Азбука прогностического анализа | Большие Идеи

・ Принятие решений
Статья, опубликованная в журнале «Гарвард Бизнес Ревью Россия»

Азбука
прогностического анализа

Вы расписываете продажи на следующий месяц? Используете компьютерную модель, чтобы распределить рекламу по тематическим издателям? Все это — формы прогностического анализа.

Автор: Томас Дейвенпорт

Азбука прогностического анализа

читайте также

Как преодолеть сопротивление потребителей

Гибкий рецепт для турбулентного мира

Андрей Скорочкин

6 способов повысить свою личную продуктивность

Тони Шварц

Экономика платформ

Карим Лакхани,  Марко Янсити

Мы не можем собрать и проанализировать данные из будущего. Но есть возможность предсказывать будущее, опираясь на данные, полученные в прошлом.

Этот метод, прогностический анализ, повседневно используется различными организациями. К примеру, ваша компания проводила анализ пожизненной ценности потребителя (customer lifetime value или CLV)? Это метод прогностического анализа, с помощью которого определяется, на какую сумму клиент сможет в будущем приобрести товаров и услуг. Как насчет рекомендованных продуктов или «похожего предложения»? Это также прогностический анализ, попытка предугадать, что ваш клиент с наибольшей вероятностью купит потом. Вы расписываете продажи на следующий месяц? Используете компьютерную модель, чтобы распределить рекламу по тематическим издателям? Все это — формы прогностического анализа.

Прогностический анализ становится все популярнее, но что требуется знать не аналитику, а руководителю, чтобы грамотно истолковать результаты и принять правильное решение? Каким образом аналитики проделывают свою работу? Вам полезно будет узнать азы, тогда вы сможете объяснить сотрудникам или обсудить с ними результаты и выводы прогностического анализа. Анализ — это не магия, но он включает в себя большое количество накопленных в прошлом данных, чуточку статистического шаманства и несколько существенных аспектов, без которых нельзя обойтись. Разберем их подробнее.

Данные. Чаще всего компания отказывается от возможностей прогностического анализа именно потому, что не располагает достаточным количеством достоверных данных. Например, чтобы предсказывать будущие действия клиентов, требуются надежные данные об их нынешних покупках (и тут поможет программа поощрения лояльных покупателей или же анализ расходов их кредитных карточек). Нужно знать, что они покупали в прошлом, различные свойства этих продуктов (прогнозы, основанные на конкретных свойствах товаров, обычно выходят точнее, чем построенные по принципу «кто покупает то, купит и это»). Вероятно, требуется также демографический портрет клиента (возраст, пол, место проживания, социоэкономическое положение и т. д.). При наличии нескольких каналов или точек соприкосновения с клиентом нужно убедиться, что вы каждый раз собираете данные о нем одним и тем же способом.

Читайте материал по теме: Извлекайте уроки из несбывшихся прогнозов

Разумеется, создать базу данных по всем клиентам, где у каждого имелся бы собственный паспорт с перечнем всех прежних покупок, в каких бы точках или по каким каналам они бы ни совершались, чрезвычайно сложно. И если вам удалось это сделать, то вы наилучшим образом обеспечили точность своего прогностического анализа.

Статистика. Регрессивный анализ в различных формах — первичный инструмент, используемый организациями в прогностическом анализе. В целом этот метод работает так: аналитик предполагает для некоей выборки клиентов наличие статистической корреляции между какими-то независимыми переменными (например, полом, доходом или частотой посещения сайта компании) и покупкой определенного продукта. Затем аналитик проводит регрессивный анализ, изучая, как именно отражается на статистике каждый из этих факторов. Обычно приходится повторять проверку несколько раз, прежде чем удастся выявить точную комбинацию факторов и оптимальную модель. Допустим, аналитику удалось доказать, что каждая переменная в модели необходима для объяснения статистики продаж, а в совокупности они объясняют подъемы и спады в сбыте продукта. Опираясь на полученную регрессивным методом формулу, аналитик вводит регрессивные коэффициенты — степень влияния каждого из факторов на поведение покупателей — и получает новую формулу, прогнозирующую вероятность покупки. Вуаля! Вы создали работающую прогностическую модель для других клиентов — за пределами вашей выборки. Теперь нужно посчитать их баллы по новой формуле и тем, кто наберет заданную сумму, предложить свой товар. Вполне вероятно, что клиенты с пороговой и более высокой суммой баллов заинтересуются этим продуктом (при условии, что данные были надежными и аналитики хорошо проделали свою работу).

Предпосылки. И это подводит нас к еще одному важному ингредиенту прогностической модели — к лежащим в ее основе предпосылкам. Каждая модель включает в себя определенные причины, и важно понять, каковы они, и отслеживать, не утрачивают ли они со временем достоверность. Основная предпосылка прогностического анализа — уверенность, что будущее по основным параметрам совпадает с прошлым. В книге «Сила привычки. Почему мы работаем именно так, а не иначе» Чарльз Дахигг поясняет, что люди вырабатывают определенные паттерны поведения и склонны постоянно их придерживаться. Но иногда поведение вдруг резко меняется, и тогда прогностические модели утрачивают силу.

Читайте материал по теме: 9 причин, из-за которых принимаются плохие решения

По каким причинам это происходит? Чаще всего виной тому время. Модель, созданная несколько лет назад, уже не так точно прогнозирует текущее поведение клиентов, и чем больше времени проходит, тем выше вероятность ошибки. Например, некоторые прогностические модели Netflix, разработанные для пользователей интернета в конце 90-х — начале 2000-х, пришлось сдать в архив, потому что появилось совершенно новое поколение пользователей с принципиально иной моделью поведения. Пионеры 90-х были техничнее, теперь же пользователями становятся буквально все.

Прогностическая модель может оказаться непригодной и по вине самого аналитика, не включившего в нее какой-то важный фактор, особенно если он существенно изменится со временем и повлияет на конечный результат. Знаменитый и страшный пример — финансовый кризис 2008—2009 гг., спровоцированный преимущественно ошибочными моделями, которые выстраивали схему выплаты ипотеки. Эти модели не учитывали вероятность прекращения роста цен на недвижимость, не говоря уж о падении. Когда же цены начали снижаться, прогностическая ипотечная модель развалилась как карточный домик. Оказалось, что в основе ее лежит невысказанная предпосылка, будто цены на жилье должны всегда идти вверх и только вверх.

Поскольку ошибочные или устаревшие предпосылки могут разорить большие банки, корпорации и даже целые страны, их необходимо тщательно анализировать. Руководители компаний обязаны задать аналитикам вопрос: каковы их ключевые предпосылки и при каких условиях они утрачивают силу? И руководители, и аналитики должны постоянно мониторить все происходящее в мире, чтобы вовремя заметить изменения ключевых факторов, на которые опираются предпосылки.

Теперь, когда вы знаете основы, имеет смысл задать аналитикам вашей компании следующие вопросы:

  • Из каких источников вы черпаете данные для формул и прогнозов?
  • Уверены ли вы в том, что выборка репрезентативно представляет всех наших клиентов?
  • Наблюдаются ли в распределении данных определенные выбросы и как они повлияли на окончательный вывод?
  • На какие предпосылки опирается ваш прогноз?
  • При каких условиях эти предпосылки утратят силу?

Даже с такими оговорками остается лишь удивляться нашей способности прогнозировать будущее. Всего-то и нужно: грамотно собрать данные, добросовестно провести анализ и осторожно обращаться с предпосылками. Прогностический анализ дается с большим трудом, чем пророчества какого-нибудь популярного астролога, зато он куда точнее.

Читайте по теме: