Tanggapin tulad ng data: kung paano natututong kumita ang mga negosyo mula sa malaking data

Sa pamamagitan ng pagsusuri ng malaking data, natututo ang mga kumpanya na tumuklas ng mga nakatagong pattern, na nagpapahusay sa performance ng kanilang negosyo. Ang direksyon ay sunod sa moda, ngunit hindi lahat ay maaaring makinabang mula sa malaking data dahil sa kakulangan ng isang kultura ng pakikipagtulungan sa kanila

“Kung mas karaniwan ang pangalan ng isang tao, mas malamang na magbayad sila sa oras. Kung mas maraming palapag ang iyong bahay, mas mahusay kang nanghihiram ayon sa istatistika. Ang tanda ng zodiac ay halos walang epekto sa posibilidad ng isang refund, ngunit ang psychotype ay gumagana nang malaki, "sabi ni Stanislav Duzhinsky, isang analyst sa Home Credit Bank, tungkol sa hindi inaasahang mga pattern sa pag-uugali ng mga nanghihiram. Hindi siya nagsisikap na ipaliwanag ang marami sa mga pattern na ito – ipinahayag ang mga ito sa pamamagitan ng artificial intelligence, na nagpoproseso ng libu-libong profile ng customer.

Ito ang kapangyarihan ng malaking data analytics: sa pamamagitan ng pagsusuri ng malaking halaga ng hindi nakabalangkas na data, matutuklasan ng programa ang maraming mga ugnayan na hindi alam ng pinakamatalinong analyst ng tao. Ang anumang kumpanya ay may malaking halaga ng hindi nakabalangkas na data (malaking data) – tungkol sa mga empleyado, customer, kasosyo, kakumpitensya, na maaaring magamit para sa pakinabang ng negosyo: mapabuti ang epekto ng mga promosyon, makamit ang paglago ng benta, bawasan ang turnover ng kawani, atbp.

Ang unang nagtrabaho sa malaking data ay ang malalaking kumpanya ng teknolohiya at telekomunikasyon, mga institusyong pampinansyal at tingian, komento ni Rafail Miftakhov, direktor ng Deloitte Technology Integration Group, CIS. Ngayon ay may interes sa gayong mga solusyon sa maraming industriya. Ano ang nakamit ng mga kumpanya? At palaging humahantong sa mahahalagang konklusyon ang malaking data analysis?

Pangunahing ginagamit ng mga bangko ang mga algorithm ng malalaking data upang mapabuti ang karanasan ng customer at i-optimize ang mga gastos, pati na rin upang pamahalaan ang panganib at labanan ang pandaraya. "Sa mga nakaraang taon, isang tunay na rebolusyon ang naganap sa larangan ng malaking pagsusuri ng data," sabi ni Duzhinsky. "Ang paggamit ng machine learning ay nagbibigay-daan sa amin na mahulaan ang posibilidad ng utang na default nang mas tumpak - ang delingkuwensya sa aming bangko ay 3,9% lamang." Para sa paghahambing, noong Enero 1, 2019, ang bahagi ng mga pautang na may mga overdue na pagbabayad sa loob ng 90 araw sa mga pautang na ibinigay sa mga indibidwal ay, ayon sa Central Bank, 5%.

Maging ang mga organisasyong microfinance ay nalilito sa pag-aaral ng malaking data. "Ang pagbibigay ng mga serbisyo sa pananalapi nang hindi sinusuri ang malaking data ngayon ay tulad ng paggawa ng matematika nang walang mga numero," sabi ni Andrey Ponomarev, CEO ng Webbankir, isang online na platform ng pagpapautang. "Nag-iisyu kami ng pera online nang hindi nakikita ang alinman sa kliyente o ang kanyang pasaporte, at hindi tulad ng tradisyonal na pagpapahiram, hindi lamang namin dapat masuri ang solvency ng isang tao, ngunit kilalanin din ang kanyang personalidad."

