
Παραδείγματα και προκλήσεις του business analytics [Όλα όσα πρέπει να ξέρεις – Μέρος 2]
Στο business analytics (ΒΑ), η επιτυχία εξαρτάται συχνά από το αν όλα τα τμήματα της επιχείρησης υποστηρίζουν πλήρως την υιοθέτηση και την εκτέλεση των διαδικασιών που σχετίζονται με την αναλυτική. Το παρόν άρθρο είναι το δεύτερο από τα τρία άρθρα που έχουν ως σκοπό να σας δείξουν με απλό και συνοπτικό τρόπο τι είναι η επιχειρηματική αναλυτική (Business Analytics ή BA) και ποια η χρησιμότητά της. Σε αυτό το άρθρο θα δούμε παραδείγματα και προκλήσεις του business analytics από την παγκόσμια εμπειρία. Αν θέλετε να μάθετε ποιοι είναι οι 4 τύποι του business analytics, δείτε το πρώτο μέρος ΕΔΩ.
Παραδείγματα και προκλήσεις του business analytics
Σε αυτό το άρθρο, παρουσιάζουμε παραδείγματα και προκλήσεις του business analytics που βοήθησαν μεγάλες επιχειρήσεις να αναπτύξουν νέες στρατηγικές.
Shell: Η προγνωστική ανάλυση στη συντήρηση μηχανών
Η Royal Dutch Shell PLC υλοποίησε πρόσφατα συστήματα τεχνητής νοημοσύνης για να μειώσει τον χρόνο που χάνεται για την αστοχία των μηχανημάτων. Το σύστημα τεχνητής νοημοσύνης μπορεί να προβλέπει πότε απαιτείται συντήρηση σε συμπιεστές, βαλβίδες και άλλο εξοπλισμό, με αποτέλεσμα η συντήρηση να γίνεται έγκαιρα και να προλαμβάνονται οι μεγάλοι χρόνοι εκτός λειτουργίας.
Το ίδιο σύστημα θα είναι σε θέση να εντοπίσει και να ειδοποιήσει τους υπαλλήλους για επικίνδυνες συμπεριφορές των πελατών και κινδύνους από την πλατφόρμα γεώτρησης στην αντλία αερίου.
Τα συστήματα τεχνητής νοημοσύνης μπορούν να προβλέψουν πότε και πού ενδέχεται να αστοχήσουν περισσότερα από 3.000 διαφορετικά εξαρτήματα μηχανών γεώτρησης πετρελαίου, ενημερώνουν τη Shell για την τοποθεσία των εξαρτημάτων στις εγκαταστάσεις τους σε όλο τον κόσμο και σχεδιάζουν πότε πρέπει να κάνουν αγορές εξαρτημάτων μηχανών.
Τα ίδια συστήματα καθορίζουν και το πού πρέπει να τοποθετούνται τα αποθέματα εξαρτημάτων και το χρονικό διάστημα αποθήκευσης που απαιτείται πριν από την αλλαγή ή την αντικατάσταση / επιστροφή τους. Με αυτό τον τρόπο η Shell έχει μειώσει το χρόνο υπολογισμού από 48 ώρες σε λιγότερο από 45 λεπτά, εξοικονομώντας εκατομμύρια δολάρια κάθε χρόνο χάρη στο μειωμένο κόστος μετακίνησης και ανακατανομής του αποθέματος.
Pitt Ohio: Βελτιστοποίηση στην παράδοση προϊόντων
Η Pitt Ohio, εταιρεία εμπορευμάτων αξίας 700 εκατομμυρίων δολαρίων, επηρεάστηκε σημαντικά από την πρωτοβουλία παράδοσης ιδίων μέσων της Amazon, η οποία αύξησε τις προσδοκίες των πελατών. Συγκεκριμένα, οι πελάτες έγιναν πιο απαιτητικοί, ζητώντας άμεση παρακολούθηση και συντομότερους χρόνους παράδοσης. Η εταιρεία στράφηκε στην ανάλυση δεδομένων για να βρει έναν τρόπο βελτίωσης της εμπειρίας του πελάτη.
