Současná pandemie mění svět, jak jsme ho znali. Chování lidí a firem se v mnohých ohledech mění natolik, že ho není možné v dostatečné míře predikovat. To silně ovlivňuje současné analytické modely spoléhají se na historická data. Řídící pracovníci proto musejí vzít v potaz možnou chybovost těchto nástrojů a zorientovat se v nově nastalé situaci.
Současná pandemie a jí vyvolané krizové stavy mnoha podniků i ekonomik států po celém světě dávají zabrat i analytickým nástrojům a umělé inteligenci pomáhajícím řídit podniky a čelit výkyvům trhu vyvolaným vnějšími okolnostmi. Až doposud si řada lídrů napříč průmyslovými odvětvími pochvalovala, nakolik jim analytika umožnila efektivněji zvládat výzvy trhu, predikovat výkyvy dodávek v problematických oblastech, stabilizovat fluktuaci zaměstnanců, a tím pádem i třeba efektivně investovat do rozvoje jejich potenciálu nebo využívat moderních digitálních nástrojů ke kvalifikovaným odhadům vývoje potřeb zákazníků, a tím i k budování, udržení a rozvoji obchodních vztahů. Současná krize však odhalila slabinu této technologie. Jedna z nejběžněji používaných technik pokročilé analýzy, strojové učení, se opírá o princip, že se vzorce a chování z minulosti pravděpodobně v budoucnu budou za určitých okolností opakovat. Algoritmické modely vystavují tyto vzorce v datech a čerpají z nich, aby předpověděly, co se stane (například zda konkrétní zákazník zruší službu), a dokonce doporučují, co by měl podnik udělat (například vyhodnotí, která nabídka s největší pravděpodobností změní názor zákazníka). To bylo účinné, dokud pandemie nezměnila způsob, jakým žijeme a pracujeme. Různé formy lokální či globální izolace, navíc rozdílné v jednotlivých zemích, zákaz cestování, nemožnost pořádání veletrhů a další formy omezení, práce z domova, nejistota ohledně budoucnosti zakázek, a tedy i zvýšená rizika ztrát zaměstnání změnily způsob, jakým uvažujeme, nakupujeme, kde vykonáváme svou práci, jak cestujeme, pokud vůbec…
Nyní sice procházíme obdobím částečného návratu k normálu, ale opětovně se zhoršující situace spojená s rizikem takzvané druhé vlny přináší do „systému“ celou řadu dalších otázek a nejistot. To všechno způsobuje, že i zkušení analytici pracují spíše s domněnkami. Ostatně i proto se jejich názory často rozcházejí mnohem více než kdykoliv v minulosti, stejně tak jako názory epidemiologů, kteří se rozprostřeli do širokého spektra vyvolávajícího paniku z možných dopadů srovnatelných s armageddonem na obou jeho křídlech, tedy jak v případě podcenění preventivních opatření, tak i naopak, tedy při zavedení příliš tvrdých opatření, jež mohou mít za následek krach mnoha firem, masové propouštění a hluboké propady celé ekonomiky i nestabilitu trhu. Ostatně i takové poplašné zprávy samy o sobě do značné míry ovlivňují chování zákazníků, o rozhodování řídících pracovníků firem nemluvě. V konečném důsledku i tato, byť patrně dobře míněná varování nakonec spíše přispívají k nejistotě. A jak se pak má v tomto nejistém prostředí zachovat umělá inteligence, když nemůže ve svých datech dohledat srovnatelný model situace, na jehož základě by mohla sofistikovaně odhadnout situaci a poradit? Dosavadní předpoklady selhávají Příkladem může být třeba situace z jara tohoto roku, kdy se ceny surové ropy dostaly do záporných čísel, protože její odběr klesl pod úroveň, kterou nikdo nepředpokládat, zásobníky byly plné a bylo třeba je uvolnit, aby nemusela být zastavena těžba. Datoví analytici, kteří připravovali stávající modely predikce trhu, pracovali až doposud s předpokladem, že ceny barelu nikdy neklesnou pod nulu. Podobné příklady lze hledat napříč průmyslem, například pokud jde o výrobu, zásobování a skladování zdravotních a ochranných pomůcek. Vzpomeňme si, jak v lednu ministr zdravotnictví Adam Vojtěch ujišťoval, že státní rezervy ochranných pomůcek