1 Бизнес - аналитика для принятия управленческих решений 202 5 Кафедра информационных технологий в менеджменте Тема 6 . Перспективные методы бизнес - аналитики Ave CEO! Morituri te salutant ! ЛАНДШАФТ БИЗНЕС - АНАЛИТИКИ 2 Тип БА Вопрос Фокус Участие человека Сложность Применимость Дескриптивна я Что произошло? Прошлое/ настоящее Низкая Очень высокая Диагностическ ая Почему это произошло? Причины Средняя Высокая Предиктивная Что произойдёт? Будущее Высокая Средняя Прескриптивн ая Что делать? Рекомендации Очень высокая Низкая Когнитивная Как «думать» как человек? ИИ + знания + смыслы + логика + эмоции Экспертная Зарождающаяся * Дополненная ( augmented) аналитика ( Garthner ) АДАПТИВНАЯ БИЗНЕС - АНАЛИТИКА 3 Кто мы? Куда нам идти? Организации необходимо, с одной стороны, сосредоточиться на повышении операционной эффективности, а с другой – улавливать слабые сигналы внешней среды и проактивно адаптироваться к ожидаемым изменениям Что происходит сейчас? Что будет завтра? Предиктивная БА Прескриптивна я БА Диагностическая БА Дескриптивная БА АДАПТИВНАЯ БИЗНЕС - АНАЛИТИКА 4 Адаптивная бизнес - аналитика : аналитические процессы, инструменты и отчёты гибко подстраиваются под изменяющиеся условия бизнеса, потребности пользователей, внешнюю среду (рынок, конкуренты, продукты) и используют доступные данные. Гибкость и масштабируемость Инструменты и процессы легко адаптируются под новые источники данных, метрики, бизнес - цели и организационные изменения. Реактивность на изменения Быстрая перестройка аналитических моделей в ответ на внешние или внутренние изменения (например, кризис, запуск нового продукта, смена регуляторных требований). Персонализация аналитики Отчёты и дашборды адаптируются под роль пользователя (CEO, маркетолог, логист, аналитик), его задачи и уровень детализации. Непрерывное обновление данных Поддержка near real - time или real - time аналитики, особенно в быстро меняющихся средах (финансы, e - commerce , логистика). ПРЕСКРИПТИВНАЯ БИЗНЕС - АНАЛИТИКА 5 Предиктивная БА Глубокое обучение Машинное обучение Автоматизация Диагностическая БА ПРЕСКРИПТИВНАЯ БИЗНЕС - АНАЛИТИКА 6 Прескриптивная (предписывающая) бизнес - аналитика — это наиболее продвинутый уровень анализа данных, который не просто описывает прошлое (дескриптивная аналитика) или прогнозирует будущее (предиктивная), а рекомендует конкретные действия для достижения оптимального результата. КОГНИТИВНАЯ БИЗНЕС - АНАЛИТИКА 7 Когнитивн ая БА Data mining Интеллекту альный интерфейс NLP Прескрипти вная БА Эмоционал ьные НС Big Data КОГНИТИВНАЯ БИЗНЕС - АНАЛИТИКА 8 Когнитивная бизнес - аналитика — это следующий эволюционный шаг в области анализа данных, сочетающий искусственный интеллект, машинное обучение, обработку естественного языка, глубокое обучение и когнитивные вычисления для воспроизведения человеческого мышления в процессе анализа, интерпретации и принятия решений на основе данных Взаимодействие с человеком в естественной коммуникации Использование «темных» данных, «тёмной» информации Самообучение Понимание и использование контекста 1 Бизнес - аналитика для принятия управленческих решений 202 5 Кафедра информационных технологий в менеджменте Тема 5 . Предиктивная бизнес - аналитика Ave CEO! Morituri te salutant ! ВОПРОСЫ БИЗНЕС - АНАЛИТИКИ 2 Кто мы? Куда нам идти? Организации необходимо, с одной стороны, сосредоточиться на повышении операционной эффективности, а с другой – улавливать слабые сигналы внешней среды и проактивно адаптироваться к ожидаемым изменениям Что происходит сейчас? Что будет завтра? Предиктивная БА Дескриптивная БА ПРЕДИКТИВНАЯ БИЗНЕС - АНАЛИТИКА 3 Прогнозирование — не попытка угадать будущее, а систематический процесс снижения неопределённости для принятия лучших управленческих решений