Прифатете ги податоците: како бизнисите учат да профитираат од големите податоци

Со анализа на големи податоци, компаниите учат да откриваат скриени обрасци, подобрувајќи ги нивните деловни перформанси. Насоката е модерна, но не секој може да има корист од големите податоци поради недостаток на култура на работа со нив

„Колку е повообичаено името на една личност, толку е поголема веројатноста дека ќе плати навреме. Колку повеќе катови има вашата куќа, толку статистички сте подобар заемопримач. Знакот на зодијакот нема речиси никакво влијание врз веројатноста за враќање на парите, но психотипот има значително “, вели Станислав Дужински, аналитичар во Home Credit Bank, за неочекуваните модели во однесувањето на должниците. Тој не се обврзува да објасни многу од овие шеми - тие беа откриени од вештачката интелигенција, која обработуваше илјадници профили на клиенти.

Ова е моќта на аналитиката на големи податоци: со анализа на огромна количина на неструктурирани податоци, програмата може да открие многу корелации за кои најмудриот човечки аналитичар не ни знае. Секоја компанија има огромно количество неструктурирани податоци (големи податоци) – за вработените, клиентите, партнерите, конкурентите, кои можат да се користат за деловна корист: подобрување на ефектот на промоциите, постигнување раст на продажбата, намалување на обртот на персоналот итн.

Први кои работеа со големи податоци беа големите технолошки и телекомуникациски компании, финансиските институции и трговијата на мало, коментира Рафаил Мифтахов, директор на Deloitte Technology Integration Group, ЗНД. Сега има интерес за вакви решенија во многу индустрии. Што постигнаа компаниите? И дали анализата на големи податоци секогаш води до вредни заклучоци?

Банките користат алгоритми за големи податоци првенствено за да го подобрат искуството на клиентите и да ги оптимизираат трошоците, како и да управуваат со ризикот и да се борат со измамите. „Во последниве години, се случи вистинска револуција на полето на анализа на големи податоци“, вели Дужински. „Употребата на машинско учење ни овозможува многу попрецизно да ја предвидиме веројатноста за неисполнување на заемот - деликвенцијата во нашата банка е само 3,9%. За споредба, заклучно со 1 година, учеството на кредитите со заостанати исплати над 2019 дена на кредити издадени на физички лица, според Централната банка, изнесува 90%.

Дури и микрофинансиските организации се збунети од проучувањето на големите податоци. „Обезбедувањето финансиски услуги без анализа на големи податоци денес е како математика без бројки“, вели Андреј Пономарев, извршен директор на Webbankir, онлајн платформа за заеми. „Издаваме пари онлајн без да го видиме клиентот или неговиот пасош, и за разлика од традиционалното кредитирање, не само што мора да ја процениме солвентноста на една личност, туку и да ја идентификуваме неговата личност“.

Сега базата на податоци на компанијата складира информации за повеќе од 500 илјади клиенти. Секоја нова апликација се анализира со овие податоци во околу 800 параметри. Програмата ги зема предвид не само полот, возраста, брачниот статус и кредитната историја, туку и уредот од кој лицето влегло на платформата, како се однесувало на страницата. На пример, може да биде алармантно што потенцијалниот заемопримач не користел калкулатор за заем или не се распрашувал за условите на заемот. „Со исклучок на неколку фактори на стоп – да речеме, ние не издаваме заеми на лица под 19 години – ниту еден од овие параметри сам по себе не е причина за одбивање или согласување да се издаде заем“, објаснува Пономарев. Важно е комбинацијата на фактори. Во 95% од случаите, одлуката се носи автоматски, без учество на специјалисти од одделот за преземање.

Анализата на големи податоци ни овозможува да изведеме интересни обрасци, споделува Пономарев. На пример, корисниците на iPhone се покажаа како подисциплинирани заемопримачи отколку сопственици на уреди со Android - првите добиваат одобрение за апликации 1,7 пати почесто. „Фактот што воениот персонал не отплаќа заеми речиси четвртина поретко од просечниот заемопримач не беше изненадување“, вели Пономарев. „Но, вообичаено не се очекува од студентите да бидат обврзани, но во меѓувреме, случаите на неисполнување на кредити се 10% поретки од просекот за основата“.

Студијата за големи податоци овозможува бодување и за осигурениците. Основана во 2016 година, IDX се занимава со далечинско идентификација и онлајн проверка на документи. Овие услуги се барани кај осигурителите на товари кои се заинтересирани за губење на стоки што е можно помалку. Пред да го осигура превозот на стока, осигурителот со согласност на возачот ја проверува доверливоста, објаснува Јан Слока, комерцијален директор на IDX. Заедно со партнерот – Санктпетербуршката компанија „Контрола на ризик“ – IDX разви услуга која ви овозможува да го проверите идентитетот на возачот, податоците и правата од пасошот, учеството во инциденти поврзани со губење на товар итн. По анализата во базата на податоци на возачи, компанијата идентификуваше „ризична група“: најчесто товарот се губи кај возачите на возраст од 30-40 години со долго искуство во возење, кои честопати ги менуваа работните места неодамна. Исто така, се покажа дека товарот најчесто го крадат возачи на автомобили, чиј работен век надминува осум години.

