Как математику открыть бизнес

Как математика помогает в бизнесе

Алекс Беллос, автор книги «Красота в квадрате», рассказывает, как использовать математику в работе и приводит примеры из практики: можно быстро обнаружить финансовые махинации, удачно выйти на заграничный рынок, увеличить средний чек и управлять поведением потребителей.

Законы математики помогают аналитикам, маркетологам, руководителям и владельцам бизнеса, инвесторам. Достаточно знать самые простые теории — и можно легко решать насущные вопросы или преодолевать сложные препятствия на пути к успеху.

Как поймать нечистых на руку сотрудников

В данных из реальной жизни числа чаще начинаются с маленьких цифр (1, 2), чем с больших, а вот 9 стоит в начале реже всего. Преобладание единиц и двоек — проявление закона Бенфорда, с помощью которого можно выявить фальсификацию данных.

Возьмите аналитический отчет маркетолога и пройдитесь по первым цифрам. Частота появления цифры 1 равна примерно 30%, цифры 2 — около 18%, цифры 9 — менее 5%. Если есть отклонения от закономерности, задумайтесь, не приукрасил ли сотрудник картину.

Данные не удовлетворяют закону Бенфорда в двух случаях: когда есть объяснение происходящему (например, компания стала регулярно закупать сырье по $50 за штуку — логично, что цифра 5 появляется чаще) или же имеет место мошенничество. Закон Бенфорда не раз помогал финансовым следователям, которые занимаются поиском искаженных данных. Они проверяют бухгалтерские книги, отчеты и даже номера банковских счетов, которые встречаются в документах, — так можно обнаружить отмывание денег. Один из известных случаев — дело Уэсли Родса, присвоившего себе миллионы долларов: отчеты, которые он высылал инвесторам, не удовлетворяли закону первой цифры.

DigiTalk — всё о бизнесе и продвижении в диджитале

У микрофона Nectarin, полносервисное агентство с 14-летним стажем работы.

• Кейсы, разбор инструментов и лайфхаки для клиентов и маркетологов.
• Мировые и российские тренды цифрового маркетинга и креатива.
• Интервью с клиентами и лидерами индустрии.

Предрассудки и выход на зарубежные рынки

Иногда компании совершают непростительную ошибку, не изучив культурную среду нового рынка. Во многих странах есть предубеждения, касающиеся чисел. В Восточной Азии число 4 ассоциируется со смертью: доходит до того, что в зданиях может не быть четвертого этажа. Естественно, это затрагивает бизнес и маркетинг: не стоит выпускать на рынок продукт или услугу, которые каким-либо образом упоминают четверку. Это изначально провальный проект.

В Японии особое отношение к нечетным числам: их связывают с везением и успехом. Здесь принято дарить подарки в нечетном количестве — три, семь, одиннадцать предметов. То же самое касается денег. Японцы предпочитают нечетные суммы и даже банкноты: когда была выпущена банкнота в 200 иен, ей никто не стал пользоваться.

Скорость обработки чисел и выбор покупателей

Чем быстрее мозг «узнает» число или распознает знакомую арифметическую операцию (умножение, сложение, деление), тем большее удовольствие испытывает. Затем это состояние переносится на продукт — и мы делаем выбор в его пользу. Чтобы подтвердить гипотезу, ученые разместили рекламу контактных линз Solus 36 и Solus 37. Линзы Solus 36 были безоговорочным лидером, особенно если к объявлению добавляли строки «6 оттенков, 6 видов посадки».

По мнению ученых, мозг быстрее обрабатывает числа 6 и 36, так они нам хорошо знакомы по школе: подсознательно идентифицируется привычное действие умножения. А вот числа 6 и 37 не связаны между собой, поэтому мозг на них «спотыкается», что приводит к снижению спроса.

Привлекаем потенциальных клиентов числами

Участники опроса должны были назвать любимое число и объяснить, почему отдают предпочтение именно ему. Ответы были проанализированы и количественно, и качественно. Интересно, что люди давали разнообразные и эмоционально-окрашенные варианты ответов: у кого-то любимым было число «восемь», так как он каждое утро встает в 8:08, число «три» — так как у опрашиваемого пирсинг в трех местах. Любопытно, что за число 101 не было отдано ни одного голоса. Значит ли это, что оно самое нелюбимое на свете? Вопрос требует более тщательного исследования.

