SAS

С марта в Утконосе появилась должность Chief Data Officer. Компания считает использование данных во всех бизнес-процессах важным шагом на пути к цифровой трансформации и централизует свои усилия в этом направлении. Мы встретились с Данилой Наумовым, директором по данным онлайн-гипермаркета Утконос, в рамках SAS Forum Russia 2019. Он рассказал о стратегии компании на пути к «цифре», о первых шагах в новой должности и планируемых изменениях в работе с данными.

Скорость доставки, цены, качество продуктов — очевидные конкурентные преимущества любого ретейлера. Где здесь могут пригодиться данные?

Действительно, все это важно. А данные могут понадобиться при решении любой задачи. С точки зрения скорости доставки перед нами стоят проблемы оптимизации логистики, в области цен — вопросы, связанные как с регулярным ценообразованием, так и с промоакциями. И тут нам есть чем похвастаться. Актуальны также задачи ассортиментного планирования, добавления в ассортимент востребованных покупателями товаров и вывода непопулярных. Кроме того, есть возможность создания собственных торговых марок — для этого нужно знать, какими характеристиками должен обладать тот или иной продукт.

А какие еще преимущества могут дать компании сервисы, основанные на данных?

Часто диалоги об аналитике у ретейлеров так или иначе связаны с качеством управления запасами — прогнозированием спроса и оптимизацией товарных запасов, обеспечением их нужного уровня. И это не случайно — вопрос действительно критически важен. Отдельно надо сказать о целевом маркетинге: кластеризации клиентов, прогнозировании отклика на маркетинговые кампании. Разумеется, персональные предложения должны быть релевантными — это требование времени. В противном случае лояльность клиента резко падает. Хорошо показывают себя рекомендательные системы на сайте. Если они правильно построены, то существенно повышается средний чек. Мы постоянно занимаемся оптимизацией складских операций. Например, совершенствуем слоттинг — даем рекомендации, в каких местах следует хранить товар, чтобы процедура комплектации заказов была максимально быстрой, а на складе не возникало пробок.

Все это — внутренние истории. Возможно ли что-то, нацеленное вовне?

Не соглашусь с таким разделением. Наличие товара в продаже напрямую сказывается на поведении клиента, если же клиента не устраивают цены, он пойдет к другому ретейлеру. Потребность в подобной аналитике диктуется рынком. Мы очень долго были не просто лидером, а вообще единственной компанией, занимающейся доставкой продуктов. Наши трансформационные процессы обусловлены именно появлением конкурентов. В сфере онлайн-ретейла крайне тяжело выйти на новый рынок — например, в другой город. Обустройство складов и выстраивание логистических сетей стоит невероятно дорого и требует единовременных инвестиций. Офлайн-ретейлер, в отличие от нас, может позволить себе постепенно увеличивать число магазинов.

Существовала ли до вас в Утконосе должность директора по данным?

Такой должности не было. Но уже функционировал аналитический центр, который занимался BI-функцией, его начали формировать с лета прошлого года. Прежде аналитическая работа велась разрозненно: в каждом бизнес-подразделении были собственные аналитики. Аналитический центр был создан с вполне понятной целью — объединить аналитиков из разных подразделений, чтобы ликвидировать дублирование отчетов. Понятно, что в разных подразделениях аналитики зачастую занимались схожими задачами. Кроме того, параллельно велось несколько проектов, связанных с прогнозированием спроса и построением системы автозаказа. В этих направлениях были существенные наработки. Требовалось их развить и добавить в число используемых технологий машинное обучение и другие современные методы. И поэтому в Утконосе появился директор по данным.

Что появление этой должности фактически означает для компании?

