Sprejmite podobne podatke: kako se podjetja naučijo izkoristiti velike podatke

Z analizo velikih podatkov se podjetja naučijo odkrivati ​​skrite vzorce in tako izboljšajo svojo poslovno uspešnost. Smer je modna, a velikih podatkov ne morejo imeti vsi zaradi pomanjkanja kulture dela z njimi

»Bolj pogosto kot je ime osebe, večja je verjetnost, da bo plačala pravočasno. Več nadstropij kot ima vaša hiša, statistično bolj ste boljši posojilojemalec. Znak zodiaka skoraj ne vpliva na verjetnost vračila denarja, bistveno pa vpliva psihotip,« o nepričakovanih vzorcih vedenja posojilojemalcev pravi Stanislav Duzhinsky, analitik banke Home Credit. Veliko teh vzorcev se ne loti razlage – razkrila jih je umetna inteligenca, ki je obdelala na tisoče profilov strank.

To je moč analitike velikih podatkov: z analizo ogromne količine nestrukturiranih podatkov lahko program odkrije številne korelacije, za katere ne ve niti najmodrejši človeški analitik. Vsako podjetje ima ogromno nestrukturiranih podatkov (big data) – o zaposlenih, kupcih, partnerjih, konkurentih, ki jih lahko uporabi v poslovne koristi: izboljša učinek promocij, doseže rast prodaje, zmanjša fluktuacijo zaposlenih itd.

Prva, ki so delala z velikimi podatki, so bila velika tehnološka in telekomunikacijska podjetja, finančne institucije in trgovina na drobno, komentira Rafail Miftakhov, direktor Deloitte Technology Integration Group, CIS. Zdaj obstaja zanimanje za takšne rešitve v številnih panogah. Kaj so podjetja dosegla? In ali analiza velikih podatkov vedno vodi do dragocenih zaključkov?

Banke uporabljajo algoritme za velike količine podatkov predvsem za izboljšanje uporabniške izkušnje in optimizacijo stroškov ter za obvladovanje tveganj in boj proti goljufijam. »V zadnjih letih se je na področju analize velikih podatkov zgodila prava revolucija,« pravi Duzhinsky. »Uporaba strojnega učenja nam omogoča, da veliko natančneje napovemo verjetnost neplačila posojila – zamuda v naši banki je le 3,9 %.« Za primerjavo, na dan 1. januar 2019 je bil delež kreditov z zamudo nad 90 dni pri kreditih, izdanih fizičnim osebam, po podatkih centralne banke 5 %.

Celo mikrofinančne organizacije so zmedene nad preučevanjem velikih podatkov. »Zagotavljanje finančnih storitev brez analiziranja velikih podatkov je danes kot računanje brez številk,« pravi Andrey Ponomarev, izvršni direktor spletne platforme za posojanje Webbankir. »Denar izdajamo prek spleta, ne da bi videli stranko ali njen potni list, in za razliko od tradicionalnega posojanja moramo ne samo oceniti plačilno sposobnost osebe, ampak tudi identificirati njeno osebnost.«

Zdaj baza podatkov podjetja hrani informacije o več kot 500 tisoč strankah. Vsaka nova aplikacija je s temi podatki analizirana v približno 800 parametrih. Program ne upošteva samo spola, starosti, zakonskega stanja in kreditne zgodovine, temveč tudi napravo, iz katere je oseba vstopila na platformo, kako se je obnašala na spletnem mestu. Zaskrbljujoče je lahko na primer, da potencialni posojilojemalec ni uporabil posojilnega kalkulatorja ali se ni pozanimal o pogojih posojila. "Z izjemo nekaj dejavnikov zaustavitve - recimo, ne izdajamo posojil osebam, mlajšim od 19 let - nobeden od teh parametrov sam po sebi ni razlog za zavrnitev ali soglasje k izdaji posojila," pojasnjuje Ponomarev. Pomembna je kombinacija dejavnikov. V 95% primerov se odločitev sprejme samodejno, brez sodelovanja strokovnjakov iz oddelka za sklepanje zavarovanj.