Ένα διεπιστημονικό έργο που περιλάμβανε την έρευνα αγοράς, τις πωλήσεις και την πληροφορική ξεκίνησε εσωτερικά, αξιοποιώντας δεδομένα που προηγουμένως δεν είχαν χρησιμοποιηθεί.
Τα ιστορικά δεδομένα, η προγνωστική ανάλυση και οι αλγόριθμοι που υπολογίζουν το φορτίο, την απόσταση οδήγησης και πολλούς άλλους παράγοντες σε πραγματικό χρόνο, επέτρεψαν στον Pitt Ohio να υπολογίσει τους χρόνους παράδοσης με ποσοστό ακρίβειας 99%. Η εταιρεία εκτιμά ότι με αυτόν τον τρόπο αύξησε τα έσοδά της κατά 50.000 δολάρια ετησίως!
Προγνωστική τραπεζική: Axis Bank
Η Axis Bank, η τρίτη μεγαλύτερη ιδιωτική τράπεζα στην Ινδία, εφάρμοσε σύστημα αυτοματοποίησης διαδικασιών ρομποτικής και βαθιάς εκμάθησης για τη βελτιστοποίηση της εξυπηρέτησης των πελατών της (customer analytics).
Συγκεκριμένα η Axis Bank, ανέπτυξε σύστημα αναλυτικής για τον εντοπισμό της συμπεριφοράς των πελατών της και τον προσδιορισμό των βέλτιστων ενεργειών για τη διατήρηση των πελατών της, συμπεριλαμβανομένης της απλούστευσης της επεξεργασίας των εγγράφων και τις ειδικές προσφορές.
Για την καλύτερη εμπειρία των πελατών εντοπίστηκαν, αναλύθηκαν και ανανεώθηκαν 125 διαφορετικές διαδρομές πελατών (customer journey), ενώ ο χρόνος back office για την εξακρίβωση των δεδομένων που παρέχονταν από τον πελάτη μειώθηκε από 15 λεπτά σε 2-3 λεπτά.
Η Axis αναπτύσσει τώρα ένα chatbot για να επιταχύνει τις αλληλεπιδράσεις των πελατών με την τράπεζα και να μειώσει τους χρόνους αναμονής κατά τη διάρκεια των περιόδων αιχμής.
Προκλήσεις του business analytics
Αναφερόμενοι στα παραδείγματα και προκλήσεις του business analytics, θα πρέπει να τονιστεί ότι η επιτυχία εξαρτάται συχνά από τη συνεργασία μεταξύ των τμημάτων της επιχείρησης. Τα επιτυχημένα παραδείγματα BA που αναφέρθηκαν, χαρακτηρίζονται ως «επιτυχημένα» γιατί οι επιχειρήσεις που τα υλοποίησαν κατάφεραν να ξεπεράσουν τις προκλήσεις που αντιμετωπίζει σήμερα κάθε επιχείρηση που επιχειρεί να αναπτύξει συστήματα αναλυτικής για να βελτιώσει τις διαδικασίες της. Τα σημαντικότερα από αυτά παρατίθενται στη συνέχεια.
Δυσπιστία από την ανώτερη διοίκηση
Είναι γεγονός ότι η γνώση σχετικά με την αναλυτική και τις δυνατότητές της είναι ακόμα περιορισμένη σε μερικούς ειδικούς αναλυτές. Ακόμα και οι αναλυτές όμως, για να μπορέσουν να εξάγουν σημαντική γνώση από τα δεδομένα και να ερμηνεύσουν τα αποτελέσματα με τρόπο που να έχει αξία για την επιχείρηση, θα πρέπει να γνωρίζουν πολύ καλά τον επιχειρηματικό τομέα.
Αυτό το χάσμα μεταξύ του επιχειρηματικού κόσμου και της αναλυτικής είναι πολλές φορές η πηγή δυσπιστίας της ανώτερης διοίκησης ως προς την ευρύτερη υιοθέτηση των εργαλείων αυτών στην ανάπτυξη στρατηγικής.
