Например, я обращаюсь с просьбой об отмене комиссии в банк, который использует пакетную обработку данных только раз в сутки. Итак, банк получает мой запрос по электронной почте и отказывает мне. Его аналитики определяют, что в моем случае отказ не увеличит риска закрытия счета, и поэтому рекомендуют отклонить мой следующий запрос на отмену комиссии. Эта рекомендация загружается в систему и готова для использования на следующий день.

Назавтра я из машины снова звоню в банк с той же просьбой. Моя просьба отклоняется, как и было запланировано. Но отказ раздражает меня настолько, что я решаю зайти в филиал банка, мимо которого сейчас проезжаю, и лично поговорить с менеджером. Вот где начинаются проблемы. Поскольку обработка данных производится только вечером, то ни руководитель филиала, ни система не знают, что я только что звонил в банк и снова получил отказ. Рекомендация об отказе по-прежнему действует. Только вечером аналитики определят, что филиал должен был удовлетворить мой запрос, чтобы сохранить меня как клиента. Последнее взаимодействие существенно увеличило риск закрытия мной своего счета, однако руководитель филиала не знал об этом, поскольку его не снабдили аналитикой. Это классический пример операционного применения традиционной аналитики, и легко увидеть, почему такой подход может давать сбои.

При использовании же операционной аналитики система обновила бы данные, отразив мой последний звонок, а затем с учетом обновления немедленно выработала бы рекомендации удовлетворить просьбу, и, когда я входил в филиал, его руководитель уже был бы готов сообщить мне об отмене комиссии, благодаря чему я и дальше останусь с этим банком. Если еще несколько минут назад действовала рекомендация об отказе, то мой звонок в клиентскую службу полностью изменил бы представление об адекватной реакции. Ради своего преуспевания банк должен быть способным собирать все данные о взаимодействиях со мной в текущем режиме, а затем после каждого такого взаимодействия запускать аналитический процесс, чтобы правильно совершать свои дальнейшие шаги. Именно так работает операционная аналитика в эпоху Аналитики 3.0. Мой друг Джеймс Тейлор, генеральный директор компании Decision Management Solutions и автор книги «Системы, управляющие принятием решений: Практическое руководство по использованию бизнес-правил и прогностической аналитики» (Decision Management Systems: A Practical Guide to Using Business Rules and Predictive Analytics, 2011), много писал об операционной аналитике. Вот его мнение: «Организации, которые хотят процветать, а не просто выживать, должны преобразовать себя сверху донизу. Высокое качество операционных действий стало обязательным, а путь к такому качеству пролегает через аналитику. В планах каждого руководителя должен значиться переход к принятию каждого решения на основе аналитики и внедрению лучших решений во все операционные процессы».

Несмотря на все более широкое распространение аналитики, многие руководители не осознают, насколько фундаментально она меняет бизнес-модели. В этом разделе мы рассмотрим несколько важных для понимания концепций и трендов. Возможно, вашей организации потребуется более масштабно и без боязни рассмотреть, каким образом аналитика может изменить ваше будущее.

Четко выраженный тренд в операционной аналитике проявляется в том, что сегодня все большее количество продуктов собирает данные. Во многих случаях аналитика, применяемая к этим данным, является одним из главных – если не самым главным – назначением продукта. Другими словами, физический продукт сегодня зачастую является просто механизмом для сбора данных. Давайте посмотрим, что это означает.

В прошлом компании всегда создавали новые продукты, будь то игрушки, тарифные планы или типы банковского счета. Целью являлось, разумеется, успешное продвижение продукта, однако его успех мало зависел от данных или аналитики. Мало-помалу компании собирали данные о продажах продукта, его потребителях, а также о часто выявляемых дефектах и проблемах. Это позволяло понять, как можно улучшить продукт, однако данные получались как побочный результат продажи продукта, а не вследствие присущего ему свойства.

Сегодня же выпускаются продукты, чье единственное назначение – сбор данных, позволяющих применить аналитику. Сам по себе физический продукт фактически вторичен и является не более чем каналом для сбора и анализа данных. В одних случаях ценность продукта для потребителей определяется именно предусматриваемой им аналитикой; в других – ценность продукта для потребителей может заключаться в чем-то ином, в то время как компания извлекает пользу из аналитики. Когда аналитика используется во благо потребителей, тот продукт, который может обеспечить наиболее ценные данные и аналитику, а не традиционные функции, и преуспеет в конкуренции.

Таких продуктов появляется все больше. В эту категорию попадают многие доступные в Интернете бесплатные услуги. Возьмем, например, бесплатную электронную почту. Компании предоставляют ее вовсе не из любви к общественно-полезной деятельности, а потому что могут многое узнать об ее пользователях. Провайдер получает возможность размещать рекламу с учетом поведения пользователей, и она окупается, когда пользователи на нее откликаются. В некоторых случаях сервисы фактически читают от начала до конца электронные письма пользователей и анализируют их, чтобы генерировать рекламные предложения. Скажем, если вы часто переписываетесь с друзьями на спортивные темы, то можно держать пари, что будете получать много предложений, связанных со спортом. Кроме того, провайдер электронной почты может продать информацию о вашем интересе к спорту другим организациям, готовым заплатить за поиск любителей спорта. Так что надо очень внимательно читать правила хранения личной информации, прежде чем соглашаться с ними. В шестой главе мы поговорим о вопросах конфиденциальности более подробно.

На рынке сегодня также присутствуют аналитические процессы, которые напрямую превращаются в продукты. Наглядный тому пример – рекомендательный механизм популярного поставщика потокового видео Netflix{4}. Он использует данные о навигации пользователя по сайту и определяет, какие фильмы могут ему понравиться. Этот рекомендательный механизм рассматривается Netflix как реальный продукт. За него отвечают собственные продакт-менеджеры, управляющие им точно так же, как любым другим продуктом. Netflix постоянно старается добавить своему рекомендательному механизму новые функции и свойства, усилить его привлекательность для пользователей. Так, введен интерфейс Max, который превращает подбор рекомендаций в игру{5}.

Успех Netflix в огромной степени приписывают именно ее рекомендательному механизму, хотя этот продукт, по сути, состоит из аналитики и использования данных. Механизм также представляет собой законченный операционный процесс, который управляет своими алгоритмами и предоставляет результаты пользователям миллионы раз в день без вмешательства человека.