Prijmite ako dáta: ako sa firmy učia profitovať z veľkých dát

Analýzou veľkých dát sa spoločnosti učia odhaľovať skryté vzorce a zlepšujú tak svoju obchodnú výkonnosť. Smer je módny, no nie každý môže ťažiť z veľkých dát kvôli nedostatku kultúry práce s nimi

„Čím bežnejšie je meno osoby, tým je pravdepodobnejšie, že zaplatí včas. Čím viac poschodí má váš dom, tým ste štatisticky lepším dlžníkom. Znamenie zverokruhu nemá takmer žiadny vplyv na pravdepodobnosť vrátenia peňazí, ale psychotyp výrazne, “hovorí Stanislav Duzhinsky, analytik Home Credit Bank, o neočakávaných vzorcoch správania dlžníkov. Mnohé z týchto vzorcov sa nezaväzuje vysvetľovať – odhalila ich umelá inteligencia, ktorá spracovala tisíce zákazníckych profilov.

Toto je sila analýzy veľkých dát: analýzou obrovského množstva neštruktúrovaných dát môže program objaviť mnohé korelácie, o ktorých ten najmúdrejší ľudský analytik ani nevie. Každá spoločnosť disponuje obrovským množstvom neštruktúrovaných dát (veľkých dát) – o zamestnancoch, zákazníkoch, partneroch, konkurentoch, ktoré je možné využiť v prospech podnikania: zlepšiť efekt akcií, dosiahnuť rast predaja, znížiť fluktuáciu zamestnancov atď.

Ako prvé začali pracovať s veľkými dátami veľké technologické a telekomunikačné spoločnosti, finančné inštitúcie a maloobchod, komentuje Rafail Miftakhov, riaditeľ Deloitte Technology Integration Group, CIS. Teraz je o takéto riešenia záujem v mnohých odvetviach. Čo firmy dosiahli? A vedie analýza veľkých dát vždy k hodnotným záverom?

Banky využívajú algoritmy veľkých dát predovšetkým na zlepšenie zákazníckej skúsenosti a optimalizáciu nákladov, ako aj na riadenie rizík a boj proti podvodom. „V posledných rokoch došlo v oblasti analýzy veľkých dát k skutočnej revolúcii,“ hovorí Duzhinsky. „Využitie strojového učenia nám umožňuje oveľa presnejšie predpovedať pravdepodobnosť nesplácania úveru – delikvencia v našej banke je len 3,9 %. Pre porovnanie, k 1. januáru 2019 bol podiel úverov s omeškaním nad 90 dní na úveroch poskytnutých fyzickým osobám podľa centrálnej banky 5 %.

Dokonca aj mikrofinančné organizácie sú zmätené štúdiom veľkých dát. „Poskytovanie finančných služieb bez analýzy veľkých dát je dnes ako robiť matematiku bez čísel,“ hovorí Andrey Ponomarev, generálny riaditeľ Webbankir, online pôžičkovej platformy. „Peniaze vydávame online bez toho, aby sme videli klienta alebo jeho pas, a na rozdiel od tradičného požičiavania musíme nielen posúdiť platobnú schopnosť človeka, ale aj identifikovať jeho osobnosť.“

V súčasnosti sú v databáze spoločnosti uložené informácie o viac ako 500 tisícoch zákazníkov. Každá nová aplikácia je s týmito údajmi analyzovaná v približne 800 parametroch. Program zohľadňuje nielen pohlavie, vek, rodinný stav a úverovú históriu, ale aj zariadenie, z ktorého človek na platformu vstúpil, ako sa na stránke správal. Alarmujúce môže byť napríklad to, že potenciálny dlžník nepoužil úverovú kalkulačku alebo sa nepýtal na podmienky pôžičky. „S výnimkou niekoľkých stop faktorov – povedzme, že neposkytujeme pôžičky osobám mladším ako 19 rokov – žiadny z týchto parametrov sám osebe nie je dôvodom na odmietnutie alebo súhlas s poskytnutím pôžičky,“ vysvetľuje Ponomarev. Dôležitá je kombinácia faktorov. V 95% prípadov sa rozhodnutie prijíma automaticky, bez účasti špecialistov z oddelenia upisovania.

