Обчислити майбутнє: хто клікне, придбає, збреше чи помре

• Книгу переклали вісьмома мовами та рекомендують до читання студентам 14 університетів
• Видання увійшло до списку бестселерів Amazon і 800-CEO-READ
• Книга отримала нагороду Small Business Book Awards

Уже сьогодні прогнозування зачіпає наше життя щодня і на роботі, і в буденних ситуаціях. Сучасні технології впливають на нас, коли ми обираємо товар у магазині чи голосуємо на виборах. Автор книги розповідає про те, якої височини досягла наука прогнозування, на яких теренах вона має своє застосування та чим може бути корисною керівникам.

В умовах сьогоднішнього світу нас постійно завалює дедалі новішою інформацією. Сотні постів у соціальних мережах, купи спаму в електронних поштових скриньках і паперової реклами в звичайних… Недивно, що більшість людей бачать у лавині даних скоріш загрозу чи шкоду для себе. Проте автор переконаний: насправді інформація має високу ціну. Звісно, не все дані цінні. Обсяги наявної інформації щодня збільшуються на 2,5 квінтільйони байтів (число з 18 нулями). «Необроблені дані – це сировина. Золото – те, що можна з них видобути», – пише Сіґель. Комп’ютери навчаються, використовуючи величезні масиви інформації, і можуть робити доволі цінні висновки. Автор наводить кілька прикладів тих знань, котрі ми отримали завдяки машинному навчанню (чи предиктивній аналітиці, як його називають в комерційній, державній та промисловій галузях):

• вегетаріанці рідше пропускають свої авіарейси;
• кількість локальних злочинів зростає після публічних спортивних змагань;
• ранній вихід на пенсію знижує очікувану тривалість життя.

Схожі висновки, зроблені комп’ютерами, широко використовуються і державними організаціями, і компаніями. Скажімо, соціальна мережа LinkedIn з’ясовує професійні навички людей. Сайти знайомств передбачають, хто може сподобатися користувачам. Австралійська компанія Energex прогнозує попит споживачів на електроенергію та застосовує цю інформацію, обираючи місце для прокладання своїх електромереж. А супермаркети Tesco та інші користуються аналітикою, щоб розсилати персоналізовані купони зі знижками своїм клієнтам у 13 країнах світу. У наслідок такого кроку споживачі почали користуватися купонами в 3,6 рази частіше. Звучить непогано, але наскільки точними є подібні прогнози? Автор каже, що на 100 % точне прогнозування неможливе в принципі. Скажімо, точність прогнозів погоди – лише 50 %. Однак 100%-ва точність і не потрібна, щоб прогноз мав високу цінність. Компаніям не варто прагнути отримувати високоточні прогнози. Скоріш за все, вони й без них отримають добрий результат. Автор називає це «ефектом прогнозування»: навіть не надто точне прогнозування підвищує цінність краще, ніж здогадки. «Значно краще мати хоча б невиразне уявлення про те, що відбудеться в майбутньому, ніж перебувати в цілковитому невіданні», – пише Сіґель.

Предиктивна аналітика (ПА) – інструмент доволі універсальний. Практично будь-яка компанія може знайти їй застосування. Для цього достатньо дати раду таким пунктам.

1. Предмет прогнозування. Що конкретно ви бажаєте передбачити? Яку подію чи поведінку якого саме суб’єкта потрібно спрогнозувати?
2. Мета прогнозування. Навіщо вам потрібно це передбачувати? Які рішення повинна зробити компанія після отримання прогнозу? Які дії здійснити?

Як запевняє автор, список теренів застосування предиктивної аналітики практично необмежений. Організація може передбачати ціну на акції, продажі, звільнення, поведінку клієнтів і багато іншого. А держави – правопорушення, нещасні випадки, наявність робочих місць, результати виборів тощо. Ба більше, можна використовувати ПА навіть на терені особистих відносин, прогнозуючи любов і дружбу, розлучення, думки та наміри.

