Jak Data Science tworzy wartość biznesową w innowacjach?

Data Science (pol. Danologia) to pojęcie, które coraz częściej pojawia się w artykułach branżowych i na wielu prelekcjach podczas różnorodnych konferencji. Przez wiele osób traktowane jest jako nowość – początków Data Science można upatrywać w latach 80. ubiegłego wieku[1]. Danologia została dookreślona w roku 1998 jako nowy, interdyscyplinarny obszar wiedzy obejmujący trzy kluczowe aspekty – tworzenie danych, zbierania danych oraz ich analizę[2].

W prostych słowach Data Science to dziedzina badań, która polega na wyciąganiu wniosków z dużej ilości danych przy użyciu różnych metod badawczych, algorytmów czy procesów. Pomaga wydobyć ukryte, czasami zaskakujące wnioski z ustrukturyzowanych i nieustrukturyzowanych zbiorów danych. Termin Data Science, czyli dosłownie „nauka o danych”, pojawił się w głównej mierze z bardzo bliskiego związku tej dziedziny z nauką, w szczególności ze statystyką, ekonometrią i matematyką.

W momencie, w którym pojęcie Data Science przestaje być obce, powiązanie tego obszaru z innowacjami wydają się być oczywiste. Natomiast powstaje kluczowe pytanie – czy rzeczywiście tak jest?

Wielu badaczy m.in. z Uniwersytetu Wharton wskazuje na to, że tam, gdzie klasyczne metody analizy danych i data mining nie działają, zastosowanie bardziej zaawansowanych metod wchodzących w skład Data Science (m.in. Machine Learning, NLP) pozwala na znalezienie „ukrytych wzorców”, które w inny sposób nie byłyby możliwe do zaobserwowania[3]. To właśnie odpowiednie wykorzystanie tych ukrytych wzorców i nieoczywistych wniosków, pozwala wielu przedsiębiorstwom na wytworzenie trwałej przewagi konkurencyjnej.

Obszary Data Science

Źródło: Data Science Society[4]

Data Science w innowacjach

Poniżej zebraliśmy 5 obszarów, w których Data Science tworzy rzeczywistą wartość biznesową przyczyniając się do wzrostu efektywności czy też zmniejszenia ilości błędów.

  1. Zwiększenie zaangażowania klientów

Jeszcze do niedawna mierzenie zaangażowania klientów odbywało się w sposób pośredni m.in. poprzez liczenie wykorzystanych kuponów stworzonych w danym kanale sprzedaży, czy przeglądanie raportów sprzedaży w podziale na regiony i miasta. W wielu przedsiębiorstwach proces ten wygląda podobnie również dzisiaj. Data Science otwiera szereg nowych możliwości, umożliwiając m.in. analizę nieustrukturyzowanych danych tekstowych. Dzięki temu każda wzmianka o firmie lub wizyta na stronie internetowej może zostać zarejestrowana i przeanalizowana, aby określić, w jakim miejscu w lejku sprzedażowym znajduje się potencjalny klient. Dodatkowo wykorzystanie zaawansowanych algorytmów (w tym Machine Learning, o którego zastosowaniu w branży FMCG pisaliśmy w tym artykule) umożliwia zarządzanie działaniami sprzedażowymi w sposób, który zwiększy zaangażowanie klientów w kluczowych obszarach dla naszego biznesu (np. pozyskanie klientów na początku lejka sprzedażowego, wzrost ilości komentarzy i recenzji, czy wzrost sprzedaży konkretnych produktów).

  1. Usprawnienie procesów decyzyjnych

Jednym ze sposobów radzenia sobie z ryzykiem i trudnością w podejmowaniu kluczowych decyzji jest wsparcie ich solidnymi podstawami analitycznymi. Data Science umożliwia stworzenie modeli decyzyjnych wskazujących na takie zmienne jak ryzyko porażki projektu, szacowany budżet, czy jakiego wzrostu przychodów/oszczędności przedsiębiorstwo może się spodziewać. Modele te są często oparte o dane historyczne dotyczące projektów w organizacji, ale również np. na zewnętrznych źródłach danych rynkowych i gospodarczych.

