Proč? Argumenty jsou dva. První, lidský a profesní, je postaven na odlišném způsobu myšlení. Člověk má možnost oprostit se od zažitých metod a postupů. Jeho způsob uvažování o věcech se rozšíří za jeho dosavadní hranice. Nový pohled na zadanou úlohu přinese kreativní a zajímavá řešení.

Druhým důvodem jsou lepší výsledky. Analytik věnuje nemalou část svého času obhajobě či vysvětlování závěrů své práce. Použije–li analytik při argumentaci něco, co už uživatelé znají – standardní report obohacený svými výsledky – ochota a schopnost příjemců naslouchat se zvýší. Autor reportů ocení nová data, která reporty změní z rutinních zpráv o výsledcích v minulosti na zajímavý informační zdroj o současnosti, případně budoucím směřování.

V obou předchozích dílech jsem obsáhle popsal proces reportování, nyní si popišme v krátkosti rysy analytického procesu.

Jak vypadá analytická úloha

Pod tímto pojmem si zjednodušeně představíme tvorbu matematicko-statistických modelů, které jsou počítány specializovaným statistickým nebo dataminingovým softwarem. Některé z těchto modelů přiřazují skóre k jednotlivým zákazníkům nebo zákaznickým skupinám. Skóre je bezrozměrnou míru vyjadřující náklonnost zákazníka k odchodu ke konkurenci (churn), ke koupi dalšího produktu (cross sell, up sell), k problémům při splácení úvěrů (skórovaní kreditního rizika), k podvodnému chování (fraud) atd. Výsledná hodnota skóre umožňuje volit adekvátní chování k odlišným zákazníkům.

Obr. 1: Nejvíce času v analytické úloze zabere příprava dat. Je důležité mít všestranný nástroj, kterým lze bez problému data spojovat, odvozovat a transformovat.

Co následuje? Jednou měsíčně je spuštěn skórovací algoritmus a výsledek je zapsán do příslušné tabulky v databázi. Tento postup se nazývá offline skórování. Poskytuje informace o portfoliu klientů a umožňuje se zpožděním reagovat na případné změny. Zde končí obecné povědomí o procesu analytické úlohy. Pojďme si ale rozšířit obzory o další možnosti, které se v analytice úspěšně uplatňují.

Automatizace

Jedním z úkolů analytika je pravidelné spouštění skórovacího algoritmu. Je ale pravděpodobné, že v organizaci neexistuje pouze jeden model (jedna analytická úloha). Více modelů je fragmentováno mezi více analytiků. Při absenci některého z nich může nastat problém v zastupitelnosti při požadavku na spuštění. Stejně tak není možné spouštět skórovacích algoritmů v náhodných okamžicích, protože náročnost tohoto procesu z hlediska času i hardwaru významně ovlivňuje systémy v oddělení, případně v organizaci.

Z výše zmíněných důvodů existuje podpůrný software pro kolaboraci a nasazení (deployment). Ten umožňuje centrální sdílení a spouštění skórovacích algoritmů. Je možné v průběhu času měnit verze modelů a kontrolovat jejich aktuálnost. Spouštění algoritmů nemusí probíhat v pravidelných intervalech, ale např. při změně v systému nebo po dokončení jiné systémové úlohy (plnění datového skladu). Proces je možné monitorovat a po skočení automaticky informovat příslušné pracovníky.

Skórování v reálném čase

V předchozím bodě byl zautomatizován proces offline skórování. Tento způsob skórování je ale zdlouhavý a výpočetně náročný. Z tohoto důvodu není vhodný k hodnocení jednotlivých zákazníků v reálném čase. Rozšiřme proto úlohu o možnost online skórování. Co to znamená, si vysvětleme na příkladu návštěvy pobočky banky. Po vyplnění několika políček na formuláři je obsluha klientovi schopna okamžitě říct, zda je požadovaný úvěr schválen. Počítač je totiž napojen do systému, jehož součástí je i výše zmíněný software, který provádí online skórování. Klient nemusí čekat několik dní na schválení úvěru a obsluha nemusí sebe ani další v bance zatěžovat požadavkem na výpočet skóre pro klienta. Tímto způsobem můžeme velice jednoduše a efektivně zrychlit procesy v organizaci.

