Terima seperti data: cara perniagaan belajar untuk mendapat keuntungan daripada data besar

Dengan menganalisis data besar, syarikat belajar untuk mendedahkan corak tersembunyi, meningkatkan prestasi perniagaan mereka. Arahnya bergaya, tetapi tidak semua orang boleh mendapat manfaat daripada data besar kerana kurangnya budaya bekerja dengan mereka

“Semakin biasa nama seseorang, semakin besar kemungkinan mereka membayar tepat pada masanya. Lebih banyak tingkat rumah anda, lebih banyak statistik anda adalah peminjam yang lebih baik. Tanda zodiak hampir tidak mempunyai kesan ke atas kemungkinan pengembalian wang, tetapi psikotaip itu berlaku dengan ketara, "kata Stanislav Duzhinsky, seorang penganalisis di Home Credit Bank, mengenai corak yang tidak dijangka dalam tingkah laku peminjam. Dia tidak berjanji untuk menerangkan banyak corak ini - ia didedahkan oleh kecerdasan buatan, yang memproses beribu-ribu profil pelanggan.

Inilah kuasa analisis data besar: dengan menganalisis sejumlah besar data tidak berstruktur, program ini boleh menemui banyak korelasi yang tidak diketahui oleh penganalisis manusia yang paling bijak. Mana-mana syarikat mempunyai sejumlah besar data tidak berstruktur (data besar) – tentang pekerja, pelanggan, rakan kongsi, pesaing, yang boleh digunakan untuk faedah perniagaan: meningkatkan kesan promosi, mencapai pertumbuhan jualan, mengurangkan pusing ganti kakitangan, dsb.

Yang pertama bekerja dengan data besar ialah syarikat teknologi dan telekomunikasi yang besar, institusi kewangan dan runcit, komen Rafail Miftakhov, pengarah Kumpulan Integrasi Teknologi Deloitte, CIS. Kini terdapat minat dalam penyelesaian sedemikian dalam banyak industri. Apa yang telah dicapai oleh syarikat? Dan adakah analisis data besar sentiasa membawa kepada kesimpulan yang berharga?

Bank menggunakan algoritma data besar terutamanya untuk meningkatkan pengalaman pelanggan dan mengoptimumkan kos, serta mengurus risiko dan memerangi penipuan. "Dalam beberapa tahun kebelakangan ini, revolusi sebenar telah berlaku dalam bidang analisis data besar," kata Duzhinsky. "Penggunaan pembelajaran mesin membolehkan kami meramalkan kebarangkalian mungkir pinjaman dengan lebih tepat - kenakalan dalam bank kami hanya 3,9%." Sebagai perbandingan, pada 1 Januari 2019, bahagian pinjaman dengan bayaran tertunggak selama 90 hari ke atas pinjaman yang dikeluarkan kepada individu adalah, menurut Bank Negara, 5%.

Malah organisasi kewangan mikro juga hairan dengan kajian data besar. "Menyediakan perkhidmatan kewangan tanpa menganalisis data besar hari ini adalah seperti melakukan matematik tanpa nombor," kata Andrey Ponomarev, Ketua Pegawai Eksekutif Webbankir, platform pinjaman dalam talian. "Kami mengeluarkan wang dalam talian tanpa melihat sama ada pelanggan atau pasportnya, dan tidak seperti pinjaman tradisional, kami bukan sahaja perlu menilai kesolvenan seseorang, tetapi juga mengenal pasti keperibadiannya."

Kini pangkalan data syarikat menyimpan maklumat mengenai lebih daripada 500 ribu pelanggan. Setiap aplikasi baharu dianalisis dengan data ini dalam kira-kira 800 parameter. Program ini mengambil kira bukan sahaja jantina, umur, status perkahwinan dan sejarah kredit, tetapi juga peranti dari mana seseorang memasuki platform, bagaimana dia berkelakuan di tapak. Sebagai contoh, mungkin membimbangkan bahawa bakal peminjam tidak menggunakan kalkulator pinjaman atau tidak bertanya tentang syarat pinjaman. "Dengan pengecualian beberapa faktor henti - katakan, kami tidak mengeluarkan pinjaman kepada mereka yang berumur di bawah 19 tahun - tiada satu pun daripada parameter ini dengan sendirinya menjadi sebab untuk menolak atau bersetuju untuk mengeluarkan pinjaman," jelas Ponomarev. Ia adalah gabungan faktor yang penting. Dalam 95% kes, keputusan dibuat secara automatik, tanpa penyertaan pakar dari jabatan pengunderaitan.

