Współcześni ludzie usiłują tworzyć innowacje w sytuacji komfortu, bezpieczeństwa, przewidywalności, zamiast pogodzić się z tym, że potrzeba jest prawdziwą  matką wynalazku. To zdanie pada także w książce Taleba “Antykruchość”. Bardzo przydatna lektura, zwłaszcza teraz.

Czy dotarła do Ciebie ankieta z odpowiedziami na pytanie, kto wprowadził innowację i optymalizację procesów w Twojej firmie? CEO, CTO czy może COVID?

No właśnie… Wciąż nie wiadomo do końca, co się wydarzyło i jakie będą tego skutki. Natomiast pewne jest to, że obecna sytuacja zmusiła firmy do optymalizacji procesów lub wręcz zmiany na nowe. Wybór został ograniczony, inne potrzeby stały się wiodące. 

Przez ostatnie miesiące wiele firm musiało nauczyć się pracować inaczej: co najmniej wymagało się od nich pracy zdalnie, nie wspominając o innych regulacjach i koniecznej optymalizacji. 

Oczywiście są pewne trudności, ale też pojawia się zrozumienie po obu stronach, że to może być ciekawa i docelowo  wartościowa alternatywa. Ze strony pracodawcy to  mogą być dość duże oszczędności, jak też i elastyczność. Natomiast po stronie pracownika – mniej marnowania czasu i nerwów na dojazdy (jednak w dużych miastach to może być poświęcenie nawet godziny czy kilka godzin dziennie na dojazd), mniej gadania z kolegami i koleżankami, jak również elastyczność (mieszkając w górach można pracować dla firmy z Warszawy czy jakiejkolwiek innej).

Chociaż praca zdania ma szereg swoich minusów, to jednak ma też sporo zalet. Innowacja, optymalizacja procesów, to przecież są tematy, które każda firma “przerabia” w tej czy innej formie. To nie jest coś nowego, w sensie mówienia o tym, natomiast są powody, dlaczego to się nie dzieje. Tych powodów pewnie  jest wiele, ale spróbujmy dzisiaj ten temat ugryźć i podzielić się przemyśleniami w tej sprawie.

Postawmy pytanie w taki sposób: co sprawia, że wiele firm jest mało efektywnych? 

Odpowiadając warto zrobić krok wstecz i zdefiniować, czym jest efektywność. To jest dość trudne, bo w zależności od skali firmy i innych kontekstów należy definiować to pojęcie  inaczej. Podam Ci taki przykład. Czy jest możliwe prowadzenie dużej firmy bez biurokracji? Myślę, że jak zapytasz większość prezesów (sam to robiłem), to odpowiedź będzie brzmieć: nie.

Biurokracja jest konieczna, aby utrzymać ten olbrzymy mechanizm. Oczywiście większość z nich powie to raczej w prywatnej rozmowie, ale to już szczegół dotyczący wydobywania faktów. Chociaż są nieliczne przykłady, które pokazują,  że może być inaczej, ale to nadal pozostaje wyjątkiem od reguły. 

Warto zawęzić grupę, aby dokładniej omówić temat. Dlatego w tym odcinku skupię się przede wszystkim na firmach, którym już pomogliśmy lub obecnie wspieramy w ramach DataWorkshop. Są to tak zwane – MŚP (małe-średnie przedsiębiorstwa) oraz startupy.

Zgodnie z definicją obrót roczny takich firm do 50 mln EUR. Ta wiedza również może być przydatna dla większych firm, ale należy ją opakować w kilka kolejnych warstw, które są konieczne w dużych firmach. Mam na myśli to, że w większych firmach zawsze jest więcej dodatkowych kroków (spowodowane biurokracją lub pewnymi zjawiskami psychologicznymi, socjologicznymi, które występują u większych organizacjach).

Zacznijmy od tego, że osoby decyzyjne wielu firm obecnie przeżywają pewien szok, który pojawił się wraz ze wspomnianą wcześniej sytuacją. To zadziałało jak triger i bardzo silny argument na to,  że wprowadzenie zmian jest konieczne. Niestety w pośpiechu brakuje czasu na wnikliwe zrozumienie pewnych aspektów, stąd też pojawia się szereg mitów.

Już wcześniej przygotowałem odcinek “10 mitów o sztucznej inteligencji”, dzisiaj rozszerzę tę listę i dodam kolejne przykłady.

Mit 11: Wolimy klasyczne programowanie, bo jest mniej ryzykowne niż projekty uczenia maszynowego 

Projekty uczenia maszynowego (lub tak zwanej sztucznej inteligencji) są projektami R&D (badawczo-rozwojowe), czyli de facto  są obarczone dużym ryzykiem. 

Zwykle to jest prawda. Natomiast ostatnio “wychwytuję” źle interpretowane fakty, które są traktowane jako pewna szkodliwa wymówka. 

Jest słynne podejścia, które mówi, aby działać tak, by jak najszybciej popełnić błędy (tak zwane fail fast). Są ludzie, którzy  wykorzystują to we własnych celach jako wymówkę. To znaczy ich intencją jest coś innego niż uczenie się, aby osiągnąć postawiony cel poprzez popełniane błędy (ich motywacja może być jakakolwiek, np. zwykłe lenistwo).

Natomiast to podejście – popełnianie błędów jak najszybciej, ma sens wtedy, kiedy popełniając błędy wyciągamy szybko wnioski i w wyniku tego jesteśmy o krok bliżej do celu za każdym razem, za każdym popełnionym błędem. Dopiero wtedy uczymy się i możemy zrobić z tego wartość. 

Jeszcze raz to powtórzę – popełnianie błędów samo w sobie jest mało wartościowe, to ma sens wtedy, kiedy naszą intencją jest poznawanie pewnych spraw, o których wiemy mało, a chcemy dowiedzieć się więcej i dzięki temu efektywniej osiągnąć cel.

Mam podobne skojarzenie z tym, jak słyszę, że projekty ML/AI są projektami podwyższonego ryzyka, więc „lepiej kontynuować próbę rozwiązań klasycznym podejściem programistycznym”. 

Zrobię krok w bok i przypomnę, a właściwie powiem wprost, że stosowanie ML nie zawsze jest dobrym narzędziem, ale tam, gdzie ML może przynieść więcej korzyści niż klasyczne programowanie szkoda byłoby je odrzucać, twierdząc, że inne projekty IT są mniej ryzykowne.

Porozważajmy nad tym jeszcze trochę…

Tak się składa, że prawie trzy lata (zabrakło chyba miesiąca czy dwóch), pracowałem jako architekt w dużej firmie i jeszcze miałem okazję projektować wiele innych rozwiązań po drodze.  Dlatego wiem jak bardzo, tak zwany “projekt IT” jest również obarczony dużym ryzykiem.

Przypomina się mi klasyczne podejście, kiedy “biedni” biznes analitycy próbują zrozumieć założenia projektu pisząc bardzo długie dokumenty (czasem to było kilkaset stron) i następnie wyzwaniem staje się zrozumienie tych dokumentów a nie projektu 😉 

Jak ktoś doświadczył podobnych sytuacji (jak analiza kilkuset stron z założenia o projekcie), to pewnie teraz uśmiecha się, bo wie, że zwykle ciężko jest zaplanować i przepisać na papier założenia projektu z większym wyprzedzeniem, tym bardziej jeśli mamy do czynienia z trudniejszymi projektami.

Czas wiele weryfikuje i wprowadza ciągłe zmiany. W terminologii wspominanego na początku Taleba, przygotowanie takiej dokumentacji jest klasycznym “kruchym” podejściem, które ostatecznie bardzo łatwo może wywrócić do góry nogami nawet duże firmy i kompletnie nie jest odpore na zmienności, których nie brakuje w prawdziwym życiu.

Dlatego, wtedy jak mówię, że zamiast próbować udawać, że wiemy jaka jest rzeczywistość, lepiej jest wchodzić w interakcję z rzeczywistością wykonując małe kroki relatywnie małym kosztem. Wtedy słyszę jako kontrargument: „nie, nie możemy tak pracować, bo musimy z góry wszystko zaplanować, więc lepiej będziemy kontynuować klasyczne programowanie„.

Wtedy w mojej głowie pojawia się taka myśl:

“ale w sumie to niewiele zmienia, bo w klasycznym programowaniu też warto do tego podchodzić w taki sposób, czyli zakładać, że nie jesteśmy w stanie wszystkie zaplanować i być gotowym na zmiany”.

Nic nowego teraz nie odkryję, ale zwrócę uwagę, na to, że właśnie z konieczności dostosowania się do zmienności i ze świadomości nieprzewidywalności pewnych spraw do IT zaczęły wkraczać różne metodologie, które zmieniają podejście narażone na duże ryzyko niepowodzenia na to bardziej elastyczne np. Agile: Scrum, Kanban itd, aby móc w jakiś sposób zacząć zarządzać zmiennością w projektach.

Teraz dochodzimy do sedna. Klasyczne projekty IT również są obarczone dość dużym ryzykiem, bo również zawierają pewne czynniki, które są zmienne w czasie. To myślenie o ryzyku niewiele różni się od projektów ML. To, że pojawiają się dokumenty (np. stworzone przez biznes analityków) wcale nie rozwiązuje tego problemu, jedynie przykrywa go, czyniąc bardziej niebezpiecznym.

Czasem to jest zwyczajnie próba stworzenia poczucia, że mając gruby dokument wiemy wszytsko i wydaje się nam, że kontrolujemy naszą rzeczywistość, która prędzej czy później i tak nas zaskoczy. 

Nigdy nie kontrolowaliśmy otoczenia w 100% i nigdy nie będziemy w stanie tego kontrolować. Jedynie możemy próbować je lepiej poznać w tym momencie i odpowiednio zareagować.

Czas, którego potrzebujemy, aby dopasować się do kontekstu jest kluczowy. Widać to dobrze w czasie kryzysu. Im mniej czasu potrzebujesz, aby poznać reguły gry i się do nich dopasować, tym zwiększasz prawdopodobieństwo, że co najmniej przetrwasz, a może nawet wyjdziesz zwycięsko z trudnej sytuacji.

Podsumujemy rozważania wokół omawianego mitu.

Owszem projekty ML zawierają pewne czynniki ryzyka i rządzą się nieco innymi zasadami rozwoju niż klasyczne projekty IT. Natomiast warto też przyznać, że klasyczne projekty IT wcale nie są tak bezpieczne (jak czasem to może się wydawać). Tylko tak się złożyło, że w projektach ML wyraziściej podkreśla się ryzyko.

