Суперакция! Эксперты «Кубит Практик» рассказали о трендах предиктивной аналитики в промышленности
Руководитель отдела патентной аналитики «Кубит Практик» Валентина Иващенко рассказала о практическом опыте использования методов предиктивной аналитики в промышленности, а также перспективах применения инструмента на производственных предприятиях, особенности ее внедрения в России и отраслевой специфике.
Что это такое и зачем бизнесу?
Предикативная (или предиктивная, прогнозная) аналитика — это прогнозирование, основанное на исторических данных. С помощью статистических инструментов можно выявить закономерности в изменениях показателей в предыдущих периодах и предсказать, как они будут вести себя в будущем.
Для успешного бизнеса предпринимателям необходимо постоянно ставить перед собой различные вопросы и уметь правильно на них отвечать. С поиском решений как раз и может помочь предиктивная аналитика. Например, она поможет разобраться в таких вопросах, как: где и как найти нужную технологию? Что из существующих технологий покупать и у кого? Как именно можно будет применить техническое решение? Точно ли эта технология решит мою проблему? С чем мы можем столкнуться при выходе на рынок? Что делать, если от всей технологии нам нужна только часть? С кем перспективно работать в отрасли? Кого (стартап / бизнес) лучше успеть купить?
«На самом деле качественная аналитическая проработка любого бизнес-проекта может управленцу качественно расширить бизнес-модель всем известного Остервальда, так как даст новые представления о потенциальных потребительских сегментах, укажет на неожиданные рынки и каналы сбыта, даст незамыленное представление о партнёрах, о которых можно и не знать и т.п. У любых компаний есть открытая и закрытая сторона бизнеса. Предиктивная аналитика позволяет немного заглянуть за кулисы, посмотреть, какие решения относительно технологического контура принимались, сделать выводы о валидности потенциального партнера», - уверена экперт «Кубит Практик» Валентина Иващенко.
Поиск лучшего
Предприниматель собирается строить завод. Ему предлагают его возвести по уже готовым технологиям. Но будущему обладателю завода необходимо понять, а эффективны ли те технологии, которые ему предлагают, безопасны ли они и как предпринимателю защитить себя. Также перед строительством предприятия необходимо убедиться в том, что портфель разработок конкурента действительно сильный и вообще стоит внимания. Если проигнорировать этот момент, то предприниматель может оказаться в ситуации, когда ему «пустили пыль в глаза», и он зря потратил время на изучение портфеля технологий другого производства.
В конкурентной среде компаниям необходимо понять, на какие решения тот или иной бизнес сейчас делает ставку, какими будут лабораторные испытания и смогут ли они уйти в масштабирование. Кроме того, предприятиям важно найти проекты, которые стоит финансировать им самим, при условии поведения игроков, государственного регулирования и регуляторных требований в нише.
«Продолжая разговор о пыли в глазах, важно держать руку на пульсе по отношению к стандартам производства, которые стремятся построить, допустим, по китайским лекалам, и их соотнесению с экологическим стандартом, который меняется достаточно часто и отличается от страны к стране, а иногда даже от региона к региону», - подчеркнула она.
Эксперт «Кубит практик» отметила, что проводя анализ отрасли и конкуренции, необходимо помнить, что для одних и тех же исходных данных может существовать несколько вероятных сценариев развития событий в отрасли. Всегда остается место для различных мнений о влиянии тех или иных факторов и о вероятных изменениях в отрасли и конкурентной среде.
Во всем этом и поможет разобраться предиктивная аналитика, которая может использовать разные типы и виды данных. «В работе с технологиями, техническими решениями, инвестирование в разработку новых продуктов на основании существующих технологий, есть огромный пласт данных, которые многие обходят стороной просто потому, что не знают, как их обрабатывать. Это патентные данные. Причем как в структуре каждого отдельного патента, так и данные о патентных коллекциях в целом, они же патентные мета-данные. В старой советской (но незабытой!) школе это называли библиографическими данными», - добавила Валентина Иващенко.
Патент – не просто юридический документ
Все привыкли воспринимать патент только как юридический документ, на который можно выдать или получить лицензию. Разумеется, это верная трактовка, но это еще не все, замечают в «Кубит Практик».
«Несмотря на то, что некоторые патенты пишутся ради маркетинга или отвода глаз, опытный специалист быстро отделит зёрна от плевел. В патенте иногда можно отыскать чертежи, описание этапов воспроизводства того или иного продукта или способа, получить данные о работе изобретения в динамике и описание его составных элементов, и это не исчерпывающийся перечень. Патент как источник информации содержит в себе огромное количество неочевидной для многих информации, на основании которой можно строить те или иные гипотезы. А в случае, если интерпретацией обработанных данных занимается грамотный специалист (отраслевой эксперт), то такие выводы действительно могут лечь в основу принятия решений», - считает Валентина Иващенко.
Анализы для выявления стоящего и иллюзорного патента
Для анализа патентного поведения компании в интересуемой технологической нише используются статистические методы для выявления закономерностей, которые позволяют предсказывать стратегии патентной охраны, закладываемые разработчиком, выявлять принципы их поведений и прогнозировать их будущие решения.
Анализ временных рядов и статистическая обработка данных позволяют формировать гипотезы о потенциальных связях и зависимостях, выявлять корреляции и причинно-следственные связи.
