Объедините аналитику со стратегией голубого океана, чтобы привлечь новых клиентов, увеличить прибыль и повысить лояльность сотрудников и клиентов.

Часть 2. Создание новых рынков

(Эта статья была опубликована ранее в Open Data Science 25 января 2022 г. на странице https://opendatascience.com/using-data-science-to-develop-a-winning-business-strategy-part-2/. .)

В первой части этой серии мы начали рассматривать роль специалистов по данным при создании отличной бизнес-стратегии, которая делает конкурентов неактуальными. Эта роль начинается с создания стратегической канвы с использованием набора концепций, разработанных У. Чан Кимом и Рене Моборн (2015) в их знаменитой книге Стратегия голубого океана. Правильное построение стратегии — ключевой фактор ее успеха; ошибка может привести к потере времени и денег.

Текст Кима и Моборна (K&M) не имеет прямого отношения к науке о данных. В этой серии из трех частей я добавляю взгляд на науку о данных к их концепциям. Я описываю, как специалисты по данным могут работать с другими людьми в каждом организационном подразделении, чтобы разработать прибыльную бизнес-стратегию, привлечь больше клиентов и повысить их удовлетворенность — без вмешательства со стороны существующих конкурентов. Здесь, во второй части, я описываю, как специалисты по данным могут использовать канву стратегии и другие инструменты, чтобы помочь в этом.

Часть 3 будет посвящена управлению эффективностью стратегии голубого океана и получению поддержки путем согласования стимулов в ее пользу. Поскольку стратегия носит долгосрочный характер, в части 3 также описывается, как специалисты по данным могут помочь обновить голубые океаны и избежать ловушек, которые могут подорвать их. Наконец, отмечаются ограничения и делаются выводы о том, как ученые, работающие с данными, могут способствовать успеху голубого океана.

Краткий обзор — что такое «голубой океан» и какую роль в нем играют специалисты по данным?

Согласно K&M и как упоминалось ранее в части 1, голубой океан — это место, где потенциальные клиенты работают, а ваши конкуренты — нет (во всяком случае, пока). Цитируя их текст (стр. 18), в голубом океане вы можете:

· Создать неоспоримое рыночное пространство

· Сделать конкуренцию неактуальной

· Создавайте и фиксируйте новый спрос

· Преодолеть компромисс между стоимостью и стоимостью

· Настроить всю систему деятельности фирмы на стремление к дифференциации и низкой стоимости.

Голубой океан — это бизнес-нирвана — пока нет конкурентов, которые бы сводили на нет прибыль, и в нем проще сделать себе репутацию инноватора. Добиться этого непросто, но наука о данных может помочь.

В двух словах, роль науки о данных в стратегии голубого океана заключается в предоставлении информации, необходимой членам команды по всему бизнесу, чтобы помочь им найти голубые океаны и преуспеть в них. Эти идеи вытекают из десяти принципов, описанных K&M. Они перечислены ниже.

Создание канвы стратегии

Согласно K&M, первая задача специалиста по обработке и анализу данных и других специалистов — создать стратегическую канву, а затем сместить ее, чтобы сосредоточиться на тех аспектах ваших усилий по моделированию, которые клиенты считают более ценными. Таким образом, эти аспекты могут понравиться потенциальным клиентам (потенциальным новым клиентам), у которых есть проблемы, которые может решить ваша фирма, но которые не находятся в вашем текущем рыночном пространстве. Таким образом, цель этой задачи — лучше понять виды ценности, в покупке которых клиенты больше всего заинтересованы. K&M описывает стратегическую канву как аналитическую основу, которая играет центральную роль в оценке инноваций и создании голубых океанов (стр. 27). В Части 1 этой серии статей описывалось, как построить стратегическую канву. Здесь, во второй части, мы продолжим разговор, показав, как использовать его для восстановления рыночных границ и создания новых рынков для предложений, которые помогают создавать специалисты по данным.

Реконструкция рыночных границ

Согласно K&M, второй важной задачей при разработке стратегии голубого океана является воссоздание рыночных границ. Их идея состоит в том, чтобы расширить ваш рынок, найдя новых клиентов, которых вы обычно не обслуживаете. Шесть путей, которые они определили для работы на этом новом рынке, кратко описаны на следующем рисунке.

