ИИ для предпринимателя
Как с помощью ИИ собирать исторические данные
Пока вам не начали впаривать очередной ИИ-бот в процесс, который у вас не описан, лучше подумайте над тем, что может реально принести пользу вашему бизнесу. Я говорю сейчас о данных, которые должны использоваться для выстраивания своих гипотез, стратегий и планов продаж. У вас ведь есть план продаж?
Бизнесу, как правило, нужны не просто исторические данные, а память, которая помогает проверять решения, замечать изменения и перестраивать свой план.
Ошибка — доверять тем данным, которые давали результат год назад. Они нужны немного для другого.
Кстати, совсем забыл пояснить, что такое исторические данные в бизнесе. Хотя мне кажется, вы уже догадываетесь. Да, это данные о прошлых операциях, продажах, рекламных кампаниях, заявках и так далее, за прошлый период. Многие из предпринимателей используют их как опору, а их нужно использовать как способность видеть, куда идёт ваша компания — вниз или вверх. Или вообще никуда не идёт.
Но проблема в том, что ручной сбор отчётов о прошлом позволяет вам не замечать, что будущее вашего бизнеса уже меняется.
А как делать быстро и, главное, правильно?
Хороший вопрос, и сейчас разберу его с вами.
Итак, начнём по порядку.
В чём заключается моя основная мысль?
Ваш бизнес забывает собственный опыт. Но исторические данные и ИИ помогают это исправить.
Один отчёт всегда показывает состояние, но история помогает увидеть изменения. Например, в этом месяце у вас стало меньше заявок. В чём причина: сезонный спад? Проблема рекламы? Может быть, снижение интереса к товарам?
В общем, таких вопросов всегда много, а кто даст ответ? Отдел маркетинга? Отдел продаж?
Чтобы получить адекватный ответ, нужно сопоставить периоды и контекст. Например, динамика запросов в Яндекс Вордстат помогает понять сезонность интереса через поиск, но эти данные надо сопоставить с собственными результатами, а не принимать данные Вордстата за объяснение продаж.
Важна не только цифра «сколько сейчас», но и понимание «как менялось и что происходило в этот момент».
Собирать нужно не только результат, а ещё и обстоятельства.
Обычно для компаний я предлагаю такой минимум:
- результаты: продажи, маржа, конверсия, повторные покупки;
- действия: изменения цен, рекламных кампаний, продукта и процесса продаж;
- внешние сигналы: динамика поискового интереса, изменения предложений конкурентов;
- решения: что решили, на каком основании и какого результата ожидали.
И последний пункт особенно важен. Авторы книги Forecasting: Principles and Practice1 рекомендуют документировать допущения и сохранять прогнозы, чтобы впоследствии оценивать их точность и улучшать свой подход.
Без истории решений вы знаете, чем закончился месяц. Но не можете проверить, насколько обоснованно действовали.
Данные нужно собирать не ради отчётности, а ради выбора.
Управление на основе данных впоследствии даёт более высокую производительность компаний. И речь именно о практике принятия решений, а не о наличии очередного дашборда.
В таких случаях я всегда предлагаю оценивать пользу аналитики через вопросы:
- Какое решение она помогает принять?
- Какие альтернативы позволяет сравнить?
- Что может опровергнуть наш вывод?
- Когда можно проверить результат?
Если эти вопросы остаются без ответа, сбор данных ещё не превратился в управленческий процесс.
Дорожная карта должна содержать не только задачи, но и условия пересмотра.
В идеале это должно выглядеть так:
Что заметили → чем подтвердили → какую гипотезу проверяем → что делаем → как измеряем → при каких условиях меняем план.
Допустим, компания замечает снижение продаж услуги и, вместо немедленной смены стратегии, она проверяет:
- Повторялся ли спад в аналогичный сезон?
- Как менялся поисковый интерес?
- Не ухудшилась ли собственная конверсия?
- Что говорят потерянные клиенты?
- Какой ограниченный эксперимент поможет различить возможные причины?
Именно такие данные становятся основанием для проверки, а не поводом объявить любую удобную версию доказанной.
Едем дальше.
От большого предисловия я наконец-то перехожу к важной мысли, которую хочу донести до руководителей, топ-менеджеров и предпринимателей.
ИИ должен быть частью системы, а не заменой
На практике всё это должно выглядеть так:
| Слой | Задача |
|---|---|
| Сбор | Регулярно получать данные из доступных систем |
| Хранение | Сохранять последовательность наблюдений, а не только последнее состояние |
| Расчёты | Считать показатели по установленным формулам |
| ИИ | Помогать разбирать текстовую информацию, формулировать вопросы и объяснять результаты |
| Контроль | Проверять источники, определения показателей и существенные выводы |
Это предлагаемая архитектура, а не обязательный набор продуктов.
Автоматизация доставляет данные. Расчёты обеспечивают воспроизводимость. ИИ помогает работать с информацией. Руководитель принимает решение.
И вот теперь можно подвести итог. История не гарантирует, что вы вовремя заметите новый рынок.
Новый конкурент, продукт или изменение правил могут создать ситуацию, которой в ваших данных ещё не было. Поэтому исторические ряды нужно дополнять актуальной информацией и профессиональной оценкой, а прогнозы — регулярно проверять по факту.
Собирать всё подряд не нужно. Нужно перестать терять данные, на которых можно проверять ваши решения.
Начните с одного важного вопроса бизнеса. Настройте регулярный сбор, сохранение истории и проверку выводов. Затем подключайте ИИ, но не для того, чтобы был красивый отчёт, а ради сокращения пути от изменения в данных до обоснованного действия.
Либо можете просто обратиться ко мне, и всё это вам настрою, сделаю так, чтобы вы получали именно результат, а не участвовали в постоянных процессах.
1. Hyndman R. J., Athanasopoulos G. Forecasting: Principles and Practice, 3-е изд., раздел 6.2: документировать допущения и обоснование, хранить прогнозы и сверять их с фактом, чтобы оценивать точность и улучшать подход. otexts.com/fpp3/judgmental-principles.html