School of Data: Wie man Mathematik und Wirtschaft miteinander verbindet

    Bild

    Was hindert Sie daran, Mathematik und Business erfolgreich zu verbinden?

    Dieser Text ist der erste einer Reihe von Artikeln zum richtigen Einbetten von Big Data-Tools für Unternehmen.

    Kleiner Spoiler: Alles wird sich entwickeln, wenn Sie sich an das Geschäft selbst erinnern.

    Große Unternehmen wollten vor 5 Jahren ein neuartiges Bigdatu einführen. Es gab aber nur wenige echte Experimentatoren. Ausnahmen waren diejenigen, die genau über eine Fülle von Daten verfügten: Telekommunikation, Bankensektor und Internetunternehmen. Und im Jahr 2018 kommen die Unternehmen aufgrund ihres Know-hows im Bereich Big Data selbst und aus den unerwartetsten Bereichen: Metallurgie, Versicherung, Luftfahrtindustrie.

    Wie fängt das Modell an?


    Big Data ist kein magisches Mantra mehr (jetzt trägt die Blockchain diese Krone). Aber bis sie den Hauptmythos

    beseitigt hat : "Ein mehr oder weniger passender Mathematiker kann ein Modell auf ein Stück Papier schreiben, es schnell einführen und danach einen Cocktail trinken und den Umsatz steigern."

    Ich übertreibe natürlich, aber nicht sehr viel. Ich werde ein Beispiel aus unserer Praxis geben.

    Es gibt einen Hersteller von Bauklötzen. Nemelka, mit Erfahrung und etabliertem Vertrieb. In solchen Zeiten fragen sich Unternehmen oft: Wie können wir noch Kosten senken und Gewinne steigern?

    Der Verbesserungskandidat war die Logistik. Bei der Lieferung von Ziegelsteinen herrschte ein großes Chaos, die Kundennachfrage war im Voraus schwer einzuschätzen, so dass die Kosten für Treibstoff und Fahrzeugabwertung beunruhigend waren. Nachdem das Unternehmen von Big Data erfahren hatte, entschied es: Wir werden vorhersagen, wann der Ziegel auf den Baustellen des Kunden enden wird, um ihn rechtzeitig dorthin zu schicken. Durch Analyse der vorherigen Daten wurde ein Modell erstellt, das interessante Optimierungsprozentsätze versprach.

    Die ganze Freude brach die übliche Ordnung. Erstens war es notwendig, eine Maschine für die schnelle Lieferung zu finden und die Routen zu überdenken. Zweitens könnten diese Autos nur in streng definierten Zeitfenstern zum Laden gehen, da der Ankunftstermin der Client-Maschinen einige Wochen im Voraus erstellt wurde. Es war unmöglich, Kunden zu bewegen. Daher war die Geschwindigkeit Asche.

    Es stellte sich heraus, dass wir mit dem üblichen „Let´s Predicting“ begonnen und mit der Transformation des Geschäftsprozesses endeten.

    Die Big-Data-Aufgabe hat zwei Aussagen: Wirtschaft und Mathematik. Und ihre Reihenfolge ist genau so. Bevor Sie den Analytiker mit dem Erstellen eines Modells beauftragen, müssen Sie drei Stufen durchlaufen.

    1. Definieren Sie die Aufgabe aus betriebswirtschaftlicher Sicht.


    Nehmen wir an, wir wollen mit der Kundenabwanderung umgehen. Sie beschlossen, vorherzusagen, dass eine bestimmte Käufergruppe vor einem Konkurrenten steht. Für sie werden wir allerlei Brötchen bilden, die wir behalten können.

    Die Aufgabe auf den ersten Blick ist trivial. Der Analytiker baut ein Modell auf historischen Daten - gegangen und Stammkunden - auf, um die Zeichen dieser und anderer Personen darzustellen. In einem echten Fall eines Mobilfunkbetreibers ist der Abfluss eines anonymen Teilnehmers beispielsweise = der Teilnehmer hat die Verbindung nicht mehr verwendet. Aber wie viel Zeit - eine Woche, ein Monat, ein Jahr - sollte nicht berücksichtigt werden, um als "abgelenkt" aufgezeichnet zu werden?

    Diese Aufgabe kann auf verschiedene Arten definiert werden. Kann auf einer fertigen Geschäftsvorlage sein. Oder gemäß historischen Daten: Wie oft kommen Abonnenten, die die Verbindung nicht genutzt haben, einen Monat zurück? Und wenn ja - bis zu 10%? Zum Beispiel war der Abonnent auf einer längeren Geschäftsreise oder fiel für einen begrenzten Anteil eines anderen Betreibers.

    Hier ist es wichtig: Wer als "Scavenger" betrachtet werden sollte, ist eine rein geschäftliche Entscheidung.

