Prihvatite slične podatke: kako preduzeća uče da profitiraju od velikih podataka

Analizom velikih podataka, kompanije uče da otkrivaju skrivene obrasce, poboljšavajući svoje poslovne performanse. Smjer je moderan, ali ne mogu svi imati koristi od velikih podataka zbog nedostatka kulture rada s njima

„Što je ime osobe češće, veća je vjerovatnoća da će platiti na vrijeme. Što više spratova ima vaša kuća, statistički ste bolji zajmoprimac. Znak zodijaka gotovo da nema utjecaja na vjerovatnoću povrata novca, ali psihotip značajno ”, kaže Stanislav Duzhinsky, analitičar Home Credit Bank, o neočekivanim obrascima u ponašanju zajmoprimaca. On se ne obavezuje da objasni mnoge od ovih obrazaca – otkrila ih je veštačka inteligencija, koja je obrađivala hiljade profila kupaca.

Ovo je moć analitike velikih podataka: analizom ogromne količine nestrukturiranih podataka, program može otkriti mnoge korelacije za koje najmudriji ljudski analitičar ni ne zna. Svaka kompanija ima ogromnu količinu nestrukturiranih podataka (big data) – o zaposlenima, kupcima, partnerima, konkurentima, koji se mogu iskoristiti u poslovnu korist: poboljšati učinak promocija, postići rast prodaje, smanjiti fluktuaciju osoblja itd.

Prve koje su radile s velikim podacima bile su velike tehnološke i telekomunikacijske kompanije, finansijske institucije i maloprodaja, komentira Rafail Miftakhov, direktor Deloitte Technology Integration Group, CIS. Sada postoji interes za ovakva rješenja u mnogim industrijama. Šta su kompanije postigle? I da li analiza velikih podataka uvijek vodi do vrijednih zaključaka?

Banke koriste algoritme velikih podataka prvenstveno za poboljšanje korisničkog iskustva i optimizaciju troškova, kao i za upravljanje rizikom i borbu protiv prevara. „Poslednjih godina dogodila se prava revolucija u oblasti analize velikih podataka“, kaže Dužinski. „Upotreba mašinskog učenja nam omogućava da mnogo preciznije predvidimo verovatnoću kašnjenja kredita – kašnjenje u našoj banci je samo 3,9%.“ Poređenja radi, od 1. januara 2019. godine udio kredita sa kašnjenjem u otplati preko 90 dana na kredite date fizičkim licima iznosio je, prema podacima Centralne banke, 5%.

Čak su i mikrofinansijske organizacije zbunjene proučavanjem velikih podataka. „Pružanje finansijskih usluga bez analize velikih podataka danas je poput matematike bez brojeva“, kaže Andrey Ponomarev, izvršni direktor Webbankira, platforme za online kreditiranje. “Mi izdajemo novac na internetu bez da vidimo ni klijenta ni njegov pasoš, a za razliku od tradicionalnog kreditiranja, ne samo da moramo procijeniti solventnost osobe, već i identificirati njegovu ličnost.”

Sada baza podataka kompanije čuva informacije o više od 500 hiljada kupaca. Svaka nova aplikacija se analizira sa ovim podacima u oko 800 parametara. Program uzima u obzir ne samo spol, godine, bračni status i kreditnu istoriju, već i uređaj s kojeg je osoba ušla na platformu, kako se ponašala na stranici. Na primjer, može biti alarmantno da potencijalni zajmoprimac nije koristio kreditni kalkulator ili se nije raspitao o uslovima kredita. „Izuzev nekoliko stop faktora – recimo, ne dajemo kredite osobama mlađim od 19 godina – nijedan od ovih parametara sam po sebi nije razlog za odbijanje ili pristanak na izdavanje kredita“, objašnjava Ponomarjov. Važna je kombinacija faktora. U 95% slučajeva odluka se donosi automatski, bez učešća stručnjaka iz odjela za osiguranje.

