Алгоритмы против «черных лебедей»: как большие данные могут опровергнуть Нассима Талеба | Harvard Business Review Russia
Принятие решений

Алгоритмы против «черных лебедей»: как большие данные могут опровергнуть Нассима Талеба

Юрий Бондарь
Алгоритмы против «черных лебедей»: как большие данные могут опровергнуть Нассима Талеба
Фото: hbr.org

Часто цитируемый философ и бывший трейдер Нассим Талеб утверждает, что ученые, политики, бизнесмены и финансисты переоценивают возможности рационального применения объективных данных и недооценивают закономерное влияние необъяснимой случайности, так называемого «черного лебедя». Но теории «черного лебедя» уже больше десяти лет, за это время технологии сильно ушли вперед, и я знаю, что автоматизированные прогнозирование и предписания на его основе зачастую уже дают лучший эффект, нежели интуиция менеджмента или консалтинговая экспертиза. И я уверен, что инструменты новейшей аналитики чем дальше, тем быстрее будут завоевывать рынок подготовки, принятия и даже исполнения управленческих решений.

Сейчас много говорят о новых технологиях на основе big data. Действительно, сбор и обработка данных на глазах меняет жизнь человечества. Машинные подсказки теперь всегда вокруг нас. Изучив информацию о нашем поведении, провайдер рекомендует новый сериал; почтовый сервис — товары в интернет-магазине; социальная сеть — места отдыха; навигатор — маршруты и режимы вождения. Наши действия фиксируются невидимыми ИТ-системами в интересах продаж, безопасности, регулирования и планирования.

Но самые инновационные организации используют big data уже не для того, чтобы продать товар. Бизнес, ведомства и госструктуры работают над тем, чтобы сделать надежными удобство и выгоду от предлагаемых решений, выполнить конкретные задачи индустрий, хозяйств и территорий. Обработать с пользой данные всех технологических, социальных, бизнес-процессов, автоматически согласовать их — задача гораздо более сложная, но именно ради нее и нужна аналитика. И именно здесь проходит водораздел между традиционной аналитикой (предиктивной, или прогнозной) и аналитикой новой (прескриптивной, или предписывающей).

С появлением массы доступных объективных текущих данных и мощных средств их одновременной обработки впервые в ИТ появилась возможность автоматически объединить прогнозы и указания к результативным действиям. Прежняя (прогнозная) аналитика объясняла текущую ситуацию и строила сценарии будущего, новая (прескриптивная) дает рекомендации правильных действий, кратчайшего пути к запланированным результатам и KPI.

Так, например, навигатор прокладывает маршрут по запросу конкретного водителя, но благодаря прескриптивной аналитике он может делать это с учетом маршрутов сотен тысяч обратившихся к сервису водителей. И весь транспорт в городе начинает двигаться согласованно, без пробок, безаварийно и намного быстрее. При этом с учетом обстановки по динамически создаваемым предписаниям будут работать все субъекты дорожного движения. «Умные» светофоры уже анализируют трафик, прогнозируют потоки и пробки, без участия человека меняют режимы работы. И это происходит не где-то, а уже в России: в Москве, Татарстане и некоторых других регионах.

Ритейл, банковский бизнес, промышленность — прескриптивная аналитика может применяться везде, где нужно оптимизировать вложения, увеличить эффективность, максимизировать прибыльность бизнеса, управляемость организации, дивиденды акционеров. Огромное поле применения такой аналитики — в цепочках капиталоемких отраслей с вариативными процессами: металлургии, химии, нефтегазовой отрасли, горном деле, на транспорте.

Системы на базе прескриптивной аналитики уже работают на металлургических предприятиях России — например, на заводах «Северстали», исключительно точно добавляя ферросплав в процессе выплавки стали, автоматически получая заданное качество металла.

Особая отрасль — медицина, где с ростом качества жизни людей, удорожанием и усложнением задач растет сложность аналитических систем и алгоритмов, число используемых источников данных — от классических историй болезни, биометрического мониторинга до геномных и семейных данных и информации социальных сетей.

советуем прочитать
Войдите на сайт, чтобы читать полную версию статьи
советуем прочитать
Голос из будущего
Скот Хорник,  Шри Сантанам
Выудить знания из тины информации
Марченд Дональд,  Пеппард Джо
О чем нужно помнить, решаясь перейти на фриланс
Брианна Каза,  Дена МакКаллум,  Сьюзен Эшфорд,  Эрин Рейд