Посмотрите на таблицу результатов. Возможно, она поможет вам дать название продукту, который станет популярным.

Приемы для увеличения среднего чека

Восприятие чисел успешно используется в розничной торговле: распространенный вариант — добавление к ассортименту непомерно дорогих товаров. Так создается искусственный образец для сравнения цен: покупатель видит неприлично дорогой продукт (например, ремень за 40 000 рублей) и начинает считать, что ремень за 9 000 — не так уж и дорого. Эту стратегию взяли на вооружение супермаркеты, рестораны и интернет-компании.

Еще один пример — отсутствие денежной единицы в прайс-листах, меню и винных картах ресторанов, на сайте компании в разделе «Цены». Это заставляет людей переплачивать. Трюк может повысить средний чек на 8–10%. Когда мы видим знак рубля или доллара, то мгновенно вспоминаем, что не любим тратить деньги. А вот когда дензнак не указан, нас ничто не отвлекает от выбора любимых блюд, подарков и люксовых услуг.

Источник

Как заработать на математике (фриланс)

• 16 Февраль 2021
• 5 минут
• 5 971

Математика – царица всех наук. Значит и заработать на ней можно по-королевски. Так ли это, и какие есть способы свободного заработка с применением математических знаний – разбираемся в сегодняшней статье.

Наш телеграм – полезная рассылка и новости для студентов всех специальностей.

Как заработать на математике

Математика – прикладная наука. Инструмент, позволяющий познавать и описывать окружающий мир. Область применения математики – везде.

Например, вы посчитали производную функции. Все хорошо, только вот совершенно непонятно, зачем вообще этим было заниматься. Но тут мы приносим эту производную в физику и понимаем, что посчитали не что-то абстрактное и бесполезное, а вычислили скорость тела, которое движется по определенному закону.

Как заработать учителю математики, если не хватает зарплаты? На досуге можно заниматься решением задач тысячелетия.

Для справки: задачи тысячелетия – это семь классических математических проблем, решение которых не могут найти в течение многих лет. Проблемы определены математическим институтом Клэя в 2000 году, 6 задач из 7 остаются нерешенными.

Один из самых знаменитых примеров нестандартного «заработка» на математике – Григорий Перельман и теория Пуанкаре (как раз одна из задач тысячелетия), которую он доказал, но так и не забрал миллион долларов, который полагался в качестве премии.

Сразу отметим, что далее мы будем говорить о том, как заработать на математике в интернете. Это скорее подработка, чем основной заработок. Зато это гораздо быстрее, чем решать задачи тысячелетия.

Способ 1. Репетиторство

Людям, как и многим другим видам, свойственно обучать потомство знаниям и умениям, необходимым в жизни. Если вы знаете математику на должном уровне, то всегда можете заниматься обучением молодого поколения. С сервисом Tutoronline это можно делать в свободное время и не выходя из дома.

Способ 2. Решение студенческих задач

Умеете решать кое-что посложнее школьных примеров? Для вас есть работа! Профессиональный сервис помощи студентам предлагает своим авторам регулярные заказы и ежемесячные выплаты.

Помимо этого здесь вас ждет:

1. Удобный личный кабинет
2. Техническая поддержка, которая ответит на возникающие вопросы
3. Возможность работать тогда, когда это удобно вам.

Регистрируйтесь в качестве эксперта там, где уже созданы все условия для продуктивной работы.

Banner object (34)

Способ 3. Программирование и математическое моделирование

Мы уже говорили о том, что математика – прикладная наука и математические методы используются повсеместно. Даже если у вас нет опыта (но есть математический склад ума и определенный бэкграунд), начните изучать программирование и математическое моделирование. Настоящий математик всегда найдет практическое применение для царицы всех наук!

Еще немного о применении математики. Не секрет, что теория вероятностей, а вместе с ней и многие азартные игры в казино – детище именно математиков. Даже Галилео Галилей приложил руку к математическому описанию игры в кости.

Начинать можно с малого. Вы давно хотели попробовать? Вот вам знак свыше. Регистрируйтесь и пробуйте свои силы в качестве математика-фрилансера прямо сейчас.