Наша компания идет по пути цифровой трансформации, и мы разделили ее на три составляющих. Первая — переход от традиционной иерархической структуры к продуктовой структуре. Мы создали множество продуктовых команд, в них входят представители бизнеса, data science, бизнес-аналитики, ИТ (ее инфраструктурной части). Вторая составляющая трансформации — привлечение талантов извне, третья — использование данных во всех бизнес-процессах. Все решения должны приниматься на основании данных, а не экспертных мнений. Позиция человека должна подкрепляться объективными цифрами. Моя должность объединила три функции: BI-практику, развитие хранилища данных (data engineering) и применение продвинутой аналитики (data science) в бизнес-процессах. Функции data engineering и data science изначально входят в мою зону ответственности, эти функции мы выстраиваем с нуля. А аналитический центр раньше подчинялся директору по стратегии. Директор по стратегии решил поставленные задачи, должность упразднили и было принято решение функцию BI тоже отдать мне.

Вы пришли в компанию несколько месяцев назад. Какие задачи были поставлены перед вами?

По каждому из трех направлений передо мной поставлены вполне конкретные задачи. На аналитике по-прежнему лежит в первую очередь функция автоматизации отчетности. В data science главные направления, по которым мы начали работать, — это прогнозирование спроса для операционного блока и регулярное ценообразование для коммерческой дирекции. Что касается хранилища данных, то мы приступили к выбору СУБД, средств интеграции данных и уже вплотную планируем построение самого хранилища данных. Хочу отметить, что в отношении выбора инструментов для реализации проектов никаких «религиозных» предубеждений у нашей команды нет. Руководство компании мыслит категориями бизнес-кейсов и финансовых эффектов. Если мы понимаем, что у какого-то конкретного продукта стоимость владения существенно привлекательнее, чем у конкурентов, то наш выбор склоняется в сторону именно этого продукта. Еще одной ключевой составляющей для нас является скорость решения задачи. Например, мы вполне обоснованно выбрали коммерческую аналитическую платформу и отказались от стека решений open source. Важную роль при этом сыграл показатель time to market — время, которое потребуется, чтобы решенная задача начала приносить прибыль.

Как могло отсутствовать направление data science в электронной компании с такой историей?

Каждый блок решал свои задачи по отдельности, с помощью доступных инструментов и методов. Например, строили прогнозы спроса, решали задачи автозаказа, создавали модели прогнозирования оттока клиентов, занимались оптимизацией логистики. Однако есть множество задач, в которых применение продвинутой аналитики даст более существенный эффект, чем традиционные подходы. И эти задачи совершенно точно должны решаться централизованно.

Местные аналитические отделы будут упразднены? Как сейчас осуществляется взаимодействие с ними?

Я вижу два варианта. Первый — оставить решение аналитических задач в рамках «родных» бизнес-блоков. Если задачи решаются качественно и результаты устраивают бизнес, то незачем ломать работающую структуру. При этом было бы правильным при необходимости подключать «Офис данных». Например, когда местным аналитикам на каком-то этапе не хватает компетенций. Второй вариант — переход аналитиков в нашу команду, но здесь важно сделать это так, чтобы бизнес-функция не пострадала и ее задачи продолжали решаться. Далеко не каждому руководителю понравится такой подход, и единственный способ не допустить скандалов — поднять решение прежних задач на новый уровень.

С чего началась работа в новой должности?

Первое — согласование бюджетов с собственником. Согласовали и расширение штата — дополнительно 14 человек, и приобретение новых инструментов, и проведение работ. Сейчас начинается обсуждение, как именно эти средства потратить, а также сравнение ИТ-платформ для решения тех или иных задач. И конечно, естественным следствием расширения штата стал активный поиск персонала.

Что сейчас представляет собой часть ИТ-ландшафта, ориентированная на работу с данными? Какие платформы и решения применяются, каковы планы на будущее?

Разумеется, у нас есть множество источников данных: ERP, WMS, веб-сайт, система управления перевозками, BI-инструменты и аналитические решения SAS. Кроме того, есть инструменты, используемые бизнес-блоками. Мы проведем трансформацию хранилища данных и построим озеро данных. Планируем предоставить инструменты подготовки данных бизнес-пользователям, чтобы наиболее продвинутые могли не только смотреть отчеты, но и проверять собственные гипотезы, выстраивать модели данных. У нас есть пользователи, которые готовы так работать и ждут, когда возможность для этого у них появится.

