01.06.2018.

Digital Mind

Atskaite un analītika – kāda atšķirība?

Runājot par nozīmīgām lietām, ir būtiski, lai visas sarunā iesaistītās puses būtu vienisprātis par izmantoto terminu nozīmi. Savādāk var gadīties, ka vienošanās ir šķietami panākta, bet praksē katra puse sagaida citus rezultātus. Tāpēc šodien mūsu biznesa analītikas vadītājs Leons izvērstāk par to, ko īsti nozīmē šobrīd pasaules un Latvijā tik plaši izmantotais vārds - analītika.

Piedaloties sarunās par un ap biznesa analītiku, ik pa laikam piefiksēju, ka uz jautājumu: “Vai izmantojat  analītiku?”, atbilde ir apstiprinoša, taču, ejot dziļāk detaļās, atklājas, ka ar analītiku tiek saprasts tikai vārds -  atskaites.  Rodas iespaids, ka vārdu analītika kopīgi esam nonivelējuši līdz atskaites līmenim, tādēļ, mēģinot runāt par biznesa analītiku vai BI (business intelligence), bieži var iekulties pamatīgos pārpratumos. Vai atskaite ir analītika? Mēģināšu uz šo jautājumu dot savu skatījumu, kā arī centīšos parādīt, kas mūsdienās patiesībā slēpjas aiz vārda analītika.

Kādēļ ir tik svarīgi saprast atšķirību?

Šobrīd nav šaubu, ka piedzīvojam ceturto industriālo revolūciju (Industry 4.0), kuras vieni no galvenajiem elementiem un dzinējspēkiem ir dati un analītika. Tikai apzinoties atšķirību, varam novērtēt, kādā līmenī un statusā ir analītika mūsu uzņēmumā. Tas ļauj arī novērtēt, cik patiesībā esam gatavi jaunajiem izaicinājumiem, kur viens no būtiskajiem faktoriem konkurētspējas nodrošināšanā ir analītikas ģenerētais rezultāts.

Kur ir būtiskā atšķirība starp atskaiti un analītiku?

Atskaite (reporting) – veids, kā datus pārvēršot summāros rādītājos, mēs uzraugām, kā veicas dažādās biznesa jomās. Skats pagātnē, kurš atbild uz jautājumu “kas notika?”. Nereti, izmantojot atskaišu rīku piedāvātās iespējas drill up/drill down, rodas mānīgs priekšstats, ka notiek analīze. Jā, iegūto rezultātu mēs analizējam, bet mūsu iespējas joprojām ierobežo atskaites robežas. Rodas arvien vairāk jautājumu, kurus parasti mēģinām atbildēt ar jaunas atskaites radīšanu. Analītika (analytic and analysis) – process un mijiedarbība ar datiem, tos analizējot, lai iegūtu jēgpilnu izpratni un zināšanas par savstarpējām saiknēm, likumsakarībām un veidiem, kā vēl labāk uzlabot dažādus procesus un biznesa jomas. Šis ir radošs process, kura laikā analītiķis izvirza hipotēzes, meklē kopsakarības, cēloņus un atbildes, noskaidrojot, kas patiesībā notika, kāpēc tas notika un kas varēja notikt. To, uz kādiem jautājumiem varam iegūt atbildes dažādos analītikas līmeņos, vislabāk ilustrē šis attēls:

Kādam mērķim tiek izmantota analītika?

Visbiežāk kā mērķis, kāpēc uzņēmumi investē un attīsta analītikas kapacitāti uzņēmumā, tiek minēts:
  • Labāku lēmumu pieņemšana, balstoties uz datiem;
  • labāk izprast klientu un viņa uzvedību, uzlabot un stiprināt sadarbību ar klientu (customer relationship);
  • Produktu un servisa uzlabošana;
  • Izmaksu optimizēšana;
  • Ģenerēt jaunus biznesa virzienus, izveidot jaunus ienākuma avotus;
  • Ģenerēt ienākumus no datiem;
  • Konkurētspējas stiprināšana.

Kurām industrijām analītika ir vissvarīgākā?