Analiza velikih podataka nam omogućava da izvučemo zanimljive obrasce, kaže Ponomarjov. Na primjer, ispostavilo se da su korisnici iPhonea discipliniraniji zajmoprimci nego vlasnici Android uređaja – prvi dobijaju odobrenje aplikacija 1,7 puta češće. „Činjenica da vojna lica ne otplaćuju kredite skoro četvrtinu rjeđe od prosječnog zajmoprimca nije bila iznenađenje“, kaže Ponomarjov. „Ali od studenata se obično ne očekuje da budu obavezni, ali u međuvremenu, slučajevi neplaćanja kredita su 10% rjeđi od prosjeka za osnovnu.

Proučavanje velikih podataka omogućava bodovanje i za osiguravače. Osnovan 2016. godine, IDX se bavi daljinskom identifikacijom i online verifikacijom dokumenata. Ove usluge su tražene među osiguravačima tereta koji su zainteresovani da gubitak robe bude što manji. Prije osiguranja prijevoza robe osiguravač, uz saglasnost vozača, provjerava pouzdanost, objašnjava Jan Sloka, komercijalni direktor IDX-a. Zajedno sa partnerom – kompanijom iz Sankt Peterburga “Risk Control” – IDX je razvio servis koji vam omogućava da proverite identitet vozača, podatke i prava u pasošu, učešće u incidentima vezanim za gubitak tereta, itd. Nakon analize U bazi podataka o vozačima, kompanija je identifikovala „rizičnu grupu“: najčešće se teret gubi među vozačima starosti 30–40 godina sa dugim vozačkim iskustvom, koji su u poslednje vreme često menjali posao. Ispostavilo se i da teret najčešće kradu vozači automobila, čiji je vijek trajanja duži od osam godina.

Prodavci imaju drugačiji zadatak – identificirati kupce koji su spremni za kupovinu i odrediti najefikasnije načine da ih dovedu na lokaciju ili trgovinu. U tu svrhu programi analiziraju profil kupaca, podatke sa njihovog ličnog naloga, istoriju kupovine, upite za pretragu i korišćenje bonus poena, sadržaj elektronskih korpi koje su počeli da popunjavaju i napustili. Analitika podataka vam omogućava da segmentirate cijelu bazu podataka i identifikujete grupe potencijalnih kupaca koji bi mogli biti zainteresirani za određenu ponudu, kaže Kirill Ivanov, direktor ureda podataka grupe M.Video-Eldorado.

Na primjer, program identificira grupe kupaca, od kojih svaki voli različite marketinške alate – beskamatni zajam, povrat novca ili promotivni kod za popust. Ovi kupci primaju e-mail bilten s odgovarajućom promocijom. Vjerovatnoća da će osoba, koja je otvorila pismo, otići na web stranicu kompanije, u ovom slučaju značajno raste, napominje Ivanov.

Analiza podataka vam također omogućava da povećate prodaju srodnih proizvoda i dodatne opreme. Sistem, koji je obradio istoriju narudžbi drugih kupaca, daje kupcu preporuke šta da kupi uz odabrani proizvod. Testiranje ovog načina rada, prema riječima Ivanova, pokazalo je povećanje broja porudžbina pribora za 12% i povećanje prometa pribora za 15%.

Prodavci nisu jedini koji teže poboljšanju kvalitete usluge i povećanju prodaje. Prošlog ljeta MegaFon je pokrenuo uslugu „pametne“ ponude zasnovane na obradi podataka od miliona pretplatnika. Proučavajući njihovo ponašanje, umjetna inteligencija je naučila da formira lične ponude za svakog klijenta u okviru tarifa. Na primjer, ako program primijeti da osoba aktivno gleda video na svom uređaju, usluga će mu ponuditi da proširi količinu mobilnog prometa. Uzimajući u obzir preferencije korisnika, kompanija omogućava pretplatnicima neograničen promet za njihove omiljene vrste internet slobodnog vremena – na primjer, korištenje instant messengera ili slušanje muzike na streaming servisima, ćaskanje na društvenim mrežama ili gledanje TV emisija.

