Подход Drivetrain был представлен Джереми Ховардом, Маргит Цвемер и Майком Лукидесом в 2012 году, предлагая четырехэтапную структуру для создания продуктов данных. Этот подход привлек большое внимание в сообществе специалистов по данным и широко обсуждался среди специалистов по данным из-за его эффективности использования данных для максимизации доходов в различных секторах бизнеса. Итак, давайте углубимся в то, что это за подход и как его можно использовать.
Для тех, кто не знаком с четырехэтапной структурой Drivetrain, она начинается с целей, то есть какой цели нужно достичь. В деловом смысле цель может состоять в том, чтобы увеличить продажи, укрепить клиентскую базу и, в конечном итоге, получить больше прибыли. Второй — это рычаги, которыми мы можем управлять для достижения цели, включая инструменты, методы или даже стороннего партнера. Затем дело доходит до данных, которые мы можем собирать. Говоря о процессе сбора данных, Ховард однажды дал смелую рекомендацию директорам некоторых страховых фирм случайным образом менять стоимость страховки в течение нескольких месяцев и записывать отзывы клиентов о поведении. Основываясь на собранных ими данных, эти страховые компании могли соответствующим образом скорректировать свои страховые полисы, чтобы лучше удовлетворить своих клиентов. И, наконец, последнее — это модели, архитектура прогнозирующего машинного обучения, которая не только делает прогнозы, но и дает действенные рекомендации. В этой части есть средство моделирования (модели, которые статистически строят причинно-следственные связи на основе данных), имитатор (модель, которая создает выходные данные, предоставляя широкий диапазон входных данных для проверки взаимосвязей) и оптимизатор (система, которая рекомендует оптимальные результаты). после процесса моделирования).
Понять все эти абстрактные концепции может быть сложно, поэтому давайте рассмотрим это на примере. Предполагая, что мы управляем бургерным рестораном и баром и пытаемся улучшить качество обслуживания клиентов, изучая их отзывы, первым шагом является определение цели, которая, очевидно, состоит в том, чтобы предоставить посетителям более качественную еду, напитки и столовые качества, поэтому мы установим цены пока в сторону. Поскольку цель определена, нам нужно знать, какими рычагами мы можем управлять. Что касается еды и напитков, это могут быть ингредиенты, качество еды, варианты блюд, выбор напитков и кулинарные навыки шеф-повара; Когда дело доходит до обеда, мы можем улучшить атмосферу, температуру в помещении, обслуживание клиентов, мебель и чистоту. Затем идут данные, которые в основном могут быть собраны либо из уст в уста, либо из онлайн-комментариев. Между тем, мы могли бы учитывать и дополнительные данные, например, текущие дела или что-то нестандартное. Если бы имело место национальное спортивное мероприятие, мы должны были бы подумать, как наличие большого экрана, транслирующего спортивный матч в прямом эфире, увеличивает количество посетителей, приходящих пообедать. Последняя часть — модели. Мы создадим модели, которые связывают взаимосвязь между уровнем удовлетворенности посетителей и всеми факторами, повышающими их удовлетворенность, после чего следует моделирование, показывающее результаты, когда входные данные всех факторов были скорректированы соответственно. После того, как мы найдем закономерность в симуляторе, будет создан оптимизатор, который будет давать рекомендации, например, рекламировать острые блюда в летнее время, поскольку люди склонны есть перец, когда жарко.
Короче говоря, это похоже на то, как инженеры изучают маркетинговые приемы для улучшения бизнес-моделей, а маркетологи используют инженерные знания, чтобы делать то же самое. Конечно, я считаю, что использование подхода Drivetrain в деловом мире — это лишь верхушка айсберга, и существует множество полей и областей, которые можно исследовать с помощью такого подхода.
