H Ιωάννα Κουτρουβή, Διευθύνουσα Σύμβουλος της PREDICTA, μιλάει στο netweek για το πόσο σημαντικά είναι τα Predictive Analytics για μια εταιρεία σήμερα, αλλά και πώς επιτυγχάνεται η απόσβεση της επένδυσης σε αυτήν την τεχνολογία.

netweek: Τι είναι τα Predictive Analytics και γιατί είναι τόσο σημαντικά σήμερα για τη σωστή λήψη επιχειρηματικών αποφάσεων;
Ιωάννα Κουτρουβή: Tα Predictive Analytics (PA) εμπίπτουν στις τεχνολογίες επιχειρηματικής ευφυΐας που αναδεικνύουν σχέσεις και δομές κρυμμένες σε μεγάλους όγκους δεδομένων και μπορούν να χρησιμοποιηθούν για να προβλέψουμε συμπεριφορές και γεγονότα. Είναι αποδεδειγμένο ότι τα PA αποφέρουν σημαντικό ROI, βοηθώντας τις επιχειρήσεις να βελτιστοποιήσουν τις διαδικασίες τους, να καταλάβουν καλύτερα τη συμπεριφορά του πελάτη τους, να προσδιορίσουν μη προφανείς ευκαιρίες και να προλάβουν δυσκολίες πριν συμβούν.

netweek: Σε τι διαφέρουν τα PA σε σχέση με τα κλασικά εργαλεία Business Intelligence (BI);
Ιωάννα Κουτρουβή: Tα PA δουλεύουν με αντίστροφο τρόπο από αυτόν που δουλεύουν τα κλασικά συστήματα BI (OLAP). Τα PA αφήνουν τα δεδομένα να αναδείξουν τον δρόμο. Χρησιμοποιώντας στατιστικές τεχνικές, γλώσσες μηχανής, μαθηματικά και τεχνητή νοημοσύνη, εξερευνούν το σύνολο των δεδομένων και όχι ένα μικρό υποσύνολο αυτών, για να ξετρυπώσουν σημαντικές σχέσεις και δομές. Είναι σαν ένα πανέξυπνο ρομπότ που ψάχνει μέσα σε όλα τα διαθέσιμα δεδομένα, μέχρι να βρει κάτι πραγματικά ενδιαφέρον για να μας το αναδείξει.

netweek: Θα μπορούσατε να μας πείτε ένα-δύο παραδείγματα εφαρμογής των PA;
Ιωάννα Κουτρουβή: Τραπεζικός οργανισμός χρησιμοποιεί τα PA και αυξάνει την ανταπόκριση σε μια προωθητική καμπάνια κατά 600%, μειώνει το κόστος προσέλκυσης νέων πελατών στο ήμισυ και προωθεί το ROI των προωθητικών ενεργειών κατά 100%. Μια αεροπορική εταιρία, αύξησε τους τζίρους της, αλλά και την ικανοποίηση του πελάτη της, προβλέποντας τους επιβάτες που τελικά δεν θα ταξιδέψουν.

Με αυτό τον τρόπο μείωσε τον αριθμό του «overbooking», καθώς και τον αριθμό των κενών θέσεων. Ενα παράδειγμα ακόμα είναι ένας μεγάλος Πανεπιστημιακός οργανισμός, ο οποίος προβλέπει ποιοι από τους υποψήφιους φοιτητές που έχουν γίνει δεκτοί, θα εγγραφούν τελικά στο Πανεπιστήμιο, χρησιμοποιώντας τα χαρακτηριστικά της αίτησης και τα ιστορικά δεδομένα προηγούμενων εγγραφών.

netweek: Ποιοι παράγοντες καθορίζουν την επιτυχία των Predictive Analytics;
Ιωάννα Κουτρουβή: Οι καθοριστικοί παράγοντες επιτυχίας είναι οι δύο φάσεις που προηγούνται και έπονται της αμιγούς εφαρμογής των PA, οι οποίες αποτελούν προϋπόθεση, αφενός για την αποτελεσματική εφαρμογή των PA και αφετέρου για τη χρήση των αποτελεσμάτων τους στις διαδικασίες λήψης αποφάσεων που είναι και ο μόνος τρόπος για να αποφέρουν το ROI. Η εμπειρία μάς έχει δείξει ότι ακόμη και οι ώριμοι οργανισμοί που υιοθετούν τα PA συχνά υστερούν σε αυτές τις φάσεις, με αποτέλεσμα να μην μπορούν να κερδίσουν το μέγιστο όφελος από τα PA.