Jak można się domyślić, kluczową przeszkodą w tego typu rozwiązaniach jest konieczność posiadania danych odnośnie realizowanych projektów. Również proces zbierania, uspójniania i czyszczenia danych jest czasochłonny, a zwrot z inwestycji może nie być widoczny od razu.

Zaletą tego typu rozwiązań jest zatrzymanie wiedzy w firmie (modele oparte o wiedzę pracowników zebraną w formie np. dokumentacji projektowej) i oparcie decyzji nie tylko o przeczucia i doświadczenie zespołu, ale również o konkretne liczby i wyniki.

  1. Tworzenie produktów i budowanie marki

Przedsiębiorstwo, wykorzystując Data Science w postaci analizy sentymentów i przetwarzania języka naturalnego (eng. Natural Language Processing – NLP) może w łatwy sposób rozpoznać sentyment grup docelowych do konkretnych produktów, całych kategorii produktowych, czy schodząc do poziomu szczegółu – sentyment do cech opisujących dany produkt. Dzięki temu firma jeszcze przed wypuszczeniem produktu na rynek jest w stanie określić m.in. jakie cechy warto podkreślić na danym rynku i czy wprowadzenie produktu na dany rynek w ogóle ma sens. Dodatkowo znajomość stopnia zadowolenia klientów i ich znajomości marki, a także połączenie tych danych z określonymi emocjami, umożliwia sterowanie przekazem komunikacyjnym tak, aby maksymalizować zadowolenie klientów i pozytywne emocje odczuwane przez nich w związku z marką. Mogą to być m.in. decyzje dotyczące kształtu opakowania, kolorystyki produktu, czy np. wyglądu interfejsu w przypadku oprogramowania. Te innowacje, wykonane właściwie, powinny zwiększyć udział w rynku, zapewnić zwrot z inwestycji i ostatecznie przewagę konkurencyjną.

  1. Optymalizacja sprzedaży

Wykorzystanie narzędzi Data Science do analizy danych sprzedażowych, logistycznych i danych dotyczących innych procesów w firmie pozwala zidentyfikować niewykorzystany potencjał np. leżący w zbyt niskich marżach, zbyt częstych i „głębokich” promocjach, czy pojawiających się w konkretnych okolicznościach brakach magazynowych. Tego rodzaju symulacje mogą również pokazać, jak wzrost popytu na dany produkt może wpłynąć na potrzeby logistyczne, czy też jak zmieni się marżowość przy nagłym, dużym wzroście wolumenu sprzedaży. Dzięki wykorzystaniu Data Science, decyzje sprzedażowe mogą być oparte nie tylko na przeczuciu i intuicji zespołów sprzedażowych, ale również na danych i wskaźnikach, które stanowią konkretny punkt odniesienia.

  1. Efektywniejsze zarządzanie zasobami ludzkimi

Dzięki szczegółowej analizie zasobów ludzkich w firmie, Data Science pozwala zespołom HCM (eng. Human Capital Management) lepiej zrozumieć potrzeby ich pracowników zarówno na poziomie całej organizacji, jak i na poziomie pojedynczego pracownika. To wszystko sprawia, że organizacja jest w stanie proaktywnie zarządzać programami szkoleniowymi, dopasowując je do potrzeb. Może również skutecznie zwiększać retencję pracowników m.in. oferując dopasowane do ich potrzeb oferty pracy wewnątrz firmy (internal mobility). Idąc dalej, następnym krokiem jest pokazanie powyższych danych pracownikom, dzięki czemu otrzymują wgląd w dostępne dla nich ścieżki rozwoju i mogą sprawniej podejmować decyzje dotyczące swojej kariery.

Jako Enky Consulting skutecznie zarządzamy innowacjami. Świadczymy usługi doradcze z zakresu innowacji i zarządzania, a nasze kompetencje obejmują m.in. zaawansowaną analitykę danych z wykorzystaniem metod Data Science. Jeżeli Twoja organizacja mierzy się z którymkolwiek z powyższych wyzwań, napisz do nas. Chętnie doradzimy i wdrożymy najlepsze rozwiązanie.