Analýza veľkých dát nám umožňuje odvodiť zaujímavé vzorce, zdieľa Ponomarev. Napríklad používatelia iPhone sa ukázali byť disciplinovanejšími dlžníkmi ako majitelia zariadení s Androidom – tí prví dostávajú schválenie žiadostí 1,7-krát častejšie. „Skutočnosť, že vojenský personál nespláca pôžičky takmer o štvrtinu menej často ako priemerný dlžník, nebola prekvapením,“ hovorí Ponomarev. "Od študentov sa však zvyčajne neočakáva, že budú povinní, ale medzičasom sú prípady zlyhania úveru o 10 % menej bežné ako priemer pre základ."

Štúdium veľkých dát umožňuje skórovať aj pre poisťovne. IDX, založená v roku 2016, sa zaoberá diaľkovou identifikáciou a online overovaním dokumentov. Tieto služby sú žiadané medzi poisťovateľmi nákladnej dopravy, ktorí majú záujem o čo najmenšiu stratu tovaru. Pred poistením prepravy tovaru poisťovateľ so súhlasom vodiča preverí spoľahlivosť, vysvetľuje Jan Sloka, obchodný riaditeľ IDX. Spoločne s partnerom – petrohradskou spoločnosťou „Risk Control“ – IDX vyvinula službu, ktorá vám umožní skontrolovať totožnosť vodiča, pasové údaje a práva, účasť na incidentoch súvisiacich so stratou nákladu a pod. V databáze vodičov spoločnosť identifikovala „rizikovú skupinu“: najčastejšie dochádza k strate nákladu medzi vodičmi vo veku 30 – 40 rokov s dlhoročnými vodičskými skúsenosťami, ktorí v poslednom čase často zmenili zamestnanie. Ukázalo sa tiež, že náklad najčastejšie kradnú vodiči áut, ktorých životnosť presahuje osem rokov.

Maloobchodníci majú inú úlohu – identifikovať zákazníkov, ktorí sú pripravení uskutočniť nákup, a určiť najefektívnejšie spôsoby, ako ich priviesť na stránku alebo do obchodu. Za týmto účelom programy analyzujú profil zákazníkov, údaje z ich osobného účtu, históriu nákupov, vyhľadávacie dopyty a využitie bonusových bodov, obsah elektronických košíkov, ktoré začali vypĺňať a opustili. Analytika údajov vám umožňuje segmentovať celú databázu a identifikovať skupiny potenciálnych kupcov, ktorí môžu mať záujem o konkrétnu ponuku, hovorí Kirill Ivanov, riaditeľ dátovej kancelárie skupiny M.Video-Eldorado.

Program napríklad identifikuje skupiny zákazníkov, z ktorých každý má rád iné marketingové nástroje – bezúročnú pôžičku, cashback alebo zľavový promo kód. Títo kupujúci dostanú e-mailový newsletter s príslušnou akciou. Pravdepodobnosť, že osoba po otvorení listu prejde na webovú stránku spoločnosti, sa v tomto prípade výrazne zvyšuje, poznamenáva Ivanov.

Analýza údajov vám tiež umožňuje zvýšiť predaj súvisiacich produktov a príslušenstva. Systém, ktorý spracoval históriu objednávok ostatných zákazníkov, dáva kupujúcemu k vybranému produktu odporúčania, čo si má kúpiť. Testovanie tohto spôsobu práce podľa Ivanova ukázalo nárast počtu objednávok s príslušenstvom o 12 % a nárast obratu príslušenstva o 15 %.

Nielen maloobchodníci sa snažia skvalitňovať služby a zvyšovať tržby. Minulé leto MegaFon spustil službu „inteligentnej“ ponuky založenú na spracovaní údajov od miliónov predplatiteľov. Po preštudovaní ich správania sa umelá inteligencia naučila vytvárať osobné ponuky pre každého klienta v rámci taríf. Napríklad, ak program zaznamená, že osoba aktívne sleduje video na svojom zariadení, služba mu ponúkne rozšírenie objemu mobilnej prevádzky. S prihliadnutím na preferencie používateľov spoločnosť poskytuje predplatiteľom neobmedzenú návštevnosť pre ich obľúbené druhy voľného času na internete – napríklad pomocou instant messengerov alebo počúvaním hudby na streamovacích službách, chatovaním na sociálnych sieťach alebo sledovaním televíznych relácií.