Ngayon ang database ng kumpanya ay nag-iimbak ng impormasyon sa higit sa 500 libong mga customer. Ang bawat bagong application ay sinusuri gamit ang data na ito sa humigit-kumulang 800 mga parameter. Isinasaalang-alang ng programa hindi lamang ang kasarian, edad, katayuan sa pag-aasawa at kasaysayan ng kredito, kundi pati na rin ang aparato kung saan pumasok ang isang tao sa platform, kung paano siya kumilos sa site. Halimbawa, maaaring nakababahala na ang isang potensyal na nanghihiram ay hindi gumamit ng loan calculator o hindi nagtanong tungkol sa mga tuntunin ng isang loan. "Maliban sa ilang mga stop factor - sabihin, hindi kami nag-iisyu ng mga pautang sa mga taong wala pang 19 taong gulang - wala sa mga parameter na ito mismo ang dahilan para sa pagtanggi o pagsang-ayon na mag-isyu ng pautang," paliwanag ni Ponomarev. Ito ay ang kumbinasyon ng mga kadahilanan na mahalaga. Sa 95% ng mga kaso, ang desisyon ay awtomatikong ginawa, nang walang paglahok ng mga espesyalista mula sa underwriting department.

Nagbibigay-daan sa amin ang pagsusuri ng malaking data na makakuha ng mga kawili-wiling pattern, pagbabahagi ni Ponomarev. Halimbawa, ang mga gumagamit ng iPhone ay naging mas disiplinado na mga borrower kaysa sa mga may-ari ng mga Android device - ang una ay tumatanggap ng pag-apruba ng mga application nang 1,7 beses na mas madalas. "Ang katotohanan na ang mga tauhan ng militar ay hindi nagbabayad ng mga pautang halos isang-kapat na mas madalas kaysa sa karaniwang nanghihiram ay hindi isang sorpresa," sabi ni Ponomarev. "Ngunit karaniwang hindi inaasahang obligado ang mga mag-aaral, ngunit samantala, ang mga kaso ng mga default ng kredito ay 10% na mas karaniwan kaysa sa average para sa base."

Ang pag-aaral ng malaking data ay nagbibigay-daan din sa pagmamarka para sa mga tagaseguro. Itinatag noong 2016, ang IDX ay nakikibahagi sa remote identification at online verification ng mga dokumento. Ang mga serbisyong ito ay hinihiling sa mga tagaseguro ng kargamento na interesado sa pagkawala ng mga kalakal nang kaunti hangga't maaari. Bago i-insure ang transportasyon ng mga kalakal, ang insurer, na may pahintulot ng driver, ay tumitingin para sa pagiging maaasahan, paliwanag ni Jan Sloka, komersyal na direktor ng IDX. Kasama ang isang kasosyo - ang kumpanya ng St. Petersburg na "Risk Control" - ang IDX ay bumuo ng isang serbisyo na nagbibigay-daan sa iyo upang suriin ang pagkakakilanlan ng driver, data ng pasaporte at mga karapatan, paglahok sa mga insidente na may kaugnayan sa pagkawala ng kargamento, atbp. Pagkatapos ng pagsusuri ang database ng mga driver, ang kumpanya ay nakilala ang isang "panganib na grupo": kadalasan, ang mga kargamento ay nawawala sa mga driver na may edad na 30-40 na may mahabang karanasan sa pagmamaneho, na madalas na nagbago ng mga trabaho kamakailan. Napag-alaman din na ang kargamento ay madalas na ninakaw ng mga driver ng mga kotse, ang buhay ng serbisyo na kung saan ay lumampas sa walong taon.

May ibang gawain ang mga retailer – upang tukuyin ang mga customer na handang bumili, at tukuyin ang pinakamabisang paraan para dalhin sila sa site o tindahan. Sa layuning ito, sinusuri ng mga programa ang profile ng mga customer, data mula sa kanilang personal na account, kasaysayan ng mga pagbili, mga query sa paghahanap at paggamit ng mga puntos ng bonus, ang mga nilalaman ng mga electronic na basket na sinimulan nilang punan at inabandona. Nagbibigay-daan sa iyo ang data analytics na i-segment ang buong database at tukuyin ang mga grupo ng mga potensyal na mamimili na maaaring interesado sa isang partikular na alok, sabi ni Kirill Ivanov, direktor ng data office ng M.Video-Eldorado group.