Например, компания занимается активным патентованием. Специалистам нужно было выявить в общем потоке решений, какие патенты действительно стоящие и потенциально вот-вот продукты по ним появятся на рынке, а какие делаются для отвода глаз. Была найдена корреляция между указанием авторов в заявке для патентов, которые действительно были ценными для компании и их неуказание в тех заявках, которые не предполагались для реализации.
Также это подтверждалось еще и тем, что в спорных (неочевидных) по новизне и изобретательскому уровню патентах компания привлекала консалтинговые организации для ведения делопроизводства с ведомством, а те патенты, которые не были ключевыми, вела сама. Тут и стало понятно, за какие патенты будут биться не только юристы компании, но и привлеченные эксперты в рынке, что позволило сразу ранжировать патенты компании по значимости и оценить реальный портфель, отделив его от иллюзорного. Таким образом и выявляются скрытые закономерности патентного поведения.
Патентные данные могут быть собраны из разных источников: системы Роспатента и ВОИС, базами данных национальных ведомств, такие как Espacenet, а также Patseer и Questel Orbit. Последние две базы коммерческие (платные) и их функционал значительно шире, что создает преимущество в скорости обработки таких данных, в их полноте, и формирует базовые графические представления данных.
ИИ здесь не помощник
В «Кубит Практик» отмечают, что искусственный интеллект с патентными данными пока работать не может, так как в этом механизме присутствует огромное количество бизнес-логики. Мало понимать, как строится патентная заявка и какие типы информации в каком разделе находятся. Необходимо еще эти данные сопоставлять и сравнивать, а такой процесс в каждой конкретной коллекции может быть свой. Поэтому доверить полностью работу с патентными данными ИИ пока не получается. Сложность у робота-помощника может возникнуть и во время «очищения» патентных коллекций от шумов. Даже если задать формальные критерии, по которым система отсеивала бы сильные и слабые патенты, мы не получим качественного отбора.
«Многие ПО, которые работают с патентными данными встраивают у себя такой формальный принцип определения силы патенты. Но к реальности он не имеет никакого отношения. Критерий географии охраны или количество пунктов формулы ещё не говорит о том, что патент действительно сильный и легко устоит в суде или не будет оспорен по недостаточности раскрытия данных», - подчеркивает Валентина Иващенко.
Большая часть таких систем будет допускать сразу две главных статистических ошибки – отсев полезного и включение нерелевантного. Очищением коллекции обычно занимаются опытные аналитики, которые обладают высоким уровнем насмотренности и большим опытом именно в анализе патентов и патентных данных. Потому что перечень «красных флагов» (того, что будет указывать на низкое качество патента – прим.) для каждой отрасли будет свой, и то, что характерно для одних – зло для других.
«Ну и конечно различия в том, какие объекты и как охраняются в разных странах тоже часть неотъемлемо обязательных знаний аналитика. Если какой-то патент получил отказ экспертизы патентного ведомства Японии, это ещё не делает его хуже, просто, возможно, патентовед, который занимался его регистрацией, не был в курсе того, что в Японии не охраняется около 40% видов объектов, которые при этом легко испрашивают охрану в большинстве других стран, например, изобретения в области диагностики или способов лечения. Но наличие такого отказала в патентном семействе ещё не говорит о том, что патент был плох, и не должно опускать его в рейтинге по релевантности. А многие системы опираются именно на такие провальные критерии отбора и сортировки», - резюмирует эксперт «Кубит Практик».
Что дает предиктивная аналитика?
Для промышленности аналитика является поддержкой процессов формирования изменений. Нужные данные, качественная их обработка и выводы, адаптированные под задачи бизнеса, помогут приблизиться к желаемому результату. От обычных исследований литературы, патентов и прочей информации в интернете предиктивная аналитика отличается, потому что она не отвечает на вопрос «а что вообще есть в этом мире?», она отвечает на вопрос – «что можно сделать с проблемой/задачей N?».
Результаты предиктивной аналитики работают и на стратегическом, и на операционном уровне. Для стратегического уровня формируется обзор лучших решений и продуктов в области интересов, проводится анализ стратегий игроков обладателей таких решений.
Обязательно должен быть контроль качества данных, который не будет заключаться только в формальных критериях. Это тоже к вопросу о том, почему ИИ все еще бессилен в этой работе. Все алгоритмы, все принципы работы любой нейросети с данными еще долго будут несовершенны. Если ЛПР не огромная компания, у которой достаточно средств для реализации постоянного подхода по принципу «система проб и ошибок», то тогда мы должны полагаться на качественный отсев исходных данных, которые образуют генерализованную совокупность, а также грамотный инсайт-анализ. Потому что выявление отклонений, аномалий и их трактовка с точки зрения последствий для бизнеса пока что подвластна только эксперту-человеку, а не экспертной машинной модели.
Также, в эпоху постоянно изменяющейся действительности, как говорят, VUCA мире, сложно даже просто успевать каждый раз загружать в модель всё новые вводные для работы с информацией. А законодательство иногда срабатывает быстрее, чем реализации разработки.
Какой эксперт нужен предиктивной аналитике?
В эксперте по предиктивной аналитике отраслевое знание должно переплетаться с менеджерскими навыками, чтобы понимать, как работает бизнес, какие у него ключевые задачи, с какими рисками он работает, и уметь пользоваться бизнес-логикой.
Простыми словами – это человек, объединяющий в себе разные принципы мышления, подкрепленные постоянным анализом процессов по принятию решений и их последствий, чтобы выводы, которые он делает, были взвешенными.