1,3 млрд тенге на аналитических прогнозах: как казахстанский бизнес превращает данные в деньги

Qlik AI Tour в этом году прошел в 60 городах мира. В Алматы он собрал более 100 участников из Казахстана, Узбекистана и других стран региона. Организатором события в Центральной Азии стал ведущий партнер Qlik в Казахстане — компания Datanomix.pro.

Эксперты поделились примерами, как данные и искусственный интеллект трансформируют бизнес. Среди кейсов:

— автоматизация принятия решений с помощью Qlik AutoML;

— создание новых источников дохода с использованием AI/ML и LLM;

— оптимизация процессов в Technodom, Magnum Cash&Carry, Казахтелеком и Первом Кредитном Бюро;

— использование LLM для маркетингового анализа цен в телекоммуникациях.

Digital Business побывал на ивенте и собрал самые интересные бизнес-инсайты из выступлений экспертов.

«ИИ оценивает кандидатов на вакансии и следит за качеством финансовых данных»

CEO Datanomix Виталий Тренкеншу рассказал, как использует большие языковые модели (LLM) в финансовой аналитике, а также при отборе кандидатов на вакансии: 

— В прошлом году мы приняли стратегию масштабирования бизнеса, и результаты не заставили себя долго ждать: мы удвоили выручку и количество клиентов. Не все компании выдерживают такой бурный рост. Если не учитывать прибыльность на каждом уровне – от сделки до клиента – можно столкнуться с серьезными рисками.

Для контроля качества финансовых данных используем продукт, который разработали для себя сами, – FP&A Data Quality Assurance. В нем мы автоматизировали расчеты, которые раньше велись вручную в Google Spreadsheets. Это упростило анализ прибыльности клиентов и позволило эффективнее выявлять убыточные сделки.

Переехали на платформу Qlik и модернизировали наш финансовый учет, чтобы рассчитывать P&L (отчет о финансовых результатах) на более детальном уровне. 

Однако возникали трудности: P&L вроде бы есть, но доверия к нему не хватает. Ранее цифры выручки совпадали, но теперь встречались ошибки, которые снижают доверие к данным.

Финансовый контролер (специалист, в обязанности которого входит мониторинг банковской и финансовой деятельности организации – прим. Digital Business) не справлялся с объемом. У нас 8 реестров, в которые вносят данные 10 человек. Решили автоматизировать проверки, чтобы снять большую часть такой нагрузки с сотрудников.

До этого финансовый контролер просто отвечал за правильность данных, а теперь создает бизнес-правила для их проверки. Бизнес-правила – это наборы условий, которые определяют, как именно нужно проверять финансовые данные. Например, можно настроить правило, чтобы суммы в договоре и отгрузке всегда совпадали, или чтобы даты актов были заполнены корректно.

На основе этих правил автоматически создаются тесты, которые регулярно проверяют данные, выявляют проблемы и помогают их быстро исправлять. Найденные ошибки попадают в отдельный реестр, где можно назначить ответственного менеджера. 

Кроме того, интегрировали эти проверки в наш P&L, что позволяет визуально отслеживать качество данных и ошибки в конкретных сделках. Если неточности есть, это сразу видно, и можно принять меры.

Следующий шаг – настроить уведомления, чтобы система сама напоминала ответственным о задачах, а затем их выполняла. 

Кстати, такие тесты можно использовать не только для контроля данных, но и для оценки более высокоуровневых показателей, таких как маржа по клиентам и тренды по менеджерам. Это позволит нам более точно управлять бизнесом и принимать более обоснованные решения. Например, сейчас хотим настроить систему так, чтобы она автоматически предлагала вложить свободные деньги компании в акции или разместить на депозитных счетах.

Второй кейс – учимся использовать AI в рекрутинге. Раньше найм проходил по классической схеме: резюме, собеседования, оффер. Это занимало много времени и не исключало разочарований на испытательном сроке.

Теперь ввели тестовое задание, чтобы за 15 минут выявить людей с релевантным опытом и навыками без необходимости изучать резюме. Новый подход предполагает, что каждый претендент на вакансию должен ответить на 5-7 открытых вопросов, которые составлены исходя из его предполагаемых обязанностей. Так мы сократили расходы на рекрутинговое агентство, которое занималось скринингом и оценкой кандидатов, проводя интервью.

Часто соискатели отвечают на вопросы с помощью ChatGPT. Чтобы отсеять такие случаи, команда внедрила систему оценки выполненных заданий. Сначала она оценивает соответствие референсу, а именно ответам эталонных кандидатов. Затем отсеивает «нечестные» ответы с помощью нейросетей originality.ai и Sonnet AI. Успешные кандидаты проходят всего одно собеседование с руководителем.

«ML-модели помогли получить дополнительные продажи на 1,3 млрд тенге»

CDO Technodom (Chief Data Officer – директор по данным) Эдуард Ким рассказал, как компания изменила архитектуру работы с данными. Это открыло возможности применения моделей ML и Data Science.