Halimbawa, kinikilala ng programa ang mga grupo ng mga customer, na ang bawat isa ay gusto ng iba't ibang tool sa marketing - isang walang interes na pautang, cashback, o isang discount na promo code. Nakatanggap ang mga mamimiling ito ng email newsletter na may kaukulang promosyon. Ang posibilidad na ang isang tao, na nabuksan ang liham, ay pupunta sa website ng kumpanya, sa kasong ito ay tumataas nang malaki, sabi ni Ivanov.

Nagbibigay-daan din sa iyo ang pagsusuri ng data na pataasin ang mga benta ng mga kaugnay na produkto at accessories. Ang system, na nagproseso ng kasaysayan ng order ng iba pang mga customer, ay nagbibigay sa mamimili ng mga rekomendasyon sa kung ano ang bibilhin kasama ng napiling produkto. Ang pagsubok sa pamamaraang ito ng trabaho, ayon kay Ivanov, ay nagpakita ng pagtaas sa bilang ng mga order na may mga accessory ng 12% at isang pagtaas sa turnover ng mga accessories ng 15%.

Ang mga retailer ay hindi lamang ang nagsusumikap na mapabuti ang kalidad ng serbisyo at pataasin ang mga benta. Noong nakaraang tag-araw, inilunsad ng MegaFon ang isang "matalinong" alok na serbisyo batay sa pagproseso ng data mula sa milyun-milyong subscriber. Sa pag-aaral ng kanilang pag-uugali, natutunan ng artificial intelligence na bumuo ng mga personal na alok para sa bawat kliyente sa loob ng mga taripa. Halimbawa, kung napansin ng programa na ang isang tao ay aktibong nanonood ng video sa kanyang device, iaalok sa kanya ng serbisyo na palawakin ang dami ng trapiko sa mobile. Isinasaalang-alang ang mga kagustuhan ng mga gumagamit, ang kumpanya ay nagbibigay sa mga subscriber ng walang limitasyong trapiko para sa kanilang mga paboritong uri ng paglilibang sa Internet - halimbawa, gamit ang mga instant messenger o pakikinig sa musika sa mga serbisyo ng streaming, pakikipag-chat sa mga social network o panonood ng mga palabas sa TV.

"Sinusuri namin ang pag-uugali ng mga subscriber at nauunawaan kung paano nagbabago ang kanilang mga interes," paliwanag ni Vitaly Shcherbakov, direktor ng malaking data analytics sa MegaFon. "Halimbawa, sa taong ito, ang trapiko sa AliExpress ay lumago nang 1,5 beses kumpara noong nakaraang taon, at sa pangkalahatan, ang bilang ng mga pagbisita sa mga online na tindahan ng damit ay lumalaki: 1,2–2 beses, depende sa partikular na mapagkukunan."

Ang isa pang halimbawa ng trabaho ng isang operator na may malaking data ay ang MegaFon Poisk platform para sa paghahanap ng mga nawawalang bata at matatanda. Sinusuri ng system kung sinong mga tao ang maaaring malapit sa lugar ng nawawalang tao, at nagpapadala sa kanila ng impormasyon na may larawan at mga palatandaan ng nawawalang tao. Binuo at sinubukan ng operator ang system kasama ang Ministry of Internal Affairs at ang Lisa Alert organization: sa loob ng dalawang minuto ng oryentasyon sa nawawalang tao, higit sa 2 libong mga subscriber ang natatanggap, na makabuluhang pinatataas ang mga pagkakataon ng isang matagumpay na resulta ng paghahanap.

