Prihvatite slične podatke: kako tvrtke uče profitirati od velikih podataka

Analizirajući velike podatke, tvrtke uče otkriti skrivene obrasce, poboljšavajući svoj poslovni učinak. Smjer je moderan, ali ne mogu svi imati koristi od velikih podataka zbog nedostatka kulture rada s njima

“Što je ime osobe češće, to je vjerojatnije da će platiti na vrijeme. Što više katova vaša kuća ima, to ste statistički bolji zajmoprimac. Znak zodijaka nema gotovo nikakvog utjecaja na vjerojatnost povrata novca, ali psihotip ima značajan utjecaj “, kaže Stanislav Duzhinsky, analitičar Home Credit Bank, o neočekivanim obrascima u ponašanju zajmoprimaca. Ne upušta se u objašnjavanje mnogih od tih obrazaca - otkrila ih je umjetna inteligencija koja je obradila tisuće profila kupaca.

To je moć analitike velikih podataka: analizirajući ogromnu količinu nestrukturiranih podataka, program može otkriti mnoge korelacije za koje ni najmudriji ljudski analitičar ne zna. Svaka tvrtka ima ogromnu količinu nestrukturiranih podataka (big data) – o zaposlenicima, kupcima, partnerima, konkurentima, koji se mogu koristiti za poslovnu korist: poboljšati učinak promocija, ostvariti rast prodaje, smanjiti fluktuaciju osoblja itd.

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

Nije lako opterećenje

Banke koriste algoritme velikih podataka prvenstveno za poboljšanje korisničkog iskustva i optimizaciju troškova, kao i za upravljanje rizikom i borbu protiv prijevara. "Posljednjih godina dogodila se prava revolucija u području analize velikih podataka", kaže Duzhinsky. "Korištenje strojnog učenja omogućuje nam da mnogo točnije predvidimo vjerojatnost neplaćanja kredita - kašnjenje u našoj banci je samo 3,9%." Usporedbe radi, od 1. siječnja 2019. udio kredita s kašnjenjem u otplati preko 90 dana kod kredita odobrenih fizičkim osobama iznosio je, prema podacima Centralne banke, 5 posto.

Čak su i mikrofinancijske organizacije zbunjene proučavanjem velikih podataka. "Pružanje financijskih usluga bez analize velikih podataka danas je kao računanje bez brojeva", kaže Andrey Ponomarev, izvršni direktor Webbankira, platforme za online kreditiranje. “Izdajemo novac putem interneta bez da vidimo klijenta ili njegovu putovnicu, a za razliku od tradicionalnog pozajmljivanja, ne samo da moramo procijeniti solventnost osobe, već i identificirati njegovu osobnost.”

Sada baza podataka tvrtke pohranjuje informacije o više od 500 tisuća kupaca. Svaka nova prijava analizira se tim podacima u oko 800 parametara. Program uzima u obzir ne samo spol, dob, bračni status i kreditnu povijest, već i uređaj s kojeg je osoba ušla na platformu, kako se ponašala na web mjestu. Na primjer, može biti alarmantno da potencijalni zajmoprimac nije koristio kalkulator zajma ili se nije raspitao o uvjetima zajma. "Uz izuzetak nekoliko faktora zaustavljanja - recimo, ne izdajemo kredite osobama mlađim od 19 godina - niti jedan od ovih parametara sam po sebi nije razlog za odbijanje ili pristanak na izdavanje kredita", objašnjava Ponomarev. Bitna je kombinacija čimbenika. U 95% slučajeva odluka se donosi automatski, bez sudjelovanja stručnjaka iz odjela za osiguranje.

Pružanje financijskih usluga bez analize velikih podataka danas je kao računanje bez brojeva.

Analiza velikih podataka omogućuje nam izvođenje zanimljivih obrazaca, dijeli Ponomarev. Na primjer, pokazalo se da su korisnici iPhonea discipliniraniji zajmoprimci od vlasnika Android uređaja – prvi dobivaju odobrenje za prijave 1,7 puta češće. "Činjenica da vojno osoblje ne otplaćuje kredite gotovo četvrtinu rjeđe od prosječnog zajmoprimca nije iznenađenje", kaže Ponomarev. "No, od studenata se obično ne očekuje da budu obvezni, ali u međuvremenu, slučajevi neplaćanja kredita su 10% rjeđi od prosjeka za bazu."

Proučavanje velikih podataka omogućuje bodovanje i za osiguravatelje. Osnovan 2016. godine, IDX se bavi daljinskom identifikacijom i online provjerom dokumenata. Ove su usluge tražene među osiguravateljima tereta koji su zainteresirani za što manji gubitak robe. Prije osiguranja prijevoza robe, osiguravatelj uz suglasnost vozača provjerava pouzdanost, objašnjava Jan Sloka, komercijalni direktor IDX-a. Zajedno s partnerom – tvrtkom iz Sankt Peterburga “Risk Control” – IDX je razvio uslugu koja vam omogućuje provjeru identiteta vozača, podataka o putovnici i prava, sudjelovanje u incidentima povezanim s gubitkom tereta itd. Nakon analize U bazi podataka vozača, tvrtka je identificirala "rizičnu skupinu": najčešće se teret gubi među vozačima u dobi od 30 do 40 godina s dugim vozačkim iskustvom, koji su nedavno često mijenjali poslove. Također se pokazalo da teret najčešće kradu vozači automobila čiji je radni vijek duži od osam godina.

