Лучший подход к принятию решений объединяет данные и опыт менеджеров

Управление на основе данных резко возросло по сравнению с тем, что было десять лет назад, когда Томас Дэвенпорт написал книгу Конкуренция на основе аналитики. Сейчас данные являются важнейшим инструментомA управления многими корпоративными функциями, включая маркетинг, ценообразование, цепочку поставок, операционную деятельность и многое другое. Этому движению способствуют перспективы искусственного интеллекта и машинного обучения, а также простота сбора и хранения данных о каждом аспекте нашей повседневной жизни. Но не слишком ли далеко качнулся маятник? Не слишком ли менеджеры полагаются в своих решениях на данные, отказываясь от собственных знаний и опыта?

Одно из возможных решений может быть найдено в Agent-Based Simulation (ABS) - новом подходе к решению сложных бизнес-проблем с помощью компьютерных симуляций. Один из наиболее привлекательных аспектов ABS заключается в том, что он объединяет знания и опыт в данной области и данные. Экспертные знания используются для определения структуры симуляции, которая уникальна для каждой бизнес-задачи. Данные используются частично для уточнения деталей симуляции, а частично для того, чтобы убедиться, что в процессе работы симуляции полученные результаты соответствуют реальным. При таком подходе опыт менеджера вновь приобретает первостепенную роль, а результаты моделирования могут анализироваться менеджером и специалистом по анализу данных вместе.

Данные сегодня являются важнейшим инструментом управления многими корпоративными функциями, включая маркетинг, ценообразование, цепочку поставок, операционную деятельность и многое другое. Этому движению способствуют перспективы искусственного интеллекта и машинного обучения, а также простота сбора и хранения данных о каждом аспекте нашей повседневной жизни.

Но не слишком ли далеко начинает качаться маятник? Как практик и преподаватель предиктивной аналитики, меня больше всего беспокоит явление, которое я называю "большие данные, маленький мозг": менеджеры, которые чрезмерно полагаются на данные для принятия решений, отказываясь от своих знаний и опыта.

В типичном проекте по работе с большими данными менеджер привлекает внутреннюю или внешнюю команду для сбора и обработки данных, надеясь получить глубокие знания, связанные с определенной бизнес-проблемой. Команда по работе с большими данными обладает опытом, необходимым для преобразования необработанных данных в пригодную для использования форму и выбора алгоритмов, позволяющих выявить статистически значимые закономерности. Затем результаты представляются руководителю в виде графиков, визуализаций и других видов отчетов. Этот сценарий проблематичен, поскольку большинство руководителей не являются экспертами в области науки о данных, а большинство специалистов по данным не являются экспертами в области бизнеса. Для решения этой дихотомии необходимы люди, которые могут "служить связующим звеном" между ними, как считают Тодд Кларк и Дэн Визенфельд в недавней статье в HBR.

< <

Insight Center

  • Putting Data to Work

    Sponsored by Accenture Аналитика критически важна для эффективности работы компаний.

Это, однако, просто паллиатив, который не решает основную проблему. Как писал Том Дэвенпорт в HBR в 2006 году, за год до публикации своей фундаментальной книги Competing on Analytics, "для руководителей, ориентированных на аналитику, задача сводится к тому, чтобы знать, когда бежать с цифрами, а когда с интуицией.Вместо того чтобы уменьшить зависимость от интуиции, передовые методологии больших данных требуют от менеджеров использовать еще больше интуиции, чтобы придать смысл растущему числу выводов и рекомендаций, генерируемых моделями данных.

Более того, прогностические модели, создаваемые методологиями больших данных, не учитывают уникальные знания менеджера о бизнесе. Это равносильно тому, как если бы кто-то собрал много данных, а затем решил выбросить половину из них - только в этом случае вы выбрасываете более ценную половину, поскольку менеджер обладает конкретными знаниями о бизнесе, а подходы науки о данных являются общими.

Как эффективно объединить науку о данных и бизнес-экспертизу? В 2002 году в статье HBR под названием "Предсказывая непредсказуемое" мой деловой партнер Эрик Бонабо представил концепцию аgent-based simulation (ABS), которая в то время была относительно новым подходом к решению сложных бизнес-проблем с помощью компьютерного моделирования. Пятнадцать лет спустя компания Icosystem (компания Бонабо, в которой я до сих пор состою) и ряд других компаний продемонстрировали возможности ABS как инструмента управления бизнесом.

Например, в статье Бонабо описывается проект с Eli Lilly по разработке нового способа управления конвейерами разработки лекарств. В 2008 году Бонабо и два члена руководства отдела исследований и разработок Eli Lilly опубликовали статью в HBR, в которой сообщили, что новый подход позволил доводить молекулы до фазы II испытаний "почти вдвое быстрее и менее чем на треть дешевле стандартного процесса"

Хотя ABS впервые была создана как инструмент для исследований в области социальных наук около четырех десятилетий назад, она только сейчас начинает получать широкое распространение из-за резкого увеличения доступных вычислительных мощностей. Например, компания Icosystem разработала симуляцию ежедневного поведения более 300 000 моряков ВМС США от призыва до выхода на пенсию. Такое 20-летнее моделирование можно запустить на ноутбуке менее чем за минуту, и это позволило ВМС за один день протестировать больше сценариев, чем они обычно могли бы протестировать за год.

Но как насчет проблемы "большие данные, маленький мозг"? Одним из наиболее привлекательных аспектов ABS является то, что она сочетает в себе знания и опыт в данной области и данные. Экспертные знания используются для определения структуры симуляции, которая отражает повседневное поведение и взаимодействие, уникальные для каждой бизнес-задачи. Данные используются частично для уточнения деталей симуляции, а частично для того, чтобы убедиться, что в процессе работы симуляции полученные результаты соответствуют реальным. При таком подходе экспертные знания менеджера вновь становятся главными, а результаты моделирования могут анализироваться менеджером и специалистом по анализу данных вместе, поскольку они оба понимают принципы работы моделирования.

Помимо повышения прозрачности, объединение экспертных знаний и данных также повышает точность прогнозирования. В 2014 году один из ведущих автопроизводителей работал с платформой маркетинговой аналитики ABS для планирования запуска новой модели. АБС рекомендовала запустить новую модель на шесть месяцев раньше, чем планировал клиент. В 2016 году автопроизводитель запустил новую модель в соответствии с рекомендациями; через год он обнаружил, что ABS предсказала ежемесячные продажи в течение первого года с точностью 93%.

Объединяя данные и опыт менеджера в прогностическую модель, ABS решает сложные проблемы прозрачным способом с высокой степенью точности прогнозирования. Растущая доступность коммерческих инструментов ABS и дидактических материалов позволяет предположить, что этот новый подход способен произвести революцию в управлении бизнесом.

Об авторе

Паоло Гаудиано - президент и главный технический директор корпорации Icosystem, лидера в области теории и применения науки о сложности. Недавно он стал одним из основателей компании Aleria, которая использует ту же методологию, чтобы помочь организациям количественно оценить связь между разнообразием и эффективностью. Он также преподает курс "Сложность бизнеса" в Городском колледже Нью-Йорка. Следите за ним в Твиттере @icopaolo.

Рубрика: 
Ключевые слова: 
Автор: 
Источник: 
  • Hbr.org
Перевод: 
  • Дмитрий Л

Поделиться