jsou dostatečné, a jak rychle se ukázalo, že jsou naopak směšně malé. Žádný analytik ani umělá inteligence nemohli počítat ani s tím, že přijde masová výroba domácích roušek, která tak rychle „vycucne“ zásoby látek a tkalounů a donutí jejich výrobce k hledání cest rychlého zvyšování produkce. Podobně bychom mohli pokračovat s nedostatkem pracovních sil v některých oborech vyvolaným návratem zahraniční pracovníků do jejich domovských zemí, navyšováním poptávky po digitalizaci, robotizaci, nástrojích on-line komunikace a vzdělávání… Každý z vás by jistě mohl doplnit ještě další a další příklady neočekávaných stavů vzniklých v rámci oblasti, ve které působíte. A ani návrat k normálu nepřinese analytikům či umělé inteligenci, a tím pádem ani řídícím pracovníkům dostatečnou úlevu. Už dnes je jasné, že se většina bude chtít ze situace poučit a bude hledat cesty, jak co nejlépe předejít problému pro případ, že by se podobná situace opakovala. Jak konkrétně se však zachovají, kolik z nich dotáhne své záměry do konce a kolik se naopak nechá ukolébat zklidněním situace nebo přesvědčit ekonomickými ukazateli, že některá opatření lze odložit, ani to dnes nelze kvalifikovaně odhadnout, i když tady by snad alespoň z části mohl zafungovat vzorový model z krize vyvolané v roce 2008. Analyt ici čelí výzv ě Modely analytiky a umělé inteligence usnadňující řízení podniků proto stojí před obrovskou výzvou: obhájit svůj přínos při poskytování potřebné opory vedoucím pracovníkům v jejich rozhodování. Jde o výzvu nejen technickou, ale především právě analytickou. Teď bude záležet obzvláště na specialistech z tohoto oboru, nakolik kvalitně vyhodnotí stávající situaci a jak rychle budou schopni své poznatky promítnout do nových modelů a rekalibrace obchodních strategií pro měnící se prostředí, navázání nových datových partnerství, svolání mezioborových týmů s dostatečnou rozmanitostí atd. Přehodnocení obchodních priorit Na své nejzákladnější úrovni je pokročilá analytika navržena tak, aby zlepšovala rozhodování. Výsledkem je, že než vedoucí vyhodnotí, kterým modelům dnes mohou důvěřovat a které vyžadují úpravy, měli by nejprve během tohoto hlubokého přechodu přehodnotit, které modely skutečně potřebují. Ekonomické důsledky pandemie byly rozsáhlé a svět měnící. Zasažena byla všechna odvětví a společnosti, i když různými způsoby. Telekomunikační společnosti se snažily držet krok s dramaticky vyšší poptávkou po širokopásmovém připojení, zatímco ropné a plynárenské společnosti sledovaly, jak se ceny nečinných automobilů a letadel scvrkávají. Společnosti zabývající se balením spotřebního zboží závodily ve zvyšování výroby základních potřeb, jako jsou hygienické výrobky, zatímco prodejci oděvů zavírali obchody. I když toto rychle se měnící prostředí ovlivnilo přesnost modelů postavených před krizí, vedlo také k potřebě zcela nových analytických schopností, které by lídrům pomohly tyto rychle se objevující výzvy řešit. Naopak v některých případech některé dříve kriticky důležité obchodní modely ustoupily dočasně do pozadí. Příkladem může být oblast bankovnictví, kde muselo být mnoho zaměstnanců a obchodních zástupců přeřazeno z přepážek do call center, kde mohli zákazníkům lépe pomáhat s přechodem k on-line bankovnictví nebo s vyřízením nouzové půjčky. To dočasně odstranilo potřebu nástroje, který tito obchodní zástupci denně používali k doporučování produktů a identifikaci příležitostí křížového prodeje. Určení toho, kam zaměřit hodnocení modelu, vyžaduje identifikaci nových nebo nově důležitých obchodních strategií, které pandemie vyžaduje. S ohledem na měnící se situaci by takové vyhodnocování mělo probíhat v pravidelných, nepříliš dlouhých intervalech (obvykle několik týdnů) mezi vedoucími pracovníky v oblasti obchodu a analytiky, dokud se situace nestabilizuje. U organizací se stovkami