В опубликованном наборе данных часть параметров не зависит от времени: количество комнат, географическое положение дома, расстояние от квартиры до ближайшей атомной станции, музея и университета. Таких пунктов почти триста. То есть в таблицах будет три сотни колонок, описывающих каждую квартиру.
Стоит обратить внимание на то, что значения некоторых изменяющихся параметров могут записываться несколько раз в привязке ко времени. Например, уровень безработицы или рождаемости в стране в разные дни[11 - В таблице приведены вымышленные числа, они не связаны с реальными данными рождаемости и безработицы.]:
В таких временных данных тоже содержится скрытая информация. Например, если пару лет назад резко снизилась безработица, а сейчас увеличилась рождаемость, то спрос на квартиры увеличится. Обычному человеку не под силу заметить такую тонкую взаимосвязь между всеми этими цифрами и предсказать их влияние на стоимость «однушки» на окраине столицы. А машина с легкостью определяет значимость и вклад каждого параметра в цену квартиры. После обучения она сможет предсказывать эту величину самостоятельно, принимая в расчет лишь значения параметров. Человек будет в буквальном смысле спрашивать машину: «Сколько, по твоему мнению, сейчас стоит квартира в 5 минутах ходьбы от атомной станции, в 10 минутах пешком от университета, если безработица сегодня составляет 5.6 %, а коэффициент рождаемости равен 2.3?» Натренированный алгоритм – результат машинного обучения – в ответ на такой вопрос выдаст конкретную стоимость квартиры.
Банк вряд ли многое потерял из-за публикации этой информации о недвижимости. Зато теперь во многих школах программирования по всему миру используют этот набор данных в качестве наглядной демонстрации для студентов возможностей машинного обучения.
С помощью больших данных можно привлечь интерес не только студентов, но и партнеров. Даже если компания не может напрямую делиться с ними собранной информацией, то всегда есть вариант создать предсказательный сервис, который будет использовать алгоритмы, обученные на этих данных. В таком случае партнерские системы отправляют запрос алгоритму и получают ответ в виде прогноза. Партнеры не видят всех таблиц данных, но, поверьте, они очень благодарны за доступ к подобному алгоритму (подробнее об этой схеме мы поговорим в разделе «Торговля большими данными»).
Таким образом, предоставив хотя бы ограниченный доступ к своим большим данным в каком угодно виде, можно улучшить имидж организации. Благодаря чему компания без финансовых вложений сможет снизить стоимость привлечения новых клиентов и удержания старых.
Отделение создания и построения компании
Отделение создания и построения компании выполняет функции найма и адаптации сотрудников. Оно анализирует организацию технологического процесса во всей компании с целью повысить эффективность каждого из отделов, комплектует подразделения сотрудниками, следя за тем, чтобы везде хватало рабочих рук. Именно отделение создания и построения компании часто отвечает за оборудование и связь между сотрудниками, а следовательно, и за формирование единой информационной системы предприятия (об этом в следующих главах).
В современных компаниях это отделение уже давно не использует бумажный документооборот, потому что найти хорошего сотрудника на сайте по поиску работы – это как найти иголку в стоге сена. Основная проблема в том, что на одного адекватного работника приходится сотня неподходящих. Точнее, статистика такова:
• 90 % кандидатов на работу вообще не отвечают на электронные письма.
• 5 % – не слышат, что им говорят на собеседовании, и не понимают, о чем их просят.
• 2 % – совсем неадекватные, агрессивные и т. п.
• 2 % – подходят на должность, компетентны, но их не устраивают условия.
• 1 % – подходят и согласны работать, отвечают требованиям, адекватны.
Из этой статистики видно, насколько несладко приходится специалистам по подбору кадров при создании и построении компании. Целых 90 % работы проделывается впустую. Поэтому в этой сфере уже давно применяются алгоритмы автоматического поиска сотрудников. Специальные программы анализируют тексты резюме кандидатов и выявляют среди них наиболее подходящие. После чего другая программа вступает в переписку с отобранными кандидатами. И если те отвечают хотя бы на несколько вопросов-предложений, то контакт передается оператору – реальному сотруднику отдела кадров.
Естественно, что для всего этого – написания и подготовки программы рассылки, получения и обработки резюме кандидатов – требуются программисты. Готовый продукт должен анализировать находящиеся в публичном доступе тексты резюме огромного количества соискателей на соответствие специальному шаблону. Конечно, точного совпадения ждать не стоит, но алгоритмы машинного обучения могут оценить, с какой вероятностью кандидат подходит на предлагаемую должность. Таким образом, на первой же стадии поиска происходит обработка больших данных.
После того как алгоритм определяет наиболее подходящих соискателей, их контакты сохраняются и им отправляется приветственное сообщение, к примеру: «Вы нам подходите… Скажите, вас это интересует?» В итоге после этапов поиска и первого вопроса будет отсеяно 90 % кандидатов. Потому что если в ответ на первый же вопрос соискатель молчит, то его можно смело удалять из контактов и продолжать поиски.
Из оставшихся кандидатов, откликнувшихся на приглашение побеседовать о возможном сотрудничестве, придется отсеять еще немалую часть претендентов. Здесь опять вступает в дело машина: существуют алгоритмы по распознаванию текста, вопросов и генерации ответов. То есть компьютер может задать соискателю несколько вопросов до того, как передать задачу – дальше вести этот диалог – оператору. Таким образом можно сократить количество оставшихся кандидатов вдвое. Программистам для разработки подобного алгоритма не надо даже создавать сложную нейронную сеть. Зачастую в первом же ответе на поставленные вопросы содержится контрольное слово или фраза, указывающие на отказ кандидата от сотрудничества: «к сожалению», «вынужден», «приношу» и т. п. Если подобные слова прозвучали, то лучше отбросить такую кандидатуру – этот человек сейчас не готов менять свое место работы.
В любом случае первичный поиск проводится автоматически со скоростью несколько тысяч резюме в день. Только представьте, сколько бы заплатила компания за эту работу, если бы для ее выполнения посадили «девочку на телефон», тратившую бы 90 % времени на «холодный обзвон» номеров, по которым не берут трубку, и на пустую переписку с соискателями, которые либо вовсе не отвечают, либо присылают отказ в первом же сообщении.
Итак, в случае с поиском новых сотрудников в роли больших данных выступает содержимое резюме кандидатов, анализируя которое машина сама определяет, насколько соискатель подходит на предлагаемую должность. Проводя первичный отсев кандидатов, мы значительно снижаем расходы фирмы на подбор персонала. А ведь найм сотрудников – это бесконечный непрерывный процесс, происходящий в каждой компании. Поэтому можно сделать однозначный вывод: цифровизация точно позволит этому отделению сэкономить значительные средства, повысить эффективность и скорость работы.
Контроль качества
Если в процедуре поиска сотрудников на первый взгляд сложно заметить влияние больших данных, то с контролем качества продукта или услуги все более-менее понятно. В этой области уже давно устоялись стандарты проверки, которые используют цифровые метрики. Например, если предприятие производит детали, то отдел контроля качества сравнивает их прочность с требуемой. И в случае, когда деталь ломается при меньшей нагрузке, чем планировалось, всю партию можно забраковать. Записи же об инциденте будут содержать всевозможную информацию: количество протестированных деталей, даты их выпуска, предельные нагрузки на них во время проверки и т. п., которая по результатам тестирования попадает в озеро данных компании. В дальнейшем эти сведения будут использовать для улучшения качества деталей, материала, производственного процесса. Таким образом, отдел контроля качества даже без приказа сверху самостоятельно собирает большие данные, на которых можно тренировать машину с целью получения рекомендаций относительно свойств деталей еще до того, как они будут физически созданы.
С другой стороны, существуют компании, в которых производственные процессы нельзя напрямую измерить цифрами. Например, невозможно сделать это применительно к бизнесу, который предоставляет услуги по прыжкам с парашютом, то есть обеспечивает получение клиентами свежих впечатлений.
