Что делают компании, успешно использующие ИИ и аналитику данных, и не делают остальные

Что делают компании, успешно использующие ИИ и аналитику данных, и не делают остальные
16 июня 2021| Александр Сухаревски Арсен Сторожев

Важность и пользу искусственного интеллекта и углубленной аналитики за последние пять лет осознали многие, однако, по данным исследования McKinsey, проведенного среди более чем тысячи компаний из разных регионов и секторов рынка, реализовать их бизнес-потенциал сумели менее 20% организаций. Изучение кейсов внедрения показывает, что во всех успешных случаях лидерам удавалось избежать четырех наиболее часто повторяющихся на практике системных ошибок.

Условие №1: единое и согласованное понимание искусственного интеллекта и углубленной аналитики руководством компании

Неудачи в масштабировании инструментов аналитики и искусственного интеллекта обычно начинаются с отсутствия у высших руководителей общего видения. Самый частый случай — управленцы не чувствуют разницы между принципиально разными инструментами: традиционной бизнес-аналитикой (Business Intelligence, BI), углубленной аналитикой (Advanced Analytics, AA), которая использует самообучающиеся алгоритмы для прогнозирования и полуавтоматического принятия бизнес-решений, и «узким» искусственным интеллектом (narrow AI), который полностью замещает человека в конкретных бизнес-процессах. Немало компаний, вставая на путь цифровой трансформации, по воле своих первых лиц допускали подмену: принимали решение о создании дорогостоящего подразделения ИИ, тогда как реальный эффект от деятельности этого подразделения сводился к отчетности, базовым кейсам углубленной аналитики или вовсе отсутствовал.

Поэтому необходимый шаг на пути цифровизации — серия семинаров и обучающих сессий для руководства, которая включает опыт применения всего спектра цифровых и аналитических инструментов в компаниях, лидирующих в своей отрасли и смежных секторах, включая продвинутые примеры реального использования «узкого» искусственного интеллекта.

Условие №2: определение сфер применения и выбор приоритетных областей

Что связывает крупный банк, гоночную серию «Формула-1», Netflix, Яндекс и сталелитейный комбинат? Все они используют углубленную аналитику и активно работают над расширением ее применения до уровня «узкого» искусственного интеллекта. Ведущий сервис потоковой передачи видеоконтента использует ее для создания максимально отвечающих требованиям пользователей сериалов, а также для автоматической адаптации качества видео и аудио к скорости и качеству соединения конкретного пользователя. Команды «Формулы-1» — для выявления в реальном времени наиболее выигрышных стратегий пилота по прохождению конкретных участков трека. Банки улучшают клиентские пути, персонализируют продукты, пакеты и кросс-продажные предложения в полностью автоматическом режиме, тогда как их департаменты по безопасности с помощью углубленной аналитики предотвращают мошеннические транзакции и выявляют нетипичное поведение пользователей. Металлурги применяют углубленную аналитику для ускорения достижения нужных химических параметров металла и увеличения производительности. Сервисы доставки, используя углубленную аналитику, оптимизируют маршруты курьеров и внедряют «узкий» ИИ — роботов-курьеров «последней мили», которых уже можно видеть на улицах Москвы и некоторых европейских городов.

Перед внедрением ведущие компании четко наметили области, в которых аналитика принесет им максимум пользы. Они проанализировали свои клиентские пути, бизнес-процессы и цепочки создания стоимости и разработали на этой основе карту областей, где углубленная аналитика или искусственный интеллект могут принести бизнес-результат. После этого они выбрали приоритетные направления: четыре-пять наиболее реалистичных примеров, которые неизбежно дадут эффект для бизнеса в течение нескольких первых месяцев. Приоритет имеет смысл отдавать сценариям, отвечающим таким критериям, как максимальный эффект для бизнеса, доступность данных, необходимость/сложность изменений бизнес-процессов, архитектурные и кадровые ограничения.

Постепенное наращивание опыта в углубленной аналитике позволило ведущим организациям построить компетенции для следующего шага в область «узкого» ИИ. Напротив, попытка внедрить подобный инструментарий «везде и сразу» во многих примерах лишь дискредитировала новшество.

Условие №3: создание оргструктуры для кросс-функционального взаимодействия и развития аналитических компетенций

Чтобы углубленная аналитика и искусственный интеллект дали нужный эффект, необходимо обеспечить кросс-функциональное взаимодействие и сформировать глубокую экспертизу.

