Предиктивный ИИ сегодня обещает многое: рост прибыли, снижение рисков, экономию ресурсов. Но у технологии крайне неоднозначная история: за пределами крупных корпораций и лидеров отрасли большинство проектов так и не приносят ощутимой пользы. Почему так происходит?
Одна из главных проблем — специалисты по данным и бизнес часто говорят на «разных языках». Data-команды измеряют успех техническими метриками (например, точность модели), которые мало что значат для предпринимателей. А владельцам бизнеса важнее конкретные KPI: прибыль, удержание клиентов, экономия затрат. Если не связать модель напрямую с этими показателями, проект рискует превратиться в дорогую игрушку.
Одна из главных проблем — специалисты по данным и бизнес часто говорят на «разных языках». Data-команды измеряют успех техническими метриками (например, точность модели), которые мало что значат для предпринимателей. А владельцам бизнеса важнее конкретные KPI: прибыль, удержание клиентов, экономия затрат. Если не связать модель напрямую с этими показателями, проект рискует превратиться в дорогую игрушку.
Почему бизнес-метрики редкость в ИИ-проектах
Хотя эксперты признают, что именно бизнес-показатели должны быть в центре внимания, на практике они часто фокусируются на технических метриках. Причин несколько:
Например, при выявлении мошенничества: каждая заблокированная «честная» транзакция может стоить компании 100 долларов упущенной выгоды, а каждая пропущенная мошенническая — сумму самой операции. Кроме того, на итог влияет множество факторов: есть ли страховка, как настроен порог блокировки транзакций и т.д. Эти решения лежат уже не в плоскости Data Science, а в зоне ответственности бизнеса.
- Культурная инерция. Гораздо проще отчитаться «процентом точности модели», чем обсуждать влияние на деньги.
- Недоверие к простому языку. Существует стереотип, что предприниматели «не поймут» математические отчёты, и потому всё подаётся в заумной форме.
- Сложность расчёта ценности. Чтобы перевести работу модели в деньги, нужно строить предположения и оценивать потери от ошибок (ложноположительных и ложноотрицательных), а это всегда сопряжено с неопределённостью.
Например, при выявлении мошенничества: каждая заблокированная «честная» транзакция может стоить компании 100 долларов упущенной выгоды, а каждая пропущенная мошенническая — сумму самой операции. Кроме того, на итог влияет множество факторов: есть ли страховка, как настроен порог блокировки транзакций и т.д. Эти решения лежат уже не в плоскости Data Science, а в зоне ответственности бизнеса.
Как ИИ может «разрулить» ситуацию
Чтобы предиктивный ИИ приносил реальную пользу, компаниям стоит пересмотреть подход:
- Выравнивайте цели. Специалисты по данным и бизнес должны договориться о том, как именно измеряется успех модели: рост выручки, снижение списаний, экономия рабочего времени.
- Считайте в деньгах. Даже если расчёты основаны на предположениях, лучше иметь приближённые оценки экономического эффекта, чем довольствоваться абстрактной «точностью модели».
- Настраивайте пороги принятия решений. Иногда не сама модель, а бизнес-логика использования даёт максимальный эффект. Например, блокировка не 2,5%, а 1,5% подозрительных транзакций может сильно изменить баланс между потерями и прибылью.
- Признавайте неопределённость. Предсказания никогда не будут точными на 100%. Важно научиться работать с диапазонами и сценариями.
Найти рациональное решение можно с помощью нашего сервиса: он может прогнозировать, сколько у вас будет заказов в ближайшее время и заранее подсказать, когда ждать всплеск покупателей — чтобы вы не теряли прибыль.
"Komanda" помогает заметить клиентов, которые могут уйти, и предлагает способы их удержать. А ещё подсказывает, как выгоднее сделать закупки, куда вложить деньги и какие маркетинговые кампании реально принесут результат, сэкономив ваш бюджет и время.
"Komanda" помогает заметить клиентов, которые могут уйти, и предлагает способы их удержать. А ещё подсказывает, как выгоднее сделать закупки, куда вложить деньги и какие маркетинговые кампании реально принесут результат, сэкономив ваш бюджет и время.
Главный урок для малого и среднего бизнеса: предиктивный ИИ работает только тогда, когда он напрямую связан с деньгами и внедряемый продукт уже знает что делать, чтобы не искать иголку в стоге сена. Модели нужно оценивать не по красоте графиков и не по проценту точности, а по тому, сколько прибыли или экономии они приносят и какой функционал они умеют закрывать.
Источник: AI Forbes