Παρά τις συνεχείς συζητήσεις την τελευταία δεκαετία σχετικά με την αξία των δεδομένων για κάθε επιχείρηση, στην πραγματικότητα, ούτε τα μισά δε χρησιμοποιούνται για τη λήψη αποφάσεων. Μάλιστα, σε έρευνα που πραγματοποίησε πρόσφατα η Grant Thornton, ο μεγαλύτερος όγκος των ελληνικών επιχειρήσεων χρησιμοποιεί λιγότερο από το 1% των μη-δομημένων δεδομένων (unstructured data) για τη λήψη αποφάσεων.
Παράλληλα, εντείνεται το ενδιαφέρον σχετικά με τη χρήση και τα οφέλη νέων τάσεων στα πεδία της Τεχνητής Νοημοσύνης (Artificial Intelligence) και της Προβλεπτικής Νοημοσύνης (Predictive Intelligence). Όσον αφορά στο τελευταίο, μπορούμε να το θεωρήσουμε ως τη γέφυρα που συνδέει τα δεδομένα με τη λήψη αποφάσεων.
Πρόκειται για μια προσέγγιση που βασίζεται σε τρεις πυλώνες: (α) συλλογή δεδομένων από διάφορες πηγές στον οργανισμό αλλά και εξωτερικά στο οικοσύστημα που δραστηριοποιείται, (β) ανάπτυξη και χρήση μαθηματικών μοντέλων και αλογορίθμων στα υφιστάμενα δεδομένα, και (γ) εύρεση και βελτιστοποίηση των λύσεων που παρέχουν τα υψηλότερα ποσοστά πρόβλεψης. Η πρόβλεψη αφορά στην πιθανότητα ενός γεγονότος να συμβεί σε βραχυπρόθεσμό ή μακροπρόσθεσμο διάστημα.
Συνεπώς, όσο καλύτερα προβλεπτικά μοντέλα μπορεί να αναπτύξει ένας οργανισμός, τόσο καλύτερα μπορεί να «προβλέψει» τι θα συμβεί στο μέλλον και να αντιδράσει ανάλογα. Η υιοθέτηση των παραπάνω πρακτικών επιφέρει πολλαπλά οφέλη στις επιχειρήσεις.
Απτό παράδειγμα στο χώρο της λιανικής τραπεζικής αποτελεί ένα χρηματοπιστωτικό ίδρυμα που ακολούθησε την παραπάνω προσέγγιση για να αναγνωρίσει καλύτερα τις ανάγκες της πελατειακής του βάσης. Χρησιμοποιώντας τους κατάλληλους αλγορίθμους βασισμένους στα συγκεκριμένα δεδομένα του οργανισμού, κατάφεραν να προβλέψουν τις συμπεριφορικές τάσεις (behavioural patterns) των πελατών με 98.4% επιτυχία, με συνέπεια την αύξηση των προϊοντικών πωλήσεων κατά 24%.
Αντίστοιχα, στον τομέα του λιανεμπορίου, γνωστή αλυσίδα σούπερ μάρκετ, χρησιμοποίησε τα δεδομένα πωλήσεων και δημογραφικών χαρακτηριστικών των πελατών ώστε να προσφέρει προσωποποιημένες προτάσεις αγοράς προϊόντων που καλύπτουν τις ανάγκες τους.
Οι στοχευμένες τακτικές προωθητικών ενεργειών απέδωσαν καρπούς, αυξάνοντας τις πωλήσεις μέσω προώθησης κατα 11%. Οι δύο προαναφερθέντες κλάδοι βέβαια, αποτελούν ένα υποσύνολο έναντι των πολλών κλάδων που δειλά αλλά αυξανόμενα αναγνωρίζουν τα οφέλη της προβλεπτικής νοημοσύνης.
Στο μέλλον, αναμένουμε ευρεία εφαρμογή σε θέματα που αφορούν για παράδειγμα στην αυτοματοποίηση και βελτιστοποίηση διαδικασιών, ανάπτυξη στοχευμένων στρατηγικών μάρκετινγκ βάση των συμεριφορικών και ψυχογραφικών χαρακτηριστικών των πελατών, στοχευμένη λήψη αποφάσεων με βάση την ανάλυση ιστορικών δεδομένων (historical data), αλλά και τη δυνατότητα λήψης αποφάσεων σε πραγματικό χρόνο (real-time).
Γιάννης Κρασονικολάκης,
Manager, Technology Intelligence & Performance
Grant Thornton Greece