Как машинное обучение помогает быстрее выводить продукты на рынок

Технологии машинного обучения и предиктивной аналитики при умелом обращении помогают маркетингу и закупкам существенно улучшить бизнес-процессы и в результате выпускать продукты на рынок быстрее. О том, как это выходит у МТС, на форуме Oracle IMPACT рассказал директор департамента логистики компании Шамиль Хайретдинов. Оригинал публикации находится здесь.

Нам довелось жить в эпоху Индустрии 4.0: цифровые продукты активно входят в нашу жизнь. Темпы перемен ускоряются, становятся все ощутимее: продукты и сервисы, над которыми мы работали всего 3-5 лет назад, сегодня кажутся архаичными и несколько неуклюжими. Не за горами и следующая цифровая революция: через каких-то 10-12 лет мы окажемся в парадигме еще больших изменений.

Обращали ли вы внимание, как часто обновляются приложения на вашем смартфоне? За одну только неделю можно насчитать на своем телефоне 77 обновлений. Почему их так много? Клиент меняется, становится более избирательным и привередливым. Сегодня он покупает сильную эмоцию. Он хочет, чтобы все было быстро, развлекательно и прозрачно.

На острие перемен оказываются подразделения маркетинга — им нужно постоянно взаимодействовать с клиентом. Меняются и механизмы закупок в логистике: здесь происходят такие же регулярные обновления, которые знакомы нам по смартфонам. Бизнес ищет способы сделать пользователя удовлетворенным в новых условиях.

Что уже изменилось?

Все рабочие процессы должны теперь оставлять «цифровой след»: генерировать данные. В процессах закупки и логистики этот след формируют системы SCM/SRM (Supply Chain Management/Supplier Relationship Management): с их помощью вы получаете большой массив согласованных данных и невиданные ранее возможности аналитики, технологии машинного обучения помогает выстроить предиктивные модели: все это — ваш Business Intelligence (BI), это определяет, как вы живете сегодня, и что будет завтра.

С помощью предиктивной аналитики и риск-менеджмента закупщик получает возможность проработать информацию по своей категории, понять, как его действия соотносятся с текущими предложениями, с операционным функционалом, который будет исполняться в дальнейшем. Современный закупщик сейчас стремится к тому, чтобы реализовать сервисную модель — Procurement as a Service. В соответствии с идеологией получения ценностей из данных, это гибкий, динамичный сервис, который меняется по мере изменения запросов компании.

Цифровая трансформация процессов закупок в МТС

Если сейчас мы работаем, опираясь на какие-то функции, то в будущем можно задействовать некие метрики маркетинга и попытаться предиктивно выстроить свою инфраструктуру и функциональность. Сегодня типовой процесс P2P (Purchase to Pay) предполагает большое количество ручных операций, но возникает много вопросов по поводу его прозрачности. Клиент видит и воспринимает нас как абсолютно разные, разрозненные подразделения. Здесь возникает вопрос о том, как этого избежать, как трансформировать все сферы закупок.

МТС планирует использовать для этого идеологию «маркетплейса». Можно задействовать семантический поиск предмета закупок, использовать легкий заказ по действующему контракту. Например, с помощью чата клиент может понять, есть ли контракт, что нужно купить, наполнить свою корзину потребностей и отправить в операционный цикл. В процессе закупок можно активно использовать шаблоны технических заданий, чтобы значительно ускорить процесс («три клика»). Выбор поставщика должен быть электронным: именно электронная форма оставляет свой «след», и в итоге формируется большое «поле данных».

Закупка завершается контрактом. Сегодня это текстовый документ – файл. Эту неструктурированную информацию имеет смысл перевести в структурированную электронную форму, используя данные о выборе поставщика как входные данные для контракта. В конечном счете — реализовать «умное» составление контрактов с учетом итогов закупок и фактического исполнения условий контракта. По метрикам исполнения контракта удобно контролировать SLА, в любой момент понимая, какие участки процесса работают плохо и почему. Фактически, это идеология Data-Driven Decision — принятия решений на основе имеющихся данных.

Таким образом формируется поле данных. Дополняя его внешними источниками информации, вы получаете «озеро данных», ваши будущие большие данные. Для управления операциями можно использовать предиктивные модели, построенные с помощью машинного обучения на основе накопленных данных, заведомо выявляя критичные риски и митигируя их. Или использовать машинное обучение на более высоком уровне, помогая закупщику определить оптимальную цену закупки.

Электронные контракты могут стать основой смарт-контрактов с использованием технологии блокчейн. На каждом уровне решения принимаются на основе имеющихся данных и оставляют свой электронный след. Понимание итогов и результатов бизнес-процессов дает возможность построить систему ИИ, которая способна принимать решения на базе машинного обучения и больших данных - сначала простые, затем более сложные.

Применение подобных технологий позволяет значительно оптимизировать ресурсы, занятые в процессах закупок, избавиться от рутинных операций, снизить затраты, эффективнее управлять рисками. Для закупщиков это новые технологии, упрощающие работу с категориями, помогающие уйти от рутины и получить удобное для работы поле данных (augmented intelligence).

В своей деятельности МТС опирается на самые передовые технологии Oracle и является одним из крупнейших клиентов Oracle не только в России, но и в мире. Компания использует полный интегрированный стек продуктов, включая бизнес-приложения для управления ресурсами предприятия, взаимоотношениями с клиентами, эффективностью компании и бизнес-анализа. Практически все сотрудники МТС управляют своим профессиональным развитием в HR-С Oracle. Среди инноваций МТС в области логистики - одновременное планирование всех точек логистистической цепи с учетом ограничений по материалам\ресурсам на основе Oracle Advanced Supply Chain Planning, что позволяет создавать исполнимые планы поставок и моделировать различные сценарии, а также решение Oracle Inventory Optimization, которое помогает определить оптимальный уровень запасов в точках сети исходя из различных критериев и спроса.