Разумеется, продукт также полезен для самой FedEx, поскольку, если компанию обвинят в неправильной транспортировке и причинении ущерба, она может использовать данные SenseAware в качестве доказательства, чтобы защитить себя от обвинений. Например, данные могут показать, находился ли груз под контролем сотрудников FedEx в то время, когда температура и влажность поднялись до неприемлемого уровня. Применение SenseAware уместно не во всех случаях. Но, когда уместно, польза от него очень-очень большая. Пусть аналитика здесь элементарная, зато ценная.

Операционная аналитика может повысить удовлетворенность клиентов при одновременном снижении операционных издержек. Замечательный пример тому – это перенаправление пассажиров при нарушениях расписания авиарейсов. В прошлом, когда задержавшийся рейс приземлялся в аэропорту, недовольные и раздраженные пассажиры, опоздавшие на пересадку, были вынуждены осаждать местных агентов авиакомпаний и обрывать их телефоны. Свободные места на альтернативных рейсах выделялись по принципу «первый пришел – первый обслужен». Кто первым добирался до агента, тот и получал место на ближайший рейс.

Сегодня процессы, используемые для разрешения таких ситуаций, стали гораздо более утонченными. Если авиакомпания понимает, что рейс будет задержан, она может определить, какие пассажиры столкнутся с проблемами. Например, если мой рейс задерживается на час и пункт прилета является конечной целью моего путешествия, никаких мер принимать не нужно. Точно так же не нужны никакие меры в том случае, если рейс задерживается на 30 минут, а до пересадки у пассажиров есть в запасе два часа. Авиакомпания может определить, кто нуждается в помощи и какие альтернативы доступны. Затем она может расставить приоритеты, распределив эти альтернативы среди пассажиров на основе стоимости билета, статуса постоянного клиента авиалинии, предыдущих нарушений расписания и ряда других факторов. Аналитика, стоящая за этими решениями, способна включать и такие сложные модели, которые прогнозируют вероятную реакцию конкретного пассажира в зависимости от степени нарушений.

Разумеется, полностью предотвратить негативную реакцию пассажиров невозможно, но можно свести ее к минимуму. Сегодня, если рейс прибывает с опозданием, пассажирам, как правило, не приходится стоять в очереди или звонить в офис авиакомпании. Они могут быстро выяснить информацию у агента на входе в аэровокзал или, проверив свое мобильное устройство, удостовериться, что о них позаботились и направили на другой рейс. Если пассажир предпочитает обратиться к агенту, процесс проходит гораздо быстрее и дружелюбнее, поскольку агент просто подтверждает факт изменений в маршруте пассажира и ему не нужно ничего придумывать. Агент также может предложить альтернативные варианты, если выбранный автоматически вариант не удовлетворяет пассажира.

Таким образом, у пассажиров значительно снижается уровень стресса, связанный с нарушением расписания (могу подтвердить это лично!), и они могут расслабиться и перекусить в ожидании нового рейса. В то же время этот процесс значительно снижает операционные издержки для самих авиакомпаний. Решения о перенаправлении принимаются быстро и автоматически, и не нужно привлекать квалифицированных сотрудников авиакомпаний для изменения маршрута. Кроме того, решения являются наиболее оптимальными, поскольку алгоритмы строго следуют руководящим указаниям. Наконец, сокращается количество взаимодействий сотрудников в личном общении и по телефону, что обеспечивает авиакомпаниям дополнительную экономию.

Автоматизированные операционно-аналитические процессы принятия решений о перенаправлении рейсов являются выигрышными как для пассажиров, так и для авиакомпаний. В этом случае аналитика носит более сложный характер, чем в предыдущих примерах. И закончим мы этот раздел примером использования очень сложной аналитики.

Есть ситуации, где в операционную аналитику уже повседневно включается высокий уровень сложности. Веб-персонализация – один из таких примеров. Раньше при посещении веб-сайта пользователи видели предложения или настройки, которые были определены задолго до их визита. Хотя сайт и мог адаптироваться под конкретного пользователя, это происходило не в режиме реального времени. Как правило, владелец сайта использовал аналитический процесс на основе пакетной обработки, подсказывавший системе определенные предложения и кастомизацию для каждого пользователя, когда он возвращается на сайт. Если же аналитика выполнялась накануне вечером, то информация о пользователе, которая стала известна по завершении аналитического процесса, никак не учитывалась. Стоит ли говорить о том, что текущие поисковые сеансы пользователей также не принимались во внимание при кастомизации веб-страниц.

Сейчас многие организации осуществляют веб-персонализацию на совершенно новом уровне, оптимизируя восприятие клиента в режиме реального времени на основе всех данных о нем, вплоть до последнего клика. Буквально любое действие клиента влияет на то, что он увидит в следующую секунду. Здесь применяется гораздо более сложная аналитика, чем во всех предыдущих примерах, приведенных в этом разделе. Современные подходы к веб-персонализации включают сложные алгоритмы оптимизации, опирающиеся на разнообразие статистических моделей и бизнес-правил.

Развитие до таких устойчивых решений нужно начать с простых способов персонализации, а затем утвердить операционные процессы, которые станут обслуживать адаптированный под пользователей контент. Только после того как основы займут свое место, можно будет изощряться. Вот и в этой главе готовьтесь увидеть, как многие приведенные здесь примеры со временем усложняются и усложняются.

Скорость, с которой должны осуществляться аналитические процессы, сжимается. Вот и операционная аналитика должна выполняться с молниеносной скоростью. В некоторых случаях речь идет о секундах и даже миллисекундах. Давайте рассмотрим два конкретных примера операционной аналитики в действии, когда скорость имеет первостепенное значение.