„Analiziramo ponašanje pretplatnika i razumijemo kako se njihovi interesi mijenjaju“, objašnjava Vitalij Ščerbakov, direktor analitike velikih podataka u MegaFonu. “Na primjer, ove godine promet AliExpress-a je porastao 1,5 puta u odnosu na prošlu godinu, a generalno, broj posjeta online trgovinama odjeće raste: 1,2-2 puta, ovisno o konkretnom resursu.”

Još jedan primjer rada operatera s velikim podacima je platforma MegaFon Poisk za traženje nestale djece i odraslih. Sistem analizira koje bi osobe mogle biti u blizini mjesta nestale osobe i šalje im informaciju sa fotografijom i znakovima nestale osobe. Operater je razvio i testirao sistem zajedno sa Ministarstvom unutrašnjih poslova i organizacijom Lisa Alert: u roku od dva minuta od orijentacije na nestalu osobu, primi više od 2 hiljade pretplatnika, što značajno povećava šanse za uspješan rezultat pretrage.

Analiza velikih podataka našla je primenu i u industriji. Ovdje vam omogućava da predvidite potražnju i planirate prodaju. Dakle, u grupi kompanija Cherkizovo prije tri godine implementirano je rješenje zasnovano na SAP BW, koje vam omogućava da pohranite i obrađujete sve prodajne informacije: cijene, asortiman, količine proizvoda, promocije, kanale distribucije, kaže Vladislav Belyaev, CIO grupe ” Čerkizovo. Analiza akumuliranih 2 TB informacija ne samo da je omogućila efikasno formiranje asortimana i optimizaciju portfelja proizvoda, već je i olakšala rad zaposlenih. Na primjer, priprema dnevnog izvještaja o prodaji zahtijevala bi radni dan mnogih analitičara – po dva za svaki segment proizvoda. Sada ovaj izvještaj priprema robot, trošeći samo 30 minuta na sve segmente.

„U industriji, veliki podaci efikasno funkcionišu u sprezi sa internetom stvari“, kaže Stanislav Meškov, izvršni direktor Umbrella IT. “Na osnovu analize podataka sa senzora kojima je oprema opremljena, moguće je uočiti odstupanja u njenom radu i spriječiti kvarove, te predvidjeti performanse.”

U Severstalu, uz pomoć velikih podataka, također pokušavaju riješiti prilično netrivijalne zadatke – na primjer, smanjiti stopu povreda. Kompanija je u 2019. godini izdvojila oko 1,1 milijardu rubalja za mjere poboljšanja sigurnosti rada. Severstal očekuje smanjenje stope povreda do 2025% za 50% (u odnosu na 2017.). „Ako je linijski rukovodilac — predradnik, rukovodilac gradilišta, rukovodilac radnje — primetio da zaposleni obavlja određene radnje nesigurno (ne drži se za rukohvate kada se penje stepenicama na industrijskoj lokaciji ili ne nosi svu ličnu zaštitnu opremu), on piše posebna napomena za njega – PAB (od „behavioral security audit”)“, kaže Boris Voskresensky, šef odjela za analizu podataka kompanije.

Nakon analize podataka o broju PAB-ova u jednom od sektora, stručnjaci kompanije su utvrdili da su sigurnosna pravila najčešće kršili oni koji su već imali nekoliko primjedbi, kao i oni koji su neposredno prije bili na bolovanju ili godišnjem odmoru. incident. Prekršaji u prvoj sedmici po povratku sa godišnjeg odmora ili bolovanja bili su duplo veći nego u narednom periodu: 1 prema 0,55%. Ali rad u noćnoj smjeni, kako se pokazalo, ne utiče na statistiku PAB-a.

