Зачем управленцу разбираться в ИИ?
На программах SKOLKOVO MBA и SKOLKOVO Executive MBA изучают искусственный интеллект, простую и продвинутую аналитику данных, чтобы научиться решать управленческие задачи и понимать, как сокращать количество неопределенности при принятии решений. Например, директор по маркетингу и директор по продукту могут говорить разные вещи про одну и ту же ситуацию и аргументировать свою позицию с помощью данных, и если в компании не настроена сквозная аналитика, то найти, где истина, будет сложно.
По итогам обучения со знанием продвинутой аналитики данных управленец:
- понимает на практике, как применять искусственный интеллект (ИИ) для решения управленческих задач в разных функциях бизнеса;
- разбирается в понятиях: ИИ, аналитика данных, машинное обучение (ML);
- получает представление о том, какие изменения необходимо провести в компании, чтобы анализ данных приносил пользу бизнесу;
- определяет место ИИ в реализации стратегии компании.
Управленцу важно стать квалифицированным заказчиком на аналитику данных. Он не разбирается досконально в том, какие бывают ML-алгоритмы и как работает озеро данных, но он может в понятной терминологии объяснить аналитикам, что ему нужно исходя из своей бизнес-задачи.
ML-алгоритмы — это алгоритмы машинного обучения, которые позволяют системе находить закономерности в данных и автоматически улучшать свою работу без прямого программирования всех правил.
Примеры использования ИИ в бизнесе
Благодаря аналитике «Яндекс.Такси» смог перегнать по показателям компанию Uber, которая существовала дольше и была сильным игроком. Вскоре после выхода на рынок в «Яндексе» поняли, что конкурировать маркетинговыми бюджетами с глобальным бизнесом, который получает венчурные средства со всего мира, бесполезно, и стали бороться не за клиентов, а за водителей. Российский агрегатор такси стал предлагать водителям выгодные условия и улучшать модели распределения заказов. Это позволило таксистам тратить меньше времени на дорогу до клиента, и компания стала экономить больше средств, чем конкуренты, и выиграла борьбу за рынок.
Сеть кофейных магазинов SurfCoffee в момент острой конкуренции в своей индустрии тоже стала использовать ИИ-технологии и аналитику. Эти инструменты позволили определить оптимальное местоположение для открытия новых кофеен и оптимизировать производство. Компания понимала, где лучше создать новую точку и сколько кофе и других продуктов требуется конкретной точке в день и даже в час. По сравнению с другими конкурентами им удалось снизить отходы в 5 раз и увеличить средний чек.
Сервис доставки DeliveryClub с помощью аналитики научился экономить средства на промокодах, тем самым увеличив поток клиентов. Скоринговые модели банка «Тинькофф» помогли лучше определять клиентов, которым можно одобрить кредит, а алгоритм computer vision приложения «Кошелек» впервые в России позволил фотографировать пластиковые карты для ввода данных, а не вносить цифры вручную.
Вне зависимости от размера организации аналитика может улучшить бизнес-процессы компании, однако важно понимать, когда компании нужно ее внедрять, а когда — нет.
Когда компании стоит инвестировать в ML и аналитику?
Чтобы оценить необходимость инвестиций в искусственный интеллект, важно провести анализ бизнес-потребностей и ресурсов. Каждая компания уникальна, и подход должен быть адаптирован к конкурентным условиям и целям бизнеса.
Организации необходимо использовать аналитику для следующих целей:
- Работа с большими данными. Если ваш бизнес оперирует большим объемом данных — электронной коммерцией, финансами, здравоохранением, социальными медиа или логистикой — ML и аналитика помогут выявить паттерны, тренды и взаимосвязи в данных.
- Оптимизация операций. Когда есть потенциал для оптимизации бизнес-процессов, уменьшения издержек или улучшения эффективности, инвестиции в аналитику и ML повысят конкурентоспособность бизнеса.
- Улучшение клиентского опыта. Если у вас есть большая клиентская база и вы хотите предоставить персонализированные услуги или продукты, аналитика и ML определяют потребности клиентов.
- Предсказание спроса и трендов. ML может прогнозировать спрос, рыночные тренды и потребительские предпочтения. Это позволяет компании адаптироваться к изменяющимся условиям.