Dlatego powinniśmy mysleć raczej w kategoriach, jaką potencjalną wartość może wygenerować to czy inne rozwiązanie, jakie ma ryzyko i co możemy zrobić, aby to ryzyko minimalizować.

Mit 12: Projekty ML mogą skończyć się fiaskiem i to “słabo sprzedaje się” dla ludzi biznesu

Już w poprzednim punkcie uświadomiliśmy sobie, że klasyczne programowanie również zawiera sporo wyzwań i też może skończyć się źle. Popatrzmy teraz na ten wątek z drugiej strony.

Firma decyduje się zainwestować w innowacyjne podejście. Rozpoczyna proces przygotowania do ML lub nawet już trenuje pierwsze modele i okazuje się, że mamy porażkę…

Spróbujmy zdefiniować ten przypadek bardziej precyzyjnie, odpowiedzieć na pytanie, co to oznacza w praktyce, czym jest porażka?  Być może jest tym, że nie udało się wdrożyć modelu uczenia maszynowego na produkcję i tym samym przynieść jednoznacznie korzyści biznesowe. 

Tylko warto pamiętać, że aby taki model wytrenować i wdrożyć, trzeba wykonać kilka ważnych kroków przed rozpoczęciem samego procesu trenowania, np. lepiej sobie uświadomić, gdzie jesteśmy teraz. To nie jest tak łatwe, jak się wydaje. Następnie bardziej precyzyjnie zdefiniować cel. To jest jeszcze trudniejsze. Za chwilę rozwinę także ten wątek.

W ramach spółki DataWorkshop proponujemy zacząć od prostego kroku. Czasem ten etap nazywamy prototypem. Chodzi o sprawdzanie potencjału, czyli zbadanie realnych możliwości i ograniczeń firmy.

Proponujemy rozpoczynać ten krok bez większych założeń teoretycznych i zobowiązań po obu stronach (koszt tego działania jest relatywnie niski). Wynikiem tego kroku jest odpowiedzenie na pytanie, czy ML nadaje się do rozwiązania tego problemu, jaki jest potencjał efektywnego wdrożenia modelu uczenia maszynowego w tym kontekście. Jeśli okazuje się, że tego potencjału nie ma, to pojawia się odpowiedź dlaczego i co można ewentualnie naprawić. Nierzadko udaje się odkryć inny obszar, który można naprawić, o którym firma wcześniej nie myślała mimo tego, że np. ucieka w tym miejscu sporo pieniędzy lub czasu.

Dlaczego podchodzimy do tego w ten sposób? Życie nauczyło, że zawsze jest wiele wymiarów, kiedy na słowach rozmawiamy o czymś, ale w praktyce jest zupełenie inaczej. Na przykład zwykle zarząd jest pewny, że firma ma dane i jest ich dużo, ale jak zaczynamy je sprawdzać, okazuje się, że nie jest tak kolorowo. Nie chodzi oczywiście jedynie o dane czy infrastrukturę.

Często wychodzą na jaw także zupełnie inny problemy np. te dotyczące współpracy z zespołem i to, że ludzie wykonując pewne czynności totalnie nie rozumieją, co robią, dlaczego to robią itd.

Podsumujmy ten punkt.

To prawda, że wdrożenie modelu ML na produkcję, może nie udać się za pierwszym czy drugim razem. Natomiast zrozumienie, dlaczego się nie udało, jest ogromną wartością samą w sobie i pomaga rozwiązać problemy (czasem jest to dług techniczny) lub inne, które są. Zamiatanie ich pod dywan wcześniej czy później źle skończy się.

Warto zwrócić uwagę na to, jak zbiera się doświadczenie. To jest  kwestia podejścia i robienia małych kroków, aby pewne błędy popełniać jak najszybciej, aby koszt tych błędów był  jak najmniejszy.  Należy gryźć „słonia” po kawałku.

Też warto dodać, że bardzo mało jest firm w Polsce, które np. tworzą samochody autonomiczne lub próbują wysłać rakietę na Marsa. Większość firm ma zupełnie inne wyzwania, takie bardziej przyziemne, ludzkie, o mniejszm stopniu skomplikowania technologicznego. Wdrażanie uczenia maszynowego może być dobrą okazją, aby “posprzątać na podwórku” i wprowadzić efektywniejsze procesy w swojej firmie.

Mit 13 – mamy dane, więc już możemy trenować modele – zróbmy to jak najszybciej

Posiadanie bazy danych to warunek konieczny, aby zaczać projekt z uczeniem maszynowym w roli głównej, ale niewystarczający. Równie dobrze możemy odpalić losowy generator i zapisać wynik do bazy danych, ale czy to ma wartość? No właśnie…

Dobra kultura pracy z danymi to pewna umiejętność, dzięki której minimalizuje się zniekształcenie rzeczywistości poprzez dane. Teraz pomijam aspekty bezpieczeństwa i prawne, które są bardzo ważne, ale to wykracza poza ten wątek. Skupmy się bardziej na aspektach technicznych, bo jeśli technicznie robimy to źle, to wtedy nie będzie wartości dodanej.

To, co my staramy się robić w ramach aktywności DataWorkshop, to ciągle weryfikować dane, które mamy. Warto próbować dojść do tych samych wyników na różne sposoby. Podam Ci prosty schemat, który w praktyce zwykle bywa nieco bardziej skomplikowany, ale chodzi o zrozumienie myśli.

1. Obliczamy sumę poszczególnych kolumn i następnie znajdujemy sumę całości.
   
   
2. Obliczamy sumę wszystkich wierszy, a następnie znajdujemy sumę całości.
   
   
3. Porównujemy liczbę 1 z liczbą 2 (powinny być identyczne).
   
   
   

To jest klasyczne podejście `double-check`. Kiedy na wszelki wypadek sprawdzamy coć „jeszcze raz”. Najlepiej, aby ktoś to zrobił niezależnie od nas. Swoją drogą, przy okazji pojawia się tutaj ciekawostka. Pracując z projektami R&D czasem opłaca się “dublować”, ale to nie jest synonim marnowaniu czasu. To jest przykład, kiedy robiąc to samo razem, ale niezależnie, można osiągnąć więcej niż robiąc to w pojedynkę. Wymieniając się pomysłami można osiągnąć znacznie więcej niż rozwijając w głowie jeden pomysł.

Dodatkowo ważnym elementem jest lepsze zrozumienie danych. Kiedy zaczynasz pracować z danymi pojawia się szereg podzbiorów, np. mamy użytkowników zalogowanych i niezalogowanych (i wszystkich razem), czyli trzy możliwe kombinacje. Czym bardziej “zagnieżdżamy” się w podzbiorze, tym większa jest szansa wymieszania kontekstów (na wiele sposobów), np. możemy powiedzieć, że mamy konwersję na poziomie 10%. Super! Tylko brakuje informacji, w którym podzbiorze. 

Podsumujemy dotychczasowe przemyślenia.

Dane są kluczowe, ale niewystarczające, aby przyniosły korzyści „same z siebie”. Nie ma czegoś takiego jak magiczna maszynka uczenia maszynowego, do której przekazuje się dane i sama się domyśli i wypluje „idealny wynik”. Czasem jest poczucie, że powstają rozwiązania automatyczne, tak zwane auto ML, natomiast bardzo ważny jest kontekst. Rozumienie tego kontekstu, to umiejętność interpretowania pewnych zdarzeń i zadawania właściwych pytań(!). 

Ważne, aby także pamiętać o tym, że praca z danymi wymaga skrupulatności jak w aptece. Podwójne sprawdzenie tych samych wyników (na różne sposoby) nie jest marnowaniem czasu, tylko raczej koniecznością, aby uzyskać wiarygodny wynik. To jest umiejętność, którą da się zapoczątkować, jak również i rozwinąć w kulturze firmy.

Mit 14 – mamy zdefiniowany problem do rozwiązania

Ten punkt może zabrzmieć dość kontrowersyjnie i czasem nawet obraźliwe dla osób, które myślą, że mają dobrze zdefiniowany problem. Niemniej ten punkt musi wybrzmieć, bo praktyka pokazuje, jak mało uwagi poświęca się zdefiniowaniu problemu.

W praktyce to dość często oznacza, że problemy definiowane są w taki sposób, który nie ujmuje pełnego kontekstu. Moja strategia jest taka, aby nazywać rzeczy po imieniu i ujawniać problemy. Nie chodzi o to, aby wskazywać palcem, kto popełnia błędy, ale o to, aby dokładnie zdefiniować, gdzie leży problem.

Dosyć często problem, który chcemy rozwiązać jest zbyt ogólnie zdefiniowany i nadal nie jest wiadome, co trzeba zrobić, aby się z nim uporać. W innym przypadku to może być po prostu źle zdefiniowany problem i nawet jeśli będzie rozwiązany dobrze, to nie przyniesie korzyści lub nawet gorzej – wygeneruje jeszcze więcej kłopotów lub kosztów. 

Dlaczego tak się dzieje? Jak zwykle jest wiele przyczyn, ale jedna z najważniejszych jest taka, że często problem zaczyna się definiować bez głębszego zrozumienia i analizy,  gdzie jesteśmy i jakie mamy możliwości na ten moment, aby to zmienić. 

Głębsze rozumienie, gdzie jesteśmy daje nam obraz kolejnych kilku wymiarów. W praktyce to zwykle oznacza zaangażowanie się odpowiednich osób, które potrafią zadawać właściwe pytania lub znajdować odpowiedzi na te pytania. Co oznacza słowo „właściwe”? Upraszczając – np. na podstawie prawdziwych danych, niż na upartym przekonaniu, że “ja wiem najlepiej”.

Przejdźmy do konkretnego przykładu, tym razem z obszaru bankowości. Bank ma dużo klientów i dużo pieniędzy, więc w praktyce to oznacza, że będą oszustwa (niestety, ten świat czasem jest brutalny).

Jak zdefiniujemy problem do rozwiązania?

Pomyśl przez chwilę…. Pewnie przyszło Ci do głowy, że naszym celem jest wytrenować model, który będzie wykrywał osoby,  które oszukują. Fajnie, tylko co to oznacza w praktyce? 

Jest człowiek X, który ma zamiar oszukiwać i co dalej?

Co to oznacza “wykryć”?

Pewnie chodzi o wykrywanie transakcji, które uznajemy za “oszustwa”. Dobrze, już lepiej. Bardziej precyzyjniej, ale nadal mamy szereg pytań, co to oznacza w praktyce.