Иван Колобков, известный также как Джони. Маркетолог, аналитик и копирайтер компании Zaochnik. Подающий надежды молодой писатель. Питает любовь к физике, раритетным вещам и творчеству Ч. Буковски.

Источник

Как математик заработал $12 млрд

Джеймс Саймонс, известный американский математик и миллиардер, отец–основатель биржевых торговых систем и создатель одного из самых успешных хедж–фондов в мире, приехал в Петербург не по вопросам бизнеса, а чтобы прочитать лекцию по математике. Саймонс рассказал «ДП», как ученый можетстать миллиардером и почему он никогда не инвестировал в Россию.

Внук владельца обувной фабрики из Массачусетса Джеймс Харрис «Джим» Саймонс оказался талантливым математиком. Он получил степень PhD в 23 года, преподавал в Гарварде, а в 30 лет возглавил математический факультет в университете Стоуни Брук, сделав его одним из лучших в США. Еще через 10 лет, попробовав биржевую торговлю, Саймонс решил поставить ее на научную основу, что ему блестяще удалось. В 1982 году в возрасте 42 лет он основал хедж–фонд «Ренессанс Технолоджиз». На работу брал не MBA, а PhD — физиков, математиков и астрономов, которые мало понимали в финансах и инвестировании, но зато были талантливыми учеными. Под руководством Саймонса эта научная команда разработала математические алгоритмы, модели и компьютерные программы, которые предсказывали поведение рынка. Кризис 2008 года показал, что компьютеры Саймонса работают сильно лучше большинства трейдеров с Уолл–стрит.

Имея личное состояние в $12 млрд, Саймонс предпочитает тратить деньги на поддержку научных программ и исследований, тем самым давая всем понять, что в основе успеха бизнеса лежит наука.

Как вы решили начать бизнес?

— Я много лет посвятил математике: занимался исследованиями, преподавал. Но примерно к 40 годам немного разочаровался: математика показалась мне на тот момент слишком понятной и предсказуемой.

Мне захотелось попробовать что–то новое, чтобы был вызов, риск, непредсказуемость, и я пошел в бизнес.

Почему именно хедж–фонд, как вы выбрали нишу?

— Этот бизнес максимально близок к математике. Еще будучи ученым, я в качестве хобби помогал в инвестициях своим друзьям и сам вкладывал, опираясь на математические вычисления.

И в один момент получилось так, что у меня накопилось достаточно денег для того, чтобы я мог не работать. Оказалось, что торговля на финансовых рынках может быть очень успешной.

И вы решили применить математику на практике?

— Хедж–фонд «Ренессанс Технолоджиз» основан ученым–математиком, то есть мной, и я долгие годы был президентом этой компании. В работе фонда используются созданные под моим руководством математические компьютерные модели.

Они нужны для предсказания изменений цен на финансовые инструменты с учетом факторов неопределенности. Это передний край математических методов в экономике.

Трейдеры с Уолл–стрит способны на математические разработки?

— Я скорее возьму на работу PhD, чем MBA. Экономика и бизнес основываются на математике и не могут существовать без нее. У нас работают ученые–математики, астрофизики, которые до этого не работали в бизнесе. Они и разрабатывают математические модели, алгоритмы и программы для прогнозирования поведения рынка. Дополнительный плюс работы с математиками в том, что язык этой науки универсален, поэтому у нас могут эффективно сотрудничать талантливые ученые из разных стран.

Что обеспечило успех бизнесу?

— Конечно, мы создали очень хорошие программы и продолжаем их совершенствовать. Но с самого начала огромную роль играли интуиция и логика. Интуиция в сочетании с правильной математикой и большим количеством удачи — секрет успеха бизнеса в период его становления.

У вас были партнеры?

— Да, конечно, очень хорошие и умные люди. Но боссом был я.

Вы когда–нибудь инвестировали в Россию?

— Нет. Мне показалось, что это не очень хорошая идея. Тем более что у меня в России нет близких друзей. Я инвестировал преимущественно в США. Еще у меня есть хорошие друзья в Южной Америке, поэтому я инвестировал некоторое количество денег в Южную Америку.

Как вы распоряжаетесь деньгами, кроме личного потребления?

— Меня называют меценатом или филантропом. Я поддерживаю различные научные начинания в математике, физике и других областях знаний: исследовательские проекты, конференции и симпозиумы, научные программы.