С тактической точки зрения эти шесть путей помогают фирмам несколько раз повторно применять свою стратегическую канву, каждый раз сосредотачиваясь на создании ценности для новых компаний, которым необходимо решить аналогичные проблемы. Описания компаний LinkedIn могут помочь определить потенциальных новых клиентов.

Новые клиенты также могут включать различные группы на существующих рынках, которые еще не были в центре внимания. Эти стратегические группы получают большее внимание по мере того, как рынки сокращаются или насыщаются, когда более ранние группы внимания становятся хорошо обслуживаемыми. Стратегические группы также могут возникать по мере того, как становятся доступными технологии, необходимые для их обслуживания.

С точки зрения аналитики задача расширения рыночных границ проста, потому что типы аналитических моделей, которые используют специалисты по данным, хорошо подходят для межотраслевых приложений. Многие из тех же подходов к классификации или регрессионному моделированию могут хорошо работать для приложений здравоохранения или для приложений в образовании, государственной политике, гигиене окружающей среды, обороне, розничной торговле, распределении продуктов питания и других отраслях, где здоровье и благополучие сотрудников и клиентов имеют решающее значение для успеха.

Наиболее сложной частью задачи прогнозирования для новой отрасли или стратегической группы, скорее всего, будет приобретение знаний в предметной области, необходимых для создания полезных моделей. Инвестиции в эту область являются ключом к успеху, потому что отраслевой опыт не может быть легко заменен нечеловеческими технологиями.

Пример

Усилия, направленные на восстановление рыночных границ, можно проиллюстрировать на примере отрасли здравоохранения. За последние несколько лет было предпринято много усилий, чтобы сделать доступ к медицинским услугам и использованию медицинских услуг более справедливым для всех меньшинств и большинства населения. Целью этих усилий является улучшение здоровья и благополучия всего общества. Возникло соответствующее движение за оказание помощи, ориентированной на человека, чтобы убедиться, что потребности отдельных пациентов определяют использование надлежащего лечения, независимо от их демографических, экономических и социальных характеристик.

Роль усилий в области науки о данных в этих движениях показана на следующем рисунке, который уходит своими корнями в Межотраслевой стандартный процесс интеллектуального анализа данных (Chapman, et al., 1999) и его обновленную версию, называемую жизненным циклом науки о данных. (Стируп, 2017). Более подробную информацию об этом можно найти в моей предыдущей статье, в которой представлен еще один (мой) рисунок жизненного цикла науки о данных, который вы видите ниже. В этом документе описывается несколько способов, которыми ученые, работающие с данными, могут использовать описанный в нем научный процесс для решения проблемы справедливости в отношении здоровья и социальных детерминант здоровья (SDOH — обсуждение SDOH см. в Healthy People 2030).

Здесь я хочу сосредоточиться на стратегических аспектах моего жизненного цикла науки о данных. Первый путь к реконструкции рыночных границ, показанный на рисунке Задачи 2 выше, заключается в поиске альтернативных отраслей, которые преследуют ту же цель, что и ваша отрасль. Можно утверждать, что индустрия социальных услуг (например, фирмы, занимающиеся образовательными услугами, бездомностью, нехваткой продовольствия, транспортными проблемами, экологическими проблемами и т. д.) работает над решением многих проблем, которые также ухудшают здоровье. Таким образом, прогностические модели и визуализации, которые создают специалисты по данным, работающие в медицинских учреждениях, когда они используют жизненный цикл науки о данных, ориентированный на справедливость и SDOH, также представляют ценность для фирм в других отраслях социальных услуг, поэтому мы можем рассматривать эти смежные отрасли в качестве целей. расширения голубого океана.

Второй путь к реконструкции рыночных границ, показанный на рисунке Задачи 2 выше, заключается в том, чтобы сосредоточиться на стратегических группах в своей собственной отрасли или в альтернативных отраслях. Акцент на справедливости в отношении здоровья и социальных детерминантах здоровья, который обозначен в моем жизненном цикле науки о данных, можно рассматривать как расширенный фокус прогностических или логических моделей и визуализаций, связанных со здоровьем, с учетом различных демографических и социально-экономических подгрупп. Наши модели, выводы и визуализации можно с пользой применять в качестве анализа чувствительности, чтобы определить, насколько надежны эти модели, и показать, как их следует совершенствовать, чтобы они служили членам различных групп. Это может расширить рынки и создать новых клиентов, которые также обслуживают недостаточно представленные меньшинства.