Используются ли в компании большие данные, и если да, то в каких целях?

Да, большие данные у нас есть. В первую очередь это история покупок клиентов, история активности пользователей на сайте. Мы знаем, каким образом происходила каждая покупка и как клиент оказался на сайте. Все эти данные надо анализировать, чтобы оптимизировать маркетинг — например, оценивать и развивать каналы, по которым к нам приходят люди. Огромный блок данных связан с операциями на складах. Комплектовщики заказов перемещаются по складу с собственными терминалами, и их движение становится источником информации для оптимизации размещения товаров. Есть множество видеоданных, на основании которых принимаются решения о реструктуризации склада.

Насколько эффективно используются эти данные?

Довольно эффективно. Можно ли их использовать еще эффективнее? Безусловно, да.

Обычно выделяют внутренние эффекты от работы с данными (оптимизация, повышение эффективности и т. п.) и внешние (создание новых сервисов, ориентированных на извлечение прибыли). Какие из них приоритетнее сейчас, а какие могут быть значимыми в будущем?

В рамках каждой задачи производится оценка конкретного кейса. На данный момент для нас примерно равнозначны по приоритету оптимизация операций и решение задач коммерческой дирекции и маркетинга. В будущем мы считаем перспективным привлекать стартапы для анализа изображений и голоса, а также для анализа отзывов клиентов и даже просто постов в соцсетях.

У онлайн-гипермаркета гораздо более широкие возможности по работе с покупателями, чем у традиционного ретейлера. Вы видите своих клиентов в буквальном смысле насквозь. Что, с вашей точки зрения, могло бы быть реализовано лучше и как этого добиться?

Здесь может идти речь об углубленном анализе больших данных: активность клиента на сайте, история его запросов в поисковиках, анализ источников, по которым он перешел к нам. Но надо сказать, что у нас намного меньше клиентских данных, чем у банков. Гораздо больше знаний о клиенте нам пока дают все-таки его истории покупок.

Появления каких новых «умных» сервисов могут ждать ваши клиенты в обозримом будущем?

У нас много различных идей. Например, предоставление рецептов и услуг голосового помощника во время приготовления еды. Если сервис Утконоса предложил купить продукты, он вполне может помочь приготовить из них вкусное блюдо. Кроме того, могу назвать интеллектуальные сервисы, которые будут напоминать о покупке.

Как скоро появится возможность «залезть к клиенту в холодильник» — поставить там камеру и реализовать сервис автозакупок?

Технически это вполне можно реализовать уже сейчас. Но потребуются как минимум серьезные инфраструктурные вложения и доработка некоторых «юридических моментов».

Газпромбанк трансформировал подход к работе с клиентами. Применение углубленной аналитики и переход на real-time технологии – это тренд в развитии систем для автоматизации процессов маркетинга. В 2018 году руководство банка приняло решение о реализации Real-Time Offering (RTO) на базе аналитических продуктов SAS. К настоящему моменту инвестиции в проект полностью окупились, внедрение находится на финальной стадии.

Газпромбанк приступил к преобразованиям еще в 2017 году, когда внедрил SAS Marketing Automation, хорошо зарекомендовавшее себя решение аналитического CRM. С его помощью банк осуществлял коммуникации с клиентами по SMS и через операторов контакт-центра. Чтобы создавать более сложные сценарии взаимодействия для удержания клиентов, увеличения продаж и повышения доходности клиентов, требовались инструменты, которые позволяли бы быстро реагировать на различные события – обращения клиентов, снятие или внесение денежных средств на счет, и т.д. Также нужно было быстро принимать решения о целевых коммуникациях, когда поступают новые внешние данные, например, из бюро кредитных историй. Для внедрения решений была приглашена команда Glowbyte Consulting. Также внутри банка непосредственно под проект реализации Real-Time Offering была собрана собственная команда.