Очевидно, что в момент свободного падения у неподготовленного человека происходит мощный выброс адреналина. А после приземления бессмысленно просить его оценить полет по десятибалльной шкале. Потому что в ответ вы рискуете услышать лишь междометия. Скорее всего, клиент даже не способен будет произнести ни одной цифры, просто потому что он их все забудет, или и вовсе не поймет, не услышит вопроса из-за перенесенного стресса.
Ситуация для бизнеса критическая. Но и тут можно многое придумать, используя большие данные. Давайте мысленно проведем эксперимент с подобной компанией. Поставим следующую цель: добиться того, чтобы впечатления от прыжка с парашютом были одинаковыми у всех категорий клиентов – и у новичков, и у опытных. Мы хотим, чтобы после полета количество эндорфина (гормона счастья) в крови каждого клиента было одинаковым при минимальных затратах со стороны компании. С учетом всего этого план по снижению издержек будет звучать так: впечатлительных клиентов выталкиваем за борт пораньше, на средних высотах, а спокойных только на большой высоте. В итоге у всех клиентов после прыжка будет одинаковый уровень эндорфина, а компания неплохо сэкономит на солярке и ремонте.
Для реализации этого плана соберем необходимые нам большие данные, проведя ряд экспериментов. Возьмем десяток спортсменов разного уровня подготовки. Сбросим их с парашютом в разные дни и с разной высоты. Затем сохраним все данные по каждому прыжку. Даже уровень эндорфина в крови, взятой из вены каждого участника. Так у нас появятся большие данные, в которых будет содержаться следующая информация:
• Способ заказа услуги, дата заказа, способ оплаты.
• Вес, рост, пол клиента.
• Дата и время взлета, прыжка, приземления.
• Высота и максимальная скорость при прыжке.
• Температура, давление, осадки, облачность, видимость на разных высотах.
• Скорость набора высоты при взлете.
• Ширина и долгота точки, в которой был совершен выход из самолета, и места, где состоялось приземление.
• Размер и тип парашюта.
• Показатели артериального давления, частоты пульса и сатурации (уровень кислорода) до, после и во время прыжка.
• Уровень эндорфина, адреналина и других гормонов (и всего, что можно измерить) в крови до и после прыжка.
•… и еще бесконечное множество параметров, которые только существуют, включая фазу луны, количество водоемов в 100 метрах от аэродрома, наличие повара в столовой летного училища.
Число собираемых параметров ограничивается лишь фантазией сотрудников компании, которые проводят эксперимент. Но важно, чтобы их было как можно больше. Потому что на собранных данных будет тренироваться модель машинного обучения, которая в дальнейшем сможет предсказывать уровень эндорфина в крови клиента.
Обратите внимание, что после окончания эксперимента и обучения машины прогнозированию, для собственно предсказания не требуется собирать абсолютно всю информацию о настоящих клиентах, то есть достаточно будет лишь измерить их рост, вес и пульс до прыжка (это можно сделать с помощью спортивного браслета с пульсометром), и машина попробует выдать прогноз по этому ограниченному набору данных. Конечно, чем больше параметров введено, тем выше точность предсказания, но и этого минимального пакета вполне достаточно для прогноза хотя бы примерного уровня эндорфина. И нет нужды брать у клиента кровь из вены.
Обычно предсказание по готовой, обученной модели происходит за доли секунды. Это означает, что система может работать буквально во время полета, снимая показания пульса клиента. И когда машина даст сигнал «дошел до кондиции», инструктору останется только настойчиво предложить клиенту насладиться процессом свободного падения прямо сейчас. А чем меньший вес перевозит самолет, тем меньше топлива он тратит, следовательно, компания снижает издержки. С такой моделью предсказаний «удовлетворенности» клиентов расходы на обслуживание воздушного судна снижаются довольно динамично.
Возможно, приведенный пример несколько экзотичен, но он точно иллюстрирует схему сбора и использования больших данных в коммерческих целях. Даже в сфере обслуживания можно получить достаточно числовых данных, чтобы иметь возможность влиять на степень удовлетворенности клиентов, предсказывать уровень испытываемого ими счастья и, как следствие, сокращать издержки.