Czy my wiemy, ile takich transakcji jest? Czy wiemy, jak to sprawdzić? Co powinno się stać, aby móc to sprawdzić?

Oczywiście mamy mieć dostęp do transakcji i uwaga, informację w sposób jednoznaczny stwierdzony, czy ta transakcja jest oszustwem czy nie. Co to oznacza w praktyce, że musimy posiadać jednoznaczny (matematyczny) wzór, który binarne stwierdza, czy ta transakcja jest “oszustwem” czy nie. 

Tutaj zaczynają się ciekawe rzeczy. Czy mamy taki wzór i jeśli mamy, to znów warto sobie zadać moje ulubione pytanie: co oznacza w praktyce? 😉

Są różne możliwości, jakie będą odpowiedzi. Jedna z nich jest taka: “tak mamy”. Mam zespół ludzi, który przypisuje flagę, czy to jest oszustwo czy nie.

Fajnie, tylko nadal nie wiadomo, co oznacza rzeczywiście oznacza: “przypisuje flagę”. W jaki sposób? Co powinno się stać, aby była przypisana flaga “oszustwo” do transakcji X.

Odpowiedź może brzmieć również tak: ” mamy spisanych wiele przypadków i nasz zespół walki z oszustami przeszedł szkolenie, jak należy interpretować takie sytuacje”. To jest ciekawy moment, do którego dotarliśmy, bo w naszym łańcuchu pojawia się subiektywny element, czyli człowiek, który interpretuje sytuację.

Kiedy mamy taką sytuację, warto pamiętać, że nawet ten sam człowiek jedną transakcję może zinterpretować inaczej  w zależności od kontekstu. Niezwykle ważne jest, aby upewnić się, w jaki sposób pojawi się informacja “tak/nie”. Jeśli w ten proces jest zaangażowany człowiek i model będzie się uczył na podstawie tych danych, to w najlepszym wypadku osiągniemy efekt, gdzie będziemy w stanie subiektywnie oceniać sprawę, jak to robili ludzie. Czy to było naszym celem?

Dobra zostawmy na chwilę tę subiektywność, chociaż to też zasługuje na uwagę. Teraz spójrzmy jeszcze inaczej na sprawę, zadając kolejne pytanie: “dlaczego?”.

Jest słynna metoda “5 whys”. Kiedy drążymy do prawdziwej przyczyny. To zacznijmy. 

1. Dlaczego chcemy walczyć z oszustami?
   Bo żyją za nasz koszt!
2. Dlaczego to jest źle?
   Bo jako biznes tracimy.
3. Dlaczego tracimy?
   Bo jako bank ponosimy koszt.
4. Dlaczego ponosimy koszt?
   Bo nam zgłasza o tym klient, że został oszukany
5. Dlaczego to powoduje, że ponosimy koszt?
   Bo mamy wypracowany system pokrycia utraconych środków dla naszych klientów wg pewnych zasad.
   
   
   

Patrząc na te odpowiedzi nasz cel jest inny niż złapanie wszystkich transakcji, które wyglądają jako oszustwa. W tym przypadku zależy nam, na tym, aby przewidzieć takie przypadki, kiedy wiemy, że jak to nastąpi, to użytkownik to zgłosi do nas i zakwalifikuje się do przypadku, kiedy trzeba będzie pokryć koszty.

W tym przypadku od razu mamy jednoznaczną odpowiedź, kiedy to się działo w przeszłości, bo znamy wszystkie przypadki, kiedy były zwroty.

Natomiast tu także pojawiają się trudności.

Zwróć uwagę, że w tym przypadku może pojawić się manipulacja związana z tym, że klient sam może zacząć oszukiwać, że został oszukany itd. Jeśli oczywiście zrozumie mechanizm tego działania i pokrycia kosztów. Kłopotliwa jest także sytuacja, kiedy klient nie zgłosił się po odszkodowanie, bowiem to wcale nie oznacza, że jest zadowolony lub jest mu obojętne to, co się wydarzyło.

Czasem po prostu nie chce mu się bawić w zwroty (może ma bolesne doświadczenie w innym banku), może po prostu nie wie, że może się zgłosić. Ostatecznie to może skutkować tym, że zrezygnuje z tego banku, bo poczuje, że bank ma pasywną opiekę (zamiast aktywnej). 

Dodam też, że to jest realny przykład i jest duża szansa, że używasz z usług tego banku.

Mam nadzieje, że udało się przynajmniej częściowo  pokazać, na ile ważne jest zdefiniować precyzyjnie cel i jak ta definicja może ewoluować w czasie.

Teraz zadanie domowe dla Ciebie.  Prowadzisz biznes. Sprzedajesz meble. Dajesz możliwość wykupić gwarancję na 12 lat (przykład z życia). Jako biznes chcesz ponosić jak najmniejszy koszt. Masz możliwość wykorzystać uczenie maszynowe do… No właśnie, do czego? Jaki w tym przypadku jest problem do rozwiązania? Pomyśl na spokojnie i daj znać w komentarzach.

Podobno Einsteina kiedyś powiedział

„Gdybym miał godzinę na rozwiązanie problemu, spędziłbym 55 minut na zastanawianiu się nad problemem i 5 minut na myśleniu o rozwiązaniach”.

Mit 15 – Jeśli mogę rozwiązać problem zwykłym programowaniem (da się opisać algorytm), to uczenie maszynowe jest zbędne

Na początek warto oczywiście powtórzyć, że ML nie musi być używany wszędzie i ze wszelką cenę, ale również nie należy go odrzucać w przedbiegach. Generalnie ta decyzja powinna się opierać na analizie, co bardziej się opłaca. Jechać rowerem, samochodem, czy może nawet czołgiem? 🙂

Ważne pytanie, które sobie tutaj należy zadać jest takie: jak duży koszt pojawia się na skutek błędu algorytmu zaprogramowanego wprost (czyli z góry są podane wszystkie reguły) lub jeśli taki błąd jeszcze nie wystąpił, to jak duży może być?

Następnie należy porównać, o ile lepiej sobie może poradzić algorytm, który został skonstruowany automatyczne, wykorzystując modele ML. Możemy dojść do co najmniej kilka ciekawych wniosków:

• ML radzi sobie lepiej poprzez “złapanie” mniej oczywistych sygnałów znalezionych w danych historycznych.
  
• Model “znajduje” te sygnały niezależnie (czyli np. nie jest  zależny od jednej osoby, która zna się na wymyślonym algorytmie).
  
• Czas potrzebny na adaptację do sytuacji jest zdecydowanie krótszy (np. min/godzin w porównaniu do tygodni/miesięcy)
  
  
  Obecna sytuacja mocno wpłynęła na to, jak zachowują się ludzie, rynek.
  
  Zachowanie przed marcem 2020 znacząco zmieniło się i trzeba dopasować się do nowych warunków, co w klasycznym algorytmie wymaga ponownej iteracji działań i wymyślenia (zmienić/dodać) nowych ścieżek koncepcyjne, a następnie  to oczywiście zaprogramować. Na to jest potrzebny czas.
  
  

Stąd wniosek jest taki, że nawet jeśli są procesy, które da się zaprogramować w klasyczny sposób, ale jednak koszt potencjalnego błędu jest drogi i/lub ta domena jest podatna na zewnętrzne zmiany (np. cała przygoda z wirusem), to wtedy warto spróbować użyć ML. Może się okazać, że to będzie bardziej pragmatyczne podejście.

Podsumujmy jeszcze raz 5 nowych mitów (właściwie od 11 do 15, bo pierwsze 10 już zdefiniowałem w poprzednim odcinku), które pojawiły się w tym odcinku.

Mit 11: Wolimy klasyczne programowanie, bo jest mniej ryzykowne niż projekty uczenia maszynowego 

Ryzyko jest wszędzie i również w klasycznych projektach IT (warto czasem to powiedzieć jeszcze raz na głos), ryzykiem trzeba umieć zarządzać, a nie bać się go i panikować.

Mit 12: Projekty ML mogą skończyć się fiaskiem i to “słabo sprzedaje się” dla ludzi biznesu

Nasza rzeczywistość, w której żyjemy jest dość złożona. Każdy biznes, który istnieje chociaż trochę, zwykle generuje złożone procesy, kiedy ciężko jest powiedzieć, że trzeba naprawić proces A czy B. To są przeplatane decyzje. Próba wprowadzenie ML do projektów może pomóc wejść w interakcję z rzeczywistością i zacząć zadawać pytania, które nie padły wcześniej. I to już wartością dodaną (niż tylko wdrażanie modelu ML na produkcję i przeliczanie tego wprost na pieniądze).

Mówię o tym ze strony praktycznej, jak to się dzieje się u nas, kiedy podejmujemy się współpracy jako DataWorkshop. Taka współpraca zwykle pomaga na wielu poziomach i otwiera oczy lub prowokuje do zadawania pytań wewnątrz zespołu. Wtedy pojawia się zwykle refleksja “hm… czemu o tym nie pomyśleliśmy?”. Odpowiedź jest prosta, są rzeczy, które ciężko wymyślić. Tylko wchodząc w interakcje z „żywym problemem” trochę więcej o nim się dowiadujemy.

Mit 13 – mamy dane, więc już możemy trenować modele – zróbmy to jak najszybciej

Praca z danymi wymaga pewnych umiejętności. Zaczynając od tego, jak technicznie sobie z tym poradzić, tym bardziej wtedy, kiedy jest skala. Kultura pracy z danymi jest ważna i może zająć trochę czasu aby zespół ją wypracował. Między innymi wspomniałem o ważności ciągłej weryfikacji, czy to, co wyliczyliśmy ma sens (np. próba osiągnięcia tego samego wyniku próbując z innej strony).

Wprowadzenie double-check wszędzie gdzie się tylko da. Też zwróciłem uwagę, że pracując z danymi czasem wręcz zachęca się do tego, aby dwie różne osoby wykonywały to samo zadanie, następnie zderzali swoje pomysły, aby powstał finalnie jeszcze lepszy pomysł.

Mit 14 – mamy zdefiniowany problem do rozwiązania

Zdefiniowanie problemu jest kluczowe. Nawet jeśli czasem wydaje się, że problem jest zdefiniowany, warto jeszcze zadać szereg pytań, które sprawdzą, czy faktycznie tak jest. Między innymi wspomniałem o metodzie “5whys”, ale mogą być też inne sposoby. Grunt, aby drążyć temat i nie zapominać o kontekście.