„Analyzujeme správanie predplatiteľov a chápeme, ako sa menia ich záujmy,“ vysvetľuje Vitaly Shcherbakov, riaditeľ analýzy veľkých dát v spoločnosti MegaFon. „Napríklad tento rok vzrástla návštevnosť AliExpress 1,5-krát v porovnaní s minulým rokom a vo všeobecnosti rastie počet návštev online obchodov s oblečením: 1,2–2-krát, v závislosti od konkrétneho zdroja.“

Ďalším príkladom práce operátora s veľkými dátami je platforma MegaFon Poisk na vyhľadávanie nezvestných detí a dospelých. Systém analyzuje, ktoré osoby by sa mohli nachádzať v blízkosti miesta nezvestnej osoby, a posiela im informácie s fotografiou a znakmi nezvestnej osoby. Operátor vyvinul a otestoval systém spolu s ministerstvom vnútra a organizáciou Lisa Alert: do dvoch minút od orientácie na nezvestnú osobu dostane viac ako 2 XNUMX účastníkov, čo výrazne zvyšuje šance na úspešný výsledok hľadania.

Analýza veľkých dát našla uplatnenie aj v priemysle. Tu vám umožňuje predpovedať dopyt a plánovať predaj. Takže v skupine spoločností Cherkizovo bolo pred tromi rokmi implementované riešenie založené na SAP BW, ktoré vám umožňuje uchovávať a spracovávať všetky informácie o predaji: ceny, sortiment, objemy produktov, akcie, distribučné kanály, hovorí Vladislav Belyaev, CIO zo skupiny „Čerkizovo. Analýza nahromadených 2 TB informácií umožnila nielen efektívne formovať sortiment a optimalizovať produktové portfólio, ale aj uľahčila prácu zamestnancom. Napríklad príprava dennej správy o predaji by si vyžadovala celodennú prácu mnohých analytikov – dvoch pre každý produktový segment. Teraz túto správu pripravuje robot, pričom na všetky segmenty strávi iba 30 minút.

„V priemysle fungujú veľké dáta efektívne v spojení s internetom vecí,“ hovorí Stanislav Meshkov, generálny riaditeľ Umbrella IT. "Na základe analýzy údajov zo senzorov, ktorými je zariadenie vybavené, je možné identifikovať odchýlky v jeho prevádzke a predchádzať poruchám a predpovedať výkon."

V Severstali sa pomocou veľkých dát snažia riešiť aj skôr netriviálne úlohy – napríklad znížiť úrazovosť. V roku 2019 spoločnosť vyčlenila približne 1,1 miliardy RUB na opatrenia na zlepšenie bezpečnosti práce. Severstaľ očakáva zníženie úrazovosti o 2025 % o 50 (v porovnaní s rokom 2017). „Ak si nadriadený – majster, stavbyvedúci, vedúci predajne – všimol, že zamestnanec vykonáva určité operácie nebezpečne (nedrží sa zábradlia pri lezení po schodoch v priemyselnom areáli alebo nenosí všetky osobné ochranné prostriedky), napíše špeciálna poznámka pre neho – PAB (z „auditu bezpečnosti správania“),“ hovorí Boris Voskresensky, vedúci oddelenia analýzy údajov spoločnosti.

Po analýze údajov o počte PAB v jednej z divízií špecialisti spoločnosti zistili, že bezpečnostné pravidlá najčastejšie porušovali tí, ktorí už mali niekoľko pripomienok predtým, ako aj tí, ktorí boli krátko predtým na práceneschopnosti alebo na dovolenke. nehoda. Porušenia v prvom týždni po návrate z dovolenky alebo práceneschopnosti boli dvakrát vyššie ako v nasledujúcom období: 1 oproti 0,55 %. No práca na nočnej zmene, ako sa ukázalo, nemá vplyv na štatistiku PAB.

