Платформы и экосистемы - Harvard Business Review (HBR)

использовать эти компании. Их экосистемы гораздо более экономически эффективны и ориентированы на потребителя, чем традиционные отрасли. Эти компании используют подход, который я называю умным бизнесом, и я уверен, что именно он будет определять логику бизнеса в будущем.

Идея вкратце

Новая бизнес-модель

Alibaba – пример умного бизнеса завтрашнего дня: технологическая платформа, которая координирует многочисленных игроков в единой экосистеме.

Как она работает

Участники экосистемы обмениваются данными и применяют технологии машинного обучения для выявления и лучшего удовлетворения запросов потребителей.

Как ее построить

Автоматизировать принятие решений путем:

● извлечения из каждого взаимодействия максимума возможных данных;

● выполнения всех видов деятельности с помощью ПО;

● использования API и других протоколов для обеспечения гладкости взаимодействий между программными системами;

● применения машинного обучения для обработки данных в реальном времени.

Что такое умный бизнес?

Умный бизнес возникает тогда, когда все игроки, участвующие в достижении общей бизнес-цели – например, в розничной торговле или сервисе совместных поездок, скоординированы в онлайн-сеть и используют технологию машинного обучения для эффективного использования данных в режиме реального времени. Эта технологическая модель, в которой большинство операционных решений принимается машинами, позволяет компаниям динамично и быстро адаптироваться к меняющимся условиям рынка и предпочтениям потребителей, получая огромное конкурентное преимущество по сравнению с традиционными бизнесами.

Конечно, для машинного обучения необходимо топливо в виде достаточных вычислительных мощностей и объемов цифровых данных. Чем больше данных обрабатывает алгоритмический движок и чем больше итераций он проводит, тем лучше результат. Специалисты вырабатывают вероятностные прогностические модели для конкретных действий, а затем алгоритм перелопачивает массивы данных и с каждой итерацией выдает все более совершенные решения. Эти прогностические модели становятся основой для большинства бизнес-решений. Таким образом, машинное обучение – не просто технологическая инновация; оно предлагает нам новые способы ведения бизнеса, позволяя заменять человеческий процесс принятия решений алгоритмическим.

Поразительную иллюстрацию того, как может выглядеть будущее, дает нам Ant Microloans. Когда Alibaba в 2012 году запустила этот сервис, типичные суммы кредитов, выдаваемых крупными китайскими банками, исчислялись миллионами долларов. Минимальная сумма кредита – около 6 млн юаней, или чуть меньше $1 млн – значительно превышала средства, в которых нуждалось большинство малых и средних предприятий. Банки не желали обслуживать компании, у которых отсутствовала кредитная история или даже адекватная документация их бизнес-деятельности. Из-за этого десятки миллионов китайских предприятий испытывали серьезные трудности с привлечением денег, необходимых для развития и роста.

Мы в Alibaba поняли, что у нас есть то, что необходимо для создания высокофункционального, масштабируемого и прибыльного бизнеса по кредитованию малого и среднего бизнеса – огромная масса данных по транзакциям, проведенных малыми предприятиями на нашей платформе. Поэтому в 2010 году мы запустили революционный цифровой бизнес по микрокредитованию, чтобы предложить предприятиям кредиты в размере не более 1 млн юаней (около $160 000). За семь лет работы было выдано кредитов более чем на 87 млрд юаней ($13,4 млрд) почти трем миллионам малых и средних предприятий. Средняя сумма кредита составила 8000 юаней, или около $1200. В 2012 году мы объединили этот бизнес с Alipay, нашей весьма успешной платежной системой, и создали Ant Financial Services. Мы дали новому предприятию такое название, чтобы отразить идею того, что мы хотим поддержать все маленькие, но трудолюбивые, похожие на муравьев, компании[3].

Сегодня Ant с легкостью обрабатывает заявки на кредиты на любые суммы, даже на несколько сот юаней (около $50), буквально за несколько минут. Как это возможно? При встрече с потенциальным заемщиком кредитной организации нужно ответить всего лишь на три основных вопроса: можем ли мы дать ему кредит, сколько мы должны дать и какой будет процентная ставка. Так как продавцы, пользующиеся нашей платформой, открывают нам доступ к своим данным для анализа, ответить на эти вопросы нам легко. Наши алгоритмы рассматривают данные о транзакциях и оценивают, насколько хорошо идут дела у данного предприятия, конкурентоспособны ли его предложения на рынке, высоки ли кредитные рейтинги его партнеров и т. д.

Ant использует эти данные для сравнения благонадежных (тех, кто платит вовремя) и неблагонадежных заемщиков и определяет характеристики, свойственные каждой группе. Затем эти характеристики используются для расчета кредитной оценки. Конечно, все кредитные организации делают это тем или иным образом, но в Ant это происходит автоматически по всем заемщикам и всем данным об их деятельности в реальном времени. Каждая транзакция, каждое взаимодействие между продавцом и покупателем, каждое обращение к другим сервисам Alibaba, буквально каждое действие, предпринятое с использованием нашей платформы, оказывает влияние на кредитную оценку бизнеса. В то же самое время алгоритмы, подсчитывающие эту оценку, и сами развиваются в реальном времени, с каждой итерацией повышая качество принятия решений.

Чтобы определить, сколько денег можно выдать и сколько процентов взять, нужно проанализировать различные типы данных, сгенерированных внутри сети Alibaba, например, чистый валовой доход и оборачиваемость запасов, а также информацию, не поддающуюся столь точному математическому измерению, например, жизненный цикл продукта и качество деловых и социальных взаимоотношений продавца. Для оценки качества взаимоотношений алгоритмы могут, к примеру, проанализировать частоту, продолжительность и тип коммуникаций (быстрые сообщения, электронная почта или другие способы связи, распространенные в Китае).

Наши специалисты по обработке данных определяют и проверяют, какие именно данные способны дать нужную информацию, а затем разрабатывают алгоритмы для их отбора и фильтрации. Эта работа требует, с одной стороны, глубокого понимания бизнеса, а с другой – профессионализма в алгоритмах машинного обучения. Давайте вернемся к Ant Financial. Если продавец с плохим кредитным рейтингом вовремя выплачивает свой заем, а тот, кто считался благонадежным – оказывается злостным нарушителем, очевидно, что алгоритм нуждается в доработке. Инженеры могут быстро и легко проверить свои гипотезы. Какие параметры нужно добавить или исключить? Каким типам поведения пользователей нужно придать больший вес?

По мере того, как корректируемые алгоритмы дают все более точные прогнозы, риски и издержки Ant устойчиво снижаются, и заемщики получают деньги в нужном объеме, в нужное время и на условиях, которые они могут выполнить. В результате мы имеем крайне успешный бизнес: в сфере микрокредитования процент невозврата составляет около 1 % – значительно ниже, чем средние 4 % по оценке Всемирного банка на 2016 год.

Так как же нам удалось создать такой бизнес?

Автоматизация всех операционных решений

Чтобы ваша компания стала умным бизнесом, нужно добиться того, чтобы максимум возможных операционных решений принималась компьютерами на основании «живых» данных, а не людьми на основании их собственного анализа. Преобразование процесса принятия решений происходит в четыре шага.

Шаг 1. Собирайте данные по всем взаимодействиям потребителей

Ant очень повезло,