Однако при следующих вводных не нужно вкладывать средства в аналитику:
- Малый объем данных. Если ваш бизнес не генерирует или не собирает большой объем данных, применение ML и аналитики будет неоправданным с точки зрения затрат.
- Неуместные бизнес-цели. Без четких бизнес-целей или преимуществ, которых можно достигнуть с помощью аналитики и ML, инвестиции в эти технологии нецелесообразны.
- Ограниченные ресурсы. Разработка и внедрение ML-решений требует компетентных специалистов и ресурсов. Без доступа к ним инвестиции будет сложно реализовать.
- Необходимость быстрого результата. ML-проекты могут потребовать времени на разработку. Если ваш бизнес нуждается в быстрых результатах, аналитика — не самая подходящая стратегия.
Как внедрить аналитику: первые шаги
Первый шаг для встраивания аналитики в свои бизнес-процессы — внедрение descriptive-аналитики. Это означает на цифрах ответить на вопросы: «Теряю ли я деньги? Что происходит с моим бизнесом?». Для этого нужно создать «метрики здоровья» ключевых бизнес-процессов. Они отражают состояние дел в компании. В компании «М.Видео», например, существуют такие метрики:
- «on time» — количество своевременно доставленных заказов;
- «in full» — число полностью оплаченных доставок;
- «perfect order» — количество идеальных заказов, у которых нет отрицательной оценки и негативного отзыва.
Когда одна из метрик снижается, бизнес теряет деньги, и начинается этап диагностической аналитики, а затем внедрения ML. Сложность и ценность алгоритмов возрастает. Начинают работать алгоритмы прогнозирования. Они показывают спрос на продукцию, вероятность отклика на маркетинговую кампанию.
Вершина встраивания продвинутой аналитики в бизнес-процессы — внедрение оптимизационных алгоритмов. Они нужны для максимизации функционала какого-то параметра (например, выручки). Задача оптимизационного алгоритма — перебрать все возможные решения и выдать оптимальный результат.
Все эти шаги можно сопоставить с четырьмя основными вопросами:
- Что произошло? (Description Analytics).
- Почему это произошло? (Diagnose Analytics).
- Что может произойти? (Predicition Analytics).
- Как этого достичь или избежать? (Optimization Analytics).
Ответы на них и применение соответствующего типа аналитики помогают создать условия, при которых компания может извлечь из данных конкурентное преимущество.
Как говорить с аналитиками на одном языке?
Часто при внедрении аналитики в бизнес возникает проблема в коммуникации с аналитиками. Чтобы найти общий язык с людьми другого склада ума, нужно обладать:
- структурированностью и пониманием проблемы;
- понятийным аппаратом;
- фундаментальными знаниями (статистика, математика);
- лучшими практиками.
Когда у вас появится команда аналитики, вы получите:
- Интеллектуальный багаж.
- Масштабируемые решения.
- Прозрачность и объективация.
- Отсутствие искажений.
Чтобы добиться этих результатов, необходимо помнить о сохранении стратегии и приоритетов. Аналитики, в отличие от управленцев, не руководили бизнесом, и они во многом полагаются на коллег. По этой же причине не нужно сразу от них ждать креативных решений и коммерческого мышления. За это должны отвечать лидеры организации, а не аналитики.
Какие задачи решает ИИ в бизнесе
1. Автоматизация рутины
ИИ берет на себя обработку документов, ввод данных, сортировку писем и типовые запросы, сокращая время сотрудников и снижая затраты.
2. Прогнозирование спроса и управление запасами
Анализ данных о покупках, погоде и сезонности помогает точно предсказывать спрос и заранее корректировать поставки.
3. Оптимизация логистики и производственных процессов
Алгоритмы моделируют загруженность дорог, контролируют качество продукции и следят за состоянием оборудования.
4. Улучшение управленческих решений
ИИ превращает сырые данные в инсайты: выявляет тренды, оценивает риски и помогает быстрее реагировать на изменения рынка.
5. Персонализация и улучшение клиентского опыта
Модели анализируют поведение клиентов, предлагают релевантные товары и персональные рекомендации, увеличивая конверсию.
6. Борьба с мошенничеством
Нейросети фиксируют аномальные транзакции и помогают банкам предотвращать финансовые риски.