Найчастіше в компаніях предиктивну аналітику застосовують на теренах маркетингу, зокрема, розсилання рекламних пропозицій масовому клієнтові. У цьому випадку предмет прогнозування – поведінка споживачів, які отримали такі матеріали, а його мета – спрямувати свої маркетингові зусилля на клієнтові так, щоб із максимальною часткою вірогідності отримати позитивну реакцію.

ПА також допомагає компаніям керувати своїми ризиками. І хоч неочікувані масштабні проблеми можна передбачити не завжди, цей інструмент дозволяє побачити прийдешню загрозу меншого калібру, наприклад, небажану поведінку клієнта.

І, нарешті, предиктивна аналітика здатна допомогти організаціям вчасно помітити гарну можливість. Скажімо, у момент, коли клієнт готовий здійснити покупку, запропонувати йому спробувати новий продукт. Втім, застосування ПА може супроводжуватися деякими проблемами. Зокрема, якщо ви бажаєте використовувати аналітику для прийняття рішень у режимі реального часу, прогнози повинні генеруватися дуже швидко. Інакше дані застаріватимуть, і ви не встигатимете ними скористатися.

У компанії, яка використовує великі обсяги даних, може виникнути запитання: а що як з наявного набору інформації не вдасться отримати жодної користі? Проте автор впевнений: «Дані завжди говорять. Вони завжди мають що розповісти, а також те, на підґрунті чого можна придбати знання». Він називає це «ефектом даних»: вони завжди мають предиктивний потенціал.

Пояснює Сіґель це наступним чином: усе у світі пов’язано між собою, а інформація є відображенням цих взаємозв’язків. Наприклад, поточні покупки людини пов’язані з історією її попередніх покупок, з її пошуковими запитами, з поведінкою її знайомих тощо. Якщо у вас є дані, то ви можете зрозуміти характер цієї залежності, а значить, і спрогнозувати дії клієнта.

Саме завдяки ефекту даних компанії готові платити гроші за впровадження систем комп’ютерного прогнозування й витрачати час на навчання працівників. Адже вони можуть бути практично впевнені в тому, що в результаті дізнаються про щось цінне. «У наші часи дані перетворились на найбільший скарб і часто розглядаються як найважливіший стратегічний актив організацій», – пише Сіґель. Можливо, тому дані сьогодні називають новою нафтою, а компанії, які дають раду інформації, дедалі частіше перевершують колись успішні нафтодобувні бізнеси.

Прогнозування ґрунтується на так званих предикторах, чи предиктивних змінних, – це певні значення, які можна виміряти. Скажімо, існує предиктор «новизна» – це час, який минув від моменту здійснення попередньої купівлі (якщо йдеться про використання ПА в продажах), чи прояв певного симптому (якщо ми говоримо про ПА в медицині). Цей предиктор часто використовується для передбачення майбутньої поведінки людини. А щоб прогноз був максимально достовірним, використовуються десятки й навіть сотні різних предикторів. Варто зауважити, що аналітичні системи часто наштовхуються на незвичні відкриття. Наприклад, одне дослідження показало, що в пацієнтів після інсульту, які слухали музику кілька годин на день, швидше покращувалась вербальна пам’ять, концентрація уваги та настрій.

Проте наведений факт є лише спостереженням, це деяка кореляція, котра геть не свідчить про наявність обов’язкового причинно-наслідкового зв’язку. З нього можна лише зробити висновок: прослуховування музики допомагає відновлюватися після інсульту. Але це лише здогадка, і дані не можуть підтвердити цю гіпотезу.

Якщо між двома фактами А і Б знайдено певну кореляцію, це не значить, що А є наслідком Б чи навпаки. Цілком можливо, що вони мають якусь спільну причину. Наприклад, є спостереження, що в сезон, коли люди купують більше морозива, акули частіше нападають на людей. Можна дійти до думки: вживання морозива робить людину смачнішим для акули. Але насправді такої причини немає. Просто в спеку люди частіше їдять морозиво й купаються в морі, а значить, у цей час зростає ризик бути атакованим акулами.