Финансовое отделение
В современной компании финансовый отдел и так состоит из комплекса электронных систем. Мало кто пользуется бумажной бухгалтерией. У всех есть автоматизированные системы, в которых можно строить графики, диаграммы, делать сводные таблицы, смотреть развернутую статистику. К сожалению, во многих фирмах собственники и топ-менеджеры не работают с отчетами из данного отдела. Несмотря на то, что финансы – это кровь предприятия, а доход – это основная цель существования бизнеса, а бухгалтерские данные являются основным источником информации о будущем компании. Без них невозможно планировать закупки, прогнозировать рост и минимизировать потери от спада продаж.
Бухгалтерия
Финансовые показатели – одни из самых востребованных среди тех, на которые обращают внимание владельцы и топ-менеджеры успешных компаний. Поэтому стоит еще раз напомнить вам про систему, в которой эти показатели отображаются в реальном времени. «Информационная панель», «панель индикаторов» или «дешборд» (dashboard) – это веб-сайт, где можно посмотреть детальную статистику по каждому отделу компании, в том числе и по финансам. Чтобы было понятнее, о чем идет речь, стоит посетить сайт RealBigData.ru (https://realbigdata.ru/), сделанный специально для демонстрации различных идей, изложенных в этой книге. Внутренний раздел сайта является наглядным примером информационной панели компании. Там есть интерактивные графики, диаграммы, таблицы. Попробуйте поработать с ними и ощутить, насколько это мощный инструмент для управления компанией и ежедневного мониторинга работы каждого отделения.
Программисты организации создают информационные панели, настраивают их непрерывное обновление за счет сбора данных системами бухгалтерии. Если точнее, такие панели рождаются благодаря слаженной работе «инженеров по данным» и «аналитиков данных» и в результате запроса со стороны топ-менеджеров и собственников. Используя эти графики, руководство может мгновенно реагировать на изменения любых показателей бизнеса.
Первое, что можно увидеть на информационной панели, отражающей финансовое состояние компании, – это график прибыли за текущий год по месяцам. При этом обычно на таком графике также представлено сравнение текущего года с прошлым, чтобы можно было проследить динамику, и отмечена прогнозируемая часть графика прибыли, предсказанная алгоритмом, то есть возможные продажи до конца года, которые спрогнозировала машина, основываясь на ранее собранных больших данных.
Если углубляться в то, как именно делаются такие предсказания прибыли на будущие периоды, то кратко весь процесс можно описать так:
1. Специалисты по машинному обучению разбирают историю продаж компании на составные части, в том числе по годам, месяцам, неделям и дням.
2. В разбитых данных они находят различные периодические колебания: сезонные, дневные, недельные спады продаж, увеличение спроса в праздники и т. п.
3. На основе найденных периодических эффектов прогнозируются значения на будущее. Можно даже сделать предсказание на весь год или даже десять лет. При этом прогнозы непрерывно уточняются, используя ежедневно поступающие данные по продажам.
Стоит учитывать, что предсказания на короткие промежутки времени более точные, чем на большие. Но в любом случае благодаря прогнозам можно увидеть тенденцию, а значит, сделать вывод, верным ли путем идет компания или пора что-то быстро менять.
К сожалению, во многих компаниях, как это ни странно, именно собственники и топ-менеджеры являются самыми большими противниками использования информационных панелей для контроля финансовых результатов. Зачастую они считают, что такие системы нужны только серьезным и успешным компаниям. А для бизнеса с небольшими оборотами эти графики погоды не сделают. Обычно фирмы с подобными руководителями заканчивают быстро и плохо. Причина банкротства проста: контроль финансовых показателей организации должен начинаться практически с момента ее создания. Потом спешить построить графики будет уже поздно.
Оплата
Финансовое отделение компании отвечает за одну из самых главных функций – сбор денег с клиентов. От скорости и простоты совершения оплаты зависит и отзыв покупателя. Если заставлять его бегать по банкам с распечатанным счетом, он возненавидит фирму и обязательно поделится на просторах интернета тем, какой дискомфорт испытал. С другой стороны, если клиент легко обменяет свои деньги на товар, то негативных впечатлений от этой сделки получит гораздо меньше или не получит вовсе. Конечно, для достижения подобного результата недостаточно только цифровизации всей системы получения оплаты, необходимо провести обучение персонала, чтобы любой менеджер по работе с клиентами мог квалифицированно сопроводить процедуру купли-продажи.
