Искусственный интеллект на службе бизнеса

Когда вопрос ИИ должен стать приоритетным для руководящего состава организации? Хотя изменения режима работы иногда происходят по итогам расчетов прибыли от капиталовложений, стратегические решения ставят руководство перед дилеммами и вынуждают бороться с неопределенностью. Внедрение ИИ в одну часть организации может потребовать изменений в другой. Чтобы отследить влияние на организацию в целом, нужно, чтобы внедрением и принятием решений занимался человек, полностью контролирующий деятельность бизнеса, а именно СЕО.

Когда же ИИ попадает в данную категорию? Когда снижение стоимости прогнозов приобретает достаточное значение, чтобы изменить стратегию? И какой трудный выбор поджидает директора, если это произойдет?

Как ИИ меняет стратегию бизнеса

Как мы предположили в главе 2, если повернуть регулятор точности, компании типа Amazon смогут предсказывать желания конкретного покупателя настолько уверенно, что это изменит их бизнес-модели. От схемы «покупка – затем доставка» они перейдут на «доставка – затем покупка» и начнут рассылать заказы клиентам, предугадывая их желания. Данный сценарий наглядно иллюстрируют три составляющие, вместе подталкивающие к решению вложиться в разработку инструмента ИИ, чтобы подняться до уровня стратегических решений в противовес тактическим.

В первую очередь должна присутствовать дилемма или компромиссное решение. Для Amazon дилеммой выступает то, что «доставка – затем покупка» может повысить продажи, но одновременно увеличить количество возвратов. Если издержки от возвратов высоки, то доход от вложений в модель «доставка – затем покупка» ниже, чем в традиционную «покупка – затем доставка». Вот почему при отсутствии технологических изменений Amazon придерживается модели «покупка – затем доставка», а не наоборот, как и почти все другие магазины.

Во-вторых, проблему можно решить снижением неопределенности. В случае Amazon это покупательский спрос. Если точно прогнозировать, что люди купят, особенно если товар уже доставлен, то вероятность возвратов снижается и продажи растут.

Такого рода управление спросом не ново, поэтому и существуют офлайновые магазины. Они не могут прогнозировать индивидуальный спрос, только вероятный спрос группы потребителей. Объединяя в группы потребителей, приходящих в один магазин, они страхуются от неопределенности спроса индивидуальных покупателей. Переход на модель «доставка – затем покупка», основанную на индивидуальном подходе, требует больше информации о спросе отдельных покупателей, с тем чтобы превзойти конкурентное преимущество офлайн-магазинов.

В-третьих, компаниям требуется прогностическая машина, способная в достаточной степени снизить неопределенность, чтобы сместить баланс стратегической дилеммы. Amazon при очень точном прогнозировании потребительского спроса будет выгодна модель «доставка – затем покупка». В данном случае плюсы повышения продаж перевесят минусы издержек возвратов.

Если Amazon внедрит данную модель, за ней последуют дальнейшие перемены в бизнесе. В том числе, например, вложения в снижение издержек по обеспечению безопасности посылок, оставленных для получателя, и в транспортные услуги по доставке возвратов. Хотя на клиентоориентированном рынке доставки высокая конкуренция, рынок услуг по возврату находится пока в зачаточном состоянии. Amazon могла бы организовать собственную инфраструктуру грузового транспорта для ежедневной доставки и сбора возвратов и таким образом вертикально интегрироваться в бизнес возвратов товара. Фактически Amazon подвинула бы границу своего бизнеса прямо к крыльцу дома покупателя.

И эта граница уже начинает сдвигаться. Один из примеров тому – немецкое предприятие электронной коммерции Otto[114]. Основной проблемой покупок в онлайн-магазинах остается неопределенное время доставки, и, если оно не удовлетворило клиента, он вряд ли вернется на сайт еще раз. Otto выяснила, что, если доставка слишком долгая (больше нескольких дней), количество возвратов увеличивается. За это время покупатели успевают купить то, что им необходимо, в магазине. И даже при высоких продажах Otto много теряла на возвратах. Как же сократить время доставки до покупателя? Предугадать, что он собирается заказать, и обеспечить наличие товара на складе неподалеку. Но такое управление ресурсами само по себе затратно.

Вместо этого следует запастись только теми товарами, которые понадобятся вероятнее всего. Нужен точный прогноз покупательского спроса. В базе данных Otto три миллиарда транзакций и сотни других переменных (в том числе поисковые запросы и демографические данные), поэтому она смогла создать прогностическую машину. И теперь с 90 %-ной точностью прогнозирует, какие товары продадутся в ближайший месяц. Исходя из прогноза, компания изменила логистику. Перечень товаров уменьшился на 20 %, а количество возвратов в год снизилось на 2 млн. Прогностика улучшила логистику, которая, в свою очередь, сократила издержки и повысила удовлетворенность клиентов.