Αν και οι περισσότερες επιχειρήσεις έχουν υιοθετήσει κάποια μορφή BI και είναι πιθανό να χειριστούν αποτελεσματικά την αποθήκευση δεδομένων, η επιχειρηματική αναλυτική εξακολουθεί να είναι μια περιοχή που αντιμετωπίζεται με δυσπιστία από πολλά ανώτατα στελέχη και πρέπει να δημιουργηθεί εμπιστοσύνη για την αποτελεσματική αξιοποίηση της ανάλυσης δεδομένων. Η κατάλληλη παρουσίαση και οπτικοποίηση των αποτελεσμάτων ως μέθοδος υποστήριξης των υπαρχουσών στρατηγικών και η περιγραφή σαφών και μετρήσιμων στόχων μπορεί να βοηθήσει στην άρση της δυσπιστίας.
Κακή συνεργασία μεταξύ των τμημάτων της επιχείρησης
Η αποτυχία επίτευξης ομαδικής εργασίας μεταξύ διαφόρων τμημάτων μπορεί να παρακωλύσει την αξιολόγηση και την εφαρμογή πρωτοβουλιών που βασίζονται στην επιχειρηματική αναλυτική. Η κακή συνεργασία δημιουργεί τον κίνδυνο ότι τα αναλυτικά στοιχεία δεν θα παρέχουν τις υποσχεθείσες πληροφορίες, οδηγώντας σε περαιτέρω δυσπιστία και πιθανή εγκατάλειψη μιας επωφελούς τεχνολογικής καινοτομίας. Είναι πολύ σημαντικό να δημιουργηθεί μια ομάδα με υπεύθυνους των τμημάτων τεχνολογίας, επιχειρήσεων, λειτουργιών, νομικής και HR για να υποστηρίξει την πλήρη υιοθέτηση της αναλυτικής σε κάθε τμήμα.
Έλλειψη δέσμευσης
Ενώ πολλά πακέτα λογισμικού αναλυτικής παρουσιάζονται ως μια προκατασκευασμένη λύση, εύκολη στην εφαρμογή, το κόστος μπορεί να λειτουργήσει αποθαρρυντικά και η απόδοση της επένδυσης συχνά δεν είναι άμεση. Αν και τα αναλυτικά μοντέλα αναπτύσσονται με την πάροδο του χρόνου και οι προβλέψεις βελτιώνονται, απαιτείται αφοσίωση κατά τους αρχικούς μήνες. Οι επιχειρήσεις που δεν καταφέρνουν να πετύχουν σε αυτή τη κρίσιμη περίοδο επένδυσης μπορεί να δουν τα στελέχη τους να χάνουν την εμπιστοσύνη τους σε αυτή τη λύση και να αρνηθούν να πιστέψουν στα μοντέλα, εγκαταλείποντας τελικά την συνολική αυτή έννοια. Οι υπεύθυνοι πρέπει να δημιουργήσουν ένα παραγωγικό περιβάλλον αναλυτικής και να θέσουν ρεαλιστικά χρονοδιαγράμματα για τα αποτελέσματα.
Αργή προσαρμογή των συστημάτων στις απαιτήσεις συλλογής και διατήρησης δεδομένων
Το ΒΑ θα έχει περιορισμένη αξία αν δεν είναι διαθέσιμα ποιοτικά δεδομένα. Είναι σημαντικό να σχεδιάζεται εξ αρχής η αρχιτεκτονικής των δεδομένων ανάλογα με τις απαιτήσεις της επιχείρησης. Τα δεδομένα που αφορούν στις συναλλαγές, τη συμπεριφορά των πελατών ή τις λειτουργίες της επιχείρησης θα πρέπει να αξιολογούνται ως προς την ποιότητα τους. Επίσης, θα πρέπει να αξιολογείται η ικανότητα της υπάρχουσας υποδομής για την ενοποίηση των δεδομένων από διαφορετικές πηγές και την υποστήριξη νέων πηγών δεδομένων. Ο χρόνος που απαιτείται για την απόκτηση, τον καθαρισμό και την ανάλυση νέων δεδομένων πρέπει να ενσωματωθεί στην περίοδο προσαρμογής.
Ετικέτα:business analytics