Acceptați date similare: cum învață companiile să profite de pe urma big data

Prin analiza datelor mari, companiile învață să descopere tipare ascunse, îmbunătățindu-și performanța afacerii. Direcția este la modă, dar nu toată lumea poate beneficia de big data din cauza lipsei unei culturi de lucru cu ei

„Cu cât numele unei persoane este mai comun, cu atât este mai probabil ca aceasta să plătească la timp. Cu cât casa ta are mai multe etaje, cu atât statistic ești un împrumutat mai bun. Semnul zodiacului nu are aproape niciun efect asupra probabilității unei rambursări, dar psihotipul are un efect semnificativ ”, spune Stanislav Duzhinsky, analist la Home Credit Bank, despre modelele neașteptate în comportamentul debitorilor. El nu se angajează să explice multe dintre aceste tipare – ele au fost dezvăluite de inteligența artificială, care a procesat mii de profiluri de clienți.

Aceasta este puterea analizei de date mari: analizând o cantitate imensă de date nestructurate, programul poate descoperi multe corelații despre care cel mai înțelept analist uman nici măcar nu știe. Orice companie are o cantitate imensă de date nestructurate (big data) – despre angajați, clienți, parteneri, concurenți, care pot fi folosite în beneficiul afacerii: îmbunătățirea efectului promoțiilor, obținerea creșterii vânzărilor, reducerea fluctuației de personal etc.

Primii care au lucrat cu big data au fost marile companii de tehnologie și telecomunicații, instituțiile financiare și retail, comentează Rafail Miftakhov, directorul Deloitte Technology Integration Group, CIS. Acum există interes pentru astfel de soluții în multe industrii. Ce au realizat companiile? Și analiza datelor mari duce întotdeauna la concluzii valoroase?

Băncile folosesc algoritmi de date mari în primul rând pentru a îmbunătăți experiența clienților și pentru a optimiza costurile, precum și pentru a gestiona riscul și a combate frauda. „În ultimii ani, a avut loc o adevărată revoluție în domeniul analizei datelor mari”, spune Duzhinsky. „Folosirea învățării automate ne permite să anticipăm probabilitatea de nerambursare a împrumutului mult mai precis – delincvența în banca noastră este de doar 3,9%.” Spre comparație, de la 1 ianuarie 2019, ponderea creditelor cu restante peste 90 de zile la creditele acordate persoanelor fizice era, potrivit Băncii Centrale, de 5%.

Chiar și organizațiile de microfinanțare sunt nedumerite de studiul datelor mari. „Oferirea de servicii financiare fără a analiza date mari astăzi este ca și cum ai face matematică fără numere”, spune Andrey Ponomarev, CEO al Webbankir, o platformă de împrumut online. „Emitem bani online fără să vedem nici clientul, nici pașaportul și, spre deosebire de creditarea tradițională, nu trebuie doar să evaluăm solvabilitatea unei persoane, ci și să îi identificăm personalitatea.”

Acum, baza de date a companiei stochează informații despre peste 500 de mii de clienți. Fiecare nouă aplicație este analizată cu aceste date în aproximativ 800 de parametri. Programul ia în considerare nu numai sexul, vârsta, starea civilă și istoricul de credit, ci și dispozitivul de pe care o persoană a intrat pe platformă, modul în care s-a comportat pe site. De exemplu, poate fi alarmant faptul că un potențial împrumutat nu a folosit un calculator de împrumut sau nu a întrebat termenii unui împrumut. „Cu excepția câtorva factori de oprire – să zicem, nu acordăm împrumuturi persoanelor sub 19 ani – niciunul dintre acești parametri în sine nu reprezintă un motiv pentru a refuza sau a accepta să acordăm un împrumut”, explică Ponomarev. Este combinația de factori care contează. În 95% din cazuri, decizia se ia automat, fără participarea specialiștilor din departamentul de subscriere.

