Fogadd el, mint az adatokat: hogyan tanulnak meg a vállalkozások profitálni a big data-ból

A big data elemzésével a vállalatok megtanulják felfedni a rejtett mintákat, javítva ezzel üzleti teljesítményüket. Az irány divatos, de nem mindenki profitálhat a big data-ból a velük való munkakultúra hiánya miatt

„Minél gyakoribb egy személy neve, annál valószínűbb, hogy időben fizet. Minél több emelet van a házában, statisztikailag annál jobb hitelfelvevő. Az állatöv jele szinte semmilyen hatással nincs a visszatérítés valószínűségére, a pszichotípus viszont jelentősen” – mondja Stanislav Duzhinsky, a Home Credit Bank elemzője a hitelfelvevők viselkedésének váratlan mintáiról. Sok ilyen mintázat megmagyarázására nem vállalkozik – derítette ki a mesterséges intelligencia, amely több ezer ügyfélprofilt dolgozott fel.

Ez a big data elemzés ereje: hatalmas mennyiségű strukturálatlan adat elemzésével a program számos olyan összefüggést fedezhet fel, amelyekről a legbölcsebb emberelemző sem tud. Bármely cég hatalmas mennyiségű strukturálatlan adattal (big data) rendelkezik – alkalmazottakról, ügyfelekről, partnerekről, versenytársakról, amelyeket üzleti haszonra lehet felhasználni: promóciók hatásának javítására, árbevétel-növekedésre, fluktuáció csökkentésére stb.

Az elsők, akik nagy technológiai és telekommunikációs cégek, pénzintézetek és kiskereskedelem foglalkoztak a big data-tal, jegyezte meg Rafail Miftakhov, a Deloitte Technology Integration Group FÁK igazgatója. Ma már számos iparágban van érdeklődés az ilyen megoldások iránt. Mit értek el a cégek? És a big data elemzése mindig értékes következtetésekhez vezet?

A bankok a big data algoritmusokat elsősorban az ügyfélélmény javítására és a költségek optimalizálására, valamint a kockázatkezelésre és a csalás elleni küzdelemre használják. „Az elmúlt években igazi forradalom ment végbe a big data elemzése terén” – mondja Duzhinsky. „A gépi tanulás segítségével sokkal pontosabban megjósolhatjuk a hitel-nemteljesítés valószínűségét – bankunknál a késedelem mindössze 3,9 százalékos.” Összehasonlításképpen: 1. január 2019-jén a 90 napon túli késedelmes hitelek aránya a magánszemélyeknek kihelyezett hiteleken belül a jegybank adatai szerint 5% volt.

Még a mikrofinanszírozási szervezetek is értetlenül állnak a big data tanulmányozása előtt. „Ma pénzügyi szolgáltatásokat nyújtani big data elemzése nélkül olyan, mintha számok nélkül számolnánk” – mondja Andrey Ponomarev, a Webbankir, egy online hitelezési platform vezérigazgatója. „Az interneten úgy adunk ki pénzt, hogy nem látjuk sem az ügyfelet, sem az útlevelét, és a hagyományos hitelezéstől eltérően nemcsak a személy fizetőképességét kell felmérnünk, hanem a személyiségét is.

Jelenleg a cég adatbázisa több mint 500 ezer ügyfél adatait tárolja. Minden új alkalmazást ezekkel az adatokkal elemeznek körülbelül 800 paraméterben. A program nem csak a nemet, az életkort, a családi állapotot és a hiteltörténetet veszi figyelembe, hanem azt is, hogy az illető milyen eszközről lépett be a platformra, hogyan viselkedett az oldalon. Riasztó lehet például, hogy egy potenciális hitelfelvevő nem használt hitelkalkulátort, vagy nem érdeklődött a hitel feltételeiről. „Néhány stop tényezőt leszámítva – mondjuk nem adunk ki kölcsönt 19 éven aluliaknak – e paraméterek egyike sem önmagában indok a hitelnyújtás megtagadására vagy beleegyezésére” – magyarázza Ponomarjov. A tényezők kombinációja a lényeg. Az esetek 95%-ában a döntés automatikusan, a biztosítási osztály szakembereinek részvétele nélkül történik.

A nagy adatelemzés lehetővé teszi számunkra, hogy érdekes mintákat származtassunk, osztja meg Ponomarev. Például az iPhone-felhasználók fegyelmezettebb hitelfelvevőknek bizonyultak, mint az Android készülékek tulajdonosai – előbbiek 1,7-szer gyakrabban kapnak jóváhagyást a jelentkezésekre. „Az a tény, hogy a katonai személyzet csaknem negyedével ritkábban fizeti vissza a hiteleket, mint az átlagos hitelfelvevő, nem volt meglepetés” – mondja Ponomarjov. „A hallgatókat azonban általában nem kötelezik, de közben 10%-kal ritkábban fordulnak elő a hitelmulasztások, mint az alap átlaga.”