— Для роста компании нужна масштабируемая архитектура. Раньше Technodom использовал монолит, что создавало проблемы с качеством данных и интеграцией. Теперь мы построили модульную архитектуру данных с использованием облачных технологий.

Синхронизируем данные через Систему сбора измененных данных (CDC) и применяем технологии Data Ingestion. Настроили CI/CD pipeline и оркестрируем данные с помощью AWS.  

Для интеграции слоев данных используем Kubernetes, а безопасность обеспечиваем двухфакторной аутентификацией и политиками доступа.

После внедрения новой платформы основные показатели значительно улучшились: Time to Market сократился на 40%, время обработки данных снизилось с 8 до 3 часов, а качество данных улучшилось на 70%. Доступность данных выросла с 85% до 98%.

В результате построили архитектуру с поддержкой всех инструментов для дата-аналитики, обучения моделей, мониторинга и тестирования. Разработали, протестировали и внедрили в бизнес больше 50 моделей – для управления запасами, прогнозирования спроса и многих других задач.

Например, одна из моделей помогает предотвратить отток клиентов за счет проактивных действий. На основе ее предсказаний бизнес заранее понимает, какие клиенты склонны уйти, и может принять меры по повышению лояльности. На практике растет количество покупок на одного клиента. В 2023 году эту модель внедрили 7 компаний, которые суммарно получили дополнительные продажи в размере 1,3 млрд тенге.

Другая модель автоматизирует сбор метрики NPS (Net Promoter Score) – индекс удовлетворенности клиентов. Чтобы собрать данные по этой метрике, бот обзванивает клиентов и задает вопросы. Раньше специалисты слушали файлы с ответами, чтобы подготовить отчет. Теперь с помощью технологии обработки естественного языка модель распознает, что ответил клиент, и с точностью 85% классифицирует текстовые данные. Это позволяет бизнесу высвободить человеческие ресурсы.

Еще одно решение помогает прогнозировать трафик посетителей в магазинах, чтобы точнее планировать рабочее время продавцов-консультантов. Модель делает расчеты по часам и дням, учитывая праздники и другие факторы. Бизнес экономит человеко-часы в период сниженного трафика, и наоборот – не упускает повышенный спрос.

Кроме того, команда Data Science разработала комбинацию из трех ML-моделей, которые пошагово работают на увеличение прибыли. Chum определяет отток клиентов, CLTV определяет потенциальный доход от клиента, а NBO готовит для него персонализированное предложение. Это особенно актуально для маркетплейсов и e-comm, где сейчас выигрывают бизнес-модели с индивидуальным подходом к покупателю.

Напоследок расскажу про модель, которая автоматически считает Customer Lifetime Value – прибыль, которую компания получает за все время взаимодействия с клиентом. Модель собирает исторические данные и анализирует их по 23 параметрам, среди которых дата первой покупки и город проживания. С ее помощью можно учесть предпочтения клиента и присвоить ему определенный статус, например, выдать премиальную карту Black. Так растет вероятность, что клиент реализует свой потенциал.

Читайте также: «Мы первыми в СНГ начали использовать Qlik Cloud». Как TechnoDom создал единую точку правды и наладил дата-аналитику в компании

«Нейронная модель автозаказа следит, чтобы популярные товары были на полках»

CDO Magnum Cash&Carry Василий Кийко рассказал, как в компании трансформировали взаимодействие BI и бизнеса: 

— Для бизнес-аналитики Magnum Cash&Carry использует решение на базе Qlik. У компании 355 активных ежемесячных пользователей, 467 отчетов, дашбордов и 22 тысячи обращений к ним ежемесячно. В базе Qlik хранится 9 терабайт данных.

Запустили процесс трансформации в 2022 году. До этого аналитики из разных отделов использовали разные методы подсчета показателей, что приводило к путанице на совместных встречах. Кроме того, не было монетизации данных: делились ими с партнерами безвозмездно.

В 2024 году перешли на гибридную операционную модель: сохранили аналитиков и разработчиков в каждом отделе, плюс создали внутри офиса нечто вроде комитетов для утверждения ключевых показателей. Все данные и методики расчетов ключевых показателей согласовываем на уровне офиса, но отчеты на их основе могут разрабатывать отдельные департаменты самостоятельно. Регулярный процесс аудита архитектуры BI-систем и качества данных повысил скорость и качество итоговых отчетов.

Новый подход к аналитике помог бизнесу быстрее принимать решения на основе данных, а значит – увеличивать выручку. Например, благодаря отчету контроля представленности компания принимает решения по товарам за один день, а раньше на это уходило до месяца.

В большом магазине Magnum одновременно представлены 20 000 товаров, но только 1000 из них дают 50% продаж. Разработали отчет контроля представленности топ-1000 товаров на базе BI-аналитики от Qlik. На его основе работает система автозаказа с нейронной моделью под капотом. Она с высокой точностью прогнозирует количество продукции, которая будет продаваться в каждом магазине в следующие 56 дней. Представленность товаров значительно выросла – с 50% на начальном этапе до 89-91%.