Analiza datelor mari ne permite să obținem modele interesante, împărtășește Ponomarev. De exemplu, utilizatorii de iPhone s-au dovedit a fi împrumutați mai disciplinați decât proprietarii de dispozitive Android – primii primesc aprobarea aplicațiilor de 1,7 ori mai des. „Faptul că personalul militar nu rambursează împrumuturile cu aproape un sfert mai puțin decât debitorul mediu nu a fost o surpriză”, spune Ponomarev. „Dar, de obicei, nu se așteaptă ca studenții să fie obligați, dar, între timp, cazurile de neplată a creditelor sunt cu 10% mai puțin frecvente decât media pentru bază.”

Studiul datelor mari permite punctarea și pentru asigurători. Înființată în 2016, IDX este implicată în identificarea de la distanță și verificarea online a documentelor. Aceste servicii sunt solicitate în rândul asigurătorilor de mărfuri care sunt interesați de pierderea mărfurilor cât mai puțin posibil. Înainte de a asigura transportul mărfurilor, asigurătorul, cu acordul șoferului, verifică fiabilitatea, explică Jan Sloka, director comercial al IDX. Împreună cu un partener – compania „Risk Control” din Sankt Petersburg – IDX a dezvoltat un serviciu care vă permite să verificați identitatea șoferului, datele și drepturile pașaportului, participarea la incidente legate de pierderea mărfii etc. După analiza În baza de date a șoferilor, compania a identificat un „grup de risc”: cel mai adesea, marfa este pierdută în rândul șoferilor cu vârsta cuprinsă între 30 și 40 de ani cu o experiență îndelungată de conducere, care și-au schimbat adesea locul de muncă recent. De asemenea, s-a dovedit că marfa este cel mai adesea furată de șoferii de mașini, a căror durată de viață depășește opt ani.

Comercianții cu amănuntul au o altă sarcină - să identifice clienții care sunt gata să facă o achiziție și să determine cele mai eficiente modalități de a-i aduce pe site sau magazin. În acest scop, programele analizează profilul clienților, datele din contul lor personal, istoricul cumpărăturilor, interogările de căutare și utilizarea punctelor bonus, conținutul coșurilor electronice pe care au început să le completeze și le-au abandonat. Analiza datelor vă permite să segmentați întreaga bază de date și să identificați grupuri de potențiali cumpărători care ar putea fi interesați de o anumită ofertă, spune Kirill Ivanov, directorul biroului de date al grupului M.Video-Eldorado.

De exemplu, programul identifică grupuri de clienți, fiecăruia dintre care le plac diferite instrumente de marketing – un împrumut fără dobândă, cashback sau un cod promoțional de reducere. Acești cumpărători primesc un newsletter prin e-mail cu promoția corespunzătoare. Probabilitatea ca o persoană, după ce a deschis scrisoarea, să meargă pe site-ul companiei, în acest caz crește semnificativ, notează Ivanov.

Analiza datelor vă permite, de asemenea, să creșteți vânzările de produse și accesorii conexe. Sistemul, care a procesat istoricul comenzilor altor clienți, oferă cumpărătorului recomandări despre ce să cumpere împreună cu produsul selectat. Testarea acestei metode de lucru, potrivit lui Ivanov, a arătat o creștere a numărului de comenzi cu accesorii cu 12% și o creștere a cifrei de afaceri a accesoriilor cu 15%.

Comercianții cu amănuntul nu sunt singurii care se străduiesc să îmbunătățească calitatea serviciilor și să crească vânzările. În vara trecută, MegaFon a lansat un serviciu de ofertă „inteligent” bazat pe prelucrarea datelor de la milioane de abonați. Studiind comportamentul acestora, inteligența artificială a învățat să formeze oferte personale pentru fiecare client în cadrul tarifelor. De exemplu, dacă programul notează că o persoană urmărește în mod activ videoclipuri pe dispozitivul său, serviciul îi va oferi să extindă volumul de trafic mobil. Ținând cont de preferințele utilizatorilor, compania oferă abonaților trafic nelimitat pentru tipurile lor preferate de petrecere a timpului liber pe internet – de exemplu, folosind mesagerie instant sau ascultând muzică pe serviciile de streaming, chat pe rețelele de socializare sau vizionarea emisiunilor TV.