Далее, просмотр цепочки покупателей и дополнительных продуктов, как показано на рисунке Задачи 2, помогает нам сфокусировать наши модели на конкретных влиятельных лицах, покупателях и пользователях, которые наиболее заинтересованы в получении полезности от моделей, функций или других продуктов, которые данные производят ученые. То же самое относится и к взаимодополняющим продуктам: если мы знаем, что клиенты, которые покупают предложения, основанные на определенных типах моделей или функций обработки данных, также покупают другие конкретные предложения, мы можем усовершенствовать или расширить наши модели или функции моделирования, чтобы создать больше продуктов, которые будут производить полезность для этих покупателей. Это позволяет специалистам по данным вносить еще больший вклад в расширение рынка.

Как отмечено на рисунке Задачи 2 выше, пятый путь, по которому следует идти при реконструкции рыночных границ, заключается в том, чтобы учитывать функциональные или эмоциональные обращения к покупателям при установлении цен на свои предложения. Это создает две возможности для специалистов по данным. Один из них заключается в том, чтобы понять психологические или когнитивные факторы, определяющие полезность клиента, а затем измерить их с помощью переменных, которые способствуют повышению эффективности моделей науки о данных. Вторая возможность — провести эксперименты, в которых эти переменные систематически изменяются, чтобы лучше понять, а затем предсказать поведение покупателя. Это также поможет привлечь новых клиентов.

Наконец, как отмечено на рисунке Задачи 2, последний путь к реконструкции рыночных границ, о котором упоминает K&M, — это формирование или адаптация к внешним тенденциям на рынке. Это должно повлиять на наши модели, потому что в противном случае производительность модели со временем ухудшится. Специалисты по данным должны работать с другими сотрудниками компании, чтобы постоянно обновлять свое понимание того, как работают рынки и чего хотят потенциальные покупатели. Способность лучше прогнозировать может создать возможности для расширения в красных и синих океанах.

Ценность визуализации

До сих пор наше внимание было сосредоточено на моделях или характеристиках моделей. Соответствующие визуализации были упомянуты вскользь, но следующая задача в процессе стратегии голубого океана может значительно выиграть от визуализаций, которые производят специалисты по данным, поэтому давайте на мгновение сосредоточимся на них.

Задача 3 процесса в значительной степени зависит от упражнений на визуализацию, потому что, как утверждает K&M, люди часто теряются в цифрах, затуманивая результаты, проиллюстрированные таблицами. Многим людям удобнее использовать графические изображения. Если изображение стоит тысячи слов, специалист по данным должен убедиться, что правильная тысяча слов подразумевается визуализацией их моделей.

Многие статистические пакеты поставляются с соответствующими инструментами визуализации, помогающими достичь этой цели. Я обнаружил, что визуализации из пакета SAS Visual Data Mining and Machine Learning (VDMML) весьма полезны. В отличие от инструментов с открытым исходным кодом, таких как Python и R, многие визуализации в VDMML могут быть созданы с очень небольшим дополнительным кодированием. Визуализации в VDMML информативны и быстры. Тем не менее, разнообразие визуализаций, доступных в инструментах с открытым исходным кодом, остается впечатляющим, поскольку они полезны на всех этапах жизненного цикла науки о данных. Айшвария Аджайкумар (2021) приводит более двух десятков примеров того, как, например, создавать полезные визуализации на Python. Туваракеш Муралли (2022). Tableau также предлагает большие возможности визуализации; они, как правило, используются на ранних этапах процесса науки о данных, когда данные впервые принимаются, очищаются и описываются в графических представлениях, чтобы помочь создать раннюю историю или историю, не зависящую от модели.

Читатели могут быть знакомы и со многими другими процессами визуализации. Например, Жаир Рибьеро (2022) описывает, как ученые, работающие с данными, могут использовать сетевые графы, чтобы рассказывать истории с данными, которые трудно собрать иначе.