Analisis data besar membolehkan kami memperoleh corak yang menarik, perkongsian Ponomarev. Sebagai contoh, pengguna iPhone ternyata menjadi peminjam yang lebih berdisiplin berbanding pemilik peranti Android - pengguna yang pertama menerima kelulusan aplikasi 1,7 kali lebih kerap. "Hakikat bahawa anggota tentera tidak membayar balik pinjaman hampir seperempat kurang kerap daripada purata peminjam bukanlah sesuatu yang mengejutkan," kata Ponomarev. "Tetapi pelajar biasanya tidak dijangka diwajibkan, tetapi sementara itu, kes mungkir kredit adalah 10% kurang biasa daripada purata untuk asas."

Kajian data besar membolehkan pemarkahan untuk penanggung insurans juga. Ditubuhkan pada 2016, BEI terlibat dalam pengenalan jauh dan pengesahan dokumen dalam talian. Perkhidmatan ini adalah permintaan dalam kalangan penanggung insurans pengangkutan yang berminat untuk kehilangan barang sesedikit mungkin. Sebelum menginsuranskan pengangkutan barangan, syarikat insurans, dengan persetujuan pemandu, menyemak kebolehpercayaan, jelas Jan Sloka, pengarah komersial BEI. Bersama rakan kongsi - syarikat St. Petersburg "Kawalan Risiko" - BEI telah membangunkan perkhidmatan yang membolehkan anda menyemak identiti pemandu, data dan hak pasport, penyertaan dalam insiden yang berkaitan dengan kehilangan kargo, dsb. Selepas menganalisis pangkalan data pemandu, syarikat itu mengenal pasti "kumpulan berisiko": selalunya, kargo hilang dalam kalangan pemandu berumur 30-40 tahun dengan pengalaman memandu yang lama, yang sering bertukar kerja baru-baru ini. Ternyata kargo itu paling kerap dicuri oleh pemandu kereta, hayat perkhidmatannya melebihi lapan tahun.

Peruncit mempunyai tugas yang berbeza – untuk mengenal pasti pelanggan yang bersedia untuk membuat pembelian dan menentukan cara paling berkesan untuk membawa mereka ke tapak atau kedai. Untuk tujuan ini, program menganalisis profil pelanggan, data dari akaun peribadi mereka, sejarah pembelian, pertanyaan carian dan penggunaan mata bonus, kandungan bakul elektronik yang mereka mula isi dan tinggalkan. Analitis data membolehkan anda membahagikan keseluruhan pangkalan data dan mengenal pasti kumpulan pembeli berpotensi yang mungkin berminat dengan tawaran tertentu, kata Kirill Ivanov, pengarah pejabat data kumpulan M.Video-Eldorado.

Contohnya, program ini mengenal pasti kumpulan pelanggan, yang masing-masing menyukai alatan pemasaran yang berbeza – pinjaman tanpa faedah, pulangan tunai atau kod promosi diskaun. Pembeli ini menerima surat berita e-mel dengan promosi yang sepadan. Kebarangkalian bahawa seseorang, setelah membuka surat itu, akan pergi ke laman web syarikat, dalam kes ini meningkat dengan ketara, nota Ivanov.

Analisis data juga membolehkan anda meningkatkan jualan produk dan aksesori yang berkaitan. Sistem ini, yang telah memproses sejarah pesanan pelanggan lain, memberikan pengesyoran pembeli tentang perkara yang hendak dibeli bersama-sama dengan produk yang dipilih. Ujian kaedah kerja ini, menurut Ivanov, menunjukkan peningkatan dalam bilangan pesanan dengan aksesori sebanyak 12% dan peningkatan dalam perolehan aksesori sebanyak 15%.

Peruncit bukan satu-satunya yang berusaha untuk meningkatkan kualiti perkhidmatan dan meningkatkan jualan. Musim panas lalu, MegaFon melancarkan perkhidmatan tawaran "pintar" berdasarkan pemprosesan data daripada berjuta-juta pelanggan. Setelah mengkaji tingkah laku mereka, kecerdasan buatan telah belajar untuk membentuk tawaran peribadi untuk setiap pelanggan dalam tarif. Sebagai contoh, jika program menyatakan bahawa seseorang sedang menonton video secara aktif pada perantinya, perkhidmatan itu akan menawarkannya untuk mengembangkan jumlah trafik mudah alih. Dengan mengambil kira keutamaan pengguna, syarikat itu menyediakan pelanggan dengan trafik tanpa had untuk jenis masa lapang Internet kegemaran mereka – contohnya, menggunakan pemesej segera atau mendengar muzik pada perkhidmatan penstriman, berbual di rangkaian sosial atau menonton rancangan TV.