Чем вы сейчас занимаетесь?

— Конкретно сегодня я приехал прочитать лекции о дифференциальных когомологиях и K–теории в рамках двухмесячной научной программы «Когомологии в математике и физике» для российских магистрантов в Международном математическом институте им. Эйлера РАН. А вообще, я 3 года назад отошел от непосредственного управления хедж–фондом и снова вернулся в математику. У меня появилось несколько хороших идей, которыми нужно заняться.

Джеймс Харрис Саймонс

> Математик, филантроп, бизнесмен.
> Личное состояние — $12 млрд.
> Родился в 1938 году, в 23 года стал PhD, преподавал в Гарварде и MIT.
> Обладатель премии Освальда Веблена по геометрии.
> В 44 года основал хедж–фонд «Ренессанс Технолоджиз» (Renaissance Technologies).
> По итогам 2008 года был признан лучшим менеджером хедж–фонда.
> Является попечителем Брукхейвенской национальной лаборатории в штате Нью–Йорк, Института высших исследований в Принстоне, Университета Рокфеллера в Нью–Йорке, Математического исследовательского института в Беркли.
> Пожертвовал в поддержку науки сотни миллионов долларов, в том числе $150 млн Университету Стоуни Брук, где работал в молодости.
> Удостоен медали Карнеги за благотворительность.

Источник

Школа Данных: как совместить математику и бизнес

Что мешает успешно совместить математику и бизнес?

Этот текст — первая из серии статей о том, как корректно встроить инструменты big data с выгодой для бизнеса.

Маленький спойлер: все получится, если помнить о самом бизнесе.

Еще 5 лет назад крупные компании хотели внедрить у себя новомодную “бигдату”. Но настоящих экспериментаторов было мало. Исключениями стали те, кто точно обладал массой данных: телеком, банковский сектор, интернет-компании. А в 2018 году за экспертизой в больших данных бизнесы приходят сами, причем из самых неожиданных отраслей: металлургия, страхование, авиаиндустрия.

С чего начинается модель?

Big data перестала быть волшебной мантрой (теперь эту корону носит блокчейн). Но пока не избавилась от главного мифа:

“Более-менее адекватный математик может набросать на бумажке модель, ее быстренько внедрят, а после этого можно потягивать коктейль и наблюдать за ростом продаж”.

Я утрирую, конечно, но не очень сильно. Приведу пример из нашей практики.

Есть компания-производитель строительного кирпича. Немелкая, с опытом и налаженными продажами. В такие моменты в компаниях нередко задаются вопросом: а как бы нам еще уменьшить издержки и увеличить прибыль?

Кандидатом на улучшение стала логистика. В доставках кирпича было много хаоса, трудно было заранее оценить клиентский спрос, поэтому расходы на ГСМ и амортизацию транспорта нервировали. Узнав о big data, в компании решили: будем предсказывать, когда на клиентских стройках закончится кирпич, чтобы оперативно его туда отправлять. Проанализировали предыдущие данные, сделали модель, которая пообещала интересные проценты оптимизации.

Всю радость поломал привычный порядок. Во-первых, нужно было найти машины для оперативной доставки и продумать маршруты. Во-вторых, эти машины могли заехать на склад для загрузки только в строго определенные тайм-слоты, потому что график приезда клиентских машин был составлен на несколько недель вперед. Двигать клиентов было нельзя. Поэтому оперативность шла прахом.

Получилось, что начали с обычного “давайте предскажем”, а закончили на трансформации бизнес-процесса.

Задача по big data имеет две постановки: бизнес и математику. И порядок их именно такой. Прежде чем сажать аналитика за построение модели, нужно пройти три этапа.

1. Определить задачу с точки зрения бизнеса.

Допустим, мы хотим бороться с оттоком клиентов. И решили предсказывать, что определенная группа покупателей близка к тому, чтобы уйти к конкуренту. Для них мы будем формировать всяческие плюшки, чтобы удержать.

Задача на первый взгляд тривиальная. Аналитик строит модель на исторических данных — ушедших и постоянных клиентах — чтобы вывести признаки тех и других. Например, в реальном кейсе сотового оператора отток анонимного абонента = абонент перестал пользоваться связью. Но сколько времени — неделю, месяц, год — он должен не включаться, чтобы его записали в “оттекшие”?