Проект внедрения начался летом 2018 года и фактически закончится в июне 2019 года. Для запуска маркетинговых кампаний, работающих в реальном времени, был развернут движок SAS Real-Time Decision Manager (RTDM). Чтобы на лету анализировать поток транзакций клиентов, интегрирован SAS Event Stream Processing (ESP). Помимо ранее используемых SMS и телемаркетинга, к комплексу CRM-решений были подключены еще несколько каналов коммуникаций.

Процессы запуска новых видов кампаний команда проекта создавала с нуля. В частности, на базе SAS RTDM были реализованы триггерные механики. Первую триггерную кампанию банк запустил в SMS-канале 7 декабря 2018 года. Результаты превзошли даже те ожидания, которые были заложены в бизнес-кейсе. Отклик на целевые предложения был в полтора раза выше, чем в контрольной группе. В сравнении с «самоходом» отклик вырос в 10 раз, в сравнении с обычными целевыми кампаниями (без использования триггерной механики) – втрое.

Как отмечает Алексей Мартьянов, начальник департамента CRM и развития цифровых каналов продаж Газпромбанка, результаты кампаний, которые запускались с помощью SAS Marketing Automation, превзошли ожидания, они стали стабильно приносить банку дополнительный доход. Последующее внедрение SAS RTDM позволило расширить инструментарий и разнообразить используемые механики, которые позволяют сократить время реакции на действия клиента и реализовать, например, стратегии по удержанию клиентов и расширению их продуктовой корзины.

Следующим шагом в развитии процессов CRM банка и работы с платформой SAS RTDM станет проект Next Best Offer. Он позволит непосредственно в момент входящего контакта выбирать для каждого клиента наиболее подходящее предложение из числа предодобренных. Завершить работы планируется к концу 2019 года.

В 2018 году «АгроТерра» завершила полное агрохимическое обследование всех полей. Организовав свою собственную современную лабораторию, специалисты компании взяли более 10 тыс. почвенных проб и сделали более 40 тыс. анализов. Результатом этих исследований стала подробная карта агрохимического состава земель. Она позволяет более точно определить, какие макроэлементы нужны конкретному полю. А программное обеспечение SAS позволяет рассчитать их оптимальное количество для каждой культуры.

На основе полученных данных специалисты компании уже внесли осенние удобрения под урожай текущего сезона. Оптимизация питания почв по принципу «каждому полю по потребностям» позволит выровнять урожайность, повысить экономический эффект от внесения удобрений и точнее спрогнозировать прибыль.

«АгроТерра» продолжит тестировать инструменты углубленной аналитики и в других производственных процессах. В совокупности методы цифрового земледелия помогут эффективнее управлять затратами, снизить расходы и повысить доходность. Как следствие, вырастет рентабельность инвестиций.

Почти три четверти организаций — 72% — утверждают, что аналитика делает их данные полезными, помогает извлекать из них ценную информацию, а 60% сообщили, что их аналитические ресурсы сделали их более инновационными. Такие результаты показало исследование компании SAS «Здесь и сейчас: потребность в аналитической платформе», в котором приняли участие эксперты в области аналитики, а также ИТ-специалисты из разных отраслей по всему миру.

Тем не менее в основу своей бизнес-стратегии аналитику закладывают только 4 из 10 организаций — 39% опрошенных. Еще треть респондентов сообщили, что используют ее изредка, только для специальных проектов. Больше половины компаний — 65% — признали ценность аналитики, однако считают, что не получают максимальной отдачи от инвестиций в нее.

Респонденты подтверждают, что аналитика меняет подход к бизнесу и ведению дел. Это относится не только к ежедневной работе, но и к инновациям: 27% утверждают, что аналитика помогла запустить новые бизнес-модели.

Компании понимают ценность аналитики, но им не хватает четкого и полного понимания преимуществ использования платформенного подхода на протяжении всего жизненного цикла аналитики. Это объясняет, почему немногие организации имеют подходящую платформу.

