Резюме
Целевая сессия о том, почему корпоративная наука о данных часто не давала результатов в цепочках поставок и как быстро это исправить. Мы исследуем истинное назначение команд по науке о данных, как эффективно их использовать и как повысить их влияние, начиная с сегодняшнего дня.
Полная стенограмма
Conor Doherty: Это Supply Chain Breakdown, и сегодня мы разберем, почему мы считаем, что корпоративная наука о данных потерпела неудачу.
Еще одна неоспоримая точка зрения от Lokad. Меня зовут Конор; я директор по коммуникациям в Lokad.
И слева от меня, как всегда, основатель Lokad, Жоанн Верморель. А теперь, прежде чем мы перейдем к обсуждению, оставьте комментарий ниже: вы сразу не согласны с нашей точкой зрения? Провалилась ли корпоративная наука о данных в целом?
Мы узнаем об этом в ходе обсуждения. Присылайте вопросы и комментарии. Алексей сегодня ведет лайв-чат — поприветствуйте его.
Итак, Жоанн, приступим сразу к делу. Итак, прежде всего: корпоративная — извините — наука о данных потерпела неудачу. Это провокационное заявление. Оно очень соответствует нашему имиджу, но не является ли это преувеличением?
Joannes Vermorel: По моему мнению, нет. Мне довелось обсудить, как мне кажется, с примерно 200 компаниями — то, как они работают с цепями поставок и данными — и могу сказать, что практически ни одна из них не добилась значительного успеха в области науки о данных.
Более конкретно, я говорю о нефокусных технологических компаниях — не считая гигантов, таких как Microsoft, Amazon и т.д. Я имею в виду компании, не связанные с технологиями, но управляющие крупными цепями поставок. И когда я говорю «наука о данных потерпела неудачу», я имею в виду корпоративную команду, работающую под названием «команда по науке о данных».
Доставила ли эта команда что-либо, что действительно способствует прибыльности компании? Критерием может служить такой тест: если бы эти компании расформировали эту команду за одну ночь, сильно ли пострадала бы их прибыльность — в крайнем случае, обанкротились бы они вообще?
Если бы наука о данных действительно приносила значимую пользу, то ее удаление должно было бы серьезно навредить компании. По моему мнению, для буквально всех компаний, которые я видел, можно было бы убрать команду по науке о данных, и это едва ли создало бы неудобства.
Conor Doherty: Хорошо — но определите проблему так, как вы ее видите. Как вы представляете отдел по науке о данных? Какова, по вашему мнению, его задача — его предназначение, в котором, как вы считаете, он терпит неудачу?
Joannes Vermorel: Вот в чем дело — наука о данных это средство, а не цель. Если провести аналогию — конец XIX века — это замечательное новое явление, электричество. Электричество потрясающее; с его помощью можно сделать так много чего. Это изобретение, которое определит следующее столетие.
Теперь представьте компанию, которая создает «отдел электроэнергетики». Вы понимаете, что создание отдела, занимающегося электричеством, является ошибкой — не потому, что электричество плохое, а потому, что сам отдел электричества не имеет смысла. Вот моя идея в отношении науки о данных.
Я не говорю, что наука о данных как подразделение компьютерных наук потерпела неудачу. С использованием моделей, методик и различных подходов к работе с данными делаются невероятные вещи — это как ракетный корабль, и генеративный ИИ — лишь последняя его модификация.
Однако, если вы создаёте отдел по науке о данных, вы получаете то же самое, что и отдел по электричеству в вашей компании. Это средство, а не цель. Вам не нужно электричество ради самого электричества; вам важно то, что вы с его помощью можете сделать — и это будет крайне размыто.
Для фабрик и финансов это будет иметь совершенно разное значение. Люди на заводах скажут: «Электричество прекрасно; у нас могут работать двигатели, перемещая тяжелые грузы». Финансисты скажут: «Если у нас будет очень современный вычислительный аппарат — например, IBM — возможно, мы сможем выполнять вычисления». Это всё-таки электричество, но с совершенно другим смыслом.