Сіґель застерігає компанії й індивідуумів, які хочуть скористатися перевагами предиктивної аналітики, від передчасних висновків. Взаємозв’язки між подіями можуть бути такими складними, що з’ясувати причину непросто. Утім, автор говорить, що на це й не варто витрачати час. Адже для прикладного застосування ПА причинно-наслідкові зв’язки не є необхідними. «Мета більшості ПА-проєктів – навчитися прогнозувати, а не розуміти, що рухає світ», – пише Сіґель.

Кожна система предиктивної аналітики ґрунтується на певній моделі. Вони мають певні недоліки, тому досягти довершених результатів не вдається нікому. Проте є спосіб значно покращити генеровані прогнози.

Для цього потрібна «мудрість натовпу», тобто, співпраця, використання інтелектуальних ресурсів різних фахівців. Автор розповідає про невелику компанію Kaggle, яка створила інноваційну платформу для організації конкурсів з предиктивної аналітики (слоган цієї фірми – «Перетворимо аналіз даних на спорт»). На момент публікації книги було проведено 53 таких змагання, а співтовариство фахівців налічувало вже 50 тис. чоловік, які працюють у 200 університетах світу. Попри дух суперництва, такі конкурси заохочують співпрацю між людьми, і в результаті народжуються чудові ідеї.

Принцип співпраці можливо використовувати не лише з окремими особистостями, але й із предиктивними моделями. Якщо об’єднати дві (а можливо, й більше) предиктивні моделі, можна комбінувати їхні дані та мінімізувати недоліки. Отримана в підсумку так названа ансамблева модель грає роль «менеджера» початкових моделей. «Вона розглядає прогнози кожної з них для кожного окремого випадку. В одних випадках вона схильна довіряти прогнозам моделі А, в інших – моделі Б. Вчиняючи так, ансамблева модель вчиться передбачати, які випадки є слабкими місцями в кожній базовій моделі», – пояснює автор. Він називає це «ефектом ансамблю»: поєднані предиктивні моделі можуть компенсувати недоліки одна одної, у наслідок чого ансамбль характеризується більшою предиктивною точністю, ніж кожна окрема модель, з яких він складається.

Схожі ансамблі мають цікаву властивість: хоч їхня конструкція здається більш складною, поведінка такою не стає. Ансамбль має сукупний показник складності нижчий, ніж окремі моделі.

Компанії хотіли б впливати на своїх клієнтів, держави – на громадян, а окремі особистості – на своїх друзів і близьких. Автор стверджує, що предиктивна аналітика може допомогти і в цьому, хоч ця задача є доволі складною.

Проблема в тому, що ми не можемо зрозуміти, як працює мозок людини. Якщо ви надіслали потенційному клієнтові рекламну листівку і він здійснив купівлю – це сталося тому, що ви на нього впливали? Чи він придбав би ваш продукт незалежно від ваших зусиль? Компанія не може відповісти на ці запитання, як не в змозі сама людина точно описати процес прийняття ним рішення. Якщо ви радилися з друзями, читали матеріали, випадково бачили рекламу, а потім щось придбали – ви не завжди розумієте, що саме на вас вплинуло.

Таким чином, спостерігати вплив неможливо, і ніколи не можна стверджувати зі 100%-ю вірогідністю, що він був. Проте це не означає, що спрогнозувати вплив не можна. Насправді можна, якщо скористатись порівнянням. Наприклад, компанія Google пропонувала користувачам 41 відтінок синього кольору й спостерігала, який з них назбирає найбільше кліків. А компанія Facebook експериментувала з правилами відображення постів друзів й дивилася, як це впливає на вашу поведінку, на активність вашої комунікації. Метод тестування активно застосовується як у маркетингу, так і в медицині, хоч і не дозволяє досягти персоналізованого підходу.