„Analizam comportamentul abonaților și înțelegem cum se schimbă interesele lor”, explică Vitaly Shcherbakov, director de analiză a datelor mari la MegaFon. „De exemplu, anul acesta, traficul AliExpress a crescut de 1,5 ori față de anul trecut și, în general, numărul de vizite la magazinele online de îmbrăcăminte este în creștere: de 1,2–2 ori, în funcție de resursa specifică.”

Un alt exemplu al muncii unui operator cu date mari este platforma MegaFon Poisk pentru căutarea copiilor și adulților dispăruți. Sistemul analizează ce persoane ar putea fi în apropierea locului persoanei dispărute și le trimite informații cu o fotografie și semne ale persoanei dispărute. Operatorul a dezvoltat și testat sistemul împreună cu Ministerul Afacerilor Interne și organizația Lisa Alert: în două minute de la orientarea către persoana dispărută, primesc peste 2 mii de abonați, ceea ce crește semnificativ șansele unui rezultat de căutare de succes.

Analiza datelor mari și-a găsit aplicație și în industrie. Aici vă permite să prognozați cererea și să planificați vânzările. Deci, în grupul de companii Cherkizovo, în urmă cu trei ani, a fost implementată o soluție bazată pe SAP BW, care vă permite să stocați și să procesați toate informațiile de vânzare: prețuri, sortiment, volume de produse, promoții, canale de distribuție, spune Vladislav Belyaev, CIO al grupului ”Cerkizovo. Analiza celor 2 TB de informații acumulate nu numai că a făcut posibilă formarea eficientă a sortimentului și optimizarea portofoliului de produse, dar a facilitat și munca angajaților. De exemplu, pregătirea unui raport zilnic de vânzări ar necesita o zi de muncă a multor analiști – doi pentru fiecare segment de produs. Acum acest raport este pregătit de robot, petrecând doar 30 de minute pe toate segmentele.

„În industrie, big data funcționează eficient împreună cu Internetul lucrurilor”, spune Stanislav Meshkov, CEO al Umbrella IT. „Pe baza analizei datelor de la senzorii cu care este echipat echipamentul, este posibilă identificarea abaterilor în funcționarea acestuia și prevenirea defecțiunilor și prezicerea performanței.”

În Severstal, cu ajutorul datelor mari, ei încearcă, de asemenea, să rezolve sarcini mai degrabă non-triviale – de exemplu, pentru a reduce ratele de accidentare. În 2019, compania a alocat aproximativ 1,1 miliarde RUB pentru măsuri de îmbunătățire a siguranței muncii. Severstal se așteaptă să reducă rata accidentărilor până în 2025% cu 50 (comparativ cu 2017). „Dacă un manager de linie — maistru, șef de șantier, șef de magazin — a observat că un angajat efectuează anumite operațiuni în condiții de nesiguranță (nu se ține de balustrade când urcă scările din șantierul industrial sau nu poartă toate echipamentele individuale de protecție), el scrie o notă specială pentru el – PAB (de la „auditul de securitate comportamentală”)”, spune Boris Voskresensky, șeful departamentului de analiză a datelor al companiei.

După ce au analizat datele privind numărul de PAB-uri din una dintre divizii, specialiștii companiei au constatat că regulile de siguranță au fost cel mai adesea încălcate de cei care avuseseră deja mai multe observații înainte, precum și de cei care se aflau în concediu medical sau în vacanță cu puțin timp înainte. incidentul. Încălcările în prima săptămână după întoarcerea din concediu sau concediu medical au fost de două ori mai mari decât în ​​perioada următoare: 1 față de 0,55%. Dar lucrul în tura de noapte, după cum sa dovedit, nu afectează statisticile PAB-urilor.