7. Поддержка HR-процессов
Системы NLP сортируют резюме, оценивают соответствие кандидатов и помогают автоматизировать первичный отбор.
8. Оптимизация работы в медицине
ИИ анализирует данные пациентов, прогнозирует риски и помогает клиникам эффективнее распределять ресурсы.
ИИ для управленческих задач в бизнесе: частые вопросы
Как определить задачи, которые стоит делегировать ИИ?
Чтобы понять, какие процессы можно доверить ИИ, управленцу важно начать с диагностики собственных бизнес-процессов и данных. В первую очередь автоматизируют те зоны, где компания уже умеет собирать большие массивы данных и может измерить ключевые метрики — «on time», «in full», «perfect order» и другие показатели «здоровья» процессов. Если метрики проседают и компания теряет деньги, это сигнал, что пора переходить от описательной и диагностической аналитики к прогнозированию и ML. ИИ особенно эффективен там, где требуется работа с большими данными, есть потенциал снизить издержки, улучшить операционную эффективность, повысить персонализацию или предсказать спрос. Если же данных мало, цели не определены или нужны быстрые результаты, — внедрение ИИ будет неоправданным.
Каковы риски внедрения искусственного интеллекта в бизнес?
Основной риск — начать внедрение без стратегической необходимости и ясных бизнес-целей. ML-проекты требуют ресурсов, компетентной команды и времени, поэтому компаниям с ограниченными ресурсами или малым объемом данных они могут не дать ожидаемого эффекта. Еще один риск — попытка использовать ИИ для задач, где аналитика не способна привести к измеримому улучшению процессов. Без понимания задач, сквозной аналитики и корректно выстроенных метрик внедрение будет дорогостоящим и бессистемным. Важно учитывать, что ИИ — это не магия: чтобы получать выгоду, нужно понимать, что именно оптимизируют алгоритмы и какое бизнес-решение стоит за цифрами.
Как руководителям без IT-опыта использовать искусственный интеллект в бизнесе?
Управленцу не обязательно разбираться в алгоритмах или архитектуре ML-моделей — важнее стать грамотным заказчиком аналитики. На уровне бизнеса достаточно понимать базовые понятия (ИИ, ML, анализ данных), уметь структурировать проблему и формулировать ее аналитикам на понятном языке. На программах SKOLKOVO MBA этому и обучают: как интерпретировать данные, как снижать неопределенность при принятии решений и как определить место ИИ в реализации стратегии. Руководитель задает вектор и приоритеты, а команда аналитиков уже предлагает инструменты. Главная задача управленца — видеть, какую бизнес-ценность должен принести ИИ, и обеспечивать стратегическую связку между технологиями и целями компании.
ИИ для управленческих задач в бизнесе: кратко
Искусственный интеллект и аналитика данных становятся инструментом, который помогает управленцам принимать более обоснованные решения и снижать уровень неопределенности в бизнесе. Даже без глубокого понимания алгоритмов руководитель может эффективно использовать ИИ, если умеет формулировать задачи и понимать ключевые бизнес-метрики. Важно видеть, где данные уже доступны, какие процессы можно оптимизировать и как ИИ может поддержать реализацию стратегии компании.
Практика российских компаний показывает, что аналитика и ML позволяют улучшить эффективность, оптимизировать операционные процессы, предсказывать спрос и персонализировать клиентский опыт. Однако успех возможен только при наличии четких бизнес-целей, достаточного объема данных и ресурсов для внедрения. Иными словами, ИИ не решает проблемы сам по себе, а становится ценным инструментом в руках управленца, который умеет правильно ставить задачи и интегрировать аналитику в бизнес-процессы.
Узнать подробности о том, как интегрировать аналитику и большие данные в свой бизнес, можно по ссылкам ниже.
Материалы по теме:
Приглашенный преподаватель Школы управления СКОЛКОВО, академический директор программ СКОЛКОВО «Управление бизнесом с помощью ИИ и данных», «ИИ в маркетинге», руководитель по развитию транзакций в Поиске и Алисе AI в Яндексе
Директор департамента по работе с данными, Московская Биржа
Директор по аналитике нефинансовых бизнес линий, «Тинькофф Банк»