Среди самых востребованных преимуществ аналитической платформы называли: сокращение времени, затрачиваемого на подготовку данных, — 46% опрошенных, более разумное и уверенное принятие решений — 42% и быстрое получение информации — 41%.

Существует множество мнений о роли аналитической платформы. Большинство — 61% — считают, что она предназначена для извлечения ценной информации из данных. Немногим меньше — 59% — утверждают, что роль аналитической платформы заключается в интегрировании данных. 43% респондентов считают, что она обеспечивает моделирование и алгоритмы для искусственного интеллекта и машинного обучения. 27% опрошенных считают, что аналитическая платформа помогает обеспечить гибкое пространство для централизации инструментов, приложений, API и различных функций.

Использовать потенциал аналитики максимально, согласно опросу, мешают нехватка навыков и несогласованность действий, в том числе управленческих. Многим компаниям сложно управлять несколькими инструментами аналитики и процессами обработки, очистки, интеграции и обеспечения качества данных.

Несмотря на разнообразные сложности и варианты использования аналитики, уверенность в конечном результате у респондентов высока. В среднем они оценивают уверенность, что будет польза, на 70%. То же самое касается взглядов на будущее и новые вызовы. При этом аналитические команды, где есть data scientists, оценивают свою способность и готовность столкнуться с возможным ростом нагрузки и необходимостью масштабироваться на 66%. Среди стандартных ИТ-команд этот показатель равен 59%.

Лидеры бизнеса ответственно подходят к применению технологий искусственного интеллекта. Среди опрошенных компанией SAS — 72% компаний уже внедрили ИИ-технологии. Из них 70% обучают этическим нормам своих технологов, а в 63% компаний, подтвердивших внедрения, есть специальные комитеты по вопросам этики, которые анализируют использование искусственного интеллекта.

Ведущие пользователи, то есть компании, которые оценивают внедрение искусственного интеллекта как успешное или очень успешное, признают прочную связь между аналитикой и успешной работой ИИ: 79% говорят, что в их компании аналитика играет главную роль в работе ИИ, в то же время среди тех, кто еще не извлек пользу от искусственного интеллекта, таких респондентов только 14%.

Источник: SAS, 2018

Вопреки популярным заявлениям, что ИИ работает независимо от человека, ведущие пользователи считают контроль над ИИ обязательным. Почти три четверти (74%) лидеров в сфере ИИ сообщили о тщательном надзоре: они оценивают результаты работы ИИ еженедельно (среди компаний, считающих внедрение ИИ у себя менее успешным, таких только треть – 33%). При этом 43% ведущих пользователей ИИ сообщили, что у них налажены процессы перепроверки результатов, вызывающих сомнения (среди менее успешных пользователей ИИ таких компаний 28%).

Ошибочные выводы и действия ИИ-систем могут негативно сказаться на будущей работе всей организации. С этим и связано повышенное внимание к вопросам этичности и контролю над искусственным интеллектом. Компании опасаются, что ИИ может негативно сказаться на работе с клиентами (60% респондентов). Например, их волнует, может ли ИИ проявлять достаточный уровень эмпатии и будут ли клиенты априори доверять ИИ меньше, просто потому что это не человек.

Согласно результатам опроса, 46% работающих с ИИ заявляют, что технология ИИ полностью развернута и применяется в одной или нескольких сферах деятельности компании. Остальные на стадии тестирования или разработки прототипа.

55% респондентов, не входящих в топ-менеджмент, и 38% респондентов, являющихся топ-менеджерами, считают, что ИИ работает успешно в их организации.

62% респондентов согласны, что ИИ позволяет работникам сосредотачиваться на стратегических задачах, а не на оперативных. Но 20% сотрудников сопротивляются внедрению ИИ, потому что они обеспокоены будущим сохранением своего рабочего места и гарантированной занятости. При этом 57% респондентов обеспокоены влиянием ИИ на отношения между работниками (люди могут чувствовать угрозу или перенапряжение).

