Háttér
Az Andego Tanácsadó Kft. az elmúlt években számos esetben szembesült azzal a ténnyel, hogy a Megrendelői oldalon nem, vagy csak nagyon rossz hatékonysággal hasznosítják az adatokat. Az alábbi bejegyzésünkben arra keressük a választ, hogy hol húzhatók meg az adatelemzés határai kis és nagy vállalatok esetében.
(a publikáció Kovács Gyula DataStream2014 konferencián előadott prezentációján alapul)
Kommentár
Tapasztalt tanácsadóként igen sok adathasznosítási szemlélettel és gyakorlattal találkoztam. A skála igen széles, a „nem elemzek, mert minek”-től a „mindent elemzek, mert abból nagy baj nem lehet”-ig sok mindent láttam. Na de mit is értünk „elemzés” címszó alatt? Néhány példa a teljesség igénye nélkül:
1. Adatleválogatás – bármennyire hihetetlen, de a cégek az (ad-hoc) ügyféllisták leválogatását az elemzések közé sorolják. Nagyon gyakran hangzik el „elemzési igényként” a következőhöz hasonló: „Gyorsan válogasd le azon ügyfeleket, akik 30-50 évesek, van autójuk és Budapesten laknak”.
2. Riportok - 10-ből 10 menedzser a riportokra gondol, amikor az elemzés szót hallja. Ezek riportok regionális, termék szinten mutatnak értékesítési és egyéb adatokat. A riportok készítésére szakosodott tanácsadók és szoftverek maximálisan kiszolgálják ezeket az igényeket, és a legtöbb cég használja is ezeket az információkat napi szinten.
3. adatbányászat, analitikus CRM – a bátrabb cégek készítenek adatbányászati elemzéseket is. Alapvetően két okból szoktak adatbányászati elemzést indítani:
(i) sznobizmus – amikor az adatbányászatra, mint luxus termék/szolgáltatásra tekintenek, és így a projekt elsődleges célja nem konkrét eredmény felmutatása, inkább egyfajta a „prezentálás” a külvilág felé
(ii) messianizmus – vannak esetek, amikor nagyon nagy a baj (kampányok nem hatékonyak, magas az elvándorlás, stb.), az összes hagyományos megoldás kudarcot vallott, és ilyenkor megváltóként tekintenek az adatbányászatra.
Azaz egy kicsit olyan a helyzetünk, mint a csodadoktoroké: a betegek akkor fordulnak a csodadoktorok felé, amikor a hagyományos gyógyászat csődöt mondott, vagy amikor a „beteg” dicsekedni akar a ismerőseinek.
Nyilván a fenti szituáció nem egyszerű, de hogy megértsük a probléma jellegét, vessünk egy pillantást az alábbi ábrára:
A vonal egy adott cég jelenlegi elemzési szintjét jelöli. Ez a kiinduló pont minden projekt esetében. Ez lehet nulla (azaz semmilyen elemzés nincsen), de esetenként lehet igen magas is! Ezzel szemben van három adatelemzési korlát (szint), amit mindenképp érdemes tisztázni egy elemzési projekt előtt:
A. „Amit a cég hasznosítani tud” – egy adatelemző számára legfájdalmasabb korlát. Tapasztalatom szerint, nagyon sokszor ez a szint igen alacsony az adott cég esetében. Egyszerűen olyan a cég kultúrája, hogy az elemzések során előálló információkat nem tudja integrálni az üzleti folyamataiba. Az információk hasznosításhoz szükséges lenne további IT és/vagy szervezeti fejlesztés, ami sok esetben messze túlmutat az adott cég lehetőségein.