A big data tanulmányozása a biztosítók számára is lehetővé teszi a pontozást. A 2016-ban alapított IDX távoli azonosítással és dokumentumok online ellenőrzésével foglalkozik. Ezekre a szolgáltatásokra a fuvarbiztosítók körében van kereslet, akik a lehető legkevesebb áruvesztésben érdekeltek. Az áruszállítás biztosítás előtt a biztosító a sofőr beleegyezésével ellenőrzi a megbízhatóságot – magyarázza Jan Sloka, az IDX kereskedelmi igazgatója. Az IDX egy partnerrel – a szentpétervári „Risk Control” céggel – kifejlesztett egy olyan szolgáltatást, amely lehetővé teszi a sofőr személyazonosságának, az útlevéladatoknak és jogoknak, valamint a rakomány elvesztésével kapcsolatos eseményekben való részvételnek ellenőrzését, stb. A sofőrök adatbázisában a cég azonosított egy „kockázati csoportot”: leggyakrabban a 30-40 éves, nagy vezetési gyakorlattal rendelkező sofőrök körében vész el rakomány, akik az utóbbi időben gyakran váltottak munkahelyet. Az is kiderült, hogy a rakományt leggyakrabban olyan autók sofőrjei lopják el, amelyek élettartama meghaladja a nyolc évet.

A kereskedőknek más feladatuk van – azonosítani a vásárlásra kész vásárlókat, és meghatározni a leghatékonyabb módokat, amelyekkel eljuttathatják őket a telephelyre vagy az üzletbe. Ennek érdekében a programok elemzik az ügyfelek profilját, személyes fiókjuk adatait, a vásárlások történetét, a keresési lekérdezéseket és a bónuszpontok felhasználását, az általuk elkezdett és elhagyott elektronikus kosarak tartalmát. Az adatelemzés lehetővé teszi a teljes adatbázis szegmentálását és a potenciális vásárlók csoportjainak azonosítását, akik érdeklődhetnek egy adott ajánlat iránt – mondja Kirill Ivanov, az M.Video-Eldorado csoport adatirodájának igazgatója.

Például a program azonosítja az ügyfelek csoportjait, amelyek mindegyike más-más marketingeszközt kedvel – kamatmentes kölcsönt, pénzvisszatérítést vagy kedvezményes promóciós kódot. Ezek a vásárlók e-mailben kapnak hírlevelet a megfelelő promócióval. Ebben az esetben jelentősen megnő annak a valószínűsége, hogy egy személy, miután felbontotta a levelet, felkeresi a cég weboldalát – jegyzi meg Ivanov.

Az adatelemzés lehetővé teszi a kapcsolódó termékek és tartozékok értékesítésének növelését is. A többi vásárló rendelési előzményeit feldolgozó rendszer ajánlásokat ad a vevőnek arra vonatkozóan, hogy mit vásároljon a kiválasztott termék mellett. Ivanov szerint ennek a munkamódszernek a tesztelése azt mutatta, hogy a tartozékokkal kapcsolatos megrendelések száma 12%-kal, a tartozékok forgalma pedig 15%-kal nőtt.

Nem csak a kiskereskedők törekednek a szolgáltatás minőségének javítására és az eladások növelésére. Tavaly nyáron a MegaFon elindított egy „okos” ajánlatszolgáltatást, amely előfizetők millióinak adatainak feldolgozásán alapul. A mesterséges intelligencia a viselkedésüket tanulmányozva megtanulta, hogy a tarifákon belül minden ügyfél számára személyes ajánlatot készítsen. Például, ha a program megjegyzi, hogy egy személy aktívan videót néz az eszközén, a szolgáltatás felajánlja neki, hogy bővítse a mobilforgalom mennyiségét. Figyelembe véve a felhasználók preferenciáit, a cég korlátlan forgalmat biztosít az előfizetőknek kedvenc internetes szabadidő-eltöltésükhöz – például azonnali üzenetküldők használatához vagy zenehallgatáshoz a streaming szolgáltatásokon, chateléshez a közösségi oldalakon vagy tévéműsorok nézéséhez.

„Elemezzük az előfizetők viselkedését, és megértjük, hogyan változnak az érdeklődési köreik” – magyarázza Vitalij Scserbakov, a MegaFon big data elemzési részlegének igazgatója. "Idén például másfélszeresére nőtt az AliExpress forgalma a tavalyihoz képest, és általánosságban is nő az online ruhaüzletek látogatottsága: 1,5-1,2-szeresére, az adott erőforrástól függően."

Egy másik példa egy nagy adattal rendelkező operátor munkájára az eltűnt gyermekek és felnőttek felkutatására szolgáló MegaFon Poisk platform. A rendszer elemzi, hogy mely személyek lehetnek az eltűnt személy közelében, és az eltűnt személy fényképével és jeleivel együtt információkat küldenek nekik. Az üzemeltető a Belügyminisztériummal és a Lisa Alert szervezettel közösen fejlesztette és tesztelte a rendszert: az eltűnt személyhez való tájékozódást követő két percen belül több mint 2 ezer előfizető érkezik, ami jelentősen növeli a sikeres keresési eredmény esélyét.

A nagy adatelemzés az iparban is alkalmazásra talált. Itt lehetővé teszi a kereslet előrejelzését és az értékesítés tervezését. Tehát a Cherkizovo cégcsoportban három évvel ezelőtt egy SAP BW-n alapuló megoldást vezettek be, amely lehetővé teszi az összes értékesítési információ tárolását és feldolgozását: árak, választék, termékmennyiségek, promóciók, értékesítési csatornák - mondja Vladislav Belyaev, CIO. a "Cherkizovo" csoporté. A felhalmozott 2 TB információ elemzése nemcsak a választék hatékony kialakítását és a termékportfólió optimalizálását tette lehetővé, hanem a dolgozók munkáját is megkönnyítette. Például egy napi értékesítési jelentés elkészítése sok elemző napi munkáját igényelné – minden termékszegmensben kettőt. Most ezt a jelentést a robot készítette, mindössze 30 percet fordítva minden szegmensre.

„Az iparban a big data hatékonyan működik együtt a dolgok internetével” – mondja Stanislav