Предыдущее исследование SAS показывало, что вопросы этики являлись одним из факторов, тормозящих внедрение и применение ИИ. Новое исследование показывает, что за год ситуация немного изменилась: бизнес-сообщество ищет возможности сгладить возникающие противоречия.

Исследование «ИИ: Движущая сила, Зрелость и Модели успеха» проводилось в июле 2018 года по инициативе SAS, Accenture Applied Intelligence, Intel и Forbes Insights. Всего были опрошены представители 305 организаций, большинство респондентов являются руководителями информационных служб, главными технологами и аналитиками.

Маркетинг в реальном времени подразумевает способность компании «на лету» определить оптимальный способ и тему для взаимодействия с клиентом в каждый конкретный момент. Он использует текущие местные и глобальные события и позволяет предлагать потребителю именно тот товар и в тот момент, который больше всего для него актуален.

Сильные стороны real-time маркетинга очевидны для бизнеса. 60% участников опроса признают важность таких решений для компании, и 79% организаций планируют внедрить их в ближайшие два года. Еще 70% респондентов отметили, что за последний год увеличили инвестиции в клиентскую аналитику. Наконец, 80% не сомневаются в том, что компания должна не просто получать данные о своих клиентах, но и извлекать из них пользу, применяя ту или иную информацию в оптимальный для этого момент.

Однако на сегодняшний день далеко не все компании используют преимущества аналитических инструментов в полной мере. Так, лишь 16% опрошенных выстроили коммуникацию с потребителями в режиме реального времени, которую они сами оценивают как очень эффективную. Более того, 30% признают, что их бренд взаимодействует с клиентами неэффективно. Примеры из практики, в том числе российской, показывают, что современные маркетинговые аналитические инструменты помогают решить эту проблему и дают эффект уже в первые месяцы применения.

Так, X5 Retail внедрила технологию машинного обучения для целевого маркетинга в одной из своих торговых сетей в марте 2017 года, а в августе начала ее массовое использование во всех магазинах. Уже к ноябрю того же года более 70% целевых акций ретейлера формировались с помощью этих инструментов, а скорость их подготовки увеличилась в семь раз. При этом эффективность целевого маркетинга повысилась на 5%, а затраты на него сократились на 40%.

Активно используют real-time маркетинг и российские банки, которые, как правило, одними из первых внедряют новые технологические решения. По данным SAS, полученным в результате обратной связи с банками-клиентами, рост показателя потребительской лояльности благодаря автоматизированной аналитике в ряде организаций достигал 10-15%.

Этот успешный опыт в очередной раз подтверждает, что компании, которые хотят успешно развиваться, должны обратить пристальное внимание на маркетинговые инструменты, которые позволяют досконально изучить вкусы и предпочтения клиентов, выстраивать с ними эффективную обратную связь и тем самым обеспечивать их лояльность. Участники исследования сходятся в том, что трансформация бизнеса должна инициироваться сверху, но при этом требует усилий всей компании.

Вокруг технологий и возможностей искусственного интеллекта много шума. Но практически все крупные европейские компании, охваченные недавним исследованием SAS, до сих пор находятся либо на ранних этапах внедрения, либо на этапах планирования. Хорошая новость заключается в том, что подавляющее большинство организаций в принципе стали говорить об искусственном интеллекте и некоторые даже приступили к приемлемым в их работе проектам. Также внушает оптимизм потенциал искусственного интеллекта, хотя далеко не все отметили, что их компания уже готова воспользоваться этими возможностями.

Внедрение искусственного интеллекта тормозит даже не нехватка технологий. Большинство опрошенных подтверждают, что технических возможностей более чем достаточно. Гораздо чаще трудности возникают из-за нехватки в организациях квалифицированных аналитиков и исследователей данных, которые могли бы извлекать пользу из внедренных технологий искусственного интеллекта, а также из-за глубинных организационных и социальных препятствий.