Уровень культуры работы с данными серьезно повысился благодаря внедрению ИИ для автозаказа, ежедневному расчету уровня представленности товаров исходя из прогноза продаж, а также принятию решений на основе автоматизированной отчетности.

Оказалось, что главная проблема работы с данными в том, что разные отделы по-разному формируют отчеты. Бизнес и аналитики используют Excel и PowerPoint, а отдел BI создает отчеты с готовой аналитикой в Qlik. Аналитика, собранная вне BI-системы, формировала 80% жалоб.

Чтобы мотивировать бизнес-пользователей перейти на Qlik, действовали постепенно. Показали, что выгрузка отчетов будет точнее и быстрее, отвечали на все возникающие вопросы. 

Отчеты стали точнее и полезнее, поэтому сотрудники стали больше доверять BI-системе и активнее ей пользоваться. Количество ежедневных активных пользователей выросло на 30%.

В сфере монетизации данных начали проводить совместные категорийные ревью с поставщиками, что приносит выгоду обеим сторонам.

«LLM помогает отслеживать цены и общаться с поставщиками»

Account Manager компании Datanomix.pro Абулхаир Болегенов показал кейс партнера компании – Казахтелеком, где внедрение LLM улучшило маркетинговый анализ цен.

— В работе с многими крупными компаниями замечали одну и ту же проблему: некорректное закладывание плановых цен при формировании бюджета. 

Задача – предоставить финансистам инструмент, который поможет быстро и точно проверить, соответствует ли заявленная цена рынку. Например, Казахтелеком закупает кабели. Они могут быть двухжильными, трехжильными, медными, с разным сечением, и это важно для точной оценки стоимости. 

Методы машинного обучения помогают автоматически обрабатывать все характеристики товара и учитывать их при анализе цен. Для этого берем исторические данные по государственным закупкам и выгружаем технические спецификации в формате PDF. Атрибуты нужного товара и текстовую часть спецификаций отправляем в LLM. Модель находит точные совпадения по всем позициям и медианную цену.

В кейсе Казахтелеком применили языковую модель для обработки 70 000 техспецификаций с портала ЕНС ТРУ и обработали их для поиска совпадений.

Для некоторых заказов исторических данных недостаточно. Нужно было научиться собирать коммерческие предложения с ценами, актуальными на сегодняшний день. Для этого выявили топ активных поставщиков из общего реестра. Подготовили шаблон запроса коммерческого предложения. Отправили 4000 запросов и за неделю получили 400 ответов. 

В зависимости от того, какую обратную связь дали поставщики, можно по-разному применять LLM. Например, запустить чат-бот для коммуникаций или скорректировать реестр поставщиков.

Новый процесс исключает человеческий фактор и значительно экономит время на поиски поставщика – все это за счет автоматизации.

«Благодаря продуктам BI Qlik наш модуль визуальной аналитики по кредитному рынку вырос до 1 млрд записей»

Руководитель направления аналитики Первого Кредитного Бюро Ильяс Мамеев рассказал, как в компании используют продукты Qlik:

— Реализуем собственную платформу Visual Analytics – модуль визуальной аналитики по кредитному рынку. Здесь собраны данные публичных и непубличных источников и представлены в виде графической аналитики.

Компании используют Visual Analytics, чтобы сравнить свои кредитные показатели с данными по рынку. Сейчас формируем около 60 отчетов для корпоративных подписчиков из сегментов b2b и b2с. Для нас было техническим вызовом настроить section-access, чтобы одни организации не видели данные других. Однако главная сложность в том, что кредитные данные меняются ежедневно, и нужно было фиксировать эти изменения в режиме реального времени.

Текущую версию Visual Analytics разрабатывали с помощью продуктов BI Qlik с 2020 года. Реализовали возможность фильтровать данные в формате множественного выбора. Все расчеты происходят в оперативной памяти, без обращения к базам данных.

В 2022 году оптимизировали процессы и стали расширяться. Отчеты из Qlik появились на корпоративном портале ПКБ. В декабре 2023 года количество QVD-записей в Кредитном портфеле достигло рекордного уровня в 1 млрд. Скорость загрузки отчетов сократили с 7 минут до 15 секунд, это одно из главных преимуществ в сравнении с другими платформами.

Теперь используем собственные разработки на базе Qlik в других продуктах. Например, в новой платформе по продаже стрессовых активов DMAS.

— Ценность создается не из данных, которые бездумно накапливаются, а из решений и действий. И их можно совершать с поддержкой AI-агентов. Эта философия лежит в основе всех наших проектов, — поделился сооснователь Datanomix.pro Александр Полоротов.

Также на ивенте представили результаты исследования Data Literacy Kazakhstan. Оно показывает: чем выше уровень работы сотрудников с данными, тем больше их доходы и тем больше компании готовы к внедрять AI в свои бизнес-процессы. Поэтому Datanomix.pro продолжит проводить марафоны, хакатоны и обучающие программы в банках, ритейле и квазигосударственном секторе.