Comments 8
Интересная статья и интересный инструмент! Можно сказать, что по жизни я занимаюсь программными средствами так или иначе связанными с анализом и принятием решений, включая системы поддержки принятия решений (включая пространственные решения по земплепользованию, ликвидации последствий загрязнений, использованию и обслуживанию инфраструктуры и т.д.), средствами для сбора данных для таких решений, средствами для оценки рисков и т.д.
Интересно видеть простой в использовании инструмент для поддержки принятия бизнес решений, который может быть использован конечными пользователями сразу из коробки. Обычно, использование систем поддержки принятия пространственных решений это приручение целого зоопарка различных источников пространственных данных (разные форматы файлов, разные сервисы и т.д.), танцев вокруг обработки таких данных (преобразование форматов, вычисление расстояний, буферных зон и т.д.), построения моделей для анализа решений на основе обработанных данных с учетом различных факторов, работа с экспертами, заинтересованными лицами, лицами принимающими решения и т.д.
Может ли ваш инструмент (в текущей реализации или перспективе) помочь в выборе места расположения кафе из числа конкретных мест заданных пользователем? Можно ли учитывать пользовательские данные (стоимость, площадь, состояние помещения и т.д.)? Можно ли учитывать приоритеты пользователей (минимальные вложения, максимальная прибыль, минимальные риски и т.д.)? Может ли ваш инструмент помочь в решении задачи использования определенного места (что построить, кафе, магазин, заправку и т.д.)?
Спасибо за комментарий.
Вы совершенно правы, мы стараемся взять на себя львиную долю задач пользователя.
Это, прежде всего, работа дата-инженеров по сбору данных из разных источников, приведение их в единый формат и к единому виду. Затем в дело вступают наши дата-сайентисты и строят модели, учитывают буферные зоны, выделяют максимально влияющие факторы, и создают геослои для решения конкретных задач.
Например, мы предлагаем предрасчитанные геослои для 35 отраслей (есть и кафе), которые позволят сравнить несколько точек между собой с позиции ожидаемой успешности. Совсем скоро пользователь сможет загружать свои данные и использовать их при сравнении.
Мы думаем над тем, как предлагать требующие постоянного обновления данные: к примеру, доступность свободной коммерческой недвижимости или среднюю стоимость аренды.
Мы работаем над моделями, которые для одной локации предскажут успешность разных бизнесов. Словом, мы в самом начале большого пути. Будем рады видеть вас в нашей команде.
Спасибо за детальный ответ!
Уверен что у вас отличная команда, но мне пока хорошо в своей. Однако, от интересного и полезного общения я никогда не отказываюсь!)
Если я правильно понял, основной упор ваша система делает на данные (по большей части пространственные), их обработку и анализ. И это здорово, качественная платформа позволяющая получать систематизированные актуальные данные (а у вас есть еще и прогнозируемые) для бизнеса, властей и населения штука уникальная и безусловно найдет своих пользователей.
Вопросы, которые меня часто волнуют (как и многих других разработчиков средств поддержки принятия решений), это как использовать имеющиеся данные и модели для анализа и принятия решений. Даже рассматривая банальный пример выбора новой машины для личного пользования и удовольствия мы столкнемся с различиями в понимании проблемы (кто то еще не знает с чего начать, а кто то уже определился с моделями автомобилей и критериями для их оценки), различиями в предпочтениях (кому то нужна скорость, кому то престиж, а кому то просто красненькая симпатичная машинка), различиями в отношении к рискам и неопределенностям (кто то готов рискнуть и попробовать неизвестную марку из поднебесной, а кому то подавай гарантированное немецкое качество) и т.д. Все становится еще веселее если при выборе нужно учесть мнение жены, детей, тещи и любимой собаки (вопросы групповых решений, поиска компромисса и т.д.). Этим и другим вопросам посвящено много хороших толстых книг по теории принятия решений (большинство из них на английском, и в переводе на русский язык они появляются довольно редко). Но, проблема выявления и интеграции предпочтений и других особенностей лиц принимающих решения (будь то отдельный человек или крупная организация) при создании средств поддержки принятия решений каждый раз возникает снова и снова. Во многом, от решения этой проблемы зависит соотвествие выдаваемых рекомендаций ожиданиям пользователя, и как следствие его удовлетворенность от использования средств поддержки принятия решений.
Возвращаясь к анализу данных, а точнее к прогнозированию, если интересно посмотрите на разработки вот этой компании https://www.remi.com/, которые используются во многих регионах и мегаполисах США и ЕС для прогнозирования экономических и социальных изменений, бизнес климата, транспорта, энергетики и т.д.
Для предпринимателей это возможность снизить риск ошибки при открытии бизнеса в десятки раз.
Каждый раз читая такое, хочется спросить, есть ли данные подтверждающие эти "десятки раз"? Не рассказ про то какие данные пользователю предоставляют, а статистика успеха, скажем без данных Х% кафешек закрывается в течение первого года, а с нашими данными только У%.
Не рассматривайте как критику конкретно геоплатформы, это просто общая проблема в консалтинге - все готовы описать тонну процессов, "помогающих" бизнесу, практически никто не измеряет их реальную эффективность. Иногда конечно потому что она отрицательна, но и когда она скорее присутствует, никто не измеряет, поэтому все эти заявления о снижении риска остаются словами.
На мой взгляд, подобные заявления о снижении рисков, увеличении прибыли и т.д., это не более чем маркетинг. Безусловно, можно оценить эффект от внедрения и использования определенной методики или информационной системы на производстве посредством сравнения конкретных показателей производства до и после внедрения. Но, когда речь заходит об использовании методов и средств поддержки принятия решений то сравнивать не с чем. Точнее, можно сравнивать возможные варианты действия (возможные места расположение кафе) друг с другом, можно вводить идеальные варианты и сравнивать имеющиеся варианты с ними, можно оценивать насколько выбранный вариант (с учетом многих критериев, неопределенностей, точек зрения) лучше случайного выбора. Но, все эти сравнения лежат в плоскости модели решения, которая построена исходя из имеющихся знаний и опыта, текущей или прогнозируемой ситуации, учитывает определенные факторы и риски и имеет множество ограничений. Другими словами, лучшее место для кафе (с точки зрения рекомендаций некоторой системы) может легко оказаться худшим потому что не были учтены изменения в экономике и бизнесе, не были учтены приоритеты и предпочтения местных жителей и владельца нового кафе, данное место (район) было рекомендовано еще пяти бизнесменам, которые также решили открыть там свои новые кафе.
Вот вот! И когда этот маркетинг про "снижение рисков в десятки раз" в рекламных материалах для лохов покупателей - это ожидаемо. А в статье на Хабре для людей занятых обработкой данных, и всегда задумывающихся - откуда это утверждение, что за ним стоит? - лучше это упустить.
Мы рассматриваем сценарий измерения эффективности. Например, это может быть выгрузка количества торговых объектов определенного типа на ретро дату, например, год назад по Х городам, фиксация кол-ва, оценка мат моделью на тот период, далее выгрузка кто остался за год, выгрузка из СПАРК финансовых результатов - займемся этим в 1Q2023
Интересно было бы про технологии почитать.
Анализ геоданных: как мы запустили game-changer инструмент для бизнеса