сегодня. Бюджетирование. Управление запасами. Логистика. Управление персоналом. Инвестиции. ЦЕЛИ ПРЕДИКТИВНОЙ БИЗНЕС - АНАЛИТИКИ 4 Предвидеть угрозы. Перейти от реактивного к проактивному управлению. Предвидеть возможности. Снизить риски при принятии долгосрочных решений. МЕТОДИКА ПРЕДИКТИВНОЙ БИЗНЕС - АНАЛИТИКИ 5 Определить направление исследования и сформулировать вопрос (последовательность, группа вопросов). Сбор и подготовка данных . Разнообразие – Время – Размер. Хранилище данных, озеро данных, Big Data Анализ. Выбор метода. Применение инструментов. Data Science Число. Классификация. Сегментация. Аномалии. Верификация. Оценивание точности прогноза. Использование при принятии решений. Разработка мер реагирования Мониторинг и обновление: внешняя среда динамична — анализ должен быть цикличным. Оценивание рисков. Управление рисками. ПРОГНОЗЫ СБЫВАЮТСЯ 6 QWEN v3 Отрасль Факторы Торговля Много исторических данных (транзакции, клики, корзины, биллинговые базы данных). Повторяющиеся паттерны (сезонность, праздники, акции). Высокая мотивация к оптимизации запасов и маркетинга. Производство Датчики IoT дают непрерывные данные (температура, вибрация, давление). Отказы часто имеют «предвестников» - изменение характеристик работы или состояния оборудования. Логистика и транспорт Данные GPS, датчики, расписания. Физические ограничения и константы (расстояния, скорости) делают процессы более предсказуемыми. Здравоохранение Эпидемиологические модели + данные о прошлых эпидемиях. Электронные медкарты позволяют строить персонализированные прогнозы (болезни часто имеют «предвестников). Энергетика и ЖКХ Сильная сезонность (день/ночь, зима/лето). Метеоданные + историческое потребление = хорошие предикторы. ПРОГНОЗЫ НЕ СБЫВАЮТСЯ 7 QWEN v3 Отрасль Факторы Финансовые рынки Высокая волатильность. Шум (посторонние факторы, выглядящие как важные) Влияние непредсказуемых событий в любых предметных областях. Политика и геополитика Слишком много неформальных, скрытых факторов. Недостаток данных. Неизвестны цели акторов. Кино и развлечения (кассовые сборы) Зависит от вирусности, вкусов, конкуренции — низкая повторяемость. Проекты Уникальные продукты, сложность управления. Стартапы, инновации Нет исторических данных, уникальные продукты. ПРОГНОЗЫ СБЫВАЮТСЯ 8 Много качественных исторических данных. Чем больше период наблюдения – тем лучше.. Зависимость данных от физических законов, устойчивых социальных факторов, наличия логики процессов, локация. Формализованная измеримая цель. Имеется метрика, позволяющая измерить ошибку прогноза и скорректировать модель. ДАННЫЕ ДЛЯ ПРОГНОЗИРОВАНИЯ 9 Разнообрази е Размер Время Устойчивая и адаптивная система, способная выживать в неопределённости Мощные вычислительные системы для параллельной обработки больших массивов данных Накопление данных. Системы поиска, верификации хранения данных. Специализация. Узкий спектр прогнозов Достоверност ь Ценность ДАННЫЕ ДЛЯ ПРОГНОЗИРОВАНИЯ - BIG DATA 10 Рыночная информация Геолокационные данные Поведение пользователей в реальном времени ( кликстримы , сессии, биллинг). Социальные настроения (мессенджеры, чат - боты). Эмоции. Погода, новости, туризм, развлечения и т д Датчики IoT Видеонаблюдение ДАННЫЕ ДЛЯ ПРОГНОЗИРОВАНИЯ - BIG DATA 11 Низкое качество данных Модель учится на шуме, ложные корреляции Отсутствие инфраструктуры Данные есть, но нет озера данных, хранилища данных. Аналитик тратит 80% времени на сбор данных. Этические и правовые риски Персональные данные. Недостатки нейронных сетей Галлюцинации, ошибки, переобучение. Иллюзия контроля «Алгоритм всё знает». Руководство игнорирует экспертное мнение. Переоценка больших данных Big Data расширяет горизонты аналитики, но не повышает точность прогнозов. АНАЛИЗ – МЕТОДЫ ПРОГНОЗИРОВАНИЯ 12