netweek: Μπορείτε να μας περιγράψετε λίγο περισσότερο αυτές τις δύο φάσεις και να μας εξηγήσετε γιατί είναι τόσο σημαντικές;
Ιωάννα Κουτρουβή: Τα διαθέσιμα δεδομένα σε έναν οργανισμό βρίσκονται σε πολλά και διαφορετικά συστήματα. Μια ανεξάρτητη έρευνα του έγκριτου ερευνητικού φορέα ΤDWI (The data warehouse Institute) ανέδειξε ότι, κατά μέσο όρο, οι οργανισμοί που χρησιμοποιούν PA τραβάνε δεδομένα από οκτώ διαφορετικές πηγές. Εάν η διαδικασία αυτή της αναζήτησης των δεδομένων από τις διαφορετικές πηγές στις οποίες βρίσκονται δεν τυποποιηθεί, συνεπάγονται μεγάλες καθυστερήσεις που συχνά ακυρώνουν την αξία των παραγόμενων προβλέψεων από την εφαρμογή των PA.

Για παράδειγμα, στην περίπτωση που το ζητούμενο είναι η μηνιαία πρόβλεψη της λίστας πελατών που πρόκειται να αθετήσουν τις δανειακές τους υποχρεώσεις, εάν το Analytics Data Mart δεν τροφοδοτηθεί εγκαίρως με τους πίνακες του τελευταίου μηνός και δεν παραχθούν ακολούθως τα απαραίτητα KPI’s, δεν είναι δυνατή η επικαιροποιημένη ζητούμενη πρόβλεψη. Εχουμε δει ιδιαίτερα συχνά στην πράξη σημαντικά προβλήματα στο στάδιο αυτό. Αδυναμία ή μεγάλες καθυστερήσεις από τις Διευθύνσεις Πληροφορικής των οργανισμών που κατέχουν τις πηγές των δεδομένων, ως προς την παραγωγή των απαραίτητων στοιχείων. Είτε επειδή ο τρόπος αποθήκευσης των στοιχείων δυσχεραίνει την εξαγωγή τους, είτε λόγω άλλων προτεραιοτήτων.

netweek: Αντιλαμβάνομαι ότι περιγράψατε τη φάση που προηγείται αυτής των Predictive Analytics. Περιγράψτε όμως και τη φάση που ακολουθεί τη μοντελοποίηση και τους λόγους που αυτή είναι τόσο σημαντική.
Ιωάννα Κουτρουβή: Τα μοντέλα πρόβλεψης, όσο ακριβή και αν είναι, μπορούν να αποτύχουν αν οι επιχειρηματικοί χρήστες αγνοούν τα αποτελέσματά τους ή αν η πρόβλεψή που παράγουν δεν οδηγήσει σε θετικό αποτέλεσμα για την επιχείρηση. Η κλασική ιστορία του super market που ανακάλυψε ότι οι μπίρες και οι πάνες συχνά αγοράζονται μαζί αναδεικνύει το πρόβλημα. Οι επιχειρηματικοί χρήστες πρέπει να ξέρουν, πώς θα αξιοποιήσουν αυτό το αποτέλεσμα και η απόφασή τους μπορεί να είναι θετική ή αρνητική για την επιχείρηση.

Για παράδειγμα, μπορεί να αποφασιστεί να τοποθετηθούν μαζί μπίρες και πάνες στην είσοδο του super market για να οδηγηθούν περισσότεροι πελάτες να αγοράσουν και τα δύο είδη. Η να τοποθετήσουν και τα δύο είδη στο βάθος του καταστήματος για να οδηγήσουν τους ενδιαφερόμενους πελάτες να διασχίσουν το κατάστημα και άρα να αγοράσουν, έτσι, περισσότερα προϊόντα. Η απόφαση αυτή – και όχι το ίδιο το αποτέλεσμα του μοντέλου – προσδιορίζουν το όφελος της επιχείρησης. Η σωστή αποτίμηση του οφέλους αυτού είναι επίσης ιδιαίτερα σημαντική. Η φάση αυτή έπεται της ανάπτυξης και επικύρωσης ενός μοντέλου πρόβλεψης και της παραγωγής του ζητούμενου score και ονομάζεται deployment. Είναι, ίσως, η σημαντικότερη φάση του κύκλου εφαρμογής των Predictive Analytics γιατί, προφανώς, χωρίς αυτήν δεν προκύπτει το όφελος της επιχείρησης.