Ang pagsusuri ng malaking data ay natagpuan din ang aplikasyon sa industriya. Dito pinapayagan ka nitong hulaan ang demand at magplano ng mga benta. Kaya, sa pangkat ng mga kumpanya ng Cherkizovo, tatlong taon na ang nakalilipas, ipinatupad ang isang solusyon batay sa SAP BW, na nagpapahintulot sa iyo na mag-imbak at magproseso ng lahat ng impormasyon sa pagbebenta: mga presyo, assortment, dami ng produkto, promosyon, mga channel ng pamamahagi, sabi ni Vladislav Belyaev, CIO ng pangkat ” Cherkizovo. Ang pagsusuri ng naipon na 2 TB ng impormasyon ay hindi lamang naging posible upang epektibong mabuo ang assortment at i-optimize ang portfolio ng produkto, ngunit pinadali din ang gawain ng mga empleyado. Halimbawa, ang paghahanda ng pang-araw-araw na ulat sa pagbebenta ay mangangailangan ng isang araw na trabaho ng maraming analyst – dalawa para sa bawat segment ng produkto. Ngayon ang ulat na ito ay inihanda ng robot, na gumugugol lamang ng 30 minuto sa lahat ng mga segment.

"Sa industriya, epektibong gumagana ang malaking data kasabay ng Internet ng mga bagay," sabi ni Stanislav Meshkov, CEO ng Umbrella IT. "Batay sa pagsusuri ng data mula sa mga sensor na nilagyan ng kagamitan, posibleng matukoy ang mga paglihis sa operasyon nito at maiwasan ang mga pagkasira, at mahulaan ang pagganap."

Sa Severstal, sa tulong ng malaking data, sinusubukan din nilang lutasin ang mga hindi maliit na gawain - halimbawa, upang mabawasan ang mga rate ng pinsala. Noong 2019, ang kumpanya ay naglaan ng humigit-kumulang RUB 1,1 bilyon para sa mga hakbang upang mapabuti ang kaligtasan sa paggawa. Inaasahan ng Severstal na bawasan ang rate ng pinsala ng 2025% ng 50 (kumpara sa 2017). “Kung napansin ng isang line manager — foreman, site manager, shop manager — na ang isang empleyado ay nagsasagawa ng ilang partikular na operasyon nang hindi ligtas (hindi humawak sa mga handrail kapag umaakyat ng hagdan sa lugar na pang-industriya o hindi nagsusuot ng lahat ng personal na kagamitan sa proteksyon), sumulat siya isang espesyal na paalala sa kanya – PAB (mula sa “behavioral security audit”),” sabi ni Boris Voskresensky, pinuno ng departamento ng pagsusuri ng data ng kumpanya.

Matapos pag-aralan ang data sa bilang ng mga PAB sa isa sa mga dibisyon, natuklasan ng mga espesyalista ng kumpanya na ang mga panuntunan sa kaligtasan ay kadalasang nilalabag ng mga nakaranas na ng ilang mga komento noon, gayundin ng mga nasa sick leave o nagbabakasyon ilang sandali bago. ang insidente. Ang mga paglabag sa unang linggo pagkatapos bumalik mula sa bakasyon o sick leave ay dalawang beses na mas mataas kaysa sa kasunod na panahon: 1 laban sa 0,55%. Ngunit ang pagtatrabaho sa night shift, tulad ng nangyari, ay hindi nakakaapekto sa mga istatistika ng mga PAB.

Ang paglikha ng mga algorithm para sa pagproseso ng malaking data ay hindi ang pinakamahirap na bahagi ng trabaho, sabi ng mga kinatawan ng kumpanya. Mas mahirap maunawaan kung paano mailalapat ang mga teknolohiyang ito sa konteksto ng bawat partikular na negosyo. Dito namamalagi ang takong ng mga analyst ng kumpanya at maging ang mga panlabas na provider ng Achilles, na, tila, ay nag-ipon ng kadalubhasaan sa larangan ng malaking data.

"Madalas kong nakilala ang malalaking data analyst na mahuhusay na mathematician, ngunit walang kinakailangang pag-unawa sa mga proseso ng negosyo," sabi ni Sergey Kotik, direktor ng pag-unlad sa GoodsForecast. Naalala niya kung paano nagkaroon ng pagkakataon ang kanyang kumpanya dalawang taon na ang nakakaraan na lumahok sa isang demand forecasting competition para sa isang pederal na retail chain. Ang isang pilot na rehiyon ay pinili, para sa lahat ng mga kalakal at mga tindahan kung saan ang mga kalahok ay gumawa ng mga pagtataya. Ang mga pagtataya ay inihambing sa aktwal na mga benta. Ang unang lugar ay kinuha ng isa sa mga higanteng Russian Internet, na kilala sa kanyang kadalubhasaan sa pag-aaral ng makina at pagsusuri ng data: sa mga pagtataya nito, nagpakita ito ng kaunting paglihis mula sa aktwal na mga benta.

