Par digitālā laikmeta maģiju varam uzskatīt jaunās tehnoloģijas, kas nodrošina lielu datu apjomu apstrādi (Big Data) milisekunžu laikā un, pamatojoties uz to, ļauj prognozēt tirgus tendences, cilvēku rīcības modeļus un viņu nākotnes izvēles. Biznesā un politikā arvien drošāk sevi piesaka prognozējošā analītika (Predictive analytics) – datu apstrādes procesu un tehnoloģiju kopums, kas ļoti ticami ļauj paredzēt tirgus tendences, iedzīvotāju reakciju un patērētāju uzvedību. Jau šobrīd ir izskanējušas pamatotas bažas par jauno analītikas tehnoloģiju ietekmi uz vēlēšanu rezultātiem nākotnē, tostarp arī cilvēku uzvedības ietekmēšanu, izmantojot sociālos tīklus.
Ja senāk lielākais izaicinājums bija nepieciešamo datu un kvalitatīvas informācijas iegūšana un apkopošana, tad mūsdienās visbiežāk tā vairs nav problēma. Brīvi pieejamo datu apjoms par klientiem, konkurentiem, biznesa procesiem, mājaslapu apmeklējumu, internetā meklēto informāciju, pircēju iepirkšanās paradumiem, iecienītākajām precēm un biežāk izmantotajiem pakalpojumiem ir milzīgs. Par lielāko izaicinājumu šobrīd ir kļuvusi datu apstrāde, šķirošana, kā arī kvalitatīvu, saprotamu un vizuāli pievilcīgu analītisko pārskatu sagatavošana. Ne velti tieši šim virzienam digitālo tehnoloģiju jaunuzņēmumu jomā tiek prognozēta viena no lielākajām izaugsmes perspektīvām. Tēlaini izsakoties – šobrīd novērojams analītiskās informācijas bads pie pārbagātīgi klāta datu un informācijas plūsmas dzīru galda. Prognozējošās analītikas uzdevums ir remdēt šo izsalkumu, piedāvājot atbilstošus rīkus un tehnoloģijas.
Pieņemt lēmumus, zinot, kas patiesībā notiks, ir daudz vienkāršāk – tās ir priekšrocības, kas var būt izšķirošas, lai uzvarētu konkurentus, kļūtu par tirgus līderi vai gūtu daudz lielāku peļņu. Tomēr, kā liecina starptautisks KPMG pētījums par datu un analītikas izmantošanu uzņēmumos visā pasaulē, prognozējošā datu analītika joprojām vairumā uzņēmumu ir vēl neatklāta teritorija. Uzņēmumi paši visai vāji spēj tikt galā ar tiem pieejamo datu apjomu, bet uzticības līmenis datu analīzes sniegtajai informācijai joprojām ir salīdzinoši zems. Lēmumi bieži vien tiek pieņemti vairāk intuitīvi, pamatojoties uz iepriekšējo pieredzi, nevis kvalitatīvu datu un informācijas analīzi.
Prognozējošajai analītikai ir sava veiksmes priekšvēsture. Jāņem gan vērā, ka tradicionāli uzņēmumi datu analītiku vairāk izmanto, lai optimizētu preču piegādes, noliktavu darbu un loģistikas procesus. Pateicoties digitalizācijai, prognozējošā analītika šobrīd ir ielauzusies iepriekš tai svešā lauciņā – patērētāju uzvedības analīzē, pamatojoties uz klientu iepriekšējo uzvedību, viņu gaidām un vēlmēm. Kompānijas iepriekš bija daudz vairāk atkarīgas no starpniekiem – mazumtirgotājiem, kuri saražoto preci nogādāja līdz galalietotājam. Savukārt šobrīd ražotāji jau daudz vairāk paši var tieši komunicēt ar saviem klientiem un līdz ar to arī paši iegūt visus nepieciešamos datus par saviem pircējiem. Mobilie telefoni, sociālie tīkli, iepirkšanās ieradumu dati, interneta lietošanas digitālie "pēdu nospiedumi" (Digital footprints) – tas viss uzņēmumam var ļaut labāk sagatavoties nākamajam pirkumam, ja pareizi būs izprasti tā rīcībā esošie dati un klientu raidītie signāli. Kvalitatīvas datu analītikas rezultāts būs prognozējama klienta uzvedība, piemēram, iegādājoties noteikta zīmola zobu pastu.