Во-первых, нужно определить уровень централизации. Одни компании начинали с создания общего центра экспертизы, другие распределяли функции аналитики по разным направлениям бизнеса, третьи комбинировали эти подходы. Успеха можно достичь в любом из вариантов, но только при условии единого управления данными, единой архитектуры и единого подхода к развитию компетенций.

Во-вторых, следует создать оптимальную структуру подчинения — центр экспертизы и команды по аналитике должны иметь легкий доступ к высшему руководству компании. Некоторые компании располагают центр экспертизы в службе бизнес-анализа финансового департамента, другие — в службе ИТ. Иногда вводится специальная должность директора по работе с данными (Chief Data Officer) либо отдел аналитики подчиняется директору по цифровизации (Chief Digital Officer) или директору по маркетингу (Chief Marketing Officer). Стоит выбирать тот вариант, который лучше всего подходит для решения бизнес-задач вашей компании.

В-третьих, необходимо сформировать небольшие кросс-функциональные команды (так называемые «скводы»), работающие по принципам эджайл и способные обеспечить быстрые результаты для бизнеса за счет кросс-функционального взаимодействия и быстрых итераций. В типовой «сквод» входят специалисты из различных направлений бизнеса, ответственные за свою область данных, инженеры по работе с данными, разработчики и тестировщики. Такие команды работают в режиме двухнедельных итераций (спринтов), выдают измеримые бизнес-результаты практически ежедневно и, как правило, встраиваются в различные направления бизнеса, чтобы функционировать в непосредственной близости от изменяемых бизнес-процессов.

В-четвертых, имеет смысл привлекать и развивать новые для компании кадры: специалистов и инженеров по работе с данными, архитекторов данных, специалистов по визуализации. Особо важна роль «трансляторов» — сотрудников, которые создают «мост» между различными направлениями бизнеса и центром экспертизы. Построение нового кадрового пула нередко совмещается со стратегическими партнерствами, в том числе в рамках экосистем. Партнеры, по крайней мере на начальных этапах освоения инструментов аналитики, создают общий центр экспертизы, делятся друг с другом и технологиями, и кадровыми ресурсами.

Условие №4: формирование современной инфраструктуры данных

Наконец, ни один проект по внедрению углубленной аналитики и подготовке плацдарма для развития «узкого» ИИ нельзя реализовать без соответствующей инфраструктуры данных и ее основных элементов. Один из главных — озеро данных, куда стекаются все структурированные и неструктурированные данные из разных бизнес-направлений и функций, из внешних источников и платформ через публичные интерфейсы доступа (API). Озера данных хороши тем, что не требуют подготовки и структурирования данных и легко интегрируются со средствами поиска и визуализации данных для конечных пользователей, а также с инструментами автоматического управления моделями (ModelOps). Многие из современных инструментов аналитики, работающих поверх внутренних систем компании, доступны в «облачных» сервисах от международных (Amazon, Google, Microsoft и т. д.) или российских (Яндекс, Mail.ru и других) провайдеров.

Вкупе четыре условия успешного внедрения аналитики позволяют компаниям добиться значительной финансовой выгоды как в части затрат, так и в части выручки. Если кейсы внедрения могут принести такую пользу уже в течение первых 3—6 месяцев, то масштабирование углубленной аналитики в рамках всей организации занимает от года до нескольких лет и происходит параллельно с цифровизацией бизнес-процессов. На горизонте нескольких лет эти условия позволяют компаниям сформировать плацдарм для развития «узкого» ИИ и для успешной конкуренции в мире, где многие новые игроки будут рождаться уже с элементами искусственного интеллекта.

Об авторах

Александр Сухаревски — глобальный управляющий партнер McKinsey Analytics.

Арсен Сторожев — партнер McKinsey Digital, руководитель экспертной группы по цифровым трансформациям в России, странах Восточной и Западной Европы и Ближнего Востока.

https://hbr-russia.ru/innovatsii/upravlenie-innovatsiyami/874277

2021-06-16T10:40:40.911+03:00

Wed, 16 Jun 2021 07:40:41 GMT

Что делают компании, успешно использующие ИИ и аналитику данных, и не делают остальные

Четыре условия, при которых ИИ и аналитика данных действительно помогают

Инновации / Управление инновациями

https://cdn.hbr-russia.ru/image/2021/4n/mdkdd/original-t01.jpeg

Harvard Business Review РоссияHarvard Business Review Россия

Harvard Business Review РоссияHarvard Business Review Россия