Analiza velikih podatkov nam omogoča, da izpeljemo zanimive vzorce, deli Ponomarev. Na primer, uporabniki iPhone so se izkazali za bolj disciplinirane izposojevalce kot lastniki naprav Android - prvi prejmejo odobritev aplikacij 1,7-krat pogosteje. "Dejstvo, da vojaško osebje ne odplačuje posojil skoraj četrtino manj pogosto kot povprečni posojilojemalec, ni bilo presenečenje," pravi Ponomarev. "Toda od študentov se običajno ne pričakuje, da bodo dolžni, medtem pa so primeri kreditne neplačila 10% manj pogosti od povprečja za osnovo."

Študija velikih podatkov omogoča točkovanje tudi za zavarovalnice. Podjetje IDX, ustanovljeno leta 2016, se ukvarja z identifikacijo na daljavo in spletnim preverjanjem dokumentov. Po teh storitvah povprašujejo med zavarovalnicami tovornega prometa, ki jih zanima čim manjša izguba blaga. Preden zavaruje prevoz blaga, zavarovalnica s soglasjem voznika preveri zanesljivost, pojasnjuje Jan Sloka, komercialni direktor IDX. Skupaj s partnerjem – peterburškim podjetjem Risk Control – je IDX razvil storitev, ki vam omogoča preverjanje identitete voznika, podatkov in pravic potnega lista, udeležbe v incidentih, povezanih z izgubo tovora itd. Po analizi V zbirki podatkov o voznikih je podjetje identificiralo "rizično skupino": najpogosteje se tovor izgubi med vozniki, starimi 30–40 let, z dolgo vozniško izkušnjo, ki so pred kratkim pogosto zamenjali službo. Izkazalo se je tudi, da tovor največkrat ukradejo vozniki avtomobilov, katerih življenjska doba presega osem let.

Trgovci na drobno imajo drugačno nalogo – prepoznati stranke, ki so pripravljene na nakup, in določiti najučinkovitejše načine, kako jih pripeljati na spletno mesto ali trgovino. V ta namen programi analizirajo profil kupcev, podatke z njihovega osebnega računa, zgodovino nakupov, iskalne poizvedbe in porabo bonus točk, vsebino elektronskih košaric, ki so jih začeli polniti in so jih opustili. Analitika podatkov vam omogoča segmentacijo celotne baze podatkov in prepoznavanje skupin potencialnih kupcev, ki bi jih lahko zanimala določena ponudba, pravi Kirill Ivanov, direktor podatkovne pisarne skupine M.Video-Eldorado.

Program na primer identificira skupine strank, od katerih ima vsaka rada različna marketinška orodja – brezobrestno posojilo, vračilo denarja ali promocijsko kodo za popust. Ti kupci prejmejo e-novice z ustrezno promocijo. Verjetnost, da bo oseba, ki je odprla pismo, šla na spletno stran podjetja, se v tem primeru znatno poveča, ugotavlja Ivanov.

Analiza podatkov omogoča tudi povečanje prodaje povezanih izdelkov in dodatkov. Sistem, ki je obdelal zgodovino naročil drugih kupcev, daje kupcu priporočila, kaj kupiti poleg izbranega izdelka. Testiranje tega načina dela je po besedah ​​Ivanova pokazalo povečanje števila naročil z dodatki za 12 % in povečanje prometa z dodatki za 15 %.

Trgovci pa niso edini, ki si prizadevajo izboljšati kakovost storitev in povečati prodajo. Lansko poletje je MegaFon predstavil storitev »pametne« ponudbe, ki temelji na obdelavi podatkov milijonov naročnikov. Po preučevanju njihovega vedenja se je umetna inteligenca naučila oblikovati osebne ponudbe za vsako stranko v okviru tarif. Na primer, če program opazi, da oseba aktivno gleda video na svoji napravi, mu bo storitev ponudila razširitev količine mobilnega prometa. Ob upoštevanju preferenc uporabnikov podjetje naročnikom zagotavlja neomejen promet za njihove najljubše vrste internetnega prostega časa - na primer uporaba hitrih sporočil ali poslušanje glasbe v storitvah pretakanja, klepetanje v družabnih omrežjih ali gledanje televizijskih oddaj.