Nepārprotami - visām. Ja līdz šim bija ierasts, ka analītikas izmantošanas piemēri vairāk parādījās saistībā ar bankām, apdrošināšanas kompānijām un telekomunikāciju uzņēmumiem, tad šobrīd, attīstoties lietu internetam (internet of things), lielajiem datiem un analītikai (t.s. advanced analytic), katrā industrijā parādās arvien jauni risinājumi, kuri palīdz risināt noteiktus biznesa jautājumus. Piemēram, IBM Watson veselības aprūpē (īpaši onkoloģijā), mārketingā vai piegādātāju ķēdes pārvaldībā (supply chain), Fintech nozares risinājumi  savstarpējiem aizdevumiem (P2P lending), kā arī daudzi citi. Arvien vairāk parādās tādas kompānijas, kuras maina esošos biznesa modeļus un veidus, kā līdz šim daudzas kompānijas ir strādājušas (disruptors). Var rasties maldīgs priekšstats, ka tas Latvijā vēl nav aktuāli, jo tirgus ir mazs, pirktspēja zema un vēl daudz un dažādu argumentu. Tomēr globalizācija un tehnoloģiju attīstības tempi šobrīd ir nojaukuši jebkādas robežas, un jau pilnīgi normāla šķiet situācija, kad 10 mēnešu vecs start-up nopērk gandrīz 100 gadus vecu biznesu.

Kā izvēlēties pirmo analītikas projektu?

Galvenais ir nenobīties no tādiem terminiem kā prognozēšana (predictive), datu zinātne (data science), mašīnmācīšanās (machine learning) u.c., jo ar laba analītiķa palīdzību tas var kļūt par aizraujošu piedzīvojumu, kura laikā tiek dots nozīmīgs ieguldījums uzņēmuma konkurētspējas stiprināšanā. Vēlos minēt dažādus piemērus, kurus analītikas ietvaros risina. Iespējams, kāds no zemāk minētajiem punktiem varētu būt sākuma punkts, uzsākot analītikas iniciatīvas jūsu uzņēmumā.
  • Klientu uzvedības analīze (customer behavior);
  • Klienta pirkšanas paradumi (buying habits);
  • Klienta dzīves stils (customer lifestyle);
  • Klienta vērtība (customer value, customer lifetime value);
  • Klientu atbirums, mainība (churn prediction);
  • Komunikācijas optimizācija (direct marketing next best offer, next best communication);
  • Klientu segmentēšana un profilēšana (segmentation and profiling) izmantojot iegūtās zināšanas, piemēram, no klienta uzvedības, profila vai pirkšanas paradumiem;
  • Teksta un sentimenta analīze (text analytic, sentiment analytics), piemēram, šobrīd pamatā visa komunikācijas, kura norit starp klientu un uzņēmumu, tiek uzkrāta, bet nedod nekādas papildus zināšanas uzņēmumam. Teksta analītika to var būtiski mainīt;
  • Sociālo tīklu analīze (social network analytics) vai tīkla meklēšana klientu datubāzē, piemēram, nosakot iespējamās mājsaimniecības;
  • Web analītika (klikšķi, skatījumi, cookies, lapas heatmap, ko un kā klients dara web lapā, no kādas iekārtas lieto, cik daudz redz no lapas satura, identificēt šķēršļu punktus u.c.) savienojot ar pirkumiem, kampaņām un to rezultātiem;
  • Iekārtu (auto, ražošanas) uzturēšana un apkope - modernās iekārtas, ražo milzīgu apjomu ar informāciju, kura bieži vien tā arī paliek neizmantota. Piemēram, kā būtu, ja varētu laicīgi prognozēt iekārtas dīkstāvi, jo kāda iekārtas detaļa ir tuvu iziešanai no ierindas, vai saprātīga jaudas optimizēšana;
  • Optimizēšana (kontaktu centra resursu, piegāžu maršruta, piegāžu maršruta un kravas, ražošanas līniju noslodzi);
  • Risku analīze (klienta, līguma scoring);
Šobrīd daudz tiek runāts par mākslīgo intelektu, kur daudz lietas balstās tieši analītikā, t.i., spējā izprast klienta uzvedību, atrast vajadzību raksturojušos lielumus, lai viņam piedāvātu vislabāko risinājumu. Vai atliek tikai nopirkt analītiku? Vai tas ir tik vienkārši? Mana līdzšinējā pieredze saka, ka nē, bet par to kādā citā rakstā.