"Kami menganalisis tingkah laku pelanggan dan memahami bagaimana minat mereka berubah," jelas Vitaly Shcherbakov, pengarah analisis data besar di MegaFon. “Sebagai contoh, pada tahun ini, trafik AliExpress telah meningkat 1,5 kali ganda berbanding tahun lepas, dan secara amnya, bilangan lawatan ke kedai pakaian dalam talian meningkat: 1,2–2 kali, bergantung pada sumber tertentu.”

Satu lagi contoh kerja pengendali dengan data besar ialah platform MegaFon Poisk untuk mencari kanak-kanak dan orang dewasa yang hilang. Sistem menganalisis orang yang boleh berada berhampiran tempat orang hilang, dan menghantar maklumat kepada mereka dengan foto dan tanda orang hilang. Pengendali membangunkan dan menguji sistem bersama-sama dengan Kementerian Hal Ehwal Dalam Negeri dan organisasi Lisa Alert: dalam masa dua minit orientasi kepada orang yang hilang, lebih daripada 2 ribu pelanggan menerima, yang dengan ketara meningkatkan peluang hasil carian yang berjaya.

Analisis data besar juga telah menemui aplikasi dalam industri. Di sini ia membolehkan anda meramalkan permintaan dan merancang jualan. Jadi, dalam kumpulan syarikat Cherkizovo, tiga tahun lalu, penyelesaian berdasarkan SAP BW telah dilaksanakan, yang membolehkan anda menyimpan dan memproses semua maklumat jualan: harga, pelbagai, jumlah produk, promosi, saluran pengedaran, kata Vladislav Belyaev, CIO daripada kumpulan ” Cherkizovo. Analisis 2 TB maklumat terkumpul bukan sahaja memungkinkan untuk membentuk pelbagai dan mengoptimumkan portfolio produk dengan berkesan, tetapi juga memudahkan kerja pekerja. Sebagai contoh, menyediakan laporan jualan harian memerlukan banyak penganalisis sehari - dua untuk setiap segmen produk. Kini laporan ini disediakan oleh robot, menghabiskan hanya 30 minit pada semua segmen.

"Dalam industri, data besar berfungsi dengan berkesan bersama-sama dengan Internet of things," kata Stanislav Meshkov, Ketua Pegawai Eksekutif Umbrella IT. "Berdasarkan analisis data daripada penderia yang dilengkapi dengan peralatan, adalah mungkin untuk mengenal pasti penyelewengan dalam operasinya dan mencegah kerosakan, dan meramalkan prestasi."

Di Severstal, dengan bantuan data besar, mereka juga cuba menyelesaikan tugas yang agak bukan remeh - contohnya, untuk mengurangkan kadar kecederaan. Pada 2019, syarikat memperuntukkan kira-kira RUB 1,1 bilion untuk langkah meningkatkan keselamatan pekerja. Severstal menjangka dapat mengurangkan kadar kecederaan sebanyak 2025% sebanyak 50 (berbanding 2017). "Jika pengurus barisan - mandor, pengurus tapak, pengurus kedai - menyedari bahawa pekerja melakukan operasi tertentu dengan tidak selamat (tidak berpegang pada susur tangan semasa menaiki tangga di tapak perindustrian atau tidak memakai semua peralatan pelindung diri), dia menulis nota khas kepadanya – PAB (daripada “audit keselamatan tingkah laku”),” kata Boris Voskresensky, ketua jabatan analisis data syarikat.

Selepas menganalisis data mengenai bilangan PAB di salah satu bahagian, pakar syarikat mendapati bahawa peraturan keselamatan paling kerap dilanggar oleh mereka yang sudah mempunyai beberapa kenyataan sebelum ini, serta oleh mereka yang sedang bercuti sakit atau bercuti sejurus sebelum itu. kejadian itu. Pelanggaran pada minggu pertama selepas pulang bercuti atau cuti sakit adalah dua kali lebih tinggi daripada tempoh berikutnya: 1 berbanding 0,55%. Tetapi bekerja pada syif malam, ternyata, tidak menjejaskan statistik PAB.