Mit 15 – Jeśli mogę rozwiązać problem zwykłym programowaniem (da się opisać algorytm), to uczenie maszynowe jest zbędne

Klasyczne programowanie ma wiele swoich zalet, ale teraz żyjemy w czasach, kiedy pojawiła się jeszcze jedna, dodatkowa, możliwość. Szkoda byłoby ją ignorować. Warto poznać mocne strony ML i wprowadzać to tam, gdzie rzeczywiście ma sens.

Takie mity udało się poruszyć teraz. Jeśli potrzebujesz pomocy i wsparcia przy wdrażaniu uczenia maszynowego, to zapraszam do kontaktu. Spółka DataWorkshop już ma szereg sukcesów na swoim koncie i chętnie podejmie się kolejnych wyzwań.

Jeśli ciekawi Cię, jak działamy w praktyce, to możesz posłuchać lub przeczytać o jednym z naszych projektów, który trwa i dotyczy tematu branży nieruchomości. Współpracujemy z firmą obido

W kolejnym odcinku już szykuję dla Ciebie dwie historie, aby na przykładzie pokazać, jak wygląda myślenie, kiedy tworzy się projekty ML’owe. Chociaż te historie mogą być trochę zabawne, to zostały przygotowane w taki sposób, aby dało się łatwo z nich wyciagnąć wnioski i wykorzystać wskazówki w biznesie.

O czym będą te historie?

Jedna z nich będzie o tym, jak wykorzystując analityczne podejście, robi się prezent dla żony i porusza się skutecznie w mało znanym terenie.  

Podziel się proszę tym odcinkiem z osobami, którym może się przydać. Proszę poświęć dosłownie 2-3 min na to, aby zadać pytanie, komu to jeszcze może być pomocne i przekaż link.

Artykuł Uczenie maszynowe w twojej firmie – mity pochodzi z serwisu Biznes Myśli.

Handel to jeden z obszarów biznesu, które dotykają każdego z nas. Co może na tym polu zmienić technologia, jak na jego rozwój wpłyną innowacje? O tym miałem okazję rozmawiać z Marcinem Dąbrowskim, założycielem Surge Cloud oraz sklepu Take&Go, który w 2019 roku pojawił się po raz pierwszy w Poznaniu.

Cześć Marcin. Przedstaw się: kim jesteś, czym się zajmujesz, gdzie mieszkasz?

Cześć. Dzięki za zaproszenie. Zaczęliśmy projekt, który dość głośno obiegł przez ostatnie pół roku polskie media – Take&Go. Jest to sieć handlowa, wzorowana trochę na praktykach zarówno wschodnich sieci handlowych jak i Amazona. Ich głównym celem jest to, aby sklepy były jak najbardziej autonomiczne. Wzięło się to z firmy, którą wcześniej założyliśmy – Surge Cloud. Odpowiadała ona za tworzenie tego typu rozwiązań dla handlu. Natomiast zderzenie z lokalnym rynkiem jasno nam pokazało, że musimy zrobić w pierwszej kolejności proof of concept i udowodnić, że to działa. Stąd Surge Cloud wyewoluował w małą, autonomiczną sieć handlową, która działa praktycznie bez personelu. Ja jestem jednym z założycieli i prezesem zarządu całego przedsięwzięcia. 

Co ostatnio ciekawego przeczytałeś i dlaczego polecasz tę lekturę?

Ta pozycja była u mnie na półce od samych początków moich biznesowych działań i nigdy nie zebrałem się do tego, żeby przeczytać tę biografię. To akurat nie była książka, tylko audiobook, bo tak mi wygodniej w ostatnim czasie z uwagi na mniejszą ilość czasu na spokojną lekturę. Były to „Kroki w nieznane” Richarda Bransona, czyli jego pierwsza i najbardziej obszerna autobiografia. Ja się wychowałem na muzyce, którą on tworzył, a później jego biznesy w tak śmieszne i dziwaczne sposoby ewoluowały, że byłem ciekaw, czym było to motywowane, jak do tego podchodził, jak wpadał na te pomysły. W końcu po tych latach stwierdziłem, że czas posłuchać tej biografii i nie żałuję. Przygoda jest niesamowita, czego na przestrzeni tych kilkudziesięciu lat można doświadczyć, wierząc w to, co się robi. Bez jakiś większych analiz, tylko idąc za głosem serca, zaliczając mnóstwo porażek. Książka jest o tym, żeby się nie zniechęcać.

Iść za głosem serca to być może jest najważniejsze w naszym życiu. Często jest tak, że niestety nie słuchamy naszego serduszka. 

Wspomniałeś o Surge Cloud. Na stronie internetowej widnieje misja „zredukowania nadprodukcji żywności”. Rozwińmy ten wątek, bo to jest bardzo ciekawy i ważny temat. Skąd ten problem pojawił się w Twojej głowie? Jak bardzo poważny jest ten problem?

Wizja i misja jest okropnie rozległa w tym wszystkim. To, co teraz jest na stronie, to pochodna braku czasu. Bardzo wierzę w tę koncepcję, że to, co się dzisiaj dzieje w zakresie produkcji żywności jest dużym problemem. Chociażby to, ile jedzenia produkujemy tylko dlatego, żeby wyprodukować z tego kolejne jedzenie np. mięso – jest pewnego rodzaju patologią.

Natomiast za jakiś odcinek tego wszystkiego zawsze odpowiadał handel, który notuje dość duże straty. Jak sobie policzymy marnowanie tej żywności i zobaczymy np. raporty Tesco, ile oni milionów złotych w niektórych latach w Polsce mieli w stratach w świeżym jedzeniu, to jest to rzecz, która nie mieści się w głowie. W pierwszej kolejności zaczęliśmy się zastanawiać nad tym, co zrobić biznesowo, co jest problemem społecznym w dzisiejszych czasach, to doszliśmy do wniosku, że mamy za dużo luksusów.

Mamy to gdzieś, marnujemy tony jedzenia i mamy zero odpowiedzialności za to, że wyrzucimy jedną, drugą, czwartą rzecz, którą kupimy, czy wyprodukujemy. Przyzwyczailiśmy się do tego nadmiaru. Równocześnie to on stanowi problem dla biznesu.

To, co jest dzisiaj na stronie, to jest trochę pochodna braku czasu i tego, jak szeroko zaangażowaliśmy się w projekt Take&Go, więc nie wszystkie informacje są w tam w pełni aktualne. Misja dzisiaj jest bliższa dużo bardziej temu, żeby automatyzować pewne rzeczy, które dzieją się w handlu, a które powodują np. problemy w logistyce, które potem dalej rzutują na problemy w zamówieniach, co potem kończy się tym, że mamy nadmiary w sklepach, które się nie sprzedają i z którymi trzeba coś zrobić. 

To nawet dobrze, że strona jest niezaktualizowana, bo wtedy łatwiej jest zobaczyć ewolucję Waszego myślenia. Wszystko przypływa w pewnym kierunku i można podglądnąć, jak się zmieniają pomysły, ale też to pewnie gdzieś się połączy. Tylko teraz jest trochę inna taktyka.

Szewc bez butów chodzi. Pierwsze co robimy, jak zaczynamy nowe przedsięwzięcie, to chcemy się przedstawić światu. Powiedzieć o tym, jacy jesteśmy i co nas motywuje. Potem zabieramy się za robotę i na stronę ktoś wejdzie po roku od tego czasu. 

Dzisiaj będziemy dużo mówić o handlu stacjonarnym. Jakie są tam potrzebne zmiany? Jakie już się pojawiają? Każdy wie, czym jest sklep. Natomiast nie każdy rozumie cały kontekst. Kto jest zaangażowany w jego funkcjonowanie? Jakie ma problemy? Jakie są reguły gry w tej branży?

Handel najwolniej ewoluuje w historii całego biznesu. Jest jedną z podstaw jego historii. Pierwsze wymiany barterowe to był już handel. On jakoś wybitnie się nie zmienił od tego czasu, tzn.:

• ktoś musi wyprodukować produkt, 
• ktoś musi go gdzieś dostarczyć, 
• ktoś musi go pokazać potencjalnym klientom, 
• przyciągnąć tych klientów do swojego punktu, w którym ten produkt pokazuje, 
• przekonać go do zakupu i mieć pewność, że klient będzie zadowolony, bo jak nie będzie, to nie wróci. 

Tak było z handlem zawsze. Zmieniają się tylko narzędzia, które się stosuje w tych pięciu obszarach. Dzisiaj sklepy występują zarówno w Internecie jak i stacjonarnie. Nas dotyczy część stacjonarna, która wciąż w przypadku np. branży spożywczej (do której nam jest najbliżej) to jest cały czas 95% rynku. Nie tylko w Polsce, ale też na świecie, ta tendencja odpływu produktów spożywczych do Internetu, nie jest tak dynamiczna jak w przypadku innych branż.

Wynika to z tego, że bardzo często zakupy spożywcze są związane z kontekstową misją. Takich sklepów, które tę misję realizują, w Polsce najwięcej jest typu convenience. To są takie małe, osiedlowe sklepy, 50-60 m2 (Żabki, Carrefour Express itd.), do których możemy wejść i kupić podstawowe produkty, których nam w danym momencie brakuje. 

Kolejna rzecz, która się zmienia na przestrzeni lat w handlu to sposób robienia zakupów. Jak skoczymy 15 lat wstecz, to zobaczymy rodziny jeżdżące w piątek, sobotę do hipermarketów na duże zakupy. Dzisiaj nie chcemy marnować tych godzin i chcemy mieć te zakupy jak najszybciej i najwygodniej zrobione. Więc to słowo convenience odnośni się bezpośrednio do wygody. Ta wygoda dzisiaj oznacza dostępność, czyli kiedy możemy zrobić te zakupy i czy jest tam asortyment, którego szukamy, w jak najkrótszym czasie i jak najlepszej cenie.

To są tak naprawdę wyznaczniki tego, co determinuje, że sklepy się utrzymują i rozwijają. Jeżeli mamy ofertę, możemy do tego sklepu wejść, kiedy chcemy i nie wydamy tam astronomicznych pieniędzy, to to jest spełnienie tych podstawowych potrzeb. Natomiast, żeby to się wydarzyło, musi się odbywać cały łańcuch logistyczny, który się dzieje wcześniej oraz komunikacja, która dzieje się jednocześnie (czyli cały marketing). 