U potrazi za

Trgovci na malo imaju drugačiji zadatak – identificirati kupce koji su spremni obaviti kupnju i odrediti najučinkovitije načine da ih dovedu na mjesto ili trgovinu. U tu svrhu programi analiziraju profil kupaca, podatke s njihovog osobnog računa, povijest kupnje, upite pretraživanja i korištenje bonus bodova, sadržaje elektroničkih košarica koje su počeli ispunjavati i odustali. Analitika podataka omogućuje segmentiranje cijele baze podataka i identificiranje skupina potencijalnih kupaca koji bi mogli biti zainteresirani za određenu ponudu, kaže Kirill Ivanov, direktor podatkovnog ureda grupe M.Video-Eldorado.

Na primjer, program identificira skupine kupaca od kojih svaka voli različite marketinške alate – beskamatni zajam, povrat novca ili promotivni kod za popust. Ovi kupci primaju e-mail bilten s odgovarajućom promocijom. Vjerojatnost da će osoba, otvorivši pismo, otići na web stranicu tvrtke, u ovom se slučaju značajno povećava, napominje Ivanov.

Analiza podataka također vam omogućuje povećanje prodaje povezanih proizvoda i dodataka. Sustav koji je obradio povijest narudžbi drugih kupaca daje kupcu preporuke što kupiti uz odabrani proizvod. Testiranje ovakvog načina rada, prema riječima Ivanova, pokazalo je povećanje broja narudžbi pribora za 12% i povećanje prometa pribora za 15%.

Trgovci nisu jedini koji teže poboljšanju kvalitete usluge i povećanju prodaje. Prošlog ljeta MegaFon je pokrenuo uslugu "pametne" ponude koja se temelji na obradi podataka milijuna pretplatnika. Proučavajući njihovo ponašanje, umjetna inteligencija je naučila formirati osobne ponude za svakog klijenta unutar tarifa. Na primjer, ako program primijeti da osoba aktivno gleda video na svom uređaju, usluga će mu ponuditi povećanje količine mobilnog prometa. Uzimajući u obzir preferencije korisnika, tvrtka pruža pretplatnicima neograničeni promet za njihove omiljene vrste internetskog slobodnog vremena - na primjer, korištenje instant messengera ili slušanje glazbe na uslugama strujanja, razgovor na društvenim mrežama ili gledanje TV emisija.

"Analiziramo ponašanje pretplatnika i razumijemo kako se njihovi interesi mijenjaju", objašnjava Vitaly Shcherbakov, direktor analitike velikih podataka u MegaFonu. "Na primjer, ove je godine promet na AliExpressu porastao 1,5 puta u usporedbi s prošlom godinom, a općenito raste broj posjeta online trgovinama odjećom: 1,2-2 puta, ovisno o određenom resursu."

Još jedan primjer rada operatera s velikim podacima je platforma MegaFon Poisk za traženje nestale djece i odraslih. Sustav analizira koje bi se osobe mogle nalaziti u blizini mjesta nestale osobe te im šalje informaciju s fotografijom i znakovima nestale osobe. Operater je razvio i testirao sustav zajedno s Ministarstvom unutarnjih poslova i organizacijom Lisa Alert: u roku od dvije minute od orijentacije na nestalu osobu prima više od 2 tisuće pretplatnika, što značajno povećava šanse za uspješan rezultat pretraživanja.

Ne idi u PUB

Analiza velikih podataka također je našla primjenu u industriji. Ovdje vam omogućuje predviđanje potražnje i planiranje prodaje. Dakle, u grupi tvrtki Cherkizovo prije tri godine implementirano je rješenje temeljeno na SAP BW, koje vam omogućuje pohranu i obradu svih prodajnih informacija: cijene, asortiman, količine proizvoda, promocije, kanale distribucije, kaže Vladislav Belyaev, CIO grupe ” Čerkizovo. Analiza akumuliranih 2 TB informacija ne samo da je omogućila učinkovito formiranje asortimana i optimizaciju portfelja proizvoda, već je i olakšala rad zaposlenicima. Na primjer, priprema dnevnog izvješća o prodaji zahtijevala bi dan rada mnogo analitičara – dva za svaki segment proizvoda. Sada ovo izvješće priprema robot, trošeći samo 30 minuta na sve segmente.

"U industriji veliki podaci učinkovito funkcioniraju u kombinaciji s internetom stvari", kaže Stanislav Meshkov, izvršni direktor Umbrella IT-a. “Na temelju analize podataka sa senzora kojima je oprema opremljena, moguće je identificirati 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 ozljeda. U 2019. godini tvrtka je izdvojila oko 1,1 milijardu RUB za mjere za poboljšanje sigurnosti na radu. Severstal očekuje smanjenje stope ozljeda za 2025% za 50 (u usporedbi s 2017.). „Ako je linijski rukovoditelj — predradnik, voditelj gradilišta, voditelj trgovine — primijetio da zaposlenik nesigurno obavlja određene radnje (ne drži se za rukohvate kad se penje stepenicama na industrijskom mjestu ili ne nosi svu osobnu zaštitnu opremu), ispisuje posebna napomena za njega – PAB (od “behavioral security audit”)”, kaže Boris Voskresensky, voditelj odjela za analizu podataka tvrtke.