Mencipta algoritma untuk memproses data besar bukanlah bahagian kerja yang paling sukar, kata wakil syarikat. Adalah lebih sukar untuk memahami cara teknologi ini boleh digunakan dalam konteks setiap perniagaan tertentu. Di sinilah terletaknya penganalisis syarikat dan juga penyedia luar Achilles, yang nampaknya telah mengumpul kepakaran dalam bidang data besar.

"Saya sering bertemu penganalisis data besar yang merupakan ahli matematik yang cemerlang, tetapi tidak mempunyai pemahaman yang diperlukan tentang proses perniagaan," kata Sergey Kotik, pengarah pembangunan di GoodsForecast. Dia mengimbas kembali bagaimana dua tahun lalu syarikatnya berpeluang menyertai pertandingan ramalan permintaan untuk rantaian runcit persekutuan. Kawasan perintis telah dipilih, untuk semua barangan dan kedai yang peserta membuat ramalan. Ramalan itu kemudiannya dibandingkan dengan jualan sebenar. Tempat pertama diambil oleh salah satu gergasi Internet Rusia, yang terkenal dengan kepakarannya dalam pembelajaran mesin dan analisis data: dalam ramalannya, ia menunjukkan sisihan minimum daripada jualan sebenar.

Tetapi apabila rangkaian mula mengkaji ramalannya dengan lebih terperinci, ternyata dari sudut pandangan perniagaan, mereka sama sekali tidak boleh diterima. Syarikat itu memperkenalkan model yang menghasilkan rancangan jualan dengan pernyataan yang kurang sistematik. Program ini memikirkan cara untuk meminimumkan kebarangkalian ralat dalam ramalan: adalah lebih selamat untuk meremehkan jualan, kerana ralat maksimum boleh 100% (tidak ada jualan negatif), tetapi ke arah peramalan berlebihan, ia boleh menjadi besar sewenang-wenangnya, Kotik menerangkan. Dalam erti kata lain, syarikat itu membentangkan model matematik yang ideal, yang dalam keadaan sebenar akan membawa kepada kedai separuh kosong dan kerugian besar daripada kurang jualan. Akibatnya, syarikat lain memenangi pertandingan itu, yang pengiraannya boleh dipraktikkan.

Teknologi data besar adalah relevan untuk banyak industri, tetapi pelaksanaan aktifnya tidak berlaku di mana-mana, nota Meshkov. Sebagai contoh, dalam penjagaan kesihatan terdapat masalah dengan penyimpanan data: banyak maklumat telah terkumpul dan ia sentiasa dikemas kini, tetapi sebahagian besar data ini masih belum didigitalkan. Terdapat juga banyak data dalam agensi kerajaan, tetapi ia tidak digabungkan menjadi kluster biasa. Pembangunan platform maklumat bersatu Sistem Pengurusan Data Kebangsaan (NCMS) bertujuan untuk menyelesaikan masalah ini, kata pakar itu.

Walau bagaimanapun, negara kita jauh daripada satu-satunya negara di mana dalam kebanyakan organisasi keputusan penting dibuat berdasarkan gerak hati, dan bukan analisis data besar. Pada April tahun lepas, Deloitte menjalankan tinjauan di kalangan lebih seribu pemimpin syarikat besar Amerika (dengan kakitangan 500 atau lebih) dan mendapati 63% daripada mereka yang ditinjau sudah biasa dengan teknologi data besar, tetapi tidak mempunyai semua yang diperlukan. infrastruktur untuk menggunakannya. Sementara itu, dalam kalangan 37% syarikat yang mempunyai tahap kematangan analisis yang tinggi, hampir separuh telah melebihi matlamat perniagaan dengan ketara dalam tempoh 12 bulan yang lalu.

Kajian itu mendedahkan bahawa sebagai tambahan kepada kesukaran melaksanakan penyelesaian teknikal baharu, masalah penting dalam syarikat ialah kekurangan budaya bekerja dengan data. Anda tidak seharusnya mengharapkan hasil yang baik jika tanggungjawab untuk keputusan yang dibuat berdasarkan data besar hanya diberikan kepada penganalisis syarikat, dan bukan kepada keseluruhan syarikat secara keseluruhan. "Kini syarikat sedang mencari kes penggunaan yang menarik untuk data besar," kata Miftakhov. "Pada masa yang sama, pelaksanaan beberapa senario memerlukan pelaburan dalam sistem untuk mengumpul, memproses dan kawalan kualiti data tambahan yang belum dianalisis sebelum ini." Malangnya, "analisis belum lagi sukan berpasukan," penulis kajian mengakui.