Jeżeli chodzi o marketing, to większość informacji dociera za pośrednictwem Internetu. Internet to jeden wielki traffic jam, gdzie trzeba przebić się z jakąś treścią przez dużą konkurencję. Handel szuka dzisiaj w ramach narzędzi marketingowych jak najniższych kosztów kliknięcia. Żeby to uzyskać, trzeba mieć jak najbardziej precyzyjne informacje o tym, kim jest dany klient, jak się zachowuje i czego szuka.

Czyli na poziomie marketingu wszelkiej maści mechanizmy lojalnościowe, które pozwalają przewidywać, co klient może chcieć kupić, kiedy może tego potrzebować, są czymś, co wspiera działania marketingowe w Internecie. Równocześnie, skoro wiemy, co klienci kupują, czego mogą chcieć, kiedy mogą tego chcieć, jesteśmy w stanie lepiej zarządzać logistyką, czyli tym, co ma być w sklepach. Tak naprawdę to, żebyśmy mogli wejść do tego małego sklepu w naszym bloku i kupić to, czego potrzebujemy, angażuje dziesiątki ludzi i podmiotów, począwszy od producentów, którzy muszą dostać informacje o zmianach na rynku i zainteresowaniu klientów.

Jest to teraz bardzo mocno widoczne, bo Lidl ma tak niesamowicie szeroką ofertę produktów wegańskich, że praktycznie jest dzisiaj liderem na tym rynku i zlojalizował sobie klientów, którzy są w stanie jeździć specjalnie do Lidla, tylko po to, żeby kupić rzeczy, których nie kupią w normalnej Żabce, mimo że ten Lidl jest dalej i zajmie to więcej czasu. 

Ewolucja świata i naszych własnych potrzeb determinuje to, jakiego rodzaju produkty będą się pojawiały na półkach. Te produkty trzeba przetestować, one się pojawiają na jakiś chwilowych akcjach i albo się przyjmą, albo nie. Ale z tymi chwilowymi akcjami znów trzeba się przebić w Internecie do właściwej grupy odbiorców. Trzeba wiedzieć, jaka to właściwa grupa odbiorców jest, gdzie przebywa itd. Więc jest to jeden wielki system naczyń połączonych tylko po to, żeby ktoś mógł kupić pomidora. 

Temat cyfryzacji jest bardzo popularny teraz w Polsce (jest już nawet Ministerstwo Cyfryzacji). Wygląda na to, że zaczyna przenikać też w tzw. obszar handlu stacjonarnego. Zaczniemy tutaj od wprowadzenia pojęć, żeby było to bardziej zrozumiałe. Czym jest pojęcie handlometria? Czym się zajmuje? Co mierzy? Taka ciekawostka – jak teraz wpisuje się słowo handlometria do Google to oprócz Was, nikt nie wyskakuje. Czy tylko Wy tym się zajmujecie? Porównaj to proszę z planogramem, bo część osób też to kojarzy, a może nie do końca rozumie różnicę.

W branży transportowej od lat funkcjonuje pojęcie telemetrii, czyli monitorowania parametrów w czasie rzeczywistym (głównie pojazdów, ale też te związane z samym przebiegiem trasy, załadunkiem itd.). Telemetria pozwoliła na optymalizację kosztów, lepsze zarządzanie całą logistyką i spedycją. Handlometria jest pewnego rodzaju odpowiedzią na podobnego rodzaju problemy w handlu.

Możesz sobie wyobrazić, że mimo że mamy 2020 r., z mojej wiedzy – 80% centrali nie wie, jaki jest stan półek sklepowych, jaki jest obrót w danym momencie w danym sklepie. Te dane spływają stosunkowo późno, w związku z czym nie zawsze dostawy, które wyjeżdżają do sklepów, są kompletne względem potrzeb.

Jeżeli np. żeby obsłużyć cały okręg logistyczny jest potrzebna określona liczba samochodów i z modelu logistycznego wychodzi, że żeby to obsłużyć, to część samochodów musi wyjechać, zanim sklepy i kasy zostaną zamknięte, zanim raporty dobowe o sprzedaży spłyną. W związku z czym jadą na czuja, bazując na jakiś projekcjach i prognozach.

Ideą tego pomysłu z handlometrią jest dostarczanie tych danych w czasie rzeczywistym tak, aby przebiegi logistyczne i dostępność produktów były dużo wyższe. Jeżeli produkt jest na półce, to on się może sprzedać, ale jak go nie ma na półce, bo nie dojechał, to się nie sprzeda. W związku z czym są to:

• mniejsze przychody, 
• większe koszty logistyczne, jak są braki w zamówieniach itd.

Założeniem jest generowanie danych dobrej jakości w czasie rzeczywistym, które pozwolą na lepsze zarządzanie całym łańcuchem dostaw, sprzedażą i całą siecią. 

W tej chwili dane są bardzo ważne. W szczególności jeżeli mówimy o takich zastosowaniach jak uczenie maszynowe. To jest kluczowy element. Jeżeli faktycznie pojawi się narzędzie, które umożliwia zbierać dane w czasie rzeczywistym, to też jest fajne, ale nie najważniejsze.

Ważniejsze jest to, że dane są dobrej jakości. Jak przygotowywałem się do tego wywiadu, czytałem jeden wywiad z Tobą, w którym wspomniałeś, że w danych checkpointach w Polsce w ostatnich latach z półek zniknęły towary o wartości ponad 2 mld $.

Kwota jest dość zauważalna i na pewno z jednej strony sklepy wpisują to sobie w koszty, ale z drugiej strony warto byłoby zarządzać tym lepiej, niż dowiadywać się o stratach za rok czy za dwa.

Spróbujmy teraz przejść do tego, co powiedziałeś wcześniej. Z jednej strony wymieniłeś 5 obszarów (jeżeli chodzi o łańcuch związany z handlem), z drugiej strony pojawiły się takie pojęcia jak handlometria. Teraz nałóżmy jedno na drugie, tzn. jakie wartości zyska każdy z tych 5 obszarów? 

Najprościej będzie to wyjaśnić, wyobrażając sobie wybrany produkt, którego dotyczy dane zdarzenie w całym łańcuchu. Załóżmy, że będzie to mięso, które jest o tyle wrażliwym tematem, że ma ograniczony termin przydatności do spożycia (jest on stosunkowo krótki). Weźmy np. sieć handlową, która zaczyna sezon grillowy i wydaje pieniądze na marketing internetowy.

Bardzo punktowy, tak jak to się dzisiaj robi, czyli osoby mieszkające na przedmieściach, które mają ogródki. Atakujemy ich na Facebooku, w Googlu – informacją o tym, że jest promocja na akcję grillową z tym mięsem i jakimiś dodatkami. Akcja zaczęła działać i działa cały czas. Było to tak skuteczne, że po 4 godzinach zeszła cała partia tego mięsa w sklepie. Logistyka dostanie informację o tym, że nie ma tego produktu w sklepie na zamknięcie dnia.

W związku z czym przez kolejne 8 godzin cały czas jest wyświetlana reklama w Internecie na temat produktu, którego nie ma w sklepie. Reklama działa w tym sensie, że klienci przyjeżdżają, po czym okazuje się, że nie są w stanie kupić tego, po co przyjechali, a to powoduje irytację. Brak danych w czasie rzeczywistym o tym, co się dzieje w handlu, powoduje nie tylko przepalanie budżetów marketingowych i mniejszą sprzedaż automatycznie.

Jak ktoś przyjechał po coś i tego nie kupił, to nie kupi nic zamiast tego, skoro przyjechał celowo po dany produkt. Są takie rzeczy, których nie kupimy np. zamiast ryby piersi kurczaka, bo mieliśmy akurat ochotę na rybę. Nie ma zastępstwa dla niektórych produktów, w związku z czym klient nie tylko wychodzi sfrustrowany, ale będzie też gadał dookoła swoim znajomym, że wkurzony jest na sieć XYZ, że go ściągnęli, a nie byli w stanie zamówić odpowiedniej ilości towaru, skoro robią taką akcję reklamową. Tu mamy te zdarzenia, które występują w całym łańcuchu.

Czyli przyjeżdża człowiek, który został ściągnięty przez reklamę, poszły pieniądze na marketing, wszedł do sklepu, nie kupił towaru, logistyka nie dowiedziała się na czas, że musi dowieźć towar, klient wyszedł poirytowany, mniejsza sprzedaż, przepalony budżet marketingowy, nie dowieziony towar. 

Wszystko o czym opowiadasz, brzmi bardzo sensownie. Na tyle żeby to wdrożyć nie w tym roku, a 5 lat temu. Jednak tego nie ma albo dopiero zaczyna się to wdrażać bardzo malutkimi krokami. Pytanie kluczowe, które tu się nasuwa – dlaczego? Dlaczego to jest takie powolne? Kto czego nie rozumie?

To nie jest tak, że ktoś czegoś nie rozumie. Sieci handlowe to są bardzo duże firmy. W dodatku takie firmy, które wchodząc do Polski, jako pierwsze się informatyzowały. W latach 90. pierwsze sieci handlowe inwestowały w swoje sklepy, w swoją sklepową infrastrukturę IT, a ona ma pewien czas amortyzacji. Teraz oni się nauczyli na tych systemach, które często są naprawdę bardzo stare względem tego, co mamy dzisiaj. Koszt zmiany w tak dużym organizmie, jakim jest sieć handlowa, gdzie mamy wiele zależności między logistyką (tam są integracje między systemami zewnętrznymi, przesyłanie danych między dostawcą, magazynem a sklepem) jest bardzo wysoki.

Zrobienie tego “ot tak” może skończyć się tym, że cały łańcuch logistyczny klęknie. Więc wola i zrozumienie jest, tylko teraz trzeba wybrać te narzędzia, które dadzą prawdopodobnie efekt Pareto. Bo to, że da się zrobić wszystko na świecie za pomocą technologii, która nie jest obarczona długiem, to wiemy. Natomiast problem polega na tym, że rzeczywistość jest obarczona długiem, a co więcej – jest obarczona codziennością.

Czyli mamy dług technologiczny, musimy funkcjonować, ale chcemy iść do przodu – co z tym zrobić? Więc to, że 4, 5 lat temu, rozpoczęły się jakieś rozmowy, ludzie zaczęli myśleć o tym, co można by zrobić, skutkuje powoli tym, że dzisiaj jest znany horyzont, jak to można robić. Trwa to bardzo długo. To jest problem, ale równocześnie to stan, z którym za dużo nie można zrobić, z uwagi na fakt, iż ta codzienność dotyka wszystkich firm. Nikt nie podłoży swojej głowy tylko dlatego, żeby mieć troszkę bardziej nowoczesny system, który może wygeneruje dużo większe korzyści, natomiast ryzykiem jest przestój (kilkudniowy, kilkutygodniowy).