Аналогично с наукой о данных. Корпоративная наука о данных терпит неудачу, потому что, если изолировать её в отдельном подразделении, вы получите нечто, что никогда по-настоящему не приносит значимого эффекта — ведь ей так и не доверяют выполнение конкретных задач. Она не находится внутри подразделения, у которого уже есть своя миссия.
Они не работают в финансах; они не работают в маркетинге. А успешными бывают случаи, когда специалисты действуют в рамках существующего отдела с четко определенной задачей.
Conor Doherty: Здесь можно рассматривать ситуацию двумя способами: с негативной и с позитивной стороны. Начнем с того, что именно не так. Как, по вашему мнению, сейчас задействованы команды по науке о данных — и в чем заключается их ошибка?
Joannes Vermorel: Типичный сценарий таков: высшее руководство видит в прессе, что наука о данных — это нечто. Это вызывает у людей большой энтузиазм: «Надо нам ИИ!» Руководящий совет собирается и говорит: «Мы не можем упустить это. Нам это нужно.»
Они нанимают кучу очень умных, технически подкованных людей, и эти люди говорят: «Посмотрите на все эти блестящие open‑source проекты: pandas, PyTorch — и так далее.» Там есть все эти блестящие игрушки. Давайте задействуем эти open‑source проекты; они невероятно качественные и привносят изящество в дело.
Эти инструменты сыграли ключевую роль в достижениях крупных технологических компаний. Поэтому люди говорят: «У нас есть все ингредиенты: потрясающие open‑source проекты и умные люди — мы собираемся подражать большим технологическим гигантам.» Последствие: это не работает.
Люди что-то создают. Типичный сценарий таков: пара недель и уже появляется чрезвычайно шикарный, многообещающий прототип. Спустя три недели: бац, очень крутой прототип, впечатляющий. Год спустя — еще не внедрен в производство. Через пять лет из этого отдела по-прежнему не появляется ничего, что можно было бы назвать промышленного уровня — и уж тем более ничего революционного.
Конечно, то, что основано на данных, есть и то, что применяется здесь и там, но по-французски это называют «пятым колесом», то есть несущественной деталью.
Conor Doherty: Вы упомянули «производство», и я действительно хочу вернуться к теме пилотных проектов, застрявших в тупике. Но вы также упомянули назначение, цель, направление, функцию — слова, которые относятся к телеологии. Итак, какова, по вашему мнению, цель команды по науке о данных — зачем она вообще существует, если существует?
Joannes Vermorel: Вот в чем дело — она существует с той же целью, с какой существовал бы «отдел электроэнергетики» в вашей компании. Рассмотрите это так, и вы увидите проблему: это звучит некорректно, ведь это средство, а не цель — даже если вы поставщик электроэнергии.
Даже EDF, национальный поставщик электроэнергии во Франции, не имеет «отдела электроэнергетики». Весь их бизнес — это электричество. Нужно думать о том, чего вы хотите достичь. Например, если маркетинг говорит: «Мы хотим оптимизировать расходы на Google Ads», то займитесь оптимизацией расходов на Google Ads.
Они не занимаются «наукой о данных»; они проводят оптимизацию. Оказывается, там задействовано много данных. Как только вы принимаете операционную перспективу, это уже не называется наукой о данных. Вот почему я говорю, что корпоративная наука о данных потерпела неудачу: каждый раз, когда я вижу команду, которая всё еще называется «наука о данных», это отражает людей, потерявшихся в своих задачах. У них нет ясного предназначения — и, как правило, в производстве ничего значимого нет.
У них могут быть несколько отдельных виджетов, но если они существуют уже десятилетие, и если мы посмотрим за пределы крупных технологических компаний, я никогда не видел, чтобы такие команды держали судьбу компании в своих руках. В лучшем случае их роль крайне вторична.
Conor Doherty: Вы проводили аудит технологических компаний и работали в небольших компаниях — не FAANG. Вы, вероятно, видели успешные команды по науке о данных. Что отличает хорошие команды от общего провала корпоративной науки о данных?