Препятствия со стороны общественности

55% респондентов заявили, что наибольшей сложностью, препятствующей развертыванию искусственного интеллекта, является изменение перечня профессий и востребованных человеческих навыков в свете автоматизации искусственного интеллекта и его нарастающей автономности. Потенциальное влияние, которое искусственный интеллект оказывает на рынок труда, включает как возможные увольнения, так и возникновение новых профессий, требующих навыков работы с технологиями искусственного интеллекта.

Этические вопросы оказались на втором месте в списке обозначенных препятствий. Как отметили 41% респондентов, их беспокоят такие вопросы, будут ли роботы и системы на базе искусственного интеллекта работать «во благо человечества» или просто на одну компанию, и как дальше позаботиться о тех людях, которые потеряют привычную работу из-за искусственного интеллекта.

Команды Data science и готовность организаций

Готовы ли специалисты компаний к новым требованиям и задачам, связанным с искусственным интеллектом? Только 20% респондентов сказали, что, пожалуй, их сотрудники готовы. А еще 19% сказали, что у них в организации вообще нет команды аналитиков и исследователей данных.

Нанять таких специалистов, чтобы восполнить дефицит навыков внутри организации, планируют 28% респондентов. В то же время 32% компаний намерены развивать уже существующие команды в направлении искусственного интеллекта, обучая своих сотрудников, отправляя их на конференции и мастер-классы.

Кроме того, одной из трудностей во многих организациях оказалась настороженность относительно результатов внедрения. Почти половина респондентов упомянули, что в их организациях так или иначе наблюдается недоверие к отдаче от искусственного интеллекта и даже больше – настораживают результаты внедрения решений, построенных и работающих по принципу «черного ящика». Польза и экономическая целесообразность по-прежнему под вопросом.

Готовность платформы

Исследование охватывало также вопросы, связанные с готовностью к внедрению искусственного интеллекта в части развитости инфраструктуры. И здесь респонденты разделились на примерно равные, но сильно различающиеся группы. Около четверти — 24% организаций -отмечают, что их ИТ-инфраструктура как раз в нужной степени готовности к развертыванию технологий искусственного интеллекта. Еще 24% респондентов сообщили, что им нужно обновить и адаптировать существующую платформу, и тогда они будут вполне готовы. В 29% организаций нет подходящей платформы, которая могла бы отвечать требованиям систем искусственного интеллекта.

До старта проекта более 90% коммуникаций «Смартори» с клиентами не являлись персонализированными. Предложения формировались на основе общих для всех клиентов подходов без учета индивидуальных предпочтений и поведенческих характеристик конкретных покупателей. Перед проектной командой была поставлена цель реализовать стратегию перехода компании на персонализацию коммуникаций с клиентами.

Компания SAS совместно с сервис-провайдером StatCloud предложила розничной сети аналитический сервис, включающий в себя все необходимые компоненты для персонализированного взаимодействия с клиентами: бизнес-экспертизу, программное обеспечение и технологический консалтинг для встраивания сервиса в процессы CRM. Наличие фактически готового сервиса, который можно в кратчайшие сроки настроить под себя и начать использовать, стало весомым аргументом при выборе решения.

Основным преимуществом формата BaaS является то, что заказчик получил решение своей бизнес-задачи «под ключ» с минимальными вложениями трудовых и финансовых ресурсов. С его стороны не потребовались инвестиции в лицензии на ПО, оборудование, а также время и ресурсы на поиск и найм в штат экспертов в области углубленной аналитики.

В ходе проекта, который реализуется поэтапно в формате Test&Learn, была построена аналитическая витрина данных, клиентская база была исследована и сегментирована по продуктовым предпочтениям и потребительскому поведению. Для 12 ключевых сегментов были разработаны стратегии развития, сформированы персонализированные маркетинговые кампании и перечень механик для удержания и мотивации клиентов. Кроме того, удалось разработать систему персональных рекомендаций для каждого клиента на уровне товарных категорий и конкретных продуктов. Были построены аналитические модели для прогнозирования склонности активного клиента к оттоку и склонности неактивного клиента к покупкам после коммуникации.