Wdrożenie czegoś takiego jest bardzo złożone i to trzeba w wielu obszarach przetestować. Na poziomie tego czy to ekonomicznie się spina, zaczynając od tego, jak to przeprowadzić od strony informatycznej, gdzie mamy zestawy integracji. Jak któryś z naszych czytelników lub Ty porozmawiałbyś z dowolną siecią handlową, zobaczysz, że większość z nich pracuje na 20, 30 różnych systemach.

To jest skala problemu, do którego trzeba podejść. Te dane nie mogą wykoleić tej całej machiny. Trzeba się w to wszystko odpowiednio wpiąć. Potem, jak osiągniemy sukces na poziomie IT, to trzeba wpiąć na poziomie procesowym całą organizację. Jeżeli oni funkcjonują od lat według pewnych procesów, a te, które my proponujemy, mają być zaktualizowane, nowsze, to to jest kolejny koszt zmiany.

Więc to nie są projekty, które mogą wychodzić gdzieś tam sobie od jednego czy drugiego menedżera średniego szczebla. To są projekty strategiczne o tym, kim chce i gdzie chce być dana sieć handlowa za 5, 10, 15 lat. Możemy sobie wybrać jakąś jedną technologię końcową, drugą, trzecią, czwartą, która robi fajny bajer. Natomiast ważniejsze pytanie to, co się chce osiągnąć w przeciągu 10, 15, 20 lat?

Bo jeżeli ktoś ma w swojej polityce to, żeby w przeciągu 10 lat, stać się zwinną, nowoczesną firmą, jeżeli chodzi o możliwości wdrażania technologii, to to jest dobry punkt startu. Czyli przemodelowanie procesów w pierwszej kolejności, tak aby dało się wdrażać tę bardzo szybko postępującą technologię. Bo dzisiaj mamy deep learning, machine learning, nowe mechanizmy związane z generowaniem danych, technologią łączności (które pozwolą na przesyłanie tych danych czy ich kolekcjonowanie), całą sensorykę, ale za 10 lat to będzie kolejne -n nowych zestawów technologii, kolejne -n nowych historii, do których trzeba będzie podejść.

To, nad czym trzeba się pochylić, niezależnie od tego czy mówimy o sztucznej inteligencji czy jakiejś sensoryce, to to, czy organizacja jest zdolna do wdrażania takich rzeczy.

Ta strategia przypomniała mi pewną anegdotę – kiedy tata idzie z synem na spacer i dziecko pyta: „Tato, a czemu słońce zawsze wstaje na wschodzie i chowa się na zachodzie?”, na co tata informatyk odpowiada: „Działa, nie psuj”. Ta strategia jest taka, że dopóki to funkcjonuje, to nie ma sensu tego zmieniać.

Tylko biznes handlu to jest też biznes i rynek decyduje, co tak naprawdę jest ważne w tym momencie. Nawiązując do Twoich poprzednich wypowiedzi w różnych wywiadach, też mocno podkreślasz pokolenie Z, że ono ma zupełnie inne wymagania, potrzeby. To pokolenie już zaczyna zarabiać, a więc będą decydować o swoich potrzebach w sposób bardziej zauważalny.

Oznacza to, że pomimo tego, że sklepy często nie mają możliwości wprowadzenia innowacji, boją się ryzyka i strat, to zostawiają sobie coraz mniejszą furtkę, bo ostatecznie zmiana i tak będzie konieczna? 

To jest pytanie o to, czy sklepy w ogóle są potrzebne? Ja mam taką przyjaciółkę z pokolenia Z, którą ostatnio zapytałem, czy kiedykolwiek w życiu zadzwoniła po pizzę albo po taksówkę. Wyśmiała mnie – zawsze wszystko wyklikuje. Mam kolegę, który mieszka i pracuje od lat w Chinach i jak on chce sobie szybko kupić sok jabłkowy to nie wychodzi z domu, tylko kilka w telefonie i ten sok zaraz jest pod jego drzwiami. Więc na jaką potrzebę odpowiada sklep spożywczy convenience?

Uzupełnienie zapasu w lodówce, uzupełnienie potrzeb, zjedzenie czegoś. Można tę potrzebę rozwiązywać za pomocą sklepów i jeszcze przez wiele lat wiele osób będzie tak to robiło. Natomiast czy za 50 lat sklepy typu convenience będą tym, co zobaczymy na każdym rogu? Mam tutaj dużą wątpliwość, bo ta ewolucja realizacji samej potrzeby z uwagi na to, że wygoda jest najważniejsza, powinna się zmienić. 

Automatyka, o której mówimy dzisiaj w handlu stacjonarnym, wynika z trochę innej rzeczy niż z samej potrzeby klienta. W Take&Go zwiększamy dostępność, bo się wchodzi do sklepu wtedy, kiedy Ty chcesz (czyli 24 godziny 7 dni w tygodniu), bo jest to duża maszyna vendingowa, do której wchodzisz, nie ma tam żadnej obsługi, bierzesz potrzebne produkty i wychodzisz.

Natomiast ta automatyka i wszystkie historie wskazują na to, że to z rynku pracy wynika potrzeba sklepów bezobsługowych, z tego jak on trudny się robi dla sieci handlowych, które mają stosunkowo niskie marże. Jeżeli sklep na koniec miesiąca notuje 30 tys. zł dochodu i trzeba opłacić z tego pensje 5 osób, to to jest dobrze. Ale jeżeli na koniec miesiąca on odnotuje 10 tys. zł dochodu i wciąż trzeba opłacić 5 osobowy personel, to jesteśmy pod wodą.

Jeżeli jesteśmy w stanie zastąpić dzisiaj jakieś podstawowe funkcje, które wcześniej realizował człowiek, to to jest przyszłość, w którą świat zmierza. Wszelkiej maści robotyzacja, automatyzacja, powtarzalność zawodów. Bo to nie jest tak, że sklepy bez kas, kasjerów zabiorą pracę ludziom, tylko ta praca będzie zupełnie inna. Będzie na poziomie pisania kodu, na poziomie trochę innego zaangażowania na cross-dockach logistycznych itd. 

Rynek pracy będzie się zmieniał. Ta praca dzisiaj jest problemem dla osób prowadzących sklepy handlowe, bo rotacja kadry i koszt jej zmiany jest duża. Występuje to często, bo to nie jest dream job pracować w sklepie i obsługiwać panów, którzy o godzinie 22:00 nawaleni wchodzą i robią bałagan. Tam jest duża rotacja pracowników, więc jakość pracowników siłą rzeczy jest stosunkowo niższa.

Bo nikt nie jest w stanie się wyspecjalizować i być niesamowitym kasjerem, skoro pracuje 4-5 miesięcy w tym zawodzie i to jest tylko chwilowa odskocznia. Mamy permanentne rekrutacje, które kosztują, niewyedukowanych ludzi, a jeżeli byliby wyedukowani to mogliby sprzedawać więcej.

Jeśli nie sprzedają więcej, to poziom obsługi jest niski. Ludzie się zniechęcają do sklepów, więc to też powoduje, że sprzedaż spada. Jak te parametry spadają przy rosnących kosztach pracy, sam punkt handlowy staje się dużo mniej rentowny. 

Technologia w tym wypadku (oprócz automatyzacji) zapewnia jakość obsługi dzięki swojej powtarzalności. To widać u nas, bo jak rozmawiamy z klientami, robimy badania, oni bardzo doceniają to, w jaki sposób robi się zakupy, jak ten sklep działa, to że mogą wejść kiedy chcą, że nigdy nie spotkało ich nic niemiłego ze strony sprzedawcy, że to jest ich sklep itd.

Automatyzacja ma tutaj dwa obszary, czyli twarz dla klienta, która powoduje lepszy customer experience, ale równocześnie od strony biznesu, handlu czy osób nim zarządzających trzymamy koszty w ryzach. Jesteśmy odporni na legislację w tym obszarze, to jest pewnego rodzaju maszyna vendingowa. Jesteśmy odporni na koszty pracy, które determinują wysokość marży i dochodowość samego biznesu handlowego. 

Powiedz, kiedy ten sklep się pojawił? Co już wiemy o nim dzisiaj? Ile osób z niego skorzystało i korzysta miesięcznie, dziennie? 

Pierwszy sklep otworzyliśmy na przełomie sierpnia i września 2019 r. w Poznaniu. Później otworzyliśmy w połowie grudnia tego roku kolejny. Na dniach będziemy otwierali następny. Co wiemy? W pierwszej kolejności wiemy, że (to jest truizmem znów) to jest sklep dla ludzi, którzy mieszkają obok, a nie dla przechodniów, którzy są raz na jakiś czas – wymaga to posiadania aplikacji.

Jak już posiadasz aplikację, to mamy lojalnych klientów, którzy wracają regularnie po kilka razy w tygodniu. Do tego stopnia, że mimo iż jest Żabka obok to oni wybierają ten sklep. To jest dla nas bardzo budujące. Klienci mogą wejść, kiedy chcą, podoba im się asortyment, sposób robienia zakupów, wystrój. Czyli takie rzeczy bezpośrednio związane z tym, jak się czujesz podczas robienia zakupów. 

W tych punktach, w których jesteśmy, dla naszych stałych klientów staliśmy się bardzo dobrą alternatywą dla wcześniej istniejących sklepów w okolicy, co jest budujące. Jakie są tego powody? Okazuje się, że technologia jest wymieniana na 5 czy 6 miejscu, bo ona jest wtórna. Oznacza to, że jeżeli sklep realizuje potrzebę (o której tutaj rozmawialiśmy, tj. misję zakupową), czyli zapewnia nam dostępność produktów, jakie chcemy w dobrej cenie, to czy ten sklep się nazywa tak czy siak, czy jest taka czy inna technologia, dla Kowalskiego nie ma to większego znaczenia. Technologia pomaga nam w dostępności, czyli w tym, że Kowalski może przyjść kiedy chce, a nie wtedy kiedy sklep jest otwarty. Nie trzeba sprawdzać, czy jest niedziela handlowa, jakie są godziny otwarcia, bo sklep jest otwarty cały czas. Otwierasz aplikację i wchodzisz. To już daje komfort i jest to jakiś tam wyznacznik dlatego, żeby ludzie pamiętali, że w okolicy jest taki sklep, do którego zawsze można wejść.