Joannes Vermorel: Я провел аудит более чем 100 стартапов. Совершенно иначе, когда я проверяю компанию, занимающуюся обнаружением мошенничества.
Очевидно, что вот в чем цель: обнаружение мошенничества. Затем они сегментируют виды мошенничества; у них может быть команда, занимающаяся схемами «pig‑butchering», используя специфические эвристики и алгоритмы для их обнаружения, устранения и эффективного информирования соответствующих органов.
Наука о данных в этих технологических компаниях работает, потому что это буквально их raison d’être. Они начинают с проблемы, которую хотят решить — например, обнаружение мошенничества или аномалий в машиностроении. И для решения проблемы они в какой-то момент прибегают к использованию сложных инструментов.
Они не начинают с утверждения: «У нас есть этот классный open‑source пакет; давайте его используем». Они начинают с большой, недостаточно решенной проблемы. Видя, что простые решения не работают, и после их проверки, они прибегают к массивным усилиям для её решения.
Часто они понимают, что проблема остается нерешенной, потому что все доступные инструменты не подходят. Open source великолепен, но не соответствует их конкретной задаче. Поэтому они разрабатывают собственное технологическое решение и, как побочный продукт, выпускают компоненты с открытым исходным кодом, являющиеся его субэлементами.
Точно так же, как большие технологические компании работают с грандиозными проблемами — затем они решают открыть части своего решения. Например, Airflow от Facebook — это масштабируемая распределенная система планирования задач с учетом зависимостей; они разработали его внутри компании, а впоследствии это стало лишь частью более масштабного решения, которое было открыто с исходным кодом.
Обычно такова эволюция этих технологий. Проблема в том, что вы думаете, что можно просто взять эти компоненты и использовать их в крупной компании, даже если ваш путь совершенно иной. Эти технологические решения великолепны, но они появились в результате специфического процесса.
Чаще всего они не будут подходящими для крупной корпорации, у которой проблемы совершенно иного характера, нежели у таких технологических гигантов, как Meta. Подавляющее большинство компаний в мире не сталкиваются с проблемами, характерными для Meta.
Conor Doherty: Всем, кто знаком с контентом Lokad, известно, что вы часто не соглашаетесь с тем, как расходуются бюджетные средства в корпорациях. Есть ли что-то особенно пагубное — особенно отрицательное — в том, как тратятся деньги на науку о данных, помимо простой траты впустую?
Joannes Vermorel: Нет — снова отсутствие последствий. Из-за стереотипа, что команды по науке о данных работают в полной изоляции, последствий второго порядка почти нет. Они не загрязняют работу остальных отделов; ущерб в основном ограничивается деньгами, потраченными зря на команду.
Они настолько изолированы, что даже не занимают много внимания высшего руководства; может быть, одна-две встречи в год. Хорошая новость заключается в том, что это локальная проблема: расточительные расходы, которые не выходят за эти рамки.
Conor Doherty: Они настолько изолированы — что вы имеете в виду?
Joannes Vermorel: Можно представить и другие явления — модные тренды демонстрации добродетели — которые отнимают время и умственные ресурсы у всей управленческой команды. Это очень вредно. Наука о данных не такова. Она суперизолирована и не создает когнитивной нагрузки для высшего руководства.
На мой взгляд, это давняя традиция; она повторяется с появлением новых модных слов. Двадцать пять лет назад ключевым словом было «data mining». Компании создавали команды по data mining. Затем — команды по цифровизации, по инновациям, теперь — команды по науке о данных, и скоро — команды по генеративному ИИ.
Если у вас есть корпоративная команда, названная по средствам — например, «электричество» — вместо конечной цели — например, «обнаружение мошенничества» — это неправильно. Команда не должна называться по средству; она должна носить название конечной цели.
Название имеет значение: оно определяет, как люди подходят к своей работе, кого вы нанимаете и как они разрабатывают свой план действий. Если у вас есть команда «науки о данных», они придумают — угадайте что — план по науке о данных. Если же вы назовете ее «команда по обнаружению мошенничества», то план будет: «Как нам ликвидировать мошенничество?»