На текущий момент «Смартори» регулярно запускает целевые маркетинговые кампании по сегментам активных и неактивных клиентов, учитывающие стратегию развития, профиль каждого клиента и его предпочтения в товарных категориях и продуктах. Параллельно с разработкой кампаний SAS передает заказчику накопленную экспертизу в области целевого маркетинга и создает методологическую базу – в частности, контактную политику, методики определения оттока и оценки эффективности маркетинговых кампаний.

Пилотный проект, в котором на первом этапе участвовало 10 аптек, а на завершающем – 250, занял 9 месяцев и включил в себя анализ данных, выявление узких мест в текущих бизнес-процессах, а также разработку и внедрение методов машинного обучения для прогнозирования спроса и оптимизации товарных запасов. В результате оборачиваемость в аптеках улучшилась в 1,5 раза за счет снижения избыточных запасов, а количество случаев дефектуры снизилось на 15%, вследствие чего увеличились продажи.

Оценив полученные результаты, руководство сети приняло решение масштабировать проект на все аптеки. К настоящему моменту система SAS работает во всей сети, охватывая 1,7 тыс. аптек.

Как подчеркнул председатель совета директоров «Аптечная сеть 36,6» Иван Саганелидзе, аналитическое решение позволило найти золотую середину между удовлетворением спроса и сокращением расходов на сверхзапасы за счет более эффективного распределения товара по аптекам. При этом выполнялась мультиэшелонная оптимизация товарных запасов – как на уровне каждой аптеки, так и на уровне склада, с учетом их взаимосвязи, периодов пополнения, ограничений по минимальным и максимальным заказам.

Компания планирует дальнейшее развитие применения методов анализа данных и машинного обучения для решения таких задач, как определение наиболее выгодной цены, ассортиментного планирования, целевого маркетинга и клиентской аналитики и управления программой лояльности.

Киберпреступления и карточное мошенничество – острый для банков вопрос. Преступники быстро осваивают новые технологии и находят новые уязвимости в банковских системах и сервисах. По данным Банка России, в 2016 году со счетов предприятий и банков в России было похищено около 1,5 млрд руб., а непосредственно с банковских карт физических лиц – около 1 млрд руб. При этом цифры могут быть заниженными: банки неохотно раскрывают подобную информацию, опасаясь за свою репутацию.

Уровень защиты платежей волнует не только регулятора, но и самих пользователей – лишь 15% считают, что необходимости в дополнительных мерах нет. Все остальные участники опроса проявили более высокую степень обеспокоенности: почти 40% респондентов настаивают на необходимости внедрения современных инструментов противодействия мошенничеству, еще 23% предлагают ввести дополнительные степени защиты карт, а 19% предлагают усилить информирование клиентов о том, как себя обезопасить.

Однако стоит отметить, что держатели банковских карт не хотят лишних неудобств даже ради защиты собственных средств: лишь 32% держателей карт с пониманием относятся к блокировкам карты по соображениям безопасности, а еще около 5% проявили нейтральное отношение. Все остальные выразили ту или иную степень недовольства вплоть до крайнего отрицания.

Блокировки по соображениям безопасности могут повлиять даже на выбор банка как таковой – 22% респондентов заявили, что отзывы других вкладчиков о таких блокировках станут аргументом против, а еще 37% раньше не учитывали этот фактор, но согласились с его важностью.

Опрос показал, что, с одной стороны, пользователи заинтересованы в высоком уровне безопасности, что вполне естественно. С другой – они вовсе не хотят постоянно испытывать неудобства из-за ложных срабатываний антифрод-систем. Найти золотую середину – с учетом разных потребностей клиентов, разнообразия продуктов, технологического ландшафта банка, существующих бизнес-процессов и т.д. – и есть один из основных вызовов для банков в этой области.