V některých případech není možné ani nejlepší dostupný model srovnávat s expertní znalostí. Ideální je v tomto případě spojení expertních pravidel a skórovacího algoritmu. Na základě interakce se zákazníkem a existenci několika implementovaných expertních pravidel je koncový pracovník schopen zhodnotit míru rizika a vhodně se v konkrétním případě rozhodnout. Hranice mezi schopností uspokojit požadavky zákazníka a vyvarovat se zbytečnému riziku je velice tenká.

Převod analytických dat na informace

Z uvedeného plyne, že analytická data lze získat různými způsoby. Ať jsou ale data získána jakkoli, měla by sloužit ke zlepšení rozhodovacích schopností v organizaci. Informace z těchto dat se nejjednodušeji mezi zaměstnance rozšíří prostřednictvím analytických reportů. Zpravidla se jedná o několik histogramů, sloupcových a čárových grafů, které ukazují rozložení skóre, obsazenosti zákaznických kategorií a vývoj zákaznických kategorií v čase. Tato forma ale není pro většinu lidí příliš poutavá.

Ale kdo takto vytvořené reporty čte? Čtou je ti, kdo je vytvořili. Nadřízeným nebo vedení je připravena zkrácená a zjednodušená verze, která agreguje všechny dostupné informace do několika základních tabulek. Kolegové se omezí na několik kusých informací, které zazní na poradě oddělení případně celé organizace, což je škoda.

Zajímavý report s analytickými daty

Je nutné říci, že vytvořit report na podkladu analytických dat není jednoduché. Kromě snahy zaujmout musí autor zvážit objem poskytnutých informací. Ne vždy je vhodné a možné publikovat všechny informace, které model používá, nebo jsou jím produkovány.

Základem pro dobře vypadající analytický report může být několik interaktivních tabulek a grafů. Ty lze filtrovat podle vybrané zákaznické skupiny. Kromě charakteristik všech klientů je tak možné nahlížet na sociodemografická data jednotlivých skupin v jednom reportu. V druhém kroku je možné vytvořit analytický report o produktech. V tomto případě se nabízí použití techniky drill down/up, kdy je možné v grafu nebo tabulce procházet hierarchií produktová kategorie - produktová řada - produkt. Z několika charakteristik jako jsou příjmy, náklady, počet zákazníků atd. lze v průběhu procházení hierarchií získat informace, které je obtížné získat jiným způsobem.

Obr. 2: Při tvorbě reportu je důležitá i vizuální stránka, které dokáže zaujmout.

Pokud existuje v datech geografická informace jako např. kraj - okres - obec, lze kombinovat funkcionalitu drill down/up s mapovým podkladem. Tato technika nabízí jednoduchý ale velmi efektivní způsob, jak získat informace o rozložení zákaznických nebo produktových skupin v územním celku. Pokud jsou tvořeny predikce pro další období, je možné je v reportu zpřístupnit jednoduchým aktivním tlačítkem.

Závěr

Spojení analytického procesu a tvorby reportů má několik výhod. Autor reportů má k dispozici data přinášející do reportů nové informace. Analytik získá nástroj, kterým je možné prezentovat výsledky, aniž by musel dlouze vysvětlovat souvislosti. Příjemce reportu má relativní volnost v hledání informací. Vedení a kolegové dostávají k dispozici prostředek, pomocí kterého jsou schopni nahlížet na analytické informace z různých pohledů. Tato spolupráce mezi odděleními vede ke zlepšení informačního toku napříč organizací.

Věřím, že se s některými z vás brzy potkáme na společném projektu a série těchto článků vám pomohla se na podobný projekt připravit.

Ing. Michal Kadlec Autor seriálu je certifikovaným analytikem a konzultantem pro reporting, data mining a statistickou analýzu ve společnosti ACREA CR.