nebo tisíci modelů podporujících kritické podnikání se může provádění procesu vrstveného modelování v případě nedostatku zdrojů primárně zaměřit alespoň na nejkritičtější modely. Přehodnocení rizik Obecně platí, že žádný analytický systém není imunní vůči chybným předpovědím nebo neoptimálním doporučením vyplývajícím z měnících se vzorců chování zachycených při přenosu dat do modelů. Zároveň ne všechny systémy budou čelit stejné úrovni dopadu a společnosti v různých průmyslových odvětvích najdou nejproblematičtější modely v různých částech svých organizací. K pochopení toho, kterým modelům důvěřovat a které je třeba prozkoumat ohledně problémů, je nutné pochopit faktory ovlivňující výkon modelu: Jak je model postaven. Čím je model složitější, tím je neprůhlednější, řídící pracovníci pak mají větší potíže s vyhodnocením jeho prediktivních schopností. V případech, kdy je i nejjednodušší možný model složitý, mohou zvýšit transparentnost jeho modelů nástroje popisující, z jakých předpokladů model při své analýze vycházel. Tím je lidem umožněno začlenit své odborné znalosti a úsudek do řešení vysoce volatilních prvků a snížit tak rizika chybných rozhodnutí. Jaké údaje se používají. Některé typy dat představují pro modely, které se na ně spoléhají, více potenciálních problémů než jiné. Například modely segmentace a hustoty zákazníků mohou být vysoce náchylné k chybným závěrům, protože se obvykle silně spoléhají na individuální charakteristiky a chování vycházející z let historických údajů o zákaznících. Ty se však mohou velmi lišit od dat, která přicházejí od zákazníků dnes. Naopak modely správy aktiv, které závisí na explicitních makroekonomických a mikroekonomických proměnných, mohou do značné míry zohlednit i dopad covidu-19 simulací dopadu změn makroekonomických proměnných, čímž jsou ohroženy o něco méně. Jak jsou váženy funkce. Datoví odborníci často utvářejí přesnější předpovědi identifikací a hodnocením „funkcí“ v datech. Příkladem může být vyhodnocování rizik neschopnosti klientů bank splácet úvěry a rizik růstu kriminality. Datové funkce mohou být silně ovlivněny aktuálními událostmi. Vedoucí představitelé bank například nyní zjišťují, že k delikvencím dochází podstatně méně často, než se vzhledem k předpokladu vysoké míry nezaměstnanosti očekávalo. Své zde sehrály mimo jiné vládní programy finanční pomoci. Po ukončení vládních intervencí však bude nutné počítat s faktorem uměle snížené míry kriminality a neschopnosti splácet, jinak by falešně optimistické předpoklady nabyté v posledních měsících mohly vést k chybnému vyhodnocení následného chování, a tím pádem i k řadě špatných rozhodnutí. Jaké předpoklady byly vytvořeny během sestavování modelu. Jak už bylo zmíněno, řada energetických společností používajících analytické modely nebyla připravena na situaci, kdy ceny ropy mohou dosáhnout hodnoty −30 dolarů za barel. Stejně tak modely mnoha bank nepočítají se zápornými úrokovými sazbami. Logistické modely maloobchodníků a modely předpovídání poptávky nezohledňovaly, že je nutné přesunout celé své operace na digitální. Prognostické aplikace logistických společností nezohlednily kolaps letecké dopravy cestujících, který je úzce propojen s dostupností a náklady na leteckou dopravu. Ve skutečnosti to všechno byly rozumné předpoklady před covidem- 19, ale dnes již nejsou přesné, což může mít obrovské důsledky pro modelové předpovědi. Zatímco analytici by měli zvládnout skutečné vyhodnocení těchto prvků, vedoucí pracovníci a vedoucí obchodních jednotek musejí pochopit, o co jde a jak ovlivňují výkon modelu. Teprve potom budou vědět, co mají upřednostňovat, jak řešit základní obchodní předpoklady a jaké otázky mají položit analytickým týmům, aby zajistily, že faktory budou správně vyřešeny – to vše jim po obnovení upraví důvěru v modely. /Jiří Krátký a Michael Málek/