    Das erforderliche Minimum von Big Data-Einheiten beträgt 2 Rollen. Der erste ist ein Datenwissenschaftler, bei dem sich Mathematik und Modellbildung aufbauen. Die zweite von Team zu Team wird anders bezeichnet - Produktbesitzer, Produktmanager, Business Analyst. Auf dem Gewissen dieser Person liegt die korrekte Formulierung des Problems. Seine Mission ist es, in die Feinheiten des Kundengeschäfts einzutauchen und die Werkzeuge auszuwählen, die er benötigt. Und tauche in die aktive Kommunikation mit allen Parteien ein.

    2. Überprüfen Sie den Geschäftsfall.


    Okay, wir werden das Modell bestimmen. Aber wie viel kostet uns die Optimierung?

    Nehmen Sie den gleichen Abfluss. Um potenzielle Kunden fernzuhalten, können Sie die richtige Nachricht anrufen oder senden. Wenn es eine Ressource gibt, bieten Sie einen Bonus an. Sie können dem Kunden einen wirtschaftlich interessanteren Preis geben, indem Sie seine Kosten analysieren.

    Da wir jedoch über Boni nachdenken, sind dies unsere Ausgaben für solche Kunden. Und es wäre okay, wenn wir sicher wüssten, dass dieser Kunde gehen würde, wenn nichts getan würde. Aber die Vorhersagen der Modelle sind nicht perfekt. Wir werden jemanden richtig halten. Und zum Beispiel werden 20% der potenziellen „Schärfgeräte“ nicht wirklich so sein. Damit bieten wir Ihnen Boni an. Wie viel Geld dafür ausgegeben wird, ist in unserem Fall zulässig - Sie müssen sich das Volumen des Kundenstamms, den Umfang des Abflusses und die Anzahl der absoluten Zahlen ansehen.

    Dies nennt man die Fehler erster und zweiter Art. Wir müssen verstehen, dass die Ergebnisse der Einführung des Modells mehr als nützen werden. Und das sollte für uns ein akzeptabler Unterschied sein. Anforderungen an das Modell werden vor seiner Konstruktion gebildet. Vielleicht werden sie herauskommen, so dass es keine Notwendigkeit gibt, Zeit zu verschwenden, Wissenschaftler.

    3. Planen Sie, wie die Ergebnisse verwendet werden.


    „Die Wirtschaft ist zusammengekommen“, sagt der Business Case. „Können wir endlich ein Modell bauen?“

    Früh. Sie müssen darüber nachdenken, was mit den Ergebnissen passieren wird.

    Das gibt uns ein Modell von 200.000 Menschen, die jeden Monat zu „Scavenger“ werden können. Und wir beschließen, sie anzurufen. Und wenn wir Zeit haben, alles durchzugehen? Das Kontaktzentrum ist kein Gummi.

    Ein weiterer Punkt - Sie müssen wissen, wie viel Zeit wir zwischen der Vorhersage der Pflege und der tatsächlichen Abreise des Kunden haben werden. Warum brauchen wir eine Vorhersage, wenn der Kunde in naher Zukunft "ablehnt"? Dann haben wir vielleicht keine Zeit, sie zu kontaktieren. Je weiter wir von dem Moment der Abreise an antworten, desto geringer ist die Vorhersagegenauigkeit. Auch hier müssen wir das Optimum zwischen Profis und Risiken berechnen.

    Und der dritte Punkt - wie schnell können wir Innovationen in unsere Geschäftsprozesse umsetzen? Das hat nicht funktioniert, wie beim Beispiel des Ziegelherstellers.

    Abschließend


    Der Weg zu einer klaren Aufgabe für einen Datenwissenschaftler ist eine Aufgabe für sich.

    Wenn wir alle drei Punkte überprüft haben, alles geklappt hat und ein Modell aufgetaucht ist, warten wir auf die nächste Spaßphase - Integration. Der Aufbau von Modellen und verwandte Mathematik dauert in der Regel etwa 20% der Zeit. Die verbleibenden 80% (und manchmal viel mehr, abhängig von der Flexibilität des Unternehmens) - produktiv umsetzen. Bis zu mehreren Monaten.

    Das Modell ist nur MVP. Jeder liebt es, sie zu bauen, denn jeder mag hypothetische Ergebnisse. In den meisten Unternehmen ist die Einführung in reale Geschäftsprozesse zum Erliegen gekommen. Schließlich ist es am schwierigsten, die gestraffte Reihenfolge zu ändern.

    Daher muss es in jedem Big Data-Projekt einen Datenwissenschaftler geben, in dem Mathematik, ein verantwortlicher Produktmanager und ein Projektmanager mit einem Projektteam vorhanden sind. Letztere müssen den Geschäftsprozess implementieren und aufrütteln. Manchmal schmerzhaft und hart. Aber nur in dieser Konfiguration kann die Arbeit mit Big Data Vorteile bringen.

    Diese und andere Funktionen der Datenanalyse in der Wirtschaft werden in unserer Data School in Kursen für Analysten und für Führungskräfte vermittelt .

    Die Stelle wurde von der School of Data auf der Grundlage der Veröffentlichung des Gründers der School im Business HUB von PJSC "Kyivstar" vorbereitet.

    Jetzt auch beliebt: