейс не унікальний. Навіть у великому спорті, де все може вирішити один щасливий випадок, на довгій дистанції статистика безжальна.

Так само й у бізнесі. У «вгодовані» часи ми можемо нескінченно наймати нових людей і витрачати кошти на масштабні корпоративи. Але в «грі в довгу» виграє той, хто вміє рахувати. Що вигідніше: найняти ще одну людину чи переглянути зарплати команди? Як зрозуміти, що продукт уже переріс звичайну табличку в Excel і настав час впроваджувати повноцінну BI-систему чи дорогу CRM? І головне: як побудувати продукт, юніт-економіка якого дозволить масштабувати доходи без кратного зростання витрат?

Відповіді на ці запитання ми почуємо на конференції».

Ігрова аналітика за останні роки стала ще глибшою та складнішою:

▪ Обсяг ігрових даних зріс до неймовірних масштабів, але їхня обробка стала складнішою. Тож довелося шукати як технічні, так і аналітичні рішення, щоб ефективно працювати з ними.

▪ Обмеження у сфері захисту персональних даних стають щораз жорсткішими (GDPR, ATT, PIPA тощо). Поточні вимоги дозволяють користувачам забороняти передачу певної інформації, і якщо дані недоступні, їх просто неможливо застосовувати. Аналітикам дедалі важче визначити, чи впав ретеншн через зміни в грі, чи через перерозподіл маркетингових каналів. Це особливо сильно вплинуло на iOS, але Google також активно працює над впровадженням подібних механізмів.

▪ Зміщення фокусу: від описової аналітики (що зараз на проєкті й чому) до предиктивної (які наслідки, якщо нічого не змінювати, передбачення загальних трендів).

▪ Використання складніших метрик: якщо раніше увагу зосереджували на воронках та конверсіях, то зараз аналітика заглиблюється в поведінкові характеристики, кластеризацію та сегментацію гравців.

▪ Автоматизація аналітики: значну частину процесів виносять у дашборди — саме це допомогло аналітикам змінити фокус на глибші дослідження. Сучасні дашборди дають усі потрібні інструменти для швидкого виявлення та локалізації проблеми, а от для занурення в причини та наслідки проводять розширені аналітичні дослідження. Крім того, гарно налаштований авторепортинг звільняє час аналітика на інші завдання.»

Ставлення до data-driven рішень, що базуються на аналітиці та вимірюванні ефективності, значно залежить від культурного контексту локації, в якій оперує компанія, та унікальної корпоративної культури організації. У різних країнах реакція людей на подібні системи може кардинально відрізнятися.

Наприклад, для українців важливими є справедливість, прозорість і розуміння кінцевої цілі (щоб що?). Ми хочемо знати, чому саме такі показники, як їх розрахували та що буде далі. Об’єктивність у цьому питанні має першочергове значення, адже від неї залежить довіра до компанії загалом.

В інших культурах акценти можуть зміщуватися. Є країни, де в культурному коді закладене делегування відповідальності або навіть певний саботаж подібних систем на всіх рівнях організації. У таких випадках впровадження people-аналітики потребує особливого підходу. Наприклад, у Мексиці все, що виходить за межі чітко визначених зон відповідальності або є занадто «гнучким» у трактуванні, часто не сприймають серйозно. Через це класична аналітика ефективності може просто не працювати.

У США ж на перше місце виходять фінансові результати. Зазвичай, поки вони задовольняють керівництво, ефективність і продуктивність окремих працівників не завжди буде у фокусі. Але якщо компанія постає перед труднощами, то відбуваються різкі оптимізаційні зміни, і саме тоді аналітика індивідуальних показників могла б стати ключовим фактором. Однак, оскільки раніше якості збору даних могли не приділяти достатньо уваги, оптимізацію часто здійснюють на основі неповних даних або суб’єктивних відчуттів менеджменту, що може позначитися на її об’єктивності.

Таким чином, впровадження аналітики тісно пов’язане з особливостями управління (data-driven, intuitive management), культури та цінностей локації. Це те, на що потрібно зважати передусім на початкових етапах її реалізації».

Вплив Miltech на аналітику в інших індустріях залежить від рівня та напряму аналітики, яку ми розглядаємо. Поточна війна є викликом не лише для фронту та армії, а й для багатьох інших галузей. Однак, якщо говорити загалом, технологічний стек, методології збору та аналізу даних, які нині використовують у військовій сфері на всіх рівнях, безумовно, вплинуть і на інші напрями.

Легко уявити, як військові напрацювання у штучному інтелекті, робототехніці, безпілотних системах та кібербезпеці згодом впроваджуватимуть у державному секторі, зокрема в охороні здоров’я, енергетиці, транспорті й фінансах. Аграрна галузь взагалі здається ідеальним середовищем для адаптації цих технологій у цивільному житті. Ймовірно, цей процес уже відбувається, проте наразі ми ще не маємо достатньо даних або відкритої інформації про нього».

Критичність впровадження ШІ залежить не стільки від галузі, скільки від обсягу й типу даних. Більшість компаній, що працюють у цифровому середовищі або застосовують digital-інструменти для просування, накопичують великі масиви однотипних даних, які найзручніше аналізувати за допомогою ШІ.

Тому продуктові бізнеси, незалежно від сфери діяльності, вже інтегрують або планують використовувати AI-рішення.

Окремо варто звернути увагу на функціональні напрями. Маркетологи, фахівці служби підтримки, розробники, фінансисти й адміністративний персонал виграють від застосування ШІ, їхня продуктивність підвищується.

Якщо говорити про критичність впровадження, то в багатьох секторах цей процес уже відбувся. Серед таких — телекомунікаційні компанії, банки та фінансовий сектор загалом, страхові компанії, соціальні мережі, агрегатори, маркетплейси та великі виробничі підприємства».