В качестве отличного примера создания единой информационной системы для всей компании рассмотрим опыт отечественного холдинга Major. А точнее его подразделения, занимающегося легковыми автомобилями, Major Auto, клиентом которого является автор данной книги. Эта компания возникла еще в начале века, когда авторынок в России был не так сильно развит. В то время для совершения какой-либо операции по обслуживанию или покупке автомобиля необходимо было дождаться, пока сотрудник салона распечатает специально подготовленный договор, затем получить счет на оплату, далее пройти в кассу, оплатить счет и вернуться с оплаченным счетом обратно к сотруднику. Такой забег требовал от клиента много времени и сил.
Через два десятка лет весь этот процесс был упрощен до сканирования QR-кода с монитора сотрудника. То есть для оплаты услуги техобслуживания автомобиля клиент должен открыть приложение банка на своем мобильном телефоне, отсканировать QR-код с монитора сотрудника и нажать кнопку «оплатить». При этом не нужно даже вставать со стула, тем более что-либо печатать, бегать по кассам и возвращаться с чеками. Для собственника и топ-менеджера выгода от такого упрощения составляет десятки миллионов рублей в год, потому что раньше эти деньги тратились на бесполезную рабочую силу и дополнительные сервисы:
• На кассира.
• На кассовый аппарат, который надо регистрировать в налоговой и обслуживать (заправлять бумажными лентами и менять фискальный накопитель и т. п.).
• На оборудование специального бронированного помещения кассы: сейф, машина для подсчета денег, офисная техника, видеокамеры и серверы к ним.
• На инкассацию денег из каждой кассы каждого филиала компании до банка. По закону наличные деньги из кассы нужно перевозить в банк минимум один раз в неделю (в выходные касса должна быть пустой).
• На дополнительных бухгалтеров, которые проводят аудит и следят, чтобы кассиры ничего не украли.
Только представьте себе общие финансовые и организационные затраты на поддержание касс во всех отделениях компании. И необходимость во всем этом отпала, как только была создана единая информационная система. Теперь оплата за обслуживание автомобиля производится так же легко, как при совершении покупки в интернет-магазине, а информация обо всех финансовых операциях проходит через единую базу данных, позволяя вести статистику продаж с точностью до секунд.
Информация эта не разглашается, но с большой долей вероятности можно утверждать, что сейчас головной офис Major со множеством филиалов использует только один кассовый аппарат на всю компанию. И даже этот аппарат, скорее всего, является «онлайн-кассой». Подобные «онлайн-кассы» сейчас эксплуатирует большинство интернет-магазинов. Это кассы без принтера, которые подключены к интернету и физически размещены в сторонней компании. В них нет ни кнопок, ни мест для хранения денег, только разъем для подключения к интернету и блок шифрования (фискального накопителя). Эта касса не принадлежит компании, она сдается в аренду, что намного дешевле, чем иметь свой кассовый аппарат. Благодаря тому, что запросы на печать чеков отправляются на такую «онлайн-кассу» через интернет, все отделения компании могут пользоваться ею одновременно из любой точки мира, при этом она способна обработать хоть тысячу запросов в секунду.
Учитывая продвинутый подход к оплате, скорее всего, холдинг Major не только оптимизировал работу касс, но и начал собирать большие данные для более точного прогнозирования спроса на рынке. Ведь совершенно неразумно находиться у воды и не напиться. То есть при наличии централизованной системы оплаты, которая фиксирует всю информацию по сделкам сразу в цифровом виде, крайне заманчивым представляется использование машинного обучения для предсказания спроса, чтобы больше заработать на востребованном и сэкономить на ненужном. В таком случае можно лишь посочувствовать конкурентам, потому что «хлебных крошек» дополнительной прибыли им достанется совсем немного.