»Analiziramo vedenje naročnikov in razumemo, kako se spreminjajo njihovi interesi,« pojasnjuje Vitaly Shcherbakov, direktor analitike velikih podatkov pri MegaFonu. "Na primer, letos se je promet na AliExpressu povečal za 1,5-krat v primerjavi z lanskim letom, na splošno pa število obiskov spletnih trgovin z oblačili raste: 1,2-2-krat, odvisno od določenega vira."

Drug primer dela operaterja z velikimi podatki je platforma MegaFon Poisk za iskanje pogrešanih otrok in odraslih. Sistem analizira, katere osebe bi lahko bile v bližini kraja pogrešane osebe, in jim pošlje podatke s fotografijo in znaki pogrešane osebe. Operater je sistem razvil in preizkusil skupaj z Ministrstvom za notranje zadeve in organizacijo Lisa Alert: v dveh minutah orientacije na pogrešano osebo prejme več kot 2 tisoč naročnikov, kar bistveno poveča možnosti za uspešen rezultat iskanja.

Analiza velikih podatkov je našla uporabo tudi v industriji. Tukaj vam omogoča napovedovanje povpraševanja in načrtovanje prodaje. Tako je bila v skupini podjetij Cherkizovo pred tremi leti uvedena rešitev, ki temelji na SAP BW, ki vam omogoča shranjevanje in obdelavo vseh prodajnih informacij: cene, asortiman, obseg izdelkov, promocije, distribucijske kanale, pravi Vladislav Belyaev, CIO. skupine ” Čerkizovo. Analiza zbranih 2 TB informacij ni omogočila le učinkovitega oblikovanja asortimana in optimizacije produktnega portfelja, temveč je tudi olajšala delo zaposlenih. Priprava dnevnega poročila o prodaji bi na primer zahtevala en dan dela številnih analitikov – po dva za vsak produktni segment. Sedaj to poročilo pripravlja robot in za vse segmente porabi le 30 minut.

»V industriji veliki podatki učinkovito delujejo v povezavi z internetom stvari,« pravi Stanislav Meshkov, izvršni direktor podjetja Umbrella IT. »Na podlagi analize podatkov senzorjev, s katerimi je oprema opremljena, je mogoče prepoznati odstopanja v njenem delovanju in preprečiti okvare ter predvideti delovanje.«

V Severstalu s pomočjo velikih podatkov poskušajo reševati tudi precej netrivialne naloge – na primer zmanjšati stopnjo poškodb. Leta 2019 je družba za ukrepe za izboljšanje varnosti pri delu namenila približno 1,1 milijarde rubljev. Severstal pričakuje, da bo stopnjo poškodb zmanjšal za 2025% za 50 (v primerjavi z letom 2017). »Če je linijski vodja — delovodja, vodja gradbišča, vodja trgovine — opazil, da delavec določene operacije opravlja nevarno (se ne drži za oprijemala pri vzpenjanju po stopnicah na industrijskem mestu ali ne nosi vse osebne zaščitne opreme), izpiše posebna opomba zanj – PAB (iz »behavioral security audit«),« pravi Boris Voskresensky, vodja oddelka za analizo podatkov v podjetju.

Po analizi podatkov o številu PAB v enem od oddelkov so strokovnjaki podjetja ugotovili, da so varnostna pravila najpogosteje kršili tisti, ki so že imeli več pripomb, pa tudi tisti, ki so bili tik pred tem na bolniški ali na dopustu. incident. Kršitev v prvem tednu po vrnitvi z dopusta ali bolniške je dvakrat več kot v naslednjem obdobju: 1 proti 0,55 %. Toda delo v nočni izmeni, kot se je izkazalo, ne vpliva na statistiko PAB.