Трговците на мало имаат поинаква задача - да ги идентификуваат клиентите кои се подготвени да купат и да ги одредат најефективните начини да ги доведат до локацијата или продавницата. За таа цел, програмите го анализираат профилот на клиентите, податоците од нивната лична сметка, историјата на купувања, барањата за пребарување и користењето на бонус поени, содржината на електронските корпи што почнале да ги пополнуваат и ги напуштиле. Анализата на податоци ви овозможува да ја сегментирате целата база на податоци и да идентификувате групи на потенцијални купувачи кои може да бидат заинтересирани за одредена понуда, вели Кирил Иванов, директор на канцеларијата за податоци на групата M.Video-Eldorado.

На пример, програмата идентификува групи клиенти, од кои секоја сака различни маркетинг алатки - заем без камата, враќање на готовина или промотивен код за попуст. Овие купувачи добиваат билтен за е-пошта со соодветната промоција. Веројатноста дека некое лице, откако ќе го отвори писмото, ќе отиде на веб-страницата на компанијата, во овој случај значително се зголемува, забележува Иванов.

Анализата на податоците исто така ви овозможува да ја зголемите продажбата на сродни производи и додатоци. Системот, кој ја обработил историјата на нарачки на други клиенти, му дава препораки на купувачот што да купи заедно со избраниот производ. Тестирањето на овој начин на работа, според Иванов, покажало зголемување на бројот на нарачки со додатоци за 12% и зголемување на прометот на додатоци за 15%.

Трговците на мало не се единствените кои се стремат да го подобрат квалитетот на услугата и да ја зголемат продажбата. Минатото лето, МегаФон лансираше услуга „паметна“ понуда заснована на обработка на податоци од милиони претплатници. Откако го проучуваше нивното однесување, вештачката интелигенција научи да формира лични понуди за секој клиент во рамките на тарифите. На пример, ако програмата забележи дека некое лице активно гледа видео на неговиот уред, услугата ќе му понуди да го прошири обемот на мобилниот сообраќај. Земајќи ги предвид преференциите на корисниците, компанијата на претплатниците им обезбедува неограничен сообраќај за нивните омилени видови на интернет слободно време - на пример, користење инстант-месинџери или слушање музика на стриминг услуги, разговор на социјалните мрежи или гледање ТВ-емисии.

„Го анализираме однесувањето на претплатниците и разбираме како се менуваат нивните интереси“, објаснува Виталиј Шчербаков, директор за анализа на големи податоци во МегаФон. „На пример, оваа година, сообраќајот на AliExpress порасна за 1,5 пати во споредба со минатата година, а генерално, бројот на посети на онлајн продавници за облека расте: 1,2–2 пати, во зависност од конкретниот ресурс“.

Друг пример за работа на оператор со големи податоци е платформата MegaFon Poisk за потрага по исчезнати деца и возрасни. Системот анализира кои луѓе би можеле да се најдат во близина на местото на исчезнатото лице и им испраќа информации со фотографија и знаци на исчезнатото лице. Операторот го разви и тестираше системот заедно со Министерството за внатрешни работи и организацијата Lisa Alert: во рок од две минути по ориентацијата кон исчезнатото лице, добиваат повеќе од 2 илјади претплатници, што значително ги зголемува шансите за успешен резултат од пребарувањето.

Анализата на големи податоци најде примена и во индустријата. Овде ви овозможува да ја предвидите побарувачката и да планирате продажба. Така, во групата на компании Черкизово, пред три години, беше имплементирано решение засновано на SAP BW, кое ви овозможува да ги складирате и обработувате сите продажни информации: цени, асортиман, обем на производи, промоции, канали на дистрибуција, вели Владислав Бељаев, ЦИО. од групата „Черкизово“. Анализата на акумулираните 2 ТБ информации не само што овозможи ефикасно формирање на асортиманот и оптимизирање на портфолиото на производи, туку и ја олесни работата на вработените. На пример, подготовката на дневен извештај за продажбата би барала еднодневна работа на многу аналитичари - по двајца за секој сегмент на производи. Сега овој извештај го подготвува роботот, трошејќи само 30 минути на сите сегменти.

„Во индустријата, големите податоци функционираат ефективно во врска со Интернетот на нештата“, вели Станислав Мешков, извршен директор на Umbrella IT. „Врз основа на анализата на податоците од сензорите со кои е опремена опремата, можно е да се идентификуваат отстапувања во нејзината работа и да се спречат дефекти и да се предвидат перформансите.