Crearea de algoritmi pentru procesarea datelor mari nu este cea mai dificilă parte a muncii, spun reprezentanții companiei. Este mult mai dificil de înțeles cum aceste tehnologii pot fi aplicate în contextul fiecărei afaceri specifice. Aici se află călcâiul lui Ahile al analiștilor de companie și chiar al furnizorilor externi, care, s-ar părea, au acumulat expertiză în domeniul big data.

„Am întâlnit adesea analiști de date mari care erau matematicieni excelenți, dar nu aveau înțelegerea necesară a proceselor de afaceri”, spune Sergey Kotik, director de dezvoltare la GoodsForecast. El își amintește cum în urmă cu doi ani, compania sa a avut ocazia să participe la o competiție de prognoză a cererii pentru un lanț federal de retail. A fost aleasă o regiune pilot, pentru toate mărfurile și magazinele despre care participanții au făcut prognoze. Prognozele au fost apoi comparate cu vânzările reale. Pe primul loc a fost ocupat de unul dintre giganții ruși ai internetului, cunoscut pentru expertiza sa în învățarea automată și analiza datelor: în previziunile sale, a arătat o abatere minimă de la vânzările reale.

Dar când rețeaua a început să studieze previziunile sale mai detaliat, s-a dovedit că din punct de vedere al afacerilor, acestea sunt absolut inacceptabile. Compania a introdus un model care producea planuri de vânzări cu o subestimare sistematică. Programul a descoperit cum să minimizeze probabilitatea erorilor în prognoze: este mai sigur să subestimați vânzările, deoarece eroarea maximă poate fi de 100% (nu există vânzări negative), dar în direcția supraprognozării, poate fi arbitrar mare, explică Kotik. Cu alte cuvinte, compania a prezentat un model matematic ideal, care în condiții reale ar duce la magazine pe jumătate goale și pierderi uriașe din subvânzare. Drept urmare, o altă companie a câștigat concursul, ale cărei calcule au putut fi puse în practică.

Tehnologiile de date mari sunt relevante pentru multe industrii, dar implementarea lor activă nu are loc peste tot, notează Meshkov. De exemplu, în asistența medicală există o problemă cu stocarea datelor: s-au acumulat multe informații și sunt actualizate în mod regulat, dar în cea mai mare parte aceste date nu au fost încă digitizate. Există, de asemenea, o mulțime de date în agențiile guvernamentale, dar acestea nu sunt combinate într-un cluster comun. Dezvoltarea unei platforme informaționale unificate a Sistemului Național de Management al Datelor (NCMS) are ca scop rezolvarea acestei probleme, spune expertul.

Totuși, țara noastră este departe de singura țară în care în majoritatea organizațiilor deciziile importante sunt luate pe baza intuiției, și nu a analizei datelor mari. În aprilie anul trecut, Deloitte a efectuat un sondaj în rândul a peste o mie de lideri ai marilor companii americane (cu un personal de 500 sau mai mult) și a constatat că 63% dintre cei chestionați sunt familiarizați cu tehnologiile big data, dar nu au toate cele necesare. infrastructura pentru a le folosi. Între timp, dintre cele 37% dintre companiile cu un nivel ridicat de maturitate analitică, aproape jumătate au depășit semnificativ obiectivele de afaceri în ultimele 12 luni.

Studiul a relevat că, pe lângă dificultatea implementării de noi soluții tehnice, o problemă importantă în companii este lipsa unei culturi de lucru cu datele. Nu trebuie să vă așteptați la rezultate bune dacă responsabilitatea pentru deciziile luate pe baza datelor mari este atribuită doar analiștilor companiei, și nu întregii companii în ansamblu. „Acum companiile caută cazuri de utilizare interesante pentru big data”, spune Miftakhov. „În același timp, implementarea unor scenarii necesită investiții în sisteme de colectare, prelucrare și control al calității datelor suplimentare care nu au fost analizate înainte.” Din păcate, „analitica nu este încă un sport de echipă”, recunosc autorii studiului.