Przyszłość w szklanej kuli

Menedżer, który w procesie analizy rynku i planowaniu strategicznym ogranicza się do danych historycznych, jest jak kierowca, który prowadzi samochód, skupiając się jedynie na lusterku wstecznym. Niestety, w ten właśnie sposób wiele polskich przedsiębiorstw wykorzystuje narzędzia analityczne.

Menedżer, który w procesie analizy rynku i planowaniu strategicznym ogranicza się do danych historycznych, jest jak kierowca, który prowadzi samochód, skupiając się jedynie na lusterku wstecznym. Niestety, w ten właśnie sposób wiele polskich przedsiębiorstw wykorzystuje narzędzia analityczne.

Jeden z analityków, opisując stosunek menedżerów do systemów analitycznych, przywołuje starą anegdotę na temat statystyki: "Menedżerowie korzystają z danych statystycznych w taki sam sposób, jak pijak z latarni - do podpierania się, a nie do oświetlania dalszej drogi".

Korzyści z wdrożenia narzędzi typu Business Intelligence są aż nazbyt oczywiste. Systemy analityczne integrują dane pochodzące z rozproszonych systemów, wspierają raportowanie finansowe oraz kontroling, umożliwiając utrzymanie firmy na kursie. Korzyści z wdrożenia narzędzi analitycznych mogłyby być jeszcze większe. Niestety, na ogół narzędzia te ograniczają się do raportowania i analizy tych faktów, które już miały miejsce. "Przeszłość jest bardzo przydatna i potrzebna, ale zbyt wielu ludzi używa narzędzi raportowych tylko do patrzenia w przeszłość, a nie do zadawania pytań, jak powinniśmy sobie poradzić w biznesie w przyszłości" - mówi w wypowiedzi dla amerykańskiego tygodnika InfoWorld Herb Edelstein, założyciel Data Warehouse Institute i szef firmy konsultingowej Two Crows.

Wtóruje mu Anne Milley, jedna z dyrektorów w SAS Institute. "Liczba wykonywanych raportów nie ma znaczenia, jeżeli dotyczą one wyłącznie przeszłości. Analiza przeszłości wymaga jakiegoś następstwa. Dobra analiza nie dotyczy jedynie zagadnień «jak dużo» i «jak często», ale pozwala zrozumieć, «dlaczego». Nie chodzi przy tym jedynie o prezentację danych, ale odkrywanie trendów i znajdowanie odpowiedzi na głębsze pytania" - twierdzi.

Standardowe systemy OLAP nie udostępniają takiej funkcjonalności. Pozwalają na stworzenie hipotez, które będą wyjaśniały, co było powodem pewnych zdarzeń w przeszłości, a następnie testowały prawdziwość tez na podstawie na bieżąco spływających danych. Współczesny biznes wymaga tymczasem wiarygodnego prognozowania i uczynienia z niego narzędzia do podejmowania decyzji. "To właśnie o tym myślą klienci, wdrażając systemy analityczne, choć cel ten jest być może nie do końca uświadomiony" - mówi Maciej Kujawski, wiceprezes firmy Gramsoftware, która jest partnerem Microstrategy, dostawcy systemów analitycznych.

Banki i operatorzy

To, że skończyły się czasy prostych hurtowni analitycznych i systemów raportowych, jako pierwsi spostrzegli operatorzy telekomunikacyjni i banki. Oba te sektory od dawna są w posiadaniu ogromnych zbiorów danych, toteż stosunkowo wcześnie wdrożyły narzędzia do ich eksploracji - często już kilka lat temu. Systemy prognostyczne badają zwykle rentowność, pozycję finansową, płynność itp. Ostatnio pojawił się nowy impuls, który skłania banki do zainteresowania się narzędziami prognostycznymi - chodzi o wymogi dotyczące analizy ryzyka kredytowego nałożone na banki przez Komitet Bazylejski.

Jedną z typowych analiz prognostycznych wykorzystywanych w sektorze telekomunikacyjnym jest analiza churn, czyli analiza klientów, którzy zamierzają zrezygnować z usług danego operatora. Na podstawie danych demograficznych oraz danych dotyczących miesięcznych połączeń telefonicznych, informacji na temat serwisów telekomunikacyjnych, z których korzysta użytkownik, oraz danych z billingu tworzy się bazę klientów podzieloną na odpowiednie segmenty. Przykładem takiego segmentu mogą być klienci, których dane wskazują, iż liczba i czas trwania wykonywanych połączeń, ilość subskrybowanych serwisów czy wskaźnik odpowiedzi na oferty promocyjne systematycznie się zmniejszają. Dodając do tego ich dane demograficzne, można uzyskać profil klienta, który z określonym prawdopodobieństwem zrezygnuje z usług operatora.

Typowym przykładem analizy prognostycznej w banku jest ocena zdolności kredytowej klienta. W procesie tym analizuje się najpierw dane dotyczące klientów istniejących i dokonuje ich klasyfikacji na podstawie cech istotnych z punktu widzenia ryzyka kredytowego oraz danych na temat rzeczywistego przebiegu spłat. Wnioski z tych analiz są wykorzystywane do oceny klientów potencjalnych.

Metody, modele i miary

Metod prognozowania jest wiele, m.in. prognozowanie realistyczne i badawcze, punktowe i przedziałowe, ilościowe i jakościowe. Najbardziej rozpowszechnione są metody ilościowe (statystyczne), określające prawdopodobieństwo przyszłych zdarzeń na podstawie danych historycznych. W ramach metod ilościowych jest dostępnych wiele technik wnioskowania (np. analiza szeregów czasowych, analiza funkcji trendu), a każda z nich może się opierać na różnych miarach (średnie ruchome proste, średnie ważone) i modelach (model wygładzania wykładniczego, model liniowy Holta, model trendu pełzającego, metoda najmniejszych kwadratów czy model wskaźnikowy). Dobór metody jest podyktowany przyjętymi parametrami prognozy i jej horyzontem czasowym. Metody ilościowe stosuje się wtedy, gdy istnieje dostatecznie dużo danych źródłowych do analiz. Gdy danych jest mało, są niezbyt wiarygodne bądź zgoła brak ich w ogóle, zastosowanie znajdują metody jakościowe opierające się na opiniach ekspertów. Stosuje się tu m.in. metodę komisji wykonawczych, metodę Delphi oraz badania ankietowe.

W celu komercyjnej reprodukcji treści Computerworld należy zakupić licencję. Skontaktuj się z naszym partnerem, YGS Group, pod adresem [email protected]

TOP 200