Во Северстал, со помош на големи податоци, тие исто така се обидуваат да решат прилично нетривијални задачи - на пример, да ги намалат стапките на повреди. Во 2019 година, компанијата одвои околу 1,1 милијарди рубли за мерки за подобрување на безбедноста на трудот. Северстал очекува да ја намали стапката на повреди за 2025% за 50 (во споредба со 2017 година). „Ако линискиот менаџер - надзорник, менаџер на локација, менаџер на продавница - забележал дека некој вработен врши одредени операции небезбедно (не се држи за оградите кога се качува по скалите на индустриската локација или не ја носи целата лична заштитна опрема), пишува посебна забелешка до него – PAB (од „ревизија на безбедноста на однесувањето“)“, вели Борис Воскресенски, раководител на одделот за анализа на податоци на компанијата.

По анализата на податоците за бројот на ПАБ во една од одделенијата, специјалистите на компанијата откриле дека безбедносните правила најчесто ги прекршуваат оние кои веќе имале неколку забелешки претходно, како и оние кои биле на боледување или на одмор непосредно пред тоа. инцидентот. Прекршувањата во првата недела по враќањето од годишен одмор или боледување беа двојно повисоки отколку во наредниот период: 1 наспроти 0,55%. Но, работата на ноќната смена, како што се испостави, не влијае на статистиката на ПАБ.

Создавањето алгоритми за обработка на големи податоци не е најтешкиот дел од работата, велат претставниците на компанијата. Многу е потешко да се разбере како овие технологии можат да се применат во контекст на секој конкретен бизнис. Тука лежи Ахиловата пета на аналитичари на компании, па дури и надворешни провајдери, кои, се чини, имаат акумулирано експертиза во областа на големите податоци.

„Често среќавав аналитичари на големи податоци кои беа одлични математичари, но го немаа потребното разбирање за деловните процеси“, вели Сергеј Котик, директор за развој во GoodsForecast. Тој се сеќава како пред две години неговата компанија имаше можност да учествува на натпревар за предвидување на побарувачката за федерален малопродажен синџир. Беше избран пилот регион, за сите стоки и продавници за кои учесниците направија прогнози. Прогнозите потоа беа споредени со реалните продажби. Првото место го зазеде еден од руските интернет гиганти, познат по својата експертиза за машинско учење и анализа на податоци: во своите прогнози покажа минимално отстапување од реалната продажба.

Но, кога мрежата почна подетално да ги проучува неговите прогнози, се покажа дека од деловна гледна точка, тие се апсолутно неприфатливи. Компанијата воведе модел кој произведува планови за продажба со систематско потценување. Програмата сфати како да ја минимизира веројатноста за грешки во прогнозите: побезбедно е да се потцени продажбата, бидејќи максималната грешка може да биде 100% (нема негативни продажби), но во насока на препрогнозирање, може да биде произволно голема, - објаснува Котик. Со други зборови, компанијата претстави идеален математички модел, кој во реални услови би довел до полупразни продавници и огромни загуби од недоволната продажба. Како резултат на тоа, друга компанија победи на натпреварот, чии пресметки можеа да се применат во пракса.

Технологиите за големи податоци се релевантни за многу индустрии, но нивната активна имплементација не се случува насекаде, забележува Мешков. На пример, во здравството има проблем со складирањето податоци: се акумулираа многу информации и тие редовно се ажурираат, но во најголем дел овие податоци сè уште не се дигитализирани. Исто така, има многу податоци во владините агенции, но тие не се комбинирани во заеднички кластер. Развојот на унифицирана информациска платформа на Националниот систем за управување со податоци (NCMS) е насочена кон решавање на овој проблем, вели експертот.

Сепак, нашата земја е далеку од единствената земја каде што во повеќето организации важните одлуки се носат врз основа на интуиција, а не на анализа на големи податоци. Во април минатата година, Deloitte спроведе истражување меѓу повеќе од илјада лидери на големи американски компании (со персонал од 500 или повеќе) и откри дека 63% од анкетираните се запознаени со технологиите за големи податоци, но ги немаат сите потребни инфраструктура за нивно користење. Во меѓувреме, меѓу 37% од компаниите со високо ниво на аналитичка зрелост, речиси половина значително ги надминале деловните цели во изминатите 12 месеци.

Студијата откри дека покрај тешкотијата за имплементација на нови технички решенија, важен проблем кај компаниите е и немањето култура на работа со податоци. Не треба да очекувате добри резултати доколку одговорноста за одлуките донесени врз основа на големи податоци им е доделена само на аналитичарите на компанијата, а не на целата компанија како целина. „Сега компаниите бараат интересни случаи на употреба за големи податоци“, вели Мифтахов. „Истовремено, имплементацијата на некои сценарија бара инвестиции во системи за собирање, обработка и контрола на квалитетот на дополнителни податоци кои досега не биле анализирани. За жал, „аналитиката сè уште не е тимски спорт“, признаваат авторите на студијата.