Склад
С каждым годом становится все более очевидным, что обычные торговые точки, где весь товар находится на витрине, практически изжили себя для большинства видов продукции. Сегодня все еще целесообразно пользоваться витринами только в небольших точках продажи продуктов питания для быстрого перекуса и в людных местах, например в центре города. Но все остальное наше общество вполне готово приобретать в интернет-магазинах, имеющих пункты выдачи товаров или услугу доставки до двери.
Еще каких-то двадцать с лишним лет назад, в начале века, люди в России даже не представляли, что товары можно заказывать через интернет с доставкой на дом. В то время создание интернет-магазина было необычным и даже убыточным решением. Потому что люди в массе своей чрезвычайно инертны. И это связано не только с приобретением новых товаров и использованием непривычных услуг, но и со способами оплаты. В то время наша налоговая сделала дерзкий шаг и предоставила людям возможность платить за квартиру через интернет не выходя из дома. Казалось бы, отличный способ сэкономить силы и время. Но большинство земляков по привычке еще лет десять продолжали штурмовать почтовые отделения, относя туда купюры, только что выданные им банкоматом за углом. В том числе и поэтому наша почтовая служба прославилась гигантскими очередями. Чтобы переломить эту всеобщую инертность, нужно было либо принять закон, запрещающий оплату наличными за квартиры через почтовые отделения, либо потратить миллиарды рублей на рекламу удобства совершения платежей через интернет. Государство сделало выбор в пользу первого варианта и ввело немало законов, стимулирующих электронные платежи, что заставило людей резко повысить свою цифровую грамотность.
Сегодня доля безналичных платежей в России составляет почти 80 %[12 - ТАСС (2022) Доля безналичных платежей в России по итогам II квартала превысила 77 % (https://finance.rambler.ru/realty/49397196-dolya-beznalichnyh-platezhey-v-rossii-po-itogam-ii-kvartala-prevysila-77/ (https://finance.rambler.ru/realty/49397196-dolya-beznalichnyh-platezhey-v-rossii-po-itogam-ii-kvartala-prevysila-77/)).], и уже не нужно никому объяснять, что такое банковские карточки и как ими пользоваться. Но нежелание людей осваивать все новое продолжает сдерживать развитие бизнеса. То есть когда какая-то мысль еще не укоренилась в общественном сознании, то всегда будет не хватать потребителей для успешной стимуляции развития компаний в этой области. Другими словами, если начать сейчас производить космические корабли, которые могут добраться за пару часов до ближайшей звездной системы, их не будут покупать. Бизнес обанкротится, потому что люди еще не созрели, не осознали своей выгоды. Это как пытаться продать грузовик с двигателем внутреннего сгорания в Средние века. Никто его не купит, причем под самыми разными предлогами: он не ест сено, очень длинный и широкий, колеса чересчур круглые, слишком быстро передвигается, лобовое стекло может разбиться и т. п. Это происходит, потому что люди еще не свыклись с мыслью о необходимости иметь подобный продукт и не чувствуют потенциальной выгоды от его использования.
К счастью, в нашем обществе в течение последних нескольких лет ускоренными темпами зреет мысль о том, что покупать надо на сайте, а забирать товар в точке выдачи или заказывать доставку до двери. Поэтому резко набрали обороты компании, которые смогли организовать эффективный быстрый и автоматизированный складской учет. Например, у одного из крупнейших интернет-магазинов «ВсеИнструменты.ру» выручка увеличилась почти на 50 % за первые 9 месяцев 2021 года[13 - (2021) Выручка ВсеИнструменты. ру за 9 месяцев 2021 г. увеличилась на 49.09 % и составила 38.75 млрд руб. Чистая прибыль сократилась на 47.56 % до 557.98 млн руб. (https://cbonds.ru/news/1496049/ (https://cbonds.ru/news/1496049/)).] и дальше по инерции еще практически на 54 % за 2022[14 - (2023) ВсеИнструменты. ру за год увеличили выручку на 53,7 % (https://www.krsk.kp.ru/online/news/5170145/ (https://www.krsk.kp.ru/online/news/5170145/)).]. Скорее всего, такой взрывной рост был вызван пандемией, которая заставила россиян пользоваться интернет-магазинами. Но развитая сеть точек отгрузки товаров и возможность доставки до двери сделали этого ретейлера одним из лидеров рынка.