В Lokad мы фактически перестали нанимать «аналитиков данных» десять лет назад. Теперь мы нанимаем «специалистов по цепям поставок». Это может звучать как небольшое изменение, но при найме мы буквально говорим кандидатам: если вы присоединитесь к нам, ваша задача — обеспечить максимально гладкое функционирование цепей поставок наших клиентов.
Мы предоставим вам лучшие инструменты и обучение; вы не останетесь один на один с задачами. Но в конечном итоге, если вы сможете решить проблему с помощью элементарной арифметики и нескольких эвристик — отлично. Мы не здесь для того, чтобы публиковать статьи о сложных алгоритмах. Если невероятно простая эвристика решает проблему, молодцы; обслуживание станет проще.
В то время, когда мы нанимали «аналитиков данных», люди возражали: «Мы не можем решить эту задачу с помощью супер-примитивного метода — это не соответствует последним достижениям. Мне нужен deep learning для моего резюме.» Для нас: нет, он вам не нужен. Если что-то значительно проще глубокого обучения решает задачу, глубокое обучение не требуется.
Conor Doherty: Прежде чем я продолжу, напоминаю, что мы нанимаем специалистов по цепям поставок. Если вам интересно, отправьте свое резюме нашему менеджеру по подбору персонала.
Добавляя немного контекста: такие источники, как Gartner, сообщают, что лишь 48% цифровых инициатив достигают или превосходят бизнес-цели, а многочисленные опросы показывают, что проекты в области AI/ML застревают на стадии подготовки к производству. Очевидно, существует «пилотное чистилище». Я не говорю, что это одномерная проблема — но в этой многомерной проблеме, насколько значителен вес отделов по науке о данных?
Joannes Vermorel: Это подавляюще. Обычно, когда вы запускаете цифровую инициативу, направленную на цифровизацию — на создание системы учета — это работает. Например, расходы, управляемые через таблицы и электронную почту: вы внедряете систему управления расходами. Через шесть месяцев приложение и рабочие процессы налажены, и всё работает.
Системы учета представляют собой почти нулевой риск инициатив — хотя иногда поставщики оказываются исключительно плохими. Напротив, в области систем интеллекта практически все они терпят неудачу. Если система исходит от команды по науке о данных, по моему опыту, она всегда проваливается.
В Lokad у нас даже были клиенты с параллельными системами: Lokad генерирует решения для цепей поставок, а внутренняя команда по науке о данных, которая занималась этим за полдесятилетия до нас, всё еще существует, генерируя неиспользуемые данные, просто игнорируемые. Корпоративная сложность удерживает их в таком положении.
Наука о данных чрезвычайно полезна — как и электричество. Это универсальный инструмент, когда есть данные — а сегодня их повсюду. Стоит ли им уделять внимание? Безусловно. Но это не означает, что нужна отдельная команда. Она должна быть интегрирована в каждую команду, где есть данные: маркетинг, финансы, производство, закупки, планирование и т.д.
Conor Doherty: Давайте будем конструктивны. Исходя из того, что вы сказали, вы предлагаете, чтобы каждый участник команды повышал свою квалификацию в области data science; или чтобы в каждой команде был специалист по data science; или центральная команда предоставляла специалистов по запросу? Какой мир вы рекомендуете?
Joannes Vermorel: Для каждой функции в компании существует потенциал использовать данные для того, чтобы выполнять её задачи — лучше и быстрее. Возьмем более простой пример, чем цепочка поставок: расходы на рекламу в Google Ads.
Google Ads сложны: вы можете подавать ставки с разными суммами для тысяч ключевых слов; отслеживать эффективность, стоимость за клик, стоимость за достижение результата. Это довольно техническая область. Вы можете выстроить эту компетенцию внутри компании с настоящими экспертами или полностью передать её агентству, занимающемуся оптимизацией.
Оба подхода допустимы, если где-то существует настоящая экспертиза — внутренняя или внешняя. Вам нужны люди с истинной склонностью ко всему, что связано с data science. Глубокое понимание нельзя обойти стороной — оно проявляется через призму функции, которую вы оптимизируете.
