Professional Documents
Culture Documents
1
Jak żyć w epoce AI & Machine-Learning
Karol Przanowski,
AMA Institute
Szkoła Główna Handlowa - SGH
2
Agenda – około 30 minut
o Znaki czasu
o Rekomendacje:
1. Zmień myślenie – analityka w centrum
2. Zmieniaj język analityczny w biznesowy
3. Bądź proaktywny, twórz kulturę data driven
4. Zaakceptuj niską jakość danych
5. W wielu procesach znajdź zastosowanie dla modeli
predykcyjnych
6. Rozwijaj myślenie statystyczne
7. Naucz się używać oprogramowania: SAS, R i Python
8. Zawsze zaczynaj od zrozumienia procesu
9. Masz problemy? Przyjdź do nas
3
© AMA Institute, Karol Przanowski
Znaki czasu (1)
4
© AMA Institute, Karol Przanowski
Znaki czasu (2)
5
© AMA Institute, Karol Przanowski
Znaki czasu (3)
20
18
16
12
10
X Y
Nazwa produktu
6
© AMA Institute, Karol Przanowski
Rekomendacja 1
Analityka
Najczęściej zaczyna się od technologii, potem buduje się model biznesowy, a na końcu analitykę
7
© AMA Institute, Karol Przanowski
Rekomendacja 2
8
© AMA Institute, Karol Przanowski
Case Study (1) – stan początkowy
ZAŁOŻENIA:
Wysyłamy wszystkim
Zauważalne zyski
Wzrost zysków o ponad 5,5 mln vs reguły Jeszcze większy zysk oraz obniżenie
eksperckie kosztów wstępnych
40 000 000
$
35 000 000
30 000 000
Wyniki Finansowe
25 000 000
20 000 000
15 000 000
10 000 000
5 000 000
0
WSZYSCY EKSPERCKA MODEL_A MODEL_B
-5 000 000
5%
10%
15%
20%
25%
30%
35%
40%
45%
50%
55%
60%
65%
70%
75%
80%
85%
90%
95%
100%
Koszt globalny 35 000 000 3% 10% Depth
Przychód globalny 28 000 000 0%
2%
Wynik (zysk) globalny -7 000 000 0% 20% 40% 60% 80% 100%
2% False alarm rate / 1-Specificity / %Bads remain
Koszt na grupie docelowej 8 750 000
1% CAP
Przychód na grupie docelowej 25 599 340 100%
Zysk na grupie docelowej 16 849 340 1% 90%
Numer Udział w
Kategoria - opis profilu Konwersja
kategorii populacji
Zysk
Delta Gini Delta Zysku 18 000 000
16 000 000
14 000 000
12
© AMA Institute, Karol Przanowski
Rekomendacja 3
13
© AMA Institute, Karol Przanowski
Rekomendacja 4
Big Data wcale nie oznacza duże dane – po oczyszczeniu pozostaje mało
14
© AMA Institute, Karol Przanowski
BIG DATA – konsekwencje niskiej jakości danych
NOWE PARADYGMATY
o Modelowanie (prognozowanie):
• Znajdź przyczynę i skutek, obserwuj istotne zmienne,
czynniki (stare)
• Sprawdź, które ze zgromadzonych danych wpływają na
modelowe zdarzenie, zależności od zmiennych
pochodnych (nowe)
• Podczas jednego projektu zbiera się dane a podczas
drugiego się je wykorzystuje
15
© AMA Institute, Karol Przanowski
BIG DATA – konsekwencje niskiej jakości danych
GŁÓWNE IDEE
DATA
o Pozwólmy mówić danym ENTRANCE
BIG DATA
Mayer-Schonberger V i Cukier K (2013). Big Data: A revolution that will transform how we live, work and think. An Eamon
Dolan Book, Houghton Mifflin Harcourt, Boston, New York.
16
© AMA Institute, Karol Przanowski
Rekomendacja 5
Prawie każdy proces masowy z decyzją (tak, nie) daje się zautomatyzować
17
© AMA Institute, Karol Przanowski
Bariery wykorzystania modeli predykcyjnych (1)
DŁUGI CZAS
WDROŻENIA
KONIECZNOŚĆ POSIADANIA
SPECJALISTYCZNYCH ZASOBÓW
SILOSOWOŚĆ DZIAŁAŃ W
ORGANIZACJI
SKOMPLIKOWANA
TECHNOLOGIA
19
© AMA Institute, Karol Przanowski
Wykorzystanie modeli predykcyjnych
o Fundusze inwestycyjne i gwarancyjne o Częstotliwości i rodzaj kontaktu z klientem o Centra usług wspólnych
o Ubezpieczenia o Programy lojalnościowe o Punkty masowej obsługi klienta
o Kredyty / Leasing/ Faktoring o Retencja w usługach abonamentowych o Domy wysyłkowe
o Windykacja o Promocje cenowe o Logistyka
o Ochrona przed nadużyciami o Sprzedaż internetowa o Firmy windykacyjne
NAUKA
20
© AMA Institute, Karol Przanowski
Rekomendacja 6
o Myślenie biznesowe:
• Ile zarobimy, ile stracimy? Ważniejsze są plany bliższe i pieniądze w zasięgu
ręki! Szybki sukces się liczy!
o Myślenie operacyjne: PROBABILITY
• Jak utrzymać proces, status quo? Nie zwiększajmy kosztów, róbmy RULES
efektywniej!
o Myślenie zarządcze:
• Wystarczy 20% trudu, bo daje 80% efektów. Pareto działa!
o Myślenie statystyczne:
• Estymować liczby ukryte, trudne do zaobserwowania
• Pareto nie działa w przypadku analiz, każda analiza daje większe efekty i
zrozumienie procesu
• Znaleźć proporcje między udziałem zyskownych klientów a klientami
odrzuconymi i zniechęconymi
21
© AMA Institute, Karol Przanowski
Rekomendacja 7
22
© AMA Institute, Karol Przanowski
Dylemat technologii
INŻYNIER INŻYNIER
DANYCH
Co jest ważniejsze? DANYCH
• Wygodny interfejs - UFI
• Tanie oprogramowanie
• Hard code
• SLA i dobry HELPDESK
• Kompetencje zespołów inżynierów danych
23
© AMA Institute, Karol Przanowski
Rekomendacja 8
18
Bo klienci go preferowali? 16
12
24
© AMA Institute, Karol Przanowski
Rekomendacja 9