Сейчас точку выдачи товаров магазина «ВсеИнструменты.ру» можно найти даже в небольшом городке с населением менее 40 тысяч человек, в котором живет автор этой книги. И горожане в массе своей уже в совершенстве освоили процесс покупки через сайт. Поэтому создание развитой системы складирования и распределения стало крайне прибыльным делом для самой компании. Лидеры рынка сегодня не жалеют денег как на автоматизацию складов, так и на их постройку. Потому что толка от них заметно больше, чем от розничных точек продаж с витринами и демонстрационными залами.
С другой стороны, вместе с развитием систем складирования и распределения товаров, появляется потребность в ведении больших баз данных учета складских остатков. И тут же вырисовывается крайне заманчивая перспектива оптимизировать на основе этих больших данных распределение товаров по складам, чтобы удовлетворить весь имеющийся спрос и в то же время не перегружать склады. А если предприятие имеет дело со скоропортящимися продуктами, то выгоду от создания моделей машинного обучения для прогнозирования спроса трудно переоценить.
По оценкам экспертов[15 - J. C. Buzby, J. Hyman (2012) Total and per capita value of food loss in the United States (http://ucce.ucdavis.edu/files/datastore/234-2425.pdf (http://ucce.ucdavis.edu/files/datastore/234-2425.pdf)).], только в США компании, связанные с розничной продажей продуктов питания, способны сэкономить до 47 миллиардов долларов, оптимизировав поставки товаров на склады и в точки розничной продажи. Это возможно благодаря тому, что продукты не будут портиться на полках, если магазины будут предлагать покупателям ровно столько товара, сколько те способны приобрести.
Конечно, подобная оптимизация складов при помощи больших данных становится востребована по мере увеличения запасов. Небольшая компания с парой кладовок вряд ли хоть что-то выиграет от прогноза по распределению товаров между этими точками хранения. Но при увеличении размеров помещений и при большей удаленности их друг от друга, растет стоимость их содержания, включая затраты на топливо для грузовых машин. В этот момент сэкономленные с помощью оптимизации и предсказаний «хлебные крошки» становятся очень даже заметными.
В 1987 году компания Walmart занимала 9 % рынка розничных продаж[16 - Хазин М. Л. (2019) Воспоминание о будущем. Идеи современной экономики.]. Для нее основным «производством» являлся склад товаров. Чем быстрее и эффективнее он работает, тем более оперативно и оптимально происходит поиск и выдача хранящихся там товаров, тем больше прибыль компании. Руководство Walmart понимало это очень хорошо, поэтому много лет непрерывно вкладывалось в цифровизацию складов, и к 1990 году эффективность их работы была на 40 % выше, чем у конкурентов.
Walmart создала одну из первых систем складского управления. Для этого она закупала оборудование для печати штрихкодов, сканеры, сортировщики и разного рода конвейеры. Система создавалась буквально с нуля, ведь в «бородатых» 1980-х многие фирмы пользовались услугами хорошо развитых физически людей для работы на складах, а данные о хранящихся товарах записывались на бумаге, что, естественно, затягивало процесс поиска и получения товаров.
Успехи компании вдохновили конкурентов. Они поняли, что можно существенно увеличить чистую прибыль за счет цифровизации одного лишь склада. Но было уже поздно, ведь подобную систему надо создавать не один год. Поэтому идущая на всех парах Walmart по инерции смогла нарастить свою долю на рынке с 9 % до 27 % к 1995 году, увеличив при этом производительность труда на складах еще на 48 %. Далее рост компании замедлился, и к 1999 году она смогла дополнительно захватить лишь 1 % рынка. Но производительность поднялась еще на 20 %.
Таким образом, если посчитать сложный процент увеличения производительности труда на складах компании Walmart, можно прийти к выводу, что она увеличилась почти в два с половиной раза благодаря цифровизации. И, что немаловажно, теперь на складах могут работать все желающие, а не только физически развитые люди, за счет чего уменьшились затраты на зарплату сотрудникам, а сэкономленные деньги идут на развитие компании.
Отделение распространения
