Przewiduj, reaguj i wygrywaj dzięki SAP Analytics Cloud

Na przykład związaną z rozwojem naszego biznesu. Wzrost popytu na dany produkt lub grupy produktowe może odmienić sposób działania marketingu i metod sprzedażowych w odniesieniu do konkretnej grupy docelowej. Prowadząc sklep z wentylatorami moglibyśmy na podstawie uśrednionych rocznych amplitud temperatur wywnioskować, kiedy opłaca się sprowadzić większe dostawy towaru. Sprytne? A co w sytuacji, gdy mówimy o biznesie globalnym?

Sposób w jaki dojrzewała analityka na całym świecie jest dość prosty. Na początku zbierano dane i tworzona na ich podstawie raportowanie operacyjne. Kolejnym krokiem była analityka odpowiadająca na pytanie co właściwie się stało (w przeszłości), że otrzymaliśmy określony wynik. Następnym etapem były wielowymiarowe analizy w strukturze danych OLAP. Te skomplikowane arkusze kalkulacyjne pozwalały przetwarzać błyskawicznie rosnące liczby danych w ramach ich wzajemnych relacji. Dzisiaj zamiast pytania: co się stało, zadajemy sobie pytanie: dlaczego tak się stało. Następuje era analityki predykcyjnej, czyli przewidującej.

Wybiegając w przyszłość

W kolejnych okresach możemy mieć do czynienia z analityką nakazową, która pozwoli odpowiedzieć na pytanie co biznes powinien zrobić. Wyposażona we własną sztuczną inteligencję, oprócz przewidywania podsunie najlepsze rozwiązania dla zaistniałej sytuacji. Przykładowo, zaopiniuje jaki klient kupi produkt w naszym sklepie, co możemy zaoferować w ramach uzupełnienia oferty temu konkretnemu użytkownikowi. Dowiemy się także jak połączone są produkty i jakie zależności zachodzą pomiędzy towarami a klientami.

To już się powoli dzieje

Póki co nie robi tego za nas sztuczna inteligencja, ale możemy uzyskać ogromną dawkę informacji z gromadzonych przez nas danych. Gdyby Nokia w odpowiednim czasie zadała sobie pytanie i przeanalizowała dostępne dane, być może nadal byłaby liderem w zakresie produkcji i sprzedaży telefonów komórkowych. Początek końca fińskiego giganta przypada na rok 2007, kiedy Apple zaprezentował swój pierwszy iPhone z ekranem dotykowym. Wart podkreślenia jest fakt, że to właśnie do Finów należały pierwsze światowe patenty tego rozwiązania. Zresztą nie tylko patenty, ale także pierwsze gotowe produkty. Kolejnym gwoździem do trumny było to, że Skandynawowie nie rozwijali swojego systemu operacyjnego Symbian, przez co użytkownicy poczuli się niepewnie ze sprzętem tej firmy. Błędów Nokii w zakresie przewidywania trendów było jednak znacznie więcej: od przeoczenia mody na telefony z klapką po brak oferty dla coraz młodszych użytkowników. Całokształt anachronicznego podejścia do biznesu zaowocował giełdowymi spadkami i sprzedażą firmy gigantowi z Redmond, firmie Microsoft.

Nie bądźmy jak Yahoo

Podobnym przykładem jest historia wyszukiwarki Yahoo i AltaVista. O ile Yahoo czasami jeszcze kojarzymy, o tyle tę drugą wyszukiwarkę skazaliśmy raczej na zapomnienie (warto dodać, że została zamknięta w 2013 roku). Cofnijmy się jednak do 1998 roku. Dwaj młodzi studenci Uniwersytetu Stanforda zwracają się z propozycją najpierw do AltaVisty, a później do Yahoo sprzedaży ich wyszukiwarki Google, wyposażonej w nowoczesny algorytm do segregowania stron – PageRank. Cena wywoławcza wynosi zaledwie 1 milion dolarów. Obie firmy odmawiają. W 2002 Yahoo zdaje sobie sprawę z popełnionego błędu i wycenia Google na 3 miliardy dolarów. Jednakże Google wycenia się na 5 miliardów dolarów i Yahoo odmawia zakupu. W 2008 roku ofertę kupna Yahoo składa Microsoft, proponując kwotę 40 miliardów dolarów. Yahoo odmawia. W 2016 Yahoo zostaje sprzedane do Verizonu, za zaledwie 4,6 miliardów dolarów. A teraz wyobraźmy sobie, że posiadamy dane, które mówią nam o trendach i poziomie użytkowania naszego rozwiązania. Dlaczego z nich nie korzystamy i powtarzamy casus Yahoo?

