31 июля 2019 г.
Невзирая на ощутимые успехи цифровой трансформации в отдельных отраслях и для отдельных предприятий, многие представители сферы среднего и малого бизнеса продолжают воспринимать само это понятие в значительной мере отвлечённо. Пусть, согласно исследованию DT Global Business Consulting GmbH, 80% российских предприятий в той или иной мере готовы инвестировать (либо уже вложились) в цифровую трансформацию, больше половины из них до сих пор застряли на первых её этапах — рассмотрения принципиальной возможности инвестиций и их непосредственного планирования.
По мнению Дэниела Ньюмана (Daniel Newman), ведущего аналитика Futurum Research, пробуксовка на пути к тотальной цифровой трансформации бизнеса во многом обусловлена предвзятым отношением к самому этому процессу. На протяжении многих лет топ-менеджеры множества компаний, в особенности не связанных напрямую с ИТ, воспринимали цифровую трансформацию довольно-таки однобоко. Перенос части ИТ-инфраструктуры в облако, внедрение периферийных вычислений (edge computing), отдельных элементов Интернета вещей в виде умных датчиков — вот, пожалуй, и всё, к чему сводилось представление значительной доли бизнесменов о стратегии цифровой трансформации.
На деле же эта стратегия — чтобы привести к сколько-нибудь ощутимому для дела результату — должна быть значительно более комплексной и всеобъемлющей. В числе важнейших направлений развития цифровой трансформации на 2020 г. Дэниел Ньюман упоминает внедрение сетей и оконечного оборудования 5G, интеграцию в бизнес-процессы беспроводного стандарта Wi-Fi 6, более заметное проникновение блокчейна в деловые практики, но самое важное — твёрдую ставку на искусственный интеллект. Точнее, на машинное обучение с использованием огромных массивов данных для прикладного решения стоящих перед бизнесом актуальных задач.
Почему этот цифровой инструментарий особенно важен для среднего и малого бизнеса? Да потому, что в условиях омниканальности крупные предприятия практически в любой отрасли лишают своих менее масштабных конкурентов возможности маневрировать ценой. СМБ остаётся отыскивать узкие рыночные ниши и формировать надёжный пул лояльных клиентов с тем, чтобы обеспечивать себе достаточную (с учётом сравнительно небольших оборотов) маржу с каждой сделки, — об этом CRN/RE уже писал, и не раз.
Искусственный интеллект (ИИ) в этом деле — бесценное подспорье: умная машинная обработка значительных объёмов клиентских данных позволяет чётко и своевременно выявлять существенные для развития бизнеса закономерности. По оценке IDC, в 2022 г. глобальные инвестиции в ИИ достигнут почти 80 млрд долл. США, — в два с лишним раза больше уровня
Крупнейшие ритейлеры сегодня вовсю внедряют у себя технологии искусственного интеллекта. Делая, например, покупателям при заходе в личный кабинет персонализированные предложения по покупке новых товаров на основании машинного анализа предыдущих покупок (не только этого конкретного человека, но и представителей той группы клиентов, к которой его по ряду объективных признаков отнесла аналитическая система). Компании СМБ, не располагая достаточными ресурсами для содержания собственных отделов разработок, пока отстают в этом плане от гигантов розничной индустрии. Однако разрыв этот не следует считать непреодолимым: главное — чётко поставить перед собой задачу и решать её последовательно.
Своим рецептом цифровой СМБ-трансформации делится на страницах Forbes Лео Сигал (Leo Sigal), глава и основатель авторемонтной мастерской Driveroo из Сан-Франциско. Эта мастерская активно использует ИИ для заблаговременного выявления проблем с авто своих постоянных клиентов — как раз на основе глубокого машинного анализа данных, поставляемых множеством умных датчиков. Этот пример наглядно демонстрирует, кстати, насколько лояльность клиента однажды выбранной СМБ-компании оправдывает себя в долгосрочной перспективе: чем дольше накапливает информацию о данном авто экспертная система, тем более точными становятся её прогнозы.
Недоверие бизнесменов из сектора СМБ к системам с машинным обучением и ИИ в целом понятно: в информационное поле чаще всего попадают рассказы о по-настоящему крупных проектах такого рода, одни только бюджеты на разработку которых порой на порядки превосходят годичные обороты средних и малых компаний. Однако, по опыту Лео Сигала, внедрить умную экспертную систему на небольшом предприятии — задача вполне подъёмная, особенно если заручиться поддержкой сведущего в этой области интегратора.
Самое важное — собраться с духом и преодолеть три главных порога на пути к цифровой трансформации. А именно:
- Приступить к сбору данных. Не имеет значения, что на начальном этапе эти данные будут копиться мёртвым грузом: для целей машинного обучения ретроспективный анализ чрезвычайно значим. Преодоление этого порога подразумевает волевой отказ от бумажной документации в пользу исключительно цифрового документооборота, что само по себе для множества компаний СМБ представляется непростой задачей. Тем не менее, сладить с этим вызовом необходимо: только так начнёт накапливаться база данных для последующей её обработки с применением технологий ИИ. Эксперт советует одновременно с переводом всех информационных транзакций внутри предприятия в цифровой вид взять за правило сопровождать их метаданными, то есть справочной информацией о самих данных. Например, закрывающий некую сделку документ станет гораздо продуктивнее с точки зрения последующей машинной оптимизации процессов, если к нему будут приложены сведения о том, какой менеджер эту сделку вёл, сколько времени на её оформление затратил, откуда и за какой срок были поставлены материалы для исполнения заказа, какое время готовый продукт провёл на складе перед отгрузкой и т. п.
- Найти надёжное хранилище для накапливаемых данных. Потеря накопленной за долгое время информации самым негативным образом отразится на возможностях аналитической системы делать какие бы то ни было выводы, так что важность ответственного сохранения бизнес-данных вполне самоочевидна. Резервирование собираемой базы локально или в облаке, налаживание автоматизированной системы инкрементальных бэкапов, сохранение архивов на ленточных накопителях — технологий надёжного долговременного хранения информации существует множество; главное, не поддаваться искушению сэкономить на них. Важно также не допускать утечек «сырых», необработанных данных: у множества конкурентов уже могут иметься собственные ИИ-системы, которые на базе добытой не самым легальным путём информации со стороны обеспечат своим владельцам незаслуженные преимущества.
- Сделать данные пригодными для использования во всей организации в целом. Этот достаточно важный порог цифровой трансформации так и не преодолевают компании (порой даже самые крупные!), которые задерживаются на этапе предоставления сделанных ИИ-системой выводов и заключений одному только топ-менеджменту. Чем структурно сложнее организация, тем большее значение для её нормального функционирования имеет связность бизнес-процессов. Если департамент продаж не имеет ни малейшего представления о насущных проблемах и нуждах производственного отдела, ни о какой оптимизации работы компании говорить не приходится. На этом этапе необходимо обучить (как минимум начальников структурных подразделений) работе с результатами машинного анализа, проводимого ИИ; использованию этих результатов в качестве отправной точки для принятия собственных управляющих решений.
Системные интеграторы, уже обладающие опытом цифровой трансформации заказчиков из самых различных отраслей бизнеса, становятся таким образом бесценными партнёрами для компаний СМБ, стремящихся сохранить и развить свой бизнес в современных реалиях. Преодолев все три перечисленных порога на пути к подлинной, не декларативной цифровизации, такие компании сумеют удержаться на рынке даже в соседстве со значительно более крупными игроками — что в отсутствие ИИ-аналитики больших данных становится чем дальше, тем всё менее реалистичной задачей.
Источник: Максим Белоус, crn.ru