Расширенная аналитика в стратегических исследованиях

Достижения в области цифровой аналитики изменили способы ведения бизнеса. расширенная аналитика занимает центральное место в корпоративных функциях: от маркетинга и ценообразования до обслуживания клиентов и производства.

Какое место расширенная аналитика занимает или может занять в стратегическом менеджменте? Расширенная аналитика может использоваться для следующих целей:

• Уменьшение предвзятости в решениях за счет калибровки вероятности успеха стратегии.
• Выявление новых возможностей роста в дополнение к традиционным методам мозгового штурма.
• Определение тенденций как можно раньше.
• Предвидение сложной динамики рынка.

Уменьшение предвзятости в решениях

Дэниел Канеман и Амос Тверски заметили, что даже опытные планировщики склонны недооценивать затраты и время, необходимые для завершения проектов. Это явление назвали «ошибкой планирования». Эта тенденция возникает из-за того, что люди делают прогнозы на основе прошлых дел в сочетании с их личным опытом и интуицией («взглядом изнутри»), без учета распределения исходов аналогичных дел («Взгляд со стороны»). В результате многие прогнозы оказываются излишне оптимистичны. Поэтому была предложена корректирующая процедура, - «прогнозирование эталонного класса», - которая включает дополнение внутренней точки зрения результатами, определяемые эталонным классом аналогичных случаев.

На сегодняшний день такие калибровки в основном ограничиваются областью управления проектами, но почему? Ведь прогнозы, сделанные в ходе стратегического планирования, сталкиваются с аналогичными проблемами. Стратегические планы также включают в себя оценку будущих затрат и выгод от инвестиций, что делает взгляд со стороны ценным при принятии решений.

В книге «Стратегия за пределами хоккейной клюшки» (Wiley, февраль 2018 г.) представлена идея использования аналитических данных, чтобы взглянуть на стратегию со стороны. Например, если цель - увеличить экономическую прибыль на 100 миллионов долларов, разве не полезно узнать, что только 35% компаний достигли такого результата? Сравнивая распределение результатов по квантилям или децилям, можно оценить вероятность достижения прогнозируемого результата. Конечно, предварительно должны быть обработаны десятки тысяч компаний (в частности, публичных) и построены распределения результатов.

С помощью статистических распределений можно отбраковывать явные предубеждения в части получаемых эффектов и результатов. Например, если стратегические цели описываются первым децилем отраслевого распределения результатов, то правомерный вывод - стратегия возможно робкая и стоит пересмотреть стратегические цели и мероприятия. И наоборот, если статегические цели находятся в последнем дециле, то стратегия может быть классифицирована как авантюрная.

Открытие новых возможностей роста

Расширенная аналитика может улучшить стратегическое планирование, раскрывая новые возможности роста, которые неочевидны и которые трудно обнаружить в массивах данных без специальных методов и алгоритмов.  Объектом поиска могут быть привлекательные отраслевые или рыночные сегменты, компании как предмет сделок по слияниям и поглощениям, идеи  новых продуктов или услуг, новые применения существующих продуктов, услуг, приложений. Для решения подобных задач могут использоваться алгоритмы сетевого анализа, алгоритмы обработки естественного языка, анализ и поиск связей в разрозненных текстовых источниках, например, таких как описание компаний, заявки на патенты, данные о слияниях и поглощениях, научные статьи.

Определение тенденций как можно раньше

Приложения искусственного интеллекта могут анализировать общедоступную информацию в режиме реального времени. Эта информация может охватывать миллиарды веб-страниц, патентные заявки, новостные ленты, отчеты о клинических испытаниях, расшифровки отчетов о доходах и многое другое. Обнаруженные закономерности могут помочь руководителям выявлять возникающие тенденции.  Простой метод выявления закономерностей, например, анализ графика изменение частоты появления термина в массиве данных. В статье McKensey приведен пример дашбордов анализа технологий аккумуляторов для электромобилей.

Алгоритмы в реальном масштабе времени могут «анализ настроений». В частности, для этого могут использоваться нейронные сети или классификационные алгоритмы. Источником данных для таких алгоритмов служать потоки новостей, контент социальных сетей с отбором определенных событий или тем. Такой тип аналитики также используется для поиска ситуаций "неэффективности рынка" с последующим извлечением выгод на этих рынках за счет специфичных сделок. И конечно подобный анализ можно использовать для мониторинга настроений клиентов или выявления угроз репутационного характера.

Предвидение сложной динамики рынка

Математическое моделирование и симуляция может использоваться для выявления важных предположений, связанных с различными стратегическими решениями, для прогнозирования рыночного спроса при различных сценариях, для помощи менеджерам в понимании и прогнозировании реакции конкурентов или поведения клиентов. Конечно, моделирование аппроксимирует процессы и поведение реального мира, но точность подобной аппроксимации достаточна для выработки тех или иных стратегических решений. Такие методы моделирования включают в себя системную динамику, агентное моделирование (https://ru.wikipedia.org/wiki/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%BE%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5), анализ Монте-Карло, машинное обучение. Модели полезны для оценки сложных рыночных и конкурентных ситуаций тогда, когда управленческой интуиции недостаточно для полного учета последствий действий множества взаимозависимых сторон (агентов).

Модели полезны при анализе систем со многими независимыми объектами (факторами), поведение которых невозможно предвидеть на агрегированном уровне, поскольку оно развивается непредсказуемым образом в результате взаимодействия и выбора многочисленных агентов, таких как клиенты или конкуренты. В таких ситуациях стратеги могут обратиться к так называемому агентному моделированию и симуляции. Эти инструменты назначают каждому агенту набор правил принятия решений, а затем моделируют их выбор и поведение на основе информации, доступной каждому агенту. Поведение «возникает» из системы способами, которые часто невозможно было предсказать с помощью традиционных моделей. Агентское моделирование обычно используется для моделирования в динамике социального поведения, а также для моделирования эпидемий и природных систем. Но ничто не препятствует к использованию агенсткого моделирования при разработке стратегии.

Заключение

Стратегические исследования пока слабо использовали преимущества расширенной аналитики, упуская из виду потенциально важные идеи. Используя технологии расширенной аналитики, можно дополнить творческий потенциал стратегической команды и улучшить стратегические результаты.

В мире растущей неопределенности компаниям необходимо динамично строить стратегические планы и умело ими управлять. Для этого необходимо комбинировать беспроигрышные ходы со смелыми инициативами. Используя расширенную аналитику для отслеживания возникающих тенденций, можно инициировать стратегические шаги опережая конкурентов.

Источник.
https://www.mckinsey.com/business-functions/strategy-and-corporate-finance/our-insights/the-strategy-analytics-revolution. 

The strategy-analytics revolution. April 26, 2021

(Революция в стратегической аналитике. 26 апреля 2021 г.)