Определить эту задачу можно по-разному. Можно по готовому бизнес-шаблону. Или по историческим данным — как часто возвращаются абоненты, которые не пользовались связью месяц? А если таких — целых 10%? К примеру, абонент был в долгосрочной командировке или повелся на ограниченную акцию другого оператора.

Здесь важно: кого считать “отточниками” — полностью бизнес-решение.

Необходимый минимум любого подразделения big data — 2 роли. Первая — data scientist, на котором математика и построение модели. Вторая от команды к команде именуется по-разному — product owner, product manager, бизнес-аналитик. На совести этого человека корректная постановка задачи. Его миссия — вникать в тонкости бизнеса заказчика и подбирать нужные ему инструменты. Причем вникать в активной коммуникации со всеми сторонами.

2. Проверить бизнес-кейс.

Окей, определимся мы с моделью. Но во сколько нам обойдется оптимизация?

Возьмем тот же отток. Чтобы удержать потенциально уходящих клиентов, можно позвонить или маякнуть правильным сообщением. Или, если есть ресурс, предложить бонус. Можно подсказать клиенту более экономически интересный тариф, проанализировав его расходы.

Но раз уж мы задумались о бонусах, то это — наши траты на подобных клиентов. И ладно бы мы точно знали, что этот клиент уйдет, если ничего не предпринять. Но модели неидеальны в своих предсказаниях. Кого-то мы удержим правильно. А, например, 20% потенциальных “отточников” на самом деле таковыми не будут являться. При это мы будем предлагать бонусы и им. Сколько на это потратится денег, допустимо ли это в нашем случае — нужно смотреть на объем клиентской базы, масштабы оттока и считать абсолютные цифры.

Это называется ошибками первого и второго рода. Мы должны понимать, что результаты внедрения модели дадут больше, чем отнимут. И это должна быть приемлемая для нас разница. Требования к модели формируются прежде ее построения. Может быть, они выйдут такими, что и тратить время дейта-сайентиста будет незачем.

3. Спланировать, как будут использоваться результаты.

“Экономика сошлась, — говорит нам бизнес-кейс. — Можно уже наконец строить модель?”

Рано. Нужно продумать, что будет происходить с результатами.

Вот выдаст нам модель 200 000 человек, которые ежемесячно могут превратиться в “отточников”. И мы решим их обзванивать. А успеем ли пройтись по всем? Контакт-центр ведь не резиновый.

Другой момент — нужно понять, какой лаг по времени у нас будет между предсказанием ухода и реальным уходом клиента. Зачем нам предсказание, если клиент “оттечет” в очень ближайшее время? Ведь тогда мы можем не успеть с ними связаться. Но и чем дальше от момента ухода мы даем ответ, тем ниже точность предсказания. Здесь снова приходится высчитывать оптимум между плюсами и рисками.

И третий момент — как быстро мы сможем имплементировать новшества в наши бизнес-процессы? Чтобы не получилось, как с примером о производителе кирпича.

В заключение

Путь к четкой задаче для дейта-сайентиста сам по себе является задачей.

Если же все три пункта мы проверили, все сложилось и появилась модель, нас ждет следующий веселый этап — интеграция. Построение модели и смежная математика обычно занимает около 20% времени. Остальные 80% (а иногда гораздо больше, в зависимости от гибкости компании) — реализация в продуктиве. Вплоть до нескольких месяцев.

Модель — это только MVP. Все любят их строить, потому что гипотетические результаты всем нравятся. А потом внедрение их в реальные бизнес-процессы буксует в большинстве компаний. Ведь самое сложное — изменить отлаженные порядки.

Поэтому в любом big data проекте должен быть data scientist, на котором математика, product manager, отвечающий за бизнес, и project manager с проектной командой. Последним предстоит заниматься внедрением и перетряхивать бизнес-процесс. Иногда больно и тяжело. Но только в такой конфигурации работа с big data может принести выгоду.

Этим и прочим особенностям применения аналитики данных в бизнесе мы учим в нашей Школе Данных на курсах для аналитиков и для менеджеров.

Пост подготовлен Школой Данных на основе публикации основателя Школы в Business HUB ПАО «Киевстар»

Источник