To jest powód, dla którego ktoś chce sprawdzać, czy Take&Go to jest miejsce dla niego, czy nie. Ale krok dalej, gdy już pokonali tę barierę wejścia pod tytułem mamy aplikację, podpięliśmy kartę, to doceniają przede wszystkim asortyment (bo to jest sklep), a w drugiej kolejności – sposób robienia zakupów, który trwa szybko. Po prostu biorą rzeczy, klikają na podsumowaniu „ok” (bo automatycznie to się podsumowuje) i sklep ich wypuszcza.

Transakcja jest realizowana za pomocą karty podpiętej pod aplikację, w związku z czym, żadnego machania, żadnych terminali w tym momencie tam nie ma. To jest po prostu wygodne i szybsze, a równocześnie mamy szerszy wybór asortymentu niż w sąsiednich sklepach (np. są wegańskie sery). Są tutaj rzeczy, o których rozmawialiśmy, czyli tak jak się zmieniają potrzeby zakupowe klienta w dzisiejszym świecie. 

Mówimy cały czas o Poznaniu? Trzeci sklep będzie otwarty również w Poznaniu, czy wybieracie też inne miasta?

Nie, z uwagi właśnie na to, że na ten moment, żeby nie pompować kosztów logistycznych bez sensu, to wszystko obsługujemy z naszego jednego centrum logistycznego w Poznaniu. Wyjście do kolejnych miast jak najbardziej jest planowane na ten rok. Zrobimy to w momencie, w którym będziemy mieli pewność, że chcemy duplikować dokładnie taki format, z dokładnie takim zestawem technologicznym.

Teraz mieliśmy te kilka sklepów, ale nie byliśmy siecią handlową. Nie mieliśmy tych doświadczeń. Musimy otrzeć mleko spod nosa, popełnić jeszcze kilka błędów i dopiero wtedy będziemy na tyle mądrzy, żeby wiedzieć, jak to dalej chcemy skalować, z jakim setupem technologicznym, które rozwiązania, jaki asortyment chcemy, jakie lokalizacje, jak komunikować się z klientem.

Dzisiaj generujemy chore ilości danych, możemy się nimi bawić, a nie jesteśmy w stanie tego wszystkiego dzisiaj przetworzyć (mimo że tworzyliśmy te narzędzia), bo tego jest wręcz za dużo i my sami musimy wiedzieć, co działa, a co nie działa w 100%.

Ciekawej rzeczy dotknąłeś, jeżeli chodzi o błędy i problemy, bo z jednej strony, otwieracie trzeci sklep, macie większe plany. Czuć, że macie potencjał i wierzycie w ten pomysł, ale z drugiej strony, jak to zwykle bywa w takich nowszych pomysłach (tzw. disruptive innovation), to zawsze pojawiają się różne trudności.

Nawet znacznie większe, niż takie typowe, które były przetestowane przez kogoś innego. Powiedz trochę więcej o Waszych wyzwaniach? Być może warto te wyzwania podzielić na różne obszary – wyzwania technologiczne, handlowe, społeczne. Z czym się mierzycie na co dzień, w tej chwili?

Zadałeś tutaj kilka istotnych pytań. Myślę, że najważniejsze są wyzwania społeczne. Co roku wychodzi raport „Mobile Trends”, przygotowywany przez Monikę Mikowską, o tym jak wygląda propagacja innowacji, smartfonizacji w Polsce. Jesteśmy na czele Europy z większością rzeczy, a jak zderzasz się już z tą rzeczywistością, jak chcesz robić takie produkty, które teoretycznie wpasowują się w ten trend, to nagle rzeczywistość okazuje się trochę bardziej surowa.

Tak, ludzie oglądają Netflixa, ale jak mogą nie podpinać gdzieś karty, to nie chcą jej podpinać. Cały czas mamy bardzo duże obawy, jeżeli chodzi o bezpieczeństwo naszych danych. Tu jest taki bardzo fajny przypadek, który mnie zawsze porusza, czyli: wygoda czy bezpieczeństwo?

Czy ewentualnie ten lekki dyskomfort, wynikający z braku bezpieczeństwa, nie jest już nadrobiony tym, jak bardzo wygodne są nowoczesne rozwiązania? Wokół tego rozbija się większość problemów społecznych, dotyczących propagacji innowacji. Bezpieczeństwo vs. wygoda, co daje większy benefit? 

Ja jestem z tych osób, które rozumieją to, że ten świat idzie tylko w tę jedną stronę. Będzie coraz więcej tych rozwiązań cyfrowych. Nie odwrócimy się już od tego, kierunek jest już wybrany. Ja prywatnie nie chcę być hamulcowym, korzystam z tych wszystkich historii. Natomiast ilość osób, które cały czas są wstrzemięźliwe względem technologii, jest bardzo mocno powiązana z tym, o czym już powiedziałeś, czyli podziałem na pokolenia – Z, Y itd. Dużo więcej osób, które są wstrzemięźliwe względem innowacji, jest zwyczajnie starsza.

To jest tak, że one albo są wstrzemięźliwe świadomie, albo nie poświęcają jeszcze energii na to, żeby pokonać bariery, które wynikają dla nich z technologii. Natomiast pokolenie Z, które za 5 lat będzie kluczowe na rynku pracy, moim zdaniem tak zdominuje ekosystem usług, że wymusi na większości graczy zmiany dotyczącego tego, jak sami powinni podchodzić do customer experience, projektowania usługi i tej wygody, o której tu już kilka razy mówiliśmy. W Polsce Uber wprowadził opcję zamawiania Ubera przez telefon i jest ona marginalnie wykorzystywana. 

Wydaje mi się, że ten świat się zupełnie podzieli na nowoczesne i tradycyjne mechanizmy handlowe. Jeżeli ktoś dzisiaj zamawia taksówkę, to nie będzie zamawiał Ubera. Ja znam wiele takich osób, które rozumieją, że jest Uber, ale wolą zadzwonić. Mają kartę do korporacji taksówkarskiej, lubią to wszystko, znają tamten świat i mechanizm. W dużym stopniu, wydaje mi się, że w Polsce będzie podobnie.

Handel nowoczesny to będzie handel oparty na aplikacjach mobilnych, dostępności na różne sposoby – raz chcę wyjść do sklepu, a raz chcę, żeby ktoś mi coś przywiózł. Jeżeli ktoś robi tradycyjnie zakupy, to będzie je robił tradycyjnie. Czyli dojdzie do podziału. Będą formaty standardowe i formaty Z. Nie mówię, że w przeciągu 3 czy 4 lat będzie to już widoczne, ale w momencie, w którym Z-tki znajdą się na pierwszej linii frontu, jeżeli chodzi o siłę zakupową (czyli +5 lat), to takie eksperymenty już się będą pojawiały.

Myślę, że podobnym przykładem są formaty typu Carrefour Bio czy Bio Family, które skupiają się wokół osób, którym zależy na zrównoważonym rozwoju. To, jaki sukces odnosi Carrefour Bio w Warszawie, jest najlepszym przykładem tego, że dzisiaj są ludzie, dla których konkretny styl życia jest na tyle istotny, że oni są w stanie poświęcić energię na to, żeby iść do tego formatu. Jeżeli formaty obecnie istniejące, będą na tyle nieprzyjazne dla tego pokolenia, które za chwilę będzie najważniejszą siłą zakupową, to ta siła zakupowa będzie uciekała do innych narzędzi.

Pozwolę sobie teraz delikatnie zmienić temat. Jak dużo jest uczenia maszynowego albo tzw. sztucznej inteligencji w Waszej innowacji? Mało jest o tym informacji publicznych. 

To teraz w drugą stronę, ja zadam pytanie. Żeby w ogóle odpalić algorytmy uczenia maszynowego, trzeba mieć odpowiednią ilość danych, żeby móc we właściwy sposób wnioskować, prawda?

Tak.

Ok, a my mamy dopiero dwa sklepy. Z naszego punktu widzenia dzisiaj dopiero zbieramy dane. Wiemy, co chcemy z nimi zrobić. Jednym z prostszych przykładów, jest analiza koszyka zakupowego do dobierania i automatycznego kupowania nośników reklamowych w Internecie, co już tam powoli się dzieje. To są jednak próby w małej skali. Ciężko jest dzisiaj powiedzieć, jak będą wpływały na sam performance sklepu, bo tego jest jeszcze dzisiaj za mało.

Drugi obszar, który nas bardzo interesuje, to Collaborative Planning, Forecasting and Replenishment, czyli jak na realizowanie zamówień i dostaw będą wpływać dane zewnętrzne, dotyczące pogody, wydarzeń w mieście, prognoz zmian demograficznych i społecznych. My dzisiaj podchodzimy do pewnych modeli, robimy je sobie w tle i nakładamy na posiadane sklepy.

Natomiast to nie przekłada się jeszcze dzisiaj na bezpośrednie efekty. Analizujemy, czy to jest dobrze napisane, czy to dobrze działa, czy my dobrze podchodzimy do wnioskowania i zderzamy to z tym, co widzimy w sklepach. 

Wchodzicie w obszar, który otwiera wiele furtek, próbując łączyć pewne pomysły. Jeżeli Wasz klient mieszka w okolicy sklepu i kupuje pewne produkty regularnie, to prawdopodobnie będzie tam taki zauważalny wzorzec, jeżeli chodzi o to, jakie produkty pojawiają się w koszyku.

Można przewidzieć z góry, co on będzie kupować i to w pewnym momencie można sprowadzić do takich paczkomatów, ale w takim sensie, że ten człowiek przychodzi i tam już czeka na niego to, czego on chce. 

Dokładnie tak. Sam sobie odpowiadasz na pytanie o to, jak może wyglądać handel przyszłości, czyli ja się nie zastanawiam, wchodzę do mojego bloku i odbieram coś z paczkomatu, bo ja wiem, że tam będą rzeczy, które sam bym prawdopodobnie zamówił. A jeżeli czegoś nie chcę, to odłożę i ktoś to zabierze. Kluczowa sprawa jest taka, że musimy rozumieć, co kupuje Vladimir, co kupuje Marcin.

To, co my zrobiliśmy w Take&Go, nam na to pozwala. Czyli identyfikujemy to per konkretny klient, osoba. Nie per karta, per paragon i robimy jakieś dziwne analizy paragonów i to potem sobie sumujemy i widzimy, że społeczeństwo kupuje więcej tego, a nie tego i idziemy bardziej z reklamami w tę stronę. Nie, my wiemy dokładnie czego może chcieć Marcin, czego może chcieć Vladimir i jak się Vladimir zmienia, jak się zmienia Marcin. 