Vytváranie algoritmov na spracovanie veľkých dát nie je najťažšia časť práce, tvrdia zástupcovia spoločnosti. Je oveľa ťažšie pochopiť, ako možno tieto technológie aplikovať v kontexte každého konkrétneho podnikania. Tu leží Achillova päta analytikov spoločností a dokonca aj externých poskytovateľov, ktorí, ako sa zdá, nazbierali odborné znalosti v oblasti veľkých dát.

„Často som sa stretával s analytikmi veľkých dát, ktorí boli vynikajúcimi matematikmi, ale nemali potrebné znalosti o obchodných procesoch,“ hovorí Sergey Kotik, riaditeľ vývoja v GoodsForecast. Spomína, ako pred dvoma rokmi mala jeho spoločnosť možnosť zúčastniť sa súťaže na prognózovanie dopytu pre federálny obchodný reťazec. Bol vybraný pilotný región pre všetky tovary a obchody, o ktorých účastníci predpovedali. Prognózy sa potom porovnali so skutočnými predajmi. Prvé miesto obsadil jeden z ruských internetových gigantov, známy svojimi odbornými znalosťami v oblasti strojového učenia a analýzy dát: vo svojich prognózach vykazoval minimálnu odchýlku od skutočného predaja.

Keď však sieť začala podrobnejšie študovať jeho prognózy, ukázalo sa, že z obchodného hľadiska sú absolútne neprijateľné. Spoločnosť predstavila model, ktorý produkoval plány predaja so systematickým podhodnotením. Program prišiel na to, ako minimalizovať pravdepodobnosť chýb v prognózach: je bezpečnejšie podceňovať predaje, keďže maximálna chyba môže byť 100% (neexistujú žiadne záporné predaje), ale v smere predpovedania môže byť ľubovoľne veľká, Kotik vysvetľuje. Inými slovami, spoločnosť predstavila ideálny matematický model, ktorý by v reálnych podmienkach viedol k poloprázdnym predajniam a obrovským stratám z podpredajov. Súťaž vďaka tomu vyhrala iná firma, ktorej výpočty bolo možné uviesť do praxe.

Technológie veľkých dát sú relevantné pre mnohé odvetvia, ale ich aktívna implementácia sa nevyskytuje všade, poznamenáva Meshkov. Napríklad v zdravotníctve je problém s ukladaním dát: nahromadilo sa veľa informácií, ktoré sa pravidelne aktualizujú, no väčšinou tieto dáta ešte nie sú digitalizované. Veľa údajov je aj vo vládnych agentúrach, ale nie sú spojené do spoločného zhluku. Na vyriešenie tohto problému je zameraný vývoj jednotnej informačnej platformy Národného systému riadenia údajov (NCMS), hovorí odborník.

Naša krajina však zďaleka nie je jedinou krajinou, kde sa vo väčšine organizácií prijímajú dôležité rozhodnutia na základe intuície, a nie analýzy veľkých dát. V apríli minulého roku uskutočnila spoločnosť Deloitte prieskum medzi viac ako tisíckou lídrov veľkých amerických spoločností (s 500 a viac zamestnancami) a zistila, že 63 % opýtaných pozná technológie veľkých dát, no nemá všetky potrebné infraštruktúru na ich používanie. Medzitým z 37 % spoločností s vysokou úrovňou analytickej vyspelosti takmer polovica výrazne prekročila obchodné ciele za posledných 12 mesiacov.

Štúdia odhalila, že okrem náročnosti implementácie nových technických riešení je dôležitým problémom vo firmách chýbajúca kultúra práce s dátami. Nemali by ste očakávať dobré výsledky, ak je zodpovednosť za rozhodnutia prijaté na základe veľkých dát pridelená iba analytikom spoločnosti, a nie celej spoločnosti ako celku. „Spoločnosti teraz hľadajú zaujímavé prípady použitia veľkých dát,“ hovorí Miftakhov. "Zároveň si implementácia niektorých scenárov vyžaduje investície do systémov zberu, spracovania a kontroly kvality dodatočných údajov, ktoré ešte neboli analyzované." Žiaľ, „analytika ešte nie je tímový šport,“ pripúšťajú autori štúdie.