Conor Doherty: Один вопрос, который мне задали лично — в роли дьявольского адвоката для Joannes: разве «неудача» не слишком жесткий термин, если аналитика все равно информирует встречи и отчеты? Если руководство чувствует себя лучше информированным, разве это не добавляет ценности?
Joannes Vermorel: Именно это и есть случай, когда data science изолирована и не имеет негативных последствий — только здесь всё хуже: вы отвлекаете руководителей позитивными отчетами. Если вам нужны описательные статистики для высшего руководства, это задача BI.
У вас уже есть команда бизнес-аналитики; удваивать бюджет на data science не нужно. Кстати, у подразделений BI тоже есть свои проблемы. Отдел маркетинга должен нести ответственность за разработку собственных показателей; их не следует поручать data science.
Если единственным результатом будут метрики, которые утешаствуют руководство — в лучшем случае, они дублируют функции BI. Объедините их с BI; отдельное подразделение не требуется. Мой критерий жесткий: понесла бы компания измеримый финансовый ущерб, если бы отдел data science исчез?
Улучшение морального духа руководства — это хорошо, но меня волнует итоговая прибыль — сколько дополнительных денег мы приносим компании. Создавать тысячи или миллионы чисел в день очень просто и даже забавно; создать десять чисел в день, достойных внимания, чрезвычайно сложно.
Вы производите эти десять чисел? По моему опыту — нет. Они создают горы метрик, да — но не те, которые действительно ценны и удаление которых повредило бы компании.
Conor Doherty: Многие из этих метрик поступают сверху. Маркетинг — это отдел; продажи — это отдел. Они не отвечают за показатели, навязаные извне. И если у вас уже есть BI, производящий описательную статистику…
Joannes Vermorel: Именно — в лучшем случае это избыточно. Объедините это с BI; отдельное подразделение не требуется.
Conor Doherty: Ещё один вопрос из личных сообщений: «Я не могу просто уволить команду data science. Как я могу улучшить ситуацию с первого дня?» Реалистично, что можно сделать?
Joannes Vermorel: Я применял это для довольно крупных игроков в электронной коммерции. Я предложил разделить команду и перераспределить её между другими отделами. Если у вас, скажем, шесть человек: распределите двоих в финансы, двоих в маркетинг, двоих в планирование. Скажите менеджерам, что теперь они отвечают за этих компетентных специалистов и за их эффективное использование.
Если вы управляете этим подразделением и хотите стать героем, убедите высшее руководство распределить эту экспертизу по отделам. Лучший подход, который я видел — но он работает только для очень крупных компаний — это преобразовать центральную команду в тренеров и наставников по data science в каждом отделе.
Забудьте о создании рабочего прототипа для маркетинга; пятеро из вас будут обучать маркетинг, чтобы тот мог делать интересные вещи с данными; аналогично — обучать продажи. Это работает в компаниях с оборотом €5 млрд и более — достаточно крупных, чтобы обеспечить команду, занимающуюся исключительно пропагандой. Это должно быть временным — 12, 18, 24 месяца, не более двух лет — а затем расформировано.
В противном случае вы получите полускрытую бюрократию, которая тратит деньги впустую.
Conor Doherty: Вопросы из чата. От Neil Knight: Считаете ли вы, что специалисты по data science игнорируются, потому что они внутренние, или потому что они не полезны? Я замечаю, что консультантам часто прислушиваются, потому что они приходят к тем же выводам, что и руководство (McKinsey, Bain, Accenture и другие). Каковы ваши мысли?
Joannes Vermorel: Есть французская поговорка: никто не пророк в своей стране. Быть посторонним помогает, но, слава консультантам, дело не только в этом. Одно, что у них получается — это решать действительно важные проблемы.
Мы можем не согласиться по поводу технических навыков для решения, но когда речь заходит о том, что действительно важно для руководства, у консультантов это получается. Вот чего не делает data science. Из-за своей изоляции они не могут взяться за задачи с большим вознаграждением — для этого требуются масштабные преобразования.
