Продажи, сервис, логистика: где предиктивная аналитика даёт прибыль
Точная модель - это только начало. Прибыль появляется там, где есть сценарий действия и порог, при котором оно запускается.
Предиктивная аналитика стала звучать в разговорах с бизнесом заметно чаще. Появились доступные инструменты, накопились данные, консультанты научились делать красивые демонстрации. Но разрыв между "у нас есть прогнозная модель" и "мы на этом зарабатываем" - всё ещё большой, и его природу стоит понять до того, как тратить бюджет.
Я видел несколько проектов, которые технически работали хорошо, но в итоге оказывались на полке. Дело почти всегда было не в качестве модели.
Откуда берётся разрыв
Модель предсказывает вероятность или значение. Сама по себе она ничего не делает - она только информирует. Чтобы это превратилось в прибыль, нужно три вещи: кто-то или что-то должно получить предсказание, понять что с ним делать и действительно сделать.
Когда этой цепочки нет, модель превращается в отчёт, который кто-то иногда смотрит. Обычно - после того как событие уже произошло.
Правильный вопрос при запуске любого предиктивного проекта - не "насколько точна модель", а "что именно изменится в поведении человека или системы, когда модель выдаст результат".
Где экономика складывается
В продажах предсказание оттока клиентов работает, если у компании есть сценарий реагирования - конкретный шаг, который менеджер делает с клиентом, у которого высокая вероятность ухода, и порог, при котором этот шаг запускается. Без этого менеджер получает список из ста "рискованных" клиентов и не знает что с ним делать.
В сервисном обслуживании предсказание отказа оборудования даёт экономию, если у компании есть возможность действительно планировать профилактику по результатам прогноза, а не только по регламенту. Иначе прогноз просто добавляет информацию к уже имеющемуся расписанию, которое никто не готов менять.
В логистике прогнозирование спроса снижает запасы и улучшает доступность, но только если процессы закупки и пополнения реально управляются этими прогнозами - а не строятся "от опыта менеджера", который просто добавит прогноз как ещё один источник, которому он может не доверять.
Где чаще получаются красивые слайды
Несколько паттернов, которые я вижу чаще других.
Модель оптимизирует показатель, который не является операционным рычагом. Например, предсказывает вероятность конверсии, но компания не может изменить ничего в процессе для разных сегментов - все клиенты всё равно проходят один и тот же путь.
Порог действия не определён. Модель говорит "вероятность 0.67" - и что? Компания не решила, при каком значении надо действовать, кто принимает решение и кто несёт ответственность.
Данные, на которых обучена модель, не совпадают с данными, которые будут доступны в момент принятия решения. Это классическая проблема утечки данных, которая обнаруживается уже в продакшне.
Результат модели требует ручной интерпретации. Если каждый прогноз надо объяснять аналитику перед тем как использовать - масштабирования не будет.
Как оценить проект до запуска
Несколько вопросов, которые я рекомендую задать перед тем, как утверждать бюджет:
- Что конкретно изменится в действиях компании, когда модель выдаст предсказание? Кто именно, что именно, когда именно?
- Определён ли порог действия - значение или сигнал, при котором запускается реакция?
- Есть ли у команды возможность и полномочия действовать по результатам прогноза?
- Как будет измеряться результат - не точность модели, а бизнес-эффект?
- Кто владелец этого процесса после запуска?
Если на эти вопросы нет ответов - проект, скорее всего, даст красивый дашборд и остановится там. Если ответы есть - шансы на реальный эффект значительно выше.
Предиктивная аналитика работает. Но не сама по себе - только в связке с операционным процессом, который готов на неё опираться.