netweek: Ωστόσο, με ποιους τρόπους μπορούν να αξιοποιηθούν τα αποτελέσματα των μοντέλων πρόβλεψης;
Ιωάννα Κουτρουβή: Υπάρχουν πολλοί τρόποι που μπορούν να αξιοποιηθούν τα αποτελέσματα των μοντέλων πρόβλεψης:
• Να διαμοιραστούν τα συμπεράσματα στους επιχειρηματικούς χρήστες μέσω μιας έκθεσης ή παρουσίασης με στόχο τη βελτίωση των διαδικασιών.
• Να αποθηκευθεί το score της πρόβλεψης, στη βάση δεδομένων που έχουν πρόσβαση οι business users, έτσι ώστε να μπορεί να χρησιμοποιηθεί.
• Να ενταχθεί το αποτέλεσμα της πρόβλεψης σε ένα ΒΙ report με τέτοιο τρόπο, ώστε να είναι ευκολόχρηστο στον πολύ κόσμο. Για παράδειγμα, μια εταιρεία που προμηθεύει προϊόντα γραφείου ανέπτυξε ένα μοντέλο churn για τους πελάτες της. Προκειμένου να διευκολύνει τους πωλητές της να χρησιμοποιήσουν τα αποτελέσματα του μοντέλου, εμφάνιζε σε ένα ΒΙ report τον παράγοντα εκείνο που αυξάνει την πιθανότητα να απευθυνθεί στον ανταγωνισμό.

Οπως τον χρόνο που έχει μεσολαβήσει ανάμεσα σε δύο αγορές. Αν ο πελάτης αγόραζε toner μια φορά τον μήνα και τώρα έχουν περάσει δύο μήνες χωρίς να αγοράσει, αυτή είναι μια καλή πληροφορία για των πωλητή για να έχει κάτι να κουβεντιάσει μαζί του, όταν τον προσεγγίσει. Και παράλληλα πιο κατανοητή από την πιθανότητα να φύγει. Η πρόκληση είναι να διατεθούν τα αποτελέσματα της πρόβλεψης σε τέτοια μορφή που οι χρήστες να τα κατανοούν και να τα χρησιμοποιούν.

netweek: Τι υπηρεσίες PA προσφέρει η PREDICTA και ποια είναι εκείνα τα χαρακτηριστικά που τις κάνουν να ξεχωρίζουν;
Ιωάννα Κουτρουβή: H PREDICTA την τελευταία δεκαπενταετία έχει εκπαιδεύσει την αγορά στην αναγκαιότητα και στη χρήση των Predictive Analytics κι έχει προωθήσει τις τεχνολογίες PA σε όλους τους ώριμους κλάδους που μπορούν να τα αξιοποιήσουν. Οπως είναι οι τηλεπικοινωνίες, οι τράπεζες, οι ασφαλιστικές εταιρείες, ο χώρος του λιανικού εμπορίου κ.λπ.Δεδομένης της ανάγκης που έχει διαφανεί στην ευρύτερη αγορά μας για καλύτερο σχεδιασμό και βελτιστοποίηση της φάσης της αναζήτησης των δεδομένων και αυτής της αξιοποίησης των αποτελεσμάτων, αλλά επειδή η κεντρική τεχνολογία της IBM SPSS για PA συμπληρώνεται με πολύ σημαντικά εργαλεία για την φάση του Deployment, η PREDICTA προσφέρει σήμερα υπηρεσίες σε όλο το εύρος του κύκλου.

Τέλος, αυτό το οποίο πραγματικά έχει κάνει την PREDICTA να ξεχωρίσει στον τομέα αυτών των εφαρμογών είναι η ιδιαίτερα εξειδικευμένη ομάδα συμβούλων που έχει, η οποία είναι πάντοτε διαθέσιμη να υποστηρίξει τους πελάτες της εταιρείας τοπικά, ώστε να αναπτύξει γι’ αυτούς τις ζητούμενες εφαρμογές και στη συνέχεια να τους υποστηρίξει στη χρήση και στην εξέλιξή τους.