Щоб компанія могла визначити, чи підкоряється потенційний клієнт впливу, їй потрібно знати відповіді на два запитання: чи купуватиме він, якщо надіслати йому рекламу? і чи придбає він продукт, якщо не надсилати реклами? Проте не можна одночасно і надсилати і не надсилати рекламний буклет. Вихід – використовувати метод, аналогічній плацебо в медицині. Тобто, одній групі клієнтів надіслати буклет (вплинути), а контрольній групі – не надсилати. І порівняти отримані результати. «Якщо в групі клієнтів, які зазнавали цього впливу, процент купівель вищий, ніж у контрольній групі, значить, маркетингова кампанія виявилася успішною», – пише автор.

Зазначений метод моделювання впливу полягає в тому, щоб не просто знайти групу клієнтів, які придбають, якщо надіслати їм рекламу, але тих, хто не придбав би, якби реклами не отримав. Іншими словами, знайти саме тих людей, хто підкоряється впливу. У цьому помічною є спеціальна предиктивна модель. Вона навчається і на експериментальній, і на контрольній групі клієнтів і порівнює їхню поведінку. У підсумку компанії, які застосовують такий метод, можуть зрозуміти, на яких клієнтів варто орієнтувати маркетингові кампанії.

Автор називає це «ефектом впливу»: попри свою нематеріальну природу, схильність людини підпадати під вплив може бути прогнозованим за допомогою методики моделювання впливу, яка передбачає побудову предиктивної моделі на основі двох різних навчальних наборів даних.

Наприкінці автор пропонує десять прогнозів на початок 2020 року. Усі вони ґрунтуються на наукових розробках, над якими вже зараз б’ються компанії.

1. Система проти викрадення автомобіля. У майбутньому, коли людина сідатиме в машину, аналітична система визначатиме його особу, використовуючи біометричні параметри. А якщо машиною спробує заволодіти крадій, двигун блокуватиметься.
2. Розваги. Інтернет-радіо програватиме саме ту музику, яка може сподобатися людині.
3. Маршрут. Установлений в машині дорожній навігатор враховуватиме корки й пропонуватиме водію кращий маршрут.
4. Їжа. Орієнтуючись на смаки людини, спеціальна система рекомендуватиме йому ресторан із автороздачею, який розташований по дорозі на роботу.
5. Комунікації. Електронний секретар автоматично блокуватиме ті пости й коментарі в соцмережах, які будуть вам нецікаві. Якщо людина схоче знайти нову роботу, то сайти пропонуватимуть йому лише релевантні вакансії. І, зрозуміло, спеціальні системи фільтруватимуть спам не тільки у вашій електронній скринці, але й у голосових повідомленнях.
6. Маркетинг. Якщо ви замислитеся про зміну оператора мобільного зв’язку, він дізнається про це й запропонує більшу знижку на послугу чи товар (скажімо, iPhone13).
7. Інтернет-пошук. У майбутньому Siri зможе ефективніше пропонувати вам магазини та ресторани. Зокрема, користувачі матимуть доступ до неї через аудіосистему автомобіля, а сама комунікація стане більш «людяною».
8. Неуважність водія. Якщо, перебуваючи за кермом, ви відволічетесь, то вбудовані в сидіння датчики помітять зниження вашої уваги та крісло завібрує.
9. Попередження аварій. На додачу до вібрації гучний звуковий сигнал попередить водія про небезпеки на дорозі: чи то про машину, яка готова пролетіти перехрестя на червоний сигнал, чи то про дитину, яка біжить у бік проїжджої частини.
10. Надійність. Автомобіль сам проінспектує свій стан і попередить вас про необхідність завітати на сервіс, оскільки у найближчі кілька місяців можуть виникнути якісь проблеми.

У майбутньому предиктивна аналітика, на думку автора, буде розповсюджена скрізь. І виграють від цього всі: на дорогах стане безпечніше (порушників ПДР будуть автоматично позбавляти прав після чергового правопорушення), банки стануть точніше оцінювати кредитні ризики, а здоров’я людини зміцниться, адже процедури будуть добирати персоналізовано. Коли саме все це відбудеться, Сіґель передбачити не береться, але в одному він впевнений: предиктивні технології будуть розвиватися дедалі інтенсивніше.