Я видел, как команды data science выбирают любимые проекты, не имеющие большого значения. Мы делаем прикидку и соглашаемся, что рядом существует проблема в двадцать раз больше. Они говорят: «Да, но эта проблема деликатная; нам нужны одобрения на нескольких уровнях; мы можем вызвать недовольство».
Вот где хорошие консультанты побеждают: они сосредотачиваются на том, что действительно важно, а не на любимых проектах, до которых мы боимся приложиться. Даже если то, что они делают, является грубым, они работают с реально значимыми вещами. Data science, находясь в стороне — не будучи частью маркетинга, финансов и т.п. — никогда не получает полномочий для трансформации компании с целью использования данных.
Возьмем обнаружение мошенничества: когда вы его обнаруживаете, вам нужны полномочия сказать: «Мы не будем обслуживать этого клиента; сразу же отклонить платёж». Конечно, будут ложные срабатывания — пострадают честные клиенты. Вопрос в балансе между ложными и истинными срабатываниями.
Если вы скажете команде data science: «Пока будет даже одно ложное срабатывание в год, мы не можем запустить это в производство», — это никогда не запустится. Это компромисс. Вам нужны полномочия сказать: «В целом, всё очень хорошо; негативы под контролем», а затем усовершенствовать методы.
Conor Doherty: Спасибо, Joannes. Переходя к Amarinder: Каково ваше мнение о роли менеджера по продукту или продуктового ученого? Является ли это лучшим способом доставки конечной ценности, о которой вы говорите?
Joannes Vermorel: Менеджеры по продукту в значительной степени относятся к системам учета. Управление продуктом критически важно в этой сфере, потому что возможностей по функциям неограниченно много; вам нужна дорожная карта и умение отсеивать лишнее, умение сказать «нет», чтобы не создать монструозное приложение.
В системах интеллекта — автоматизированных процессах принятия решений, например, обнаружении спама — необходимо совершенствовать показатели ложных срабатываний и пропусков. Это нельзя улучшить, просто обсуждая с пользователями или согласовывая функции. Другой пример — ранжирование при поиске: как улучшить страницу результатов Google? Очень сложно; дело не в функциях.
Управление продуктом важно, но относится к системам учета. Data science, которая действительно влияет, должна быть связана с принятием решений — то есть с системами интеллекта. Менеджеры по продукту или «учёные-менеджеры» играют свою роль, но она незначительна и исходит из системы учета.
Conor Doherty: Предвкушая следующую неделю: мы посвятим эпизод системам учета, системам отчетности и системам интеллекта. Следите за промо и присоединяйтесь.
Заключительная мысль, Joannes. Призыв к действию для тех, кто с вами согласен: каков мой шаг с первого дня — что мне нужно сделать сейчас, чтобы инициировать перемены?
Joannes Vermorel: В основе всё сводится к тому, что с данными можно сделать очень многое. Подавляющее большинство компаний не использует свои данные в полной мере. Интуиция, лежащая в основе data science, исходит из хорошей идеи: у вас так много данных, которые не используются для улучшения бизнеса.
В Lokad это прогностическая оптимизация цепочек поставок — вот чем мы занимаемся, — но есть и множество других направлений. Еще одно удачное направление — «механическая симпатия»: люди, ценящие технические детали, так что это не просто обоснованные догадки, а реальные специалисты, понимающие вызов.
Неправильно брать это и говорить: «Мне нужно создать отдел». Это — анти-паттерн; ленивый способ решения проблемы. Подумайте об «отделе электроэнергии». Электричество должно было стать крайне важным для всех подразделений — то же самое и с data science.
Как лидер, ставьте задачу перед каждым подразделением максимально использовать данные, имеющиеся в компании для их функций. Каждый руководитель отдела должен нести ответственность за максимальную эффективность своей функции. Это потребует навыков, характерных для data science — внутренних, внешних, с консультантами или без.