Izrada algoritama za obradu velikih podataka nije najteži dio posla, kažu predstavnici kompanije. Mnogo je teže razumjeti kako se ove tehnologije mogu primijeniti u kontekstu svakog konkretnog posla. Tu leži Ahilova peta analitičara kompanija, pa čak i eksternih provajdera, koji su, čini se, akumulirali stručnost u oblasti velikih podataka.

„Često sam sretao analitičare velikih podataka koji su bili odlični matematičari, ali nisu imali potrebno razumevanje poslovnih procesa“, kaže Sergej Kotik, direktor razvoja u GoodsForecast-u. Podsjeća kako je prije dvije godine njegova kompanija imala priliku sudjelovati na konkursu za predviđanje potražnje za savezni trgovački lanac. Odabrana je pilot regija za svu robu i prodavnice za koje su učesnici pravili prognoze. Prognoze su zatim upoređene sa stvarnom prodajom. Prvo mjesto zauzeo je jedan od ruskih internet giganata, poznat po svojoj stručnosti u mašinskom učenju i analizi podataka: u svojim prognozama pokazao je minimalno odstupanje od stvarne prodaje.

Ali kada je mreža počela detaljnije proučavati njegove prognoze, pokazalo se da su s poslovnog gledišta apsolutno neprihvatljive. Kompanija je predstavila model koji je proizvodio planove prodaje sa sistematskim potcenjivanjem. Program je smislio kako minimizirati vjerovatnoću grešaka u prognozama: sigurnije je podcijeniti prodaju, jer maksimalna greška može biti 100% (nema negativne prodaje), ali u smjeru pretjeranog predviđanja može biti proizvoljno velika, Kotik objašnjava. Drugim rečima, kompanija je predstavila idealan matematički model, koji bi u realnim uslovima doveo do polupraznih prodavnica i ogromnih gubitaka od podprodaje. Kao rezultat toga, na takmičenju je pobijedila još jedna kompanija, čiji bi proračuni mogli biti provedeni u praksi.

Tehnologije velikih podataka relevantne su za mnoge industrije, ali njihova aktivna implementacija se ne događa svugdje, napominje Meškov. Na primjer, u zdravstvu postoji problem sa pohranjivanjem podataka: akumulirano je mnogo informacija koje se redovno ažuriraju, ali najvećim dijelom ti podaci još uvijek nisu digitalizirani. U državnim agencijama također ima dosta podataka, ali oni nisu objedinjeni u zajednički klaster. Razvoj jedinstvene informacione platforme Nacionalnog sistema za upravljanje podacima (NCMS) usmjeren je na rješavanje ovog problema, kaže stručnjak.

Međutim, naša zemlja je daleko od jedina u kojoj se u većini organizacija važne odluke donose na osnovu intuicije, a ne analize velikih podataka. U aprilu prošle godine, Deloitte je proveo istraživanje među više od hiljadu čelnika velikih američkih kompanija (sa osobljem od 500 ili više) i otkrio da je 63% ispitanih upoznato s tehnologijama velikih podataka, ali nemaju sve potrebne infrastrukture za njihovo korištenje. U međuvremenu, među 37% kompanija sa visokim nivoom analitičke zrelosti, skoro polovina je značajno premašila poslovne ciljeve u poslednjih 12 meseci.

Studija je otkrila da je pored teškoća implementacije novih tehničkih rješenja, važan problem u kompanijama nedostatak kulture rada s podacima. Ne treba očekivati ​​dobre rezultate ako je odgovornost za odluke koje se donose na osnovu velikih podataka dodijeljena samo analitičarima kompanije, a ne cijeloj kompaniji u cjelini. „Sada kompanije traže zanimljive slučajeve upotrebe velikih podataka“, kaže Miftakhov. “Istovremeno, implementacija nekih scenarija zahtijeva ulaganja u sisteme za prikupljanje, obradu i kontrolu kvaliteta dodatnih podataka koji do sada nisu analizirani.” Nažalost, "analitika još nije timski sport", priznaju autori studije.