Radot personalizētu piedāvājumu īstajam klientam pareizajā brīdī un ar pareizu pieeju, kompānijas var nozīmīgi kāpināt savu apgrozījumu un peļņu. Jāņem vērā, ka šobrīd cilvēkus vairs neierobežo tuvākā veikala piedāvājums un tajā esošo plauktu lielums, viņiem ir piekļuve praktiski visu uzņēmumu precēm, kas ir pieejamas tirgū. Ir ļoti vienkārši ar interneta meklētāju palīdzību salīdzināt dažādu uzņēmumu piedāvājumu, kā arī preci pasūtīt jebkurā interneta veikalā.
Prognozējošā analītika nodrošina to, ka konkrētajam pircējam no tūkstošiem līdzīgu produktu piedāvājums tiks sašaurināts līdz tām dažām precēm, kas viņu šajā situācijā patiešām varētu interesēt, ar mērķi, lai klienta reakcija būtu pozitīva, tiktu veikts pirkums, kā arī sekotu pozitīva reakcija un, iespējams, pat ieteikums sociālo tīklu sekotājiem iegādāties tieši šo preci. Piemēram, trauku mazgājamajai mašīnai var būt ļoti dažādas funkcijas, darbības ātrumi, ietilpība un cena. Prognozējošās analītikas uzdevums ir palīdzēt noteikt labāko piedāvājumu konkrētajam pircējam, novēršot iespējamo apjukumu, samazinot iepirkšanās procesa ilgumu un sarežģītību. Galarezultātā apmierināts ar iepirkšanās procesu ir gan pārdevējs, gan pircējs.
Mazumtirdzniecība
Lojalitātes kartes, iepirkšanās internetā vai ar mobilo ierīču starpniecību sniedz mazumtirgotājiem vērtīgu informāciju par katru pircēju – tā visbiežāk veiktajiem darījumiem, meklējumiem un citām saistītajām aktivitātēm, kas ir novedušas pie šiem darījumiem. Viņiem ir iespēja ietekmēt iepirkšanās procesu, balstoties uz darījumu vēsturi un segmentāciju. Piemēram, pie noteiktas pircēja uzvedības viņam tiks piedāvāti pakalpojumi un produkti par cenām, kas, visticamāk, novedīs pie pirkuma veikšanas.
Ražošana
Lieli rūpniecības uzņēmumi analītisko datu apkopošanai izvietos uztvērējus uz mašīnām un citām ražošanas iekārtām. Šo datu analīze ļaus kontrolēt mašīnu un iekārtu darbu, novēršot negaidītus bojājumus. Balstoties un prognozējošās analītikas datiem par kritiskā punkta tuvošanos, preventīvi tiks nomainīti vārsti, filtri vai citas ierīces (Predictive asset maintenance). Līdz ar to tiks novērsta mašīnu dīkstāve, kā arī būs iespējams labāk organizēt remontstrādnieku darbu un skaitu. Samazināsies arī nepieciešamība pēc lieliem rezerves daļu uzkrājumiem, jo ierīču nomaiņu varēs īstenot plānoti, veicot pasūtījumus tuvāk remonta brīdim.
Valsts un pašvaldību institūcijas
Prognozējošā analītika var nozīmīgi palīdzēt plānot un organizēt transporta plūsmu, ielu remonta darbus un apgaismojumu. Pašvaldības un transporta uzņēmumi arvien biežāk izmanto videokameras, lai iegūtu informāciju par pasažieriem un transporta kustību. Iegūtos datus iespējams izmantot, lai optimizētu transporta plūsmu, luksoforu darbību, ielu apgaismojumu un paredzētu, kad ceļiem būs nepieciešams remonts (Smart cities). Tāpat iespējams prognozēt un plānot remontdarbu iespējamo ietekmi uz transporta kustību, kā arī – kur būtu jānovirza transporta plūsma remontdarbu laikā.
Seko "Delfi" arī Instagram vai YouTube profilā – pievienojies, lai uzzinātu svarīgāko un interesantāko pirmais!