Полезность визуализации в разработке стратегии троякая. Во-первых, как и во многих приложениях для обработки данных, визуализации помогают аналитикам и их клиентам понять истории, которые рассказывают данные, в легко усваиваемой форме. Это создает уверенность в процессе моделирования и в результатах, полученных в результате этого процесса. Во-вторых, визуализации могут иллюстрировать множество различных версий стратегической канвы, как показано на рисунке Задачи 3 выше. Получение отзывов о каждом из них может помочь разработчикам продуктов и другим пользователям найти наилучшее сочетание моделей, функций или других атрибутов продукта, которые проложат путь к успеху в голубом океане. В-третьих, визуализация помогает понять бизнес первопроходцев, мигрантов и поселенцев, помогая стратегам сделать лучший выбор в отношении того, куда инвестировать ограниченные средства в новые предложения, а не в обновление и обслуживание существующих.

Выход за пределы существующего спроса

Согласно K&M, следующая задача в процессе стратегии голубого океана — выйти за рамки существующего спроса и найти новых покупателей. Аналитика, подготовленная специалистами по данным, облегчает этот процесс. Информация из литературы и от специалистов по продажам, маркетингу, разработке продуктов и других сотрудников может помочь аналитикам сосредоточить свою работу на этом начинании. Эта работа описана на рисунке Задачи 4 ниже. Решение о том, на каких неклиентах следует сосредоточиться, может помочь каждому понять, какие модели и функции лучше всего создавать, будь то отдельные продукты или компоненты более крупных предложений.

Подведение итогов и дальнейшие действия

До сих пор в частях 1 и 2 этой серии мы представили концепцию и процесс стратегии голубого океана, подчеркнув ценность канвы стратегии. Этот линейный график иллюстрирует ценность, которую клиенты ожидают получить от аналитики, созданной специалистами по обработке и анализу данных, среди других предложений. Поскольку работа в голубом океане сосредоточена на том, как преобразовать потенциальную ценность в реальную ценность для новых клиентов в других отраслях или для новых групп на существующих рынках, мы показали, как специалисты по данным могут облегчить эту работу, сотрудничая с другими подразделениями. бизнес. В части 3 мы сосредоточимся на том, как эффективно выполнять эту работу, как преодолевать организационные препятствия при выполнении работы в голубом океане и как согласовывать стимулы для внутренних и внешних заинтересованных сторон, чтобы обеспечить успех. Мы также сосредоточимся на обновлении голубых океанов, как только конкуренты завоюют эти новые рынки, и на том, как избежать конкурентных угроз и ловушек, которые заставят покинуть голубой океан. Будут отмечены ограничения подхода и материала в этой серии статей, и будут даны окончательные выводы. Пожалуйста, присоединяйся к нам; эта информация появится в ближайшее время.

Ссылки

А. Аджайкуман, Интуитивное руководство по визуализации данных в Python (2021 г.), Analytics Vidhya, на https://www.analyticsvidhya.com/blog/2021/02/an-intuitive-guide- к-визуализации-в-питоне/.

П. Чепмен, Дж. Клинтон и Р. Кербер и др., CRISP-DM 1.0: Пошаговое руководство по интеллектуальному анализу данных (1999 г.), на https://www.the-modeling-agency.com/crisp. -dm.pdf»

Healthy People 2030, Социальные детерминанты здоровья, на https://health.gov/healthypeople/objectives-and-data/social-determinants-health

ТУАЛЕТ. Ким и Р. Моборн, Стратегия голубого океана (2015 г.), Harvard Business Review Press, Бостон, Массачусетс.

Т. Муралли, Создание потрясающих визуализаций с помощью фреймов данных Pandas в одной строке кода (2022), На пути к науке о данных, на https://towardsdatascience.com/advanced-pandas-plots-e2347a33d576

Р. Озминковски, Что общего между 101 далматинцем и машинным обучением? (2021), К науке о данных, на https://towardsdatascience.com/what-do-101-dalmations-and-machine-learning-have-in-common-9e389b899df3

Р. Озминковски, Использование науки о данных для разработки успешной бизнес-стратегии, часть 1, Открытая наука о данных (20 января 2022 г.), на https://opendatascience.com/using-data-science- разработать-выигрышную-бизнес-стратегию-часть-1/

Дж. Рибьеро, Нежное введение в сетевые графы и то, как мы можем визуализировать наш мир (2022 г.), на https://jairribeiro.medium.com/a-gentle-introduction-to-network-graphs-and-how-we -можете-визуализировать-наш-мир-соединяя-точки-6bb5a2db5558

Дж. Стирруп, Что не так с CRISP-DM и есть ли альтернатива? (2017 г.), https://jenstirrup.com/2017/07/01 /что-не так-с-хрустящим-dm-и-есть-альтернатива/