Przewidując przyszłość

Na przykładzie operatora telefonii komórkowej można zrozumieć w jaki sposób działają współczesna analityka predykcyjna i optymalizacja w oparciu o SAP Analytics Cloud. Wyobraźmy sobie, że chcemy skontaktować się z klientami, którzy kupią nasz produkt lub usługę. W jaki sposób z bazy danych wybrać tych klientów, których cechuje zainteresowanie naszymi ofertami?

3 kierunki przewidywania

Kierunki związane z potrzebami predykcyjnymi są zdywersyfikowane. Z jednej strony jest to kierunek istotny dla rozwoju małych firm i startupów, z drugiej strony nawet giełdy powinny być zainteresowane rozwojem tej metody analitycznej. W tym kontekście wyróżniamy 3 grupy docelowe analityki:

1. Data Scientist, czyli analitycy Big Data. Pozwala on na wykorzystanie on-premise analitycznych modeli predykcyjnych stworzonych przez SAP i jednocześnie na wykorzystanie wiedzy statystycznej. Analitycy korzystają także z automatycznych bibliotek predykcyjnych, żeby przyspieszyć proces badawczy. Przykładowo mogą w pierwszej kolejności wykorzystać SAP Analytics Cloud, by sprawdzić, że zastosowany tam model predykcyjny pokazuje interesujące zależności, a następnie budować własny model predykcyjny zwiększając jego jakość.
2. Użytkownicy biznesowi – w zależności od doświadczenia i umiejętności analitycznych użytkowników mogą oni korzystać z automatycznych modeli predykcyjnych i wizualizować dane dostarczone z różnych systemów. Na ich podstawie użytkownicy mogą wyciągnąć wnioski i podejmować trafniejsze decyzje biznesowe.
3. Programiści języka R – predykcja osadzona w aplikacjach biznesowych, pozwalająca na rozszerzenie zakresu analityki i tworzenie pomocnych w analizie zaawansowanych wizualizacji.

Co daje SAP Analytics Cloud w odniesieniu do predykcji?

Wyobraźmy sobie, że mamy firmę sprzedażową, która dystrybuuje odzież i akcesoria. Zarząd firmy chciałby zwiększyć wyniki sprzedażowe i w tym celu potrzebuje opracować nową strategię rynkową. Do działu analiz wpływa zatem prośba o przedstawienie raportu odpowiadającego na pytanie, które czynniki wpływają na przychód na podstawie danych sprzedażowych. Raport musi bazować na jakimś rodzaju danych. Możemy je dostarczyć na 3 sposoby:

1. Z plików płaskich typu Excel.
2. Z systemu źródłowego, np. S4HANA lub BW4HANA, bądź różnorakich innych baz danych.
3. Z modelu danych, którzy wcześniej stworzyliśmy.

Z zebranych przez system danych można dowiedzieć się, które z salonów sprzedaży notują dobre lub złe wyniki i zrozumieć tego przyczynę, np. opinie klientów, położenie geograficzne, wielkość oddziału czy łatwość zakupu. Technologia machine learning, wbudowana w program analityczny pozwala dopasować zebrane informacje do analizy i wygenerować na ich podstawie wizualizację, która ułatwia wyciąganie wniosków. System jest na tyle inteligentny, że dostrzeże anomalie sprzedażowe i wykluczy je z raportu. Tym samym, przytoczony przez nas sprzedawca wentylatorów, będzie wiedział, że lato 2018 zostało wykluczone z analizy, ponieważ w tym okresie panowały nietypowe dla Polski upały. Mając te informacje mali i więksi przedsiębiorcy mają szansę wyprzedzić konkurencję i podążać za aktualnymi trendami.