Nakon analize podataka o broju PAB-ova u jednom od odjela, stručnjaci tvrtke otkrili su da sigurnosna pravila najčešće krše oni koji su već ranije imali nekoliko primjedbi, kao i oni koji su bili na bolovanju ili na godišnjem odmoru neposredno prije incident. Prekršaji u prvom tjednu nakon povratka s godišnjeg odmora ili bolovanja dvostruko su veći nego u narednom razdoblju: 1 prema 0,55%. Ali rad u noćnoj smjeni, kako se pokazalo, ne utječe na statistiku PAB-ova.

Bez dodira sa stvarnošću

Izrada algoritama za obradu velikih podataka nije najteži dio posla, kažu predstavnici tvrtke. Puno je teže razumjeti kako se ove tehnologije mogu primijeniti u kontekstu svakog konkretnog posla. Tu leži Ahilova peta analitičara tvrtki, pa čak i vanjskih pružatelja usluga, koji su, čini se, akumulirali stručnost u području velikih podataka.

"Često sam susretao analitičare velikih podataka koji su bili izvrsni matematičari, ali nisu imali potrebno razumijevanje poslovnih procesa", kaže Sergey Kotik, direktor razvoja u GoodsForecastu. Prisjeća se kako je prije dvije godine njegova tvrtka imala priliku sudjelovati u natjecanju za predviđanje potražnje za federalni trgovački lanac. Odabrana je pilot regija za sve robe i trgovine za koje su sudionici napravili prognoze. Predviđanja su zatim uspoređena sa stvarnom prodajom. Prvo mjesto zauzeo je jedan od ruskih internetskih divova, poznat po stručnosti u strojnom učenju i analizi podataka: u svojim je prognozama pokazao minimalno odstupanje od stvarne prodaje.

Ali kada je mreža počela detaljnije proučavati njegove prognoze, pokazalo se da su s poslovne točke gledišta apsolutno neprihvatljive. Tvrtka je predstavila model koji proizvodi planove prodaje sa sustavnim podcjenjivanjem. Program je otkrio kako minimizirati vjerojatnost pogrešaka u predviđanjima: sigurnije je podcijeniti prodaju, jer maksimalna pogreška može biti 100% (nema negativne prodaje), ali u smjeru pretjeranog predviđanja može biti proizvoljno velika, Kotik objašnjava. Drugim riječima, tvrtka je predstavila idealan matematički model koji bi u stvarnim uvjetima doveo do polupraznih trgovina i ogromnih gubitaka od podprodaje. Kao rezultat toga, na natječaju je pobijedila još jedna tvrtka čiji su se izračuni mogli provesti u praksi.

"Možda" umjesto velikih podataka

Tehnologije velikih podataka relevantne su za mnoge industrije, ali njihova se aktivna implementacija ne događa svugdje, napominje Meshkov. Primjerice, u zdravstvu postoji problem s pohranjivanjem podataka: nakupilo se mnogo informacija koje se redovito ažuriraju, ali većinom ti podaci još nisu digitalizirani. U državnim agencijama također postoji mnogo podataka, ali oni nisu spojeni u zajednički klaster. Razvoj jedinstvene informacijske platforme Nacionalnog sustava upravljanja podacima (NCMS) usmjeren je na rješavanje ovog problema, kaže stručnjak.

No, naša zemlja nije jedina u kojoj se u većini organizacija važne odluke donose na temelju intuicije, a ne analize velikih podataka. Deloitte je u travnju prošle godine proveo anketu među više od tisuću čelnika velikih američkih kompanija (s 500 i više zaposlenih) i otkrio da je 63% ispitanih upoznato s big data tehnologijama, ali ne posjeduju sve potrebne infrastrukture za njihovo korištenje. U međuvremenu, među 37% tvrtki s visokom razinom analitičke zrelosti, gotovo polovica je značajno premašila poslovne ciljeve u posljednjih 12 mjeseci.

Studija je otkrila da je uz poteškoće u implementaciji novih tehničkih rješenja važan problem u tvrtkama nedostatak kulture rada s podacima. Ne treba očekivati ​​dobre rezultate ako se odgovornost za odluke donesene na temelju velikih podataka dodjeljuje samo analitičarima tvrtke, a ne cijeloj tvrtki u cjelini. "Tvrtke sada traže zanimljive slučajeve upotrebe velikih podataka", kaže Miftakhov. “Istovremeno, implementacija nekih scenarija zahtijeva ulaganja u sustave za prikupljanje, obradu i kontrolu kvalitete dodatnih podataka koji dosad nisu bili analizirani.” Jao, "analitika još nije timski sport", priznaju autori studije.

Ostavi odgovor