Ustvarjanje algoritmov za obdelavo velikih podatkov ni najtežji del dela, pravijo predstavniki podjetja. Veliko težje je razumeti, kako je mogoče te tehnologije uporabiti v kontekstu posameznega podjetja. Tu se skriva Ahilova peta analitikov podjetij in celo zunanjih ponudnikov, ki so si, kot kaže, nabrali strokovno znanje na področju velikih podatkov.

»Pogosto sem srečal analitike velikih podatkov, ki so bili odlični matematiki, vendar niso imeli potrebnega razumevanja poslovnih procesov,« pravi Sergey Kotik, direktor razvoja pri GoodsForecast. Spominja se, kako je pred dvema letoma njegovo podjetje imelo priložnost sodelovati na tekmovanju za napovedovanje povpraševanja za zvezno trgovsko verigo. Izbrana je bila pilotna regija, za vsa blaga in trgovine, za katere so udeleženci naredili napovedi. Napovedi so nato primerjali z dejansko prodajo. Na prvo mesto se je uvrstil eden od ruskih internetnih velikanov, znan po svojem strokovnem znanju na področju strojnega učenja in analize podatkov: v svojih napovedih je pokazal minimalno odstopanje od dejanske prodaje.

Ko pa je omrežje začelo podrobneje preučevati njegove napovedi, se je izkazalo, da so s poslovnega vidika popolnoma nesprejemljive. Podjetje je predstavilo model, ki je izdeloval prodajne načrte s sistematičnim podcenjevanjem. Program je ugotovil, kako minimizirati verjetnost napak v napovedih: varneje je podcenjevati prodajo, saj je največja napaka lahko 100% (ni negativne prodaje), v smeri prenapovedi pa je lahko poljubno velika, pojasnjuje Kotik. Z drugimi besedami, podjetje je predstavilo idealen matematični model, ki bi v realnih razmerah povzročil napol prazne trgovine in velike izgube zaradi prenizke prodaje. Posledično je na natečaju zmagalo drugo podjetje, katerega izračune je bilo mogoče uporabiti v praksi.

Tehnologije velikih podatkov so pomembne za številne industrije, vendar se njihova aktivna implementacija ne pojavlja povsod, ugotavlja Meshkov. V zdravstvu je na primer problem shranjevanja podatkov: nabralo se je veliko informacij, ki se redno posodabljajo, vendar ti podatki večinoma še niso digitalizirani. Tudi v državnih agencijah je veliko podatkov, ki pa niso združeni v skupen grozd. Razvoj enotne informacijske platforme Nacionalnega sistema za upravljanje podatkov (NCMS) je usmerjen v rešitev tega problema, pravi strokovnjak.

Vendar naša država še zdaleč ni edina, kjer se v večini organizacij pomembne odločitve sprejemajo na podlagi intuicije in ne analize velikih podatkov. Deloitte je aprila lani izvedel raziskavo med več kot tisoč vodilnimi v velikih ameriških podjetjih (s 500 ali več zaposlenimi) in ugotovil, da 63 % anketiranih pozna tehnologije velikih podatkov, vendar nimajo vsega potrebnega. infrastrukturo za njihovo uporabo. Med 37 % podjetij z visoko analitično zrelostjo jih je skoraj polovica v zadnjih 12 mesecih močno presegla poslovne cilje.

Študija je razkrila, da je poleg težav pri uvajanju novih tehničnih rešitev pomembna težava v podjetjih pomanjkanje kulture dela s podatki. Ne smete pričakovati dobrih rezultatov, če je odgovornost za odločitve, sprejete na podlagi velikih podatkov, dodeljena samo analitikom podjetja in ne celotnemu podjetju kot celoti. "Zdaj podjetja iščejo zanimive primere uporabe velikih podatkov," pravi Miftakhov. "Hkrati pa izvedba nekaterih scenarijev zahteva naložbe v sisteme za zbiranje, obdelavo in nadzor kakovosti dodatnih podatkov, ki še niso bili analizirani." Žal, "analitika še ni ekipni šport," priznavajo avtorji študije.