Это сложное послание, потому что лидеров ждут вопросы, вызывающие дискомфорт. Подумайте об электричестве и производственных линиях: с лампочками можно работать ночью. Это меняет всё. Вы готовы к этому? Множество вопросов — и вам нужно найти ответы в рамках своей функции.
Привлекайте людей, но вы не избежите того факта, что технологии трансформируют вашу работу настолько глубоко, что вы не сможете реально передать эту задачу другому отделу и считать её решенной.
Conor Doherty: Последний вопрос, Joannes: мы можем закончить, или ответить на вопрос от человека, которого я знаю как давнего поклонника. Давайте попробуем. Джошуа спрашивает: исходя из вашего опыта работы с «цепочкой поставок как услугой», если у большинства клиентов по-прежнему есть ERP-системы, таблицы и политики, которые незаметно управляют повседневными решениями, насколько на самом деле Lokad меняет фокус принятия решений? Что нужно, чтобы аналитический слой стал принимающим решения, а не просто очередным советником?
Joannes Vermorel: В Lokad мы твердо нацелены на предоставление автоматизированных решений. У нас есть числовые рецепты, которые генерируют решения автономно. Пока нам приходится корректировать цифры, мы продолжаем дорабатывать рецепт, чтобы ничего не требовалось корректировать, а затем проводим обслуживание, чтобы система продолжала работать самостоятельно.
Чтобы заслужить доверие с решениями производственного уровня, особенно в крупных компаниях, требуется месяцы параллельного запуска. В большой компании это займет месяцы. По мере продвижения все начинают понимать, что у нас теперь появляется гораздо более интересные вопросы, например: что такое «качество обслуживания»?
Если вы скажете, что качество обслуживания — это «уровень сервиса», я не согласен — это не уровень сервиса. Для Министерства обороны это было бы «боеспособность». При данном бюджете, какой спектр операций является осуществимым, а какой — нет? Эти вопросы непростые.
Когда мы внедряем этот подход, у людей появляется возможность глубже задуматься над этими вопросами. Анализ данных вносит множество элементов в обсуждение: целые новые категории вопросов могут найти ответы в данных.
В отличие от команды data science, пытающейся самостоятельно найти ответы, здесь процесс управляется операциями: «Мы хотим это сделать; у нас есть узкое место». Посмотрите на данные; проанализируйте узкое место; получите лучшее распределение; затем следующее узкое место. Если изолировать data science, вы получите решение, которому не хватает проблемы.
Люди создают решение, а затем ищут проблему, которая приблизительно соответствует ему. При операционной функции — например, распределении средств на запчасти для самолетов — перед вами стоит конкретная задача. Вы совершенствуете решения для реальной проблемы.
Conor Doherty: Последующий вопрос от Джошуа: когда происходит такой сдвиг в вашу сторону, сколько обычно изменений в политике требуется, чтобы клиент согласился? Это обычно небольшая корректировка или фундаментальное пересмотрение того, как управляются решения в цепочке поставок?
Joannes Vermorel: Второй вариант, но не все нужно менять за один день. Для некоторых отраслей у нас даже есть отзывы — преобразования длятся десятилетиями и все еще продолжаются.
Для сложных организаций — обслуживание реактивных самолетов чрезвычайно сложно — это требует времени. В случае с Air France Industries преобразование выглядит масштабным даже через десятилетие. Мы брали на себя области решений по одной; я думаю, у нас там более двадцати различных областей.
Обычно на запуск и доведение каждой области до производственного уровня уходили пару месяцев. Это задокументировано — кейс-стади и интервью с директорами.
Conor Doherty: Надеюсь, это помогло. Времени немного не хватает, но приятно было ответить на все вопросы. Спасибо, Joannes, за ваше время — и всем остальным спасибо за участие и вопросы.
Некоторые предпочитают писать в личные сообщения; они приходят ко мне в реальном времени, и, как видите, я задам их Joannes точно в тех же словах, в которых они были мне переданы. Если у вас есть вопросы, пишите нам в личку или оставляйте комментарии.
Мы останемся и ответим на них. Хорошего вечера. Увидимся на следующей неделе в новом эпизоде. И… возвращайтесь к работе.
