В определенный момент поворота ручки точность прогнозов ИИ достигает порогового значения и меняет бизнес-модель Amazon. Прогнозы становятся настолько точными, что компании выгоднее присылать вам товары, которые вы предположительно захотите купить, чем ждать, пока вы закажете их на сайте.

В таком случае другие магазины вам уже не нужны, а каждая покупка будет стимулировать следующую. Amazon получит основную долю содержимого вашего кошелька. Очевидно, что это выгодно Amazon, но также удобно и вам. Магазин доставляет покупки до того, как вы их совершили, и таким образом избавляет вас от траты времени на шопинг. С поворотом регулятора точности на максимум бизнес-модель Amazon меняется с «сначала оплата, потом доставка» на «сначала доставка, потом оплата».

Разумеется, покупатели не захотят возиться с возвратом нежелательных товаров. Поэтому Amazon вложится в отладку этого процесса – скажем, раз в неделю служба доставки будет собирать невостребованные посылки[13].

Но если такая бизнес-модель лучше, почему Amazon до сих пор ее не внедрила? Дело в том, что сегодня издержки сбора и обработки возвратов перевешивают рост дохода от большей доли покупок. Например, сейчас мы вернули бы 80 % доставленных товаров. Это трудоемко для нас и затратно для Amazon. Прогноз недостаточно точен, чтобы на его основе Amazon внедряла бы новую бизнес-модель.

Возможен иной вариант: Amazon обращается к новой стратегии до того, как точность прогнозов достигнет качественного уровня, исходя из предположения, что однажды это принесет выгоду. Благодаря раннему запуску ИИ соберет больше данных за короткий срок и усовершенствуется. В Amazon понимают, что чем раньше они стартуют, тем сложнее будет конкурентам их нагнать. Качественный прогноз привлечет больше покупателей, что увеличит объем данных для обучения ИИ и, в свою очередь, приведет к повышению качества прогнозов, а далее этот цикл неоднократно повторится. Раннее внедрение обойдется дорого, но опоздание может стать роковым[14].

Мы не утверждаем, что Amazon будет или должна внедрять такую практику, хотя для скептиков у нас есть неожиданная новость: в 2013 году Amazon получила патент США на «опережающую доставку»[15]. Несомненно, вращение регулятора точности прогнозов коренным образом повлияет на стратегию. В данном примере оно меняет бизнес-модель Amazon с «сначала оплата, потом доставка» на «сначала доставка, потом оплата», создает стимул для вертикальной интеграции посредством организации услуги по возврату товаров (в том числе грузового автопарка) и ускоряет получение инвестиций. И все это вследствие поворота регулятора точности прогностической машины.

Что это означает для стратегии? Во-первых, необходимо инвестировать в сбор информации относительно того, как быстро и насколько высоко вырастет точность прогнозов в вашем и в смежных секторах. Во-вторых, разработка тезиса о стратегических возможностях, образовавшихся в результате вращения регулятора точности, потребует финансовых вложений.

Чтобы начать «научное фантазирование», закройте глаза, мысленно возьмитесь за регулятор прогностической машины и, следуя бессмертным словам члена группы Spinal Tap[16], поверните его на 11 часов.

Прежде всего необходимо построить фундамент для стратегического внедрения прогностических машин в своей организации. Именно так мы структурировали книгу – возводили пирамиду от основания.

В части I мы заложим фундамент и объясним, как машинное обучение повышает качество прогнозов. Затем разберемся, чем новые преимущества отличаются от статистики, которой вас учили или которой уже занимаются ваши аналитики. Далее мы затронем ключевые дополняющие факторы прогнозов – данные, особенно те, что необходимы для качественной прогностики, – и расскажем, как убедиться, что они у вас есть. И в завершение рассмотрим, когда прогностические машины работают эффективнее человека и в каких случаях людям и машинам целесообразно объединить усилия для получения максимально точных прогнозов.