B. „Gyorsan megvalósítható szint (quick win)” – látni kell azt is, hogy sok cég elemzési kultúrája, annyira alacsony, hogy egy gyors (néhány napos) elemzés önmagában jelentős előrelépést jelentene. Pl. Ha egy cég nem foglalkozott az ügyfél elvándorlással, akkor ennek definiálása és a tény adatok bemutatása önmagában óriási érték. Ilyenkor egy döntési fa vagy egy neurális háló bemutatása semmilyen hozzáadott értéket nem jelent (legalábbis első körben!).
C. „Elméleti maximum” – ez az a szint, amit minden adatbányász szeretne elérni, azaz adott adatok alapján a „legjobb” adatbányászati modellt előállítani. Itt azt kell látni, hogy az elméleti maximum elérése nagyon nagy munka, és a tapasztalatok szerint alig lesz jobb ez a modell, mint amit gyorsan előáll a meglévő adatok alapján.
Az adatbányászati/CRM tanácsadók felelőssége tehát adott. Ahhoz hogy ne „csodadoktorok” legyenek, tisztában kell lenniük egy cég esetében a fenti adottságokkal, majd ehhez kell kitűzniük a megfelelő célokat. Néhány tipikus eset:
1. Már a jelenlegi elemzési szint is magasabb, mint amit a szervezet hasznosítani tud. Nagy bankok esetében láttam egészen elképesztő mennyiségű adatbányászati elemzést. Volt olyan bank, ahol sztahanovistaként dolgoztak az adatbányászok, és üveges szemmel mesélték, hogy év végére elérik a 200.-ik termék affinitás modellt. Közben a kampány menedzser folyamatosan romló kampány hatékonysági mutatókról számolt be. Ilyen esetben az elemző feladata természetesen nem az, hogy segítsen a 201.-ik modell előállításában, hanem az hogy segítsen kiválasztani azokat a modelleket, amiket érdemes még integrálni az üzleti folyamatokba.
2. Egy gyorsan megvalósítható elemzés eredményeit sem tudná hasznosítani az adott cég. Ilyenkor persze hangsúlyozni kell, hogy amit JELENLEG hasznosítani tud. Ebben az esetben az adatbányásznak önmegtartóztatónak kell lennie, és a minél mélyebb elemzések helyett arra kell koncentrálnia, hogy a viszonylag kevés energiával előálló elemzéseket hogyan lehet integrálni üzleti folyamatokba. Azaz a tanácsadás elsődleges célja az integrációs kérdések megválaszolása, és az ehhez szükséges oktatás megtartása.
3. A jelenlegi modellnél sokkal jobb kell, cél az elméleti maximum elérése. Ebben az esetben az elemző feladata annak felmérése, hogy az adott adatok egyáltalán alkalmasak-e arra, hogy a cég által elvárt szint elérhető-e a projekt végén. Nagyon gyakori hiba, hogy az adatbányász „bármit” bevállal, csakhogy dolgozhasson, majd a projekt végén széttárja a kezét, hogy az adatokban csak "ennyi" volt. Ilyenkor a gyors elemzések lehetnek az iránymutatóak az elméleti plafonnal kapcsolatban. Ökölszabályként elfogadható, hogy az esetek többségében a gyors modell és a sok elemzés végén előálló "legjobb modell" teljesítménye között maximum 10%-os eltérés tapasztalható. Ha a gyors elemzések még messze vannak a cég által elvárt szinttől, akkor szerencsésebb már a projekt elején jelezni a mi várható a projekt végén.
4. A következő két ábra pedig a sznobizmus és a messianizmus szintjeit mutatja be:
ÖSSZEFOGLALÁS
Az utóbbi években sokszor találkoztam csalódott menedzserekkel, akik elmondták nekem, mekkora reménnyel vágtak bele adatbányászati elemzésekbe, és hogy aztán a végére mennyire elegük lett az egészből. Ezek a csalódások elkerülhetők, ha az adatbányász feltérképezi a fenti szinteket. és a megfelelő megoldást javasolja. Talán így nem keresünk annyit, mint egy „csodadoktor”, de cserébe jó eséllyel a beteg meggyógyul.