W Niemczech już lata temu był taki case a propos przewidywania. W sieci Rossmann na bazie karty lojalnościowej klientki (robili to jeszcze stosunkowo analogowo) patrząc na to, jakiego rodzaju robi zakupy, wywnioskowali, że może być w ciąży. A ona jeszcze nie wiedziała, że jest w ciąży i wysłali jej prezent z tej okazji. Zrobiła później test ciążowy i się okazało, że faktycznie była w ciąży.

Jeżeli jesteśmy w stanie porównywać całe społeczeństwo i zwyczaje zakupowe, osadzać to w różnych sytuacjach, patrzeć co się działo później, jak najbardziej jesteśmy w stanie przewidzieć, co powinno znaleźć się w naszej lodówce. Jeżeli zestawimy sobie nasze zakupy, styl życia z filmami, na jakie chodzimy, co oglądamy na Netflixie, jakie artykuły czytamy i że zaczęliśmy się interesować jakąś konkretną dietą, to dlaczego aplikacja ma nas nie zapytać, czy chciałbym spróbować tej diety i nam wysłać od razu zakupy do tej paczki albo wskazać konkretne produkty w sklepie, jakie powinienem kupić?

Przecież to są rzeczy, które przy odpowiedniej ilości danych dzisiaj da się zrobić. Tylko problem polega na połączeniu końcowym, że to dotyczy Marcina, to dotyczy Vladimira, bo większość sklepów tego nie ma. Żabka wprowadziła swoją aplikację, właśnie z tego powodu, żeby móc powiązać koszyk zakupowy z konkretną osobą.

Dlatego oni mobilizują, dają punkty, obniżki i inne rzeczy, bo rozumieją, że jeżeli zbiorą dane, to będą wygranymi na tym rynku. Wtedy, jeżeli lepiej dobiorą ofertę dla klienta, to klient finalnie kupi więcej, będzie próbował więcej rzeczy. Oni zmienią nawet swój asortyment pod tego klienta w jakimś obszarze. 

To prawda, możliwości jest wiele. W szczególności jeżeli chodzi o rzeczy związane z prognozowaniem, zrozumieniem potrzeb. Być może nie macie zbyt dużo danych w tej chwili, ale zbieracie je w taki sposób, że można im zaufać, czyli nie macie dziur i jakość tych danych jest na tyle dobra, żeby wyciągnąć dobre wnioski. W tym przypadku będzie można wiele zrobić, w to nie wątpię.

Jesteś osobą z wizją i prawdopodobnie chcesz tę rewolucję zrobić nie tylko w Polsce. Zastanawiam się tak bardziej globalnie, mówiąc o innych krajach – jak się zmieni życie ludzi pod kątem zakupów w ciągu 5, 10 lat? Na ile to życie będzie się różniło od tego, co mamy teraz?

Mówimy teraz o baby boomers, którzy np. nie mogą się przyzwyczaić do Ubera. Tak się zastanawiam – przecież będzie taki moment za 10, 20 lat, kiedy to ja być może też będę takim odpowiednikiem dzisiejszych baby boomers i nie będę w stanie się adaptować?

Więc lepiej się przygotować wcześniej na zbliżające się zmiany, żeby mój mózg potrafił szybciej się adaptować, by jakoś się odnaleźć w tym przyszłym świecie. Czego możemy się spodziewać?

W tym obszarze akurat jestem dość wstrzemięźliwy, bo uważam, że największa rewolucja przebiegnie w samych produktach, jakie będziemy kupować, a nie koniecznie w sposobach, w jakich będziemy je nabywać. Wynika to z prostej rzeczy. Sieci handlowe, galerie to są wszystko biznesy, które mają wspierać się przez wiele lat.

Jeżeli mówimy o tym, że Żabka ma 7 tys. sklepów, a 5 tys. z nich właśnie przeszło remodeling na format Galaxy, który kosztował ogromne pieniądze, to to się musi zwrócić. Prawdopodobnie w przeciągu tych 5, 6, 7 lat będzie się to zwracało. W drastyczny sposób samo doświadczenie zakupowe nie ulegnie zmianie w Polsce.

Ciekawe jest to, co się dzieje w Azji. Oglądałem, co robi Lawson na żywo, oglądałem co robi 7-Eleven. Byłem na targach takiego sklepu przyszłości Lawsona. Nota bene bardzo podobnego technologicznie do Take&Go, jak się okazało, gdy rozmawialiśmy z członkami zarządu Lawsona. To jest wszystko pochodna tego, na jakim etapie znajduje się społeczeństwo. W Japonii ono się bardzo mocno i bardzo szybko starzeje, a koszty pracy są jeszcze dynamiczniej rosnące.

Jeżeli mamy tego typu zjawiska na świecie, poziom gentryfikacji miast też jest wysoki, to automatyzacja sprzedaży, wszelkiej maści maszyny vendingowe o szerszym asortymencie, sklepy autonomiczne – to się będzie tam pojawiało. Natomiast to wciąż będą mechanizmy, które są nam podobne. To, co jest w Chinach np. aplikacja, w której można zamówić produkty i w przeciągu kilku minut znaleźć je pod drzwiami, to też jest kolejna rzecz, ale to będzie kolejny sposób z takich nowszych, które się pojawią. Ale on jest podobny do tego, co już mamy.

Na rynek Polski weszło Glovo. W Warszawie jest aplikacja Lisek, która też dowozi podstawowe produkty w przeciągu paru minut. To jest kolejna gałąź, która sprawi, że będzie można kupić podstawowe produkty jednym, dwoma, trzema kliknięciami. Możliwe, że też się przyzwyczaimy (po tym jak Amazon wejdzie na nasz rynek, co ostatnio buchnęło w Internecie) do zamawiania produktów przyciskiem, który mamy gdzieś przyczepiony. Takie podstawowe rzeczy, których regularnie nam brakuje.

Natomiast nie będzie rewolucji. Jeżeli chodzi o nowe metody, to to będą małe, proste rzeczy, które spowodują, że za pomocą apki, ktoś nam coś przywiezie do domu. Jeżeli chodzi o sklepy, w tej części Europy nie będzie zmiany. Jeżeli chodzi o świat, to tam gdzie mamy starzejące się społeczeństwo i wysokie koszty pracy, będzie coraz więcej różnych mechanizmów automatyzacji samego procesu sprzedaży w sklepie stacjonarnym. Zawsze chciałem, żeby to postępowało dużo szybciej, ale lata pracy przy Surge Cloud i Take&Go, nauczyły mnie właśnie tej ewolucyjności, a nie rewolucji.

Bardzo dziękuję Marcin za dzisiejszą rozmowę. Końcówka Twojej wypowiedzi brzmi nieco inaczej niż to sobie wyobrażałem, ale to dobrze. To oznacza, że czasem właśnie trzeba bardziej się zderzyć z rzeczywistością i zobaczyć, w którym kierunku te zmiany podążają. Może się okazać, że właśnie Azja – Chiny i Japonia, faktycznie będą wyglądać zupełnie inaczej (w sumie już teraz wyglądają dość często inaczej).

Chociaż mówiąc o Japonii, tak ostatnio dyskutowałem z kolegą na ten temat i ciekawą rzeczą jest to, że z jednej strony Japonię uważa się za kraj wysoko rozwinięty technologicznie, ale z drugiej strony czasem jest tam duży problem zapłacić np. kartą, bo po prostu nie ma takiej technologii wdrożonej w sklepach.

Wiadomo są sklepy gdzie to jest, ale np. coś a’la Żabka w Japonii takich rozwiązań nie posiada i na razie nie planuje tego wdrożyć. Dla mnie to był trochę szok. Ale to już inny wątek, bo to wszystko zawsze jest takie wymieszane technologicznie. Z jednej strony są rzeczy, które są numerem jeden, a z drugiej strony te rzeczy, które u nas są powszechne, tam nie koniecznie się pojawiają. 

Dystrybucja mechanizmów płatności to jest w ogóle bardzo ciekawa rzecz, bo jak sobie pojedziesz za naszą zachodnią granicę, to tam znaleźć bankomat albo zapłacić kartą jest bardzo ciężko (jeżeli chodzi o Niemcy, Szwajcarię i Austrię). Natomiast w krajach azjatyckich szalenie popularną metodą jest płacenie QR kodem, czyli pewnego rodzaju tak jak działa trochę u nas BLIK, tylko zamiast kodu 6-cyfrowego jest kod QR.

W dużym uproszczeniu proces wygląda w ten sam sposób i tam to się przyjęło. W Korei, Chinach przyjęło to się niesamowicie szeroko. Jest wygodniejsze niż posiadanie kart dla wielu ludzi. Jak my jedziemy do takiego miejsca to dla nas to jest dziwne, że nie ma gdzieś kart. W Europie przyzwyczailiśmy się do plastiku (zwłaszcza w Polsce).

Ale w Niemczech to, że nie ma kart w Japonii nie jest dziwne, bo w Niemczech też aż tak dużo się tych kart nie używa. Pamiętajmy, że my w Polsce mamy bardzo dużą adopcję tych nowinek płatniczych wszelkiej maści (płatności zbliżeniowych, Google Pay, Android Pay, kart płatniczych). Na tle całej reszty Europy, my jesteśmy bardzo, bardzo z przodu. 

Mam też gdzieś nagrany osobny odcinek o Fintechu. Na ile z jednej strony Stany Zjednoczone wymyślają różne ciekawe rzeczy, ale z drugiej tak naprawdę jeszcze nadal używają czeków. Taki Fintech w tamtych krajach jest najbardziej potrzebny, bo jeszcze trzeba te stare tradycje zmienić. 

Bardzo dziękuję Marcinie, że udało Ci się znaleźć czas i podzielić się swoim doświadczeniem i przemyśleniami.

Marcin dużo mówił o potrzebach klienta, o tym, że te potrzeby się zmieniają i ich zapewnienie staje się coraz trudniejsze. Też przyzwyczajenie ludzi zmienia się w czasie. 

Pytanie, które mam dla Ciebie na sam koniec, jest takie – jak zmieniła się Twoja wizja, Twoje zapotrzebowania na codziennie obowiązki, które masz w swoim życiu? 

Jak to było 20, 30 lat temu?  Jak to wygląda teraz? 

Na ile faktycznie ten cyfrowy świat wchodzi w nasze życie i je odmienia? 

Czy to jest dobrze, czy źle dla Ciebie?

Artykuł Innowacje w handlu stacjonarnym pochodzi z serwisu Biznes Myśli.