Ngunit nang magsimulang pag-aralan ng network ang kanyang mga pagtataya nang mas detalyado, lumabas na mula sa isang pananaw sa negosyo, sila ay ganap na hindi katanggap-tanggap. Ipinakilala ng kumpanya ang isang modelo na gumawa ng mga plano sa pagbebenta na may sistematikong pag-understate. Naisip ng programa kung paano mabawasan ang posibilidad ng mga pagkakamali sa mga pagtataya: mas ligtas na maliitin ang mga benta, dahil ang maximum na error ay maaaring 100% (walang mga negatibong benta), ngunit sa direksyon ng overforecasting, maaari itong maging arbitraryong malaki, Paliwanag ni Kotik. Sa madaling salita, ipinakita ng kumpanya ang isang perpektong modelo ng matematika, na sa totoong mga kondisyon ay hahantong sa kalahating walang laman na mga tindahan at malaking pagkalugi mula sa mga undersales. Bilang resulta, nanalo ang isa pang kumpanya sa kumpetisyon, na ang mga kalkulasyon ay maaaring isabuhay.

Ang mga teknolohiya ng malalaking data ay may kaugnayan para sa maraming mga industriya, ngunit ang kanilang aktibong pagpapatupad ay hindi nangyayari sa lahat ng dako, sabi ni Meshkov. Halimbawa, sa pangangalagang pangkalusugan ay may problema sa pag-iimbak ng data: maraming impormasyon ang naipon at ito ay regular na ina-update, ngunit sa karamihan ng bahagi ang data na ito ay hindi pa nadi-digitize. Mayroon ding maraming data sa mga ahensya ng gobyerno, ngunit hindi sila pinagsama sa isang karaniwang kumpol. Ang pagbuo ng isang pinag-isang platform ng impormasyon ng National Data Management System (NCMS) ay naglalayong lutasin ang problemang ito, sabi ng eksperto.

Gayunpaman, ang ating bansa ay malayo sa tanging bansa kung saan sa karamihan ng mga organisasyon ang mahahalagang desisyon ay ginawa batay sa intuwisyon, at hindi ang pagsusuri ng malaking data. Noong Abril noong nakaraang taon, nagsagawa ng survey si Deloitte sa higit sa isang libong pinuno ng malalaking kumpanya sa Amerika (na may kawani na 500 o higit pa) at nalaman na 63% ng mga na-survey ay pamilyar sa malalaking teknolohiya ng data, ngunit wala ang lahat ng kinakailangan. imprastraktura upang magamit ang mga ito. Samantala, kabilang sa 37% ng mga kumpanyang may mataas na antas ng analytical maturity, halos kalahati ay higit na lumampas sa mga layunin sa negosyo sa nakalipas na 12 buwan.

Ang pag-aaral ay nagsiwalat na bilang karagdagan sa kahirapan ng pagpapatupad ng mga bagong teknikal na solusyon, isang mahalagang problema sa mga kumpanya ay ang kakulangan ng kultura ng pagtatrabaho sa data. Hindi ka dapat umasa ng magagandang resulta kung ang responsibilidad para sa mga desisyong ginawa batay sa malaking data ay itinalaga lamang sa mga analyst ng kumpanya, at hindi sa buong kumpanya sa kabuuan. "Ngayon ang mga kumpanya ay naghahanap ng mga kawili-wiling kaso ng paggamit para sa malaking data," sabi ni Miftakhov. "Kasabay nito, ang pagpapatupad ng ilang mga sitwasyon ay nangangailangan ng mga pamumuhunan sa mga sistema para sa pagkolekta, pagproseso at kontrol ng kalidad ng karagdagang data na hindi pa nasuri noon." Sa kasamaang palad, "ang analytics ay hindi pa isang team sport," inamin ng mga may-akda ng pag-aaral.