Эксперты по управлению данными обсудили специфику искусственного интеллекта и машинного обучения на конференции «Менеджмент Будущего» в ВШМ СПбГУ. 

Все ли задачи можно решить с помощью Data Science? Стоит ли опираться на «мнение» машин в ситуации неопределенности? Какую аналитику провести перед запуском продукта на рынок и почему без качественных исследований количественные — не спасут? Эти вопросы обсудили эксперты по управлению данными в рамках IX ежегодной конференции «Менеджмент Будущего» в Высшей школе менеджмента Санкт-Петербургского государственного университета.  

Обмен мнениями состоялся на панельной дискуссии «Прогнозировать нельзя угадать: как меняется практика анализа будущего». 

Data Science — одно из наиболее быстрорастущих направлений в области аналитики. Рассуждая о том, что это — мода или устойчивая тенденция, директор по управлению данными МегаФон Леонид Черный отметил, что Data Science сегодня — уже насущная необходимость компаний. Хотя, конечно, у молодых специалистов это направление популярно еще и потому, что оно в тренде. 

Андрей Ревяшко, Chief Transformation Officer Эльдорадо, добавил, что, вместе с тем, использование Data Science специалистами без экспертизы лишь увеличит срок выполнения задач. Кроме того, пока что четких правил, как работать с машинами, нет. 

Искомых квалифицированных экспертов в этой области будут готовить в рамках обновленной программы Master in Business Analytics and Big Data, в перезагрузке образовательного трека которой принимает участие старший преподаватель кафедры информационных технологий ВШМ СПбГУ, менеджер продукта «Яндекс.Вертикали» Владимир Горовой.   

Обсуждая практики использования нейросетей в компаниях, эксперты перечислили «заслуги» искусственного интеллекта: анализируя поведение и предпочтения пользователей, он помогает рекомендовать им продукты, эффективно предотвращает мошеннические действия на сайтах, может определять фейковые отзывы и рекомендации к товарам.  

Леонид Черный отметил, что компания МегаФон использует искусственный интеллект и машинное обучение и в онлайн, и офлайн продуктах. В частности,  нейронные сети помогают рассчитать необходимые мощности для обеспечения хорошего покрытия связью в определенной зоне. Именно они, по словам эксперта, помогли быстро скорректировать план работы во время карантина-2020, когда связь потребовалась «не в офисах, а на дачах». Чтобы справиться с ситуацией неопределенности, команда рассчитала различные варианты развития событий и возможное поведение клиентов. 

При всей точности механических расчетов, опора на них может привести к ошибкам. Однако при работе с Data Science это — рутинная часть процесса, а вовсе не неожиданность. Так, Владимир Горовой рассказал, как команда «Яндекс.Вертикали» столкнулась проблемой, когда стоимость недвижимости, реагируя на коронакризис, быстро менялась — и модели оценки, которые ранее использовались, давали некорректные результаты. 

Во избежание этих самых ошибок, дата-специалистам нужны не только количественные, но и качественные исследования. «Ситуации бывают разные, увеличение на 300% какого-то показателя при ближайшем рассмотрении может оказаться совсем не тем, о чем мы думали», — подчеркнул Владимир Горовой.  

Андрей Ревяшко отметил, что качественные исследования и тестирование гипотез помогают убедиться в потенциальном успехе продукта. Но, по его опыту, важно также и кросс-культурное исследование, способное выявить то, что не уловит машина: например, сложившиеся привычки пользователей, или местные особенности, которые могут повлиять на успешность продукта в конкретном месте и времени. 

Дмитрий Никитин, руководитель Data Science направления Cardsmobile, «Кошелёк», согласен с этим мнением: в компании «Кошелёк» перед количественными исследовании проводят, в том числе, качественные исследования, а также продукты часто тестируют на коллегах.

Но получение постоянной обратной связи от пользователей — тоже не панацея, считает Леонид Черный. По его мнению, спрашивать аудиторию обо всех этапах работы над продуктом — не нужно, во-первых, потому что не всегда можно быть уверенным в том, что аудитория для тестирования и опроса выбрана верно. Во-вторых, постоянный кастдев (Customer Development — custdev) может оказаться просто попыткой снять с себя ответственность за принятие решений.  

«Кастдев — это социология, а не математика. Важно правильно интерпретировать результат», — сказал Владимир Горовой. «Профессиональный менеджер должен уметь сочетать разные инструменты и определять, нужно ли в конкретный момент использовать Data Science или на данном этапе важнее вложиться в построение надежной команды. Например, если бизнес пока небольшой и собрать данные, необходимые для машинного обучения, сложно», — подытожил он.   

Модератором дискуссии выступила Маргарита Гладкова, заместитель декана «Высшей Школы Бизнеса» НИУ ВШЭ. Студентов-участников конференции интересовали вопросы использования искусственного интеллекта в малом бизнесе, подходы к прогнозированию успешности продукта и то, как технологии помогают справиться с ситуацией неопределенности.