AMA Institute

Advanced Model Advisors

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)

Świat się zmienia i możemy tylko zdążyć wsiąść do

kolejnego pociągu

Rynek zmienia się szybciej niż wiedza ekspercka

Dane i analityka stają się cennymi aktywami każdego przedsiębiorstwa

Digitalizacja wszystkiego i wszystkich

Big Data napotkało na pierwsze sukcesy i porażki

Nawet sprzedaż butów zwiększa się dzięki analityce

4
© AMA Institute, Karol Przanowski
Znaki czasu (2)

Nie bój się – to tylko synonimy analityki

5
© AMA Institute, Karol Przanowski
Znaki czasu (3)

A po studiach trafiamy do naszej pierwszej pracy!!!

Sprzedaż w roku 2017

20

18

16

Sprzedaż [mln PLN]

14

12

10

X Y
Nazwa produktu

Nie przerażaj się, nie musisz zderzać się ze ścianą

6
© AMA Institute, Karol Przanowski
Rekomendacja 1

Zmień myślenie – analityka w centrum

Wszystko da się skopiować z wyjątkiem wewnętrznych danych i analityki

IT, technologie i systemy Model biznesowy

Analityka

IT, technologie i systemy Model biznesowy Analityka

Najczęściej zaczyna się od technologii, potem buduje się model biznesowy, a na końcu analitykę
7
© AMA Institute, Karol Przanowski
Rekomendacja 2

Zmieniaj język analityczny w biznesowy

Musisz przekonywać językiem zrozumiałym przez biznes

Nowy model predykcyjny zwiększy sprzedaż o 20%

Nowe reguły analityczne zmniejszą koszty o 30%

Nowe narzędzie analityczne zmniejszy odchodzenie klientów o 30%

Dzięki lepszym danym i lepszym kryteriom selekcji zwiększymy zysk o 15%

8
© AMA Institute, Karol Przanowski
Case Study (1) – stan początkowy

ZAŁOŻENIA:

Wysyłamy wszystkim

o Przychody: 28 000 000

o 20 tys. Klientów
o Koszty: 35 000 000
o 348 kampanii marketingowych rocznie o Zysk: -7 000 000

o ~7 mln decyzji – wysłać czy nie? Całkowicie nieopłacalne $

o Koszt jednostkowy: 5 Reguły eksperckie
o Zarobek przy zakupie: 800 Wyniki Finansowe
o Przychody: 15 895 139
o Średnia szansa zakupu: 0,5% o Koszty: 12 250 000
o Zysk: 3 645 139

Zauważalne zyski

Występują zauważalne zyski, ale czy można je poprawić?

9
© AMA Institute, Karol Przanowski
Case Study (2) – możliwe warianty rozwoju

Model_A – dane bazowe Model_B – specjalistycznie rozbudowany

zbiór danych

o Przychody: 21 531 163 o Przychody: 25 599 340

o Koszty: 12 250 000 o Koszty: 8 750 000
o Zysk: 9 281 163 o Zysk: 16 849 340

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

-10 000 000

przychód koszt zysk
10
© AMA Institute, Karol Przanowski
 Case Study (3) – Świat analityka
Liczba decyzji 7 000 000
Liczba kampanii 29
Średni przychód ze sprzedaży 800
ROC
Średni koszt kontaktu 5 Liczba miesięcy 12
100%

Hit rate / Sensitivity / %Goods remain

Liczba klientów 20 115 90%
Lift
Globalna moc predykcyjna - Gini 78,36% 80% 7,0
Liczba decyzji 7 000 000
70% 6,0

Globalna konwersja 0,5% 60% 5,0

4,0
Konwersja na grupie docelowej 1,83% 50%
Response rate 3,0
Udział grupy docelowej 25,00% 40%
4% 2,0
Statystyka Lift na grupie docelowej 3,66 30% 1,0

Statystyka Gains na grupie docelowej 91,43% 3% 0,0

20%

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%

Sensitivity / %Bad captured

80%
Liczba ofert, grupa docelowa 1 750 000 0% 70%
Liczba respondentów w grupie docelowej 31 999 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 60%
Score band 50%
40%
30%
20%
10%
Studium przypadku w Excelu: 0%
0% 20% 40% 60% 80% 100%
Depth
http://administracja.sgh.waw.pl/pl/OW/publikacje/Strony/2015.aspx
11
© AMA Institute, Karol Przanowski
Case Study (4) – Wspólne ujęcie problemu

Zmienna: Liczba wysyłanych emaili w ciągu ostatnich 2 miesięcy

Numer Udział w
Kategoria - opis profilu Konwersja
kategorii populacji

1 1 < VAR_N_EMAIL_2M 5,69% 19,84%

2 0 < VAR_N_EMAIL_2M <= 1 5,17% 18,84%
3 not missing(VAR_N_EMAIL_2M) and VAR_N_EMAIL_2M <= 0 4,27% 61,31%
100,00%

Zysk
Delta Gini Delta Zysku 18 000 000
16 000 000
14 000 000

1% 272 569 12 000 000

10 000 000
8 000 000

5% 1 362 844 6 000 000

4 000 000
2 000 000

10% 2 725 687 0

10,00% 20,00% 30,00% 40,00% 50,00% 60,00% 70,00% 80,00%
Gini

12
© AMA Institute, Karol Przanowski
Rekomendacja 3

Bądź proaktywny, twórz kulturę data driven

Szukaj miejsc pracy, gdzie analityka jest w centrum, a jeśli jej nie ma, to pomóż to osiągnąć

Nie rozstawaj się ze swoimi raportami i narzędziami szybkiej eksploracji danych

Aktywnie zabieraj głos na spotkaniach, obalaj mity pokazując raporty

Naucz się biznesu a swojego managera analityki

Zawsze bądź gotowy do przemowy w windzie – elevator speech

Pytaj o szczegóły procesu

Gdy robisz raport, pytaj do czego jest potrzebny

13
© AMA Institute, Karol Przanowski
Rekomendacja 4

Zaakceptuj niską jakość danych,

możesz tylko zrobić lepszy krok a nie rewolucję

Big Data wcale nie oznacza duże dane – po oczyszczeniu pozostaje mało

Nie używaj niskiej jakości danych jako powodu Twoich niepowodzeń

Jeśli identyfikujesz błędy w danych, to Ty od tej chwili jesteś za nie odpowiedzialny!!!

Proponuj procesy, które od razu zbierają lepsze dane – pola słownikowe

14
© AMA Institute, Karol Przanowski
BIG DATA – konsekwencje niskiej jakości danych

NOWE PARADYGMATY

o DWH (Hurtownia danych):

• Najpierw oczyść potem załaduj (stare)
• Załaduj i potem się martw (nowe)

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

o Nie ważne dlaczego, ważne, że działa!

o (not why, but what)
o Najważniejsze, że da się zarabiać!!!
o Gromadźmy dane bez ich pierwotnego przeznaczenia

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

W wielu procesach znajdź zastosowanie dla modeli predykcyjnych,

stosuj procesy z automatycznym podejmowaniem decyzji

Jeśli się nad tym zastanawiasz, to konkurencja już dawno to wdrożyła

Tylko automatyczne procesy pozwolą przetrwać Tobie i Twojej firmie

Zastosowania modeli predykcyjnych ograniczone są tylko przez Twoją wyobraźnię

Prawie każdy proces masowy z decyzją (tak, nie) daje się zautomatyzować

17
© AMA Institute, Karol Przanowski
Bariery wykorzystania modeli predykcyjnych (1)

Dlaczego modele predykcyjne nie są stosowane na szeroką skalę?

WYSOKA CENA RYNKOWA

OPROGRAMOWANIA

DŁUGI CZAS
WDROŻENIA

KONIECZNOŚĆ POSIADANIA
SPECJALISTYCZNYCH ZASOBÓW

BRAK ZROZUMIENIA WARTOŚCI

DODANEJ ANALIZY DANYCH

SILOSOWOŚĆ DZIAŁAŃ W
ORGANIZACJI

SKOMPLIKOWANA
TECHNOLOGIA

Trzeba przełamywać bariery, obalić status quo i zlikwidować silosy!!!

18
© AMA Institute, Karol Przanowski
Bariery wykorzystania modeli predykcyjnych (2)

NIEPOWODZENIA BIG DATA

o Brak dobrych business case

o Dane są zbierane, ale zbyt mało uzasadnia się ich przydatność
o Lekceważone problemy jakości danych
o Umniejszanie problemu wnioskowania na podstawie
obciążonej próby
o Zbyt duży nacisk położony na technologię
o Złudne nadzieje szybkiego „klikania modelu”
o Brak inwestycji w przygotowanie i wykształcenie inżyniera
danych
o Brak publicznych danych, dostępnych i przykładowych

19
© AMA Institute, Karol Przanowski
Wykorzystanie modeli predykcyjnych

PRZYKŁADY BRANŻ, W KTÓRYCH MODELE PREDYKCYJNE MOGĄ BYĆ

WYKORZYSTYWANE

FINANSE MARKETING INNE

o Fundusze inwestycyjne i gwarancyjne
o Ubezpieczenia
o Kredyty / Leasing/ Faktoring
o Windykacja
o Ochrona przed nadużyciami
o Częstotliwości i rodzaj kontaktu z klientem o Centra usług wspólnych
o Programy lojalnościowe o Punkty masowej obsługi klienta
o Retencja w usługach abonamentowych o Domy wysyłkowe
o Promocje cenowe o Logistyka
o Sprzedaż internetowa o Firmy windykacyjne

NAUKA

20
© AMA Institute, Karol Przanowski
Rekomendacja 6

Rozwijaj myślenie statystyczne,

identyfikuj zjawiska masowe i wykrywaj główne prawidłowości

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

Naucz się używać oprogramowania: SAS, R i Python,

w dzisiejszych czasach musisz znać płatne i bezpłatne rozwiązania

Trudniej znaleźć „mistrza” od opensource, SAS może wytyczać kierunki

Zbyt duża liczba pakietów bezpłatnych – który wybrać?

Trudności bezpłatnych rozwiązań niweluj siecią kontaktów

Rozwijaj środowisko analityków

Rozwijaj techniki programistyczne, nie tylko przez metodę prób i błędów

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

Zawsze zaczynaj od zrozumienia procesu,

pamiętaj, że stary proces może zaburzać interpretację danych

Sprzedaż w roku 2017

Dlaczego produkt X posiada większą sprzedaż?
20

18

Bo klienci go preferowali? 16

Sprzedaż [mln PLN]

14

12

Bo pracownicy sprzedaży mieli system motywacyjny? 10

Bo produkt był tańszy? 4

Bo produkt szybko można było dostarczyć? X

Nazwa produktu
Y

24
© AMA Institute, Karol Przanowski
Rekomendacja 9

Masz problemy? Przyjdź do nas,

pomożemy, razem zrobimy prezentację, przekonamy Twoich przełożonych

1. Dostęp do zespołu z dużą wiedzą o lokalnym rynku

2. Elastyczne podejście do klienta, zamiast wykorzystywania generycznych schematów

3. Połączenie dużego doświadczenie biznesowego oraz IT z doświadczeniem naukowym,

zachowując zdrową krytykę zarówno narzędzi analitycznych, jak i IT
o zrozumienie biznesu i ograniczeń IT

4. Rozwiązania szyte na miarę

5. Szybki zwrot poniesionych kosztów

o iteracyjne podejście zapewniające nacisk na otrzymanie zwrotu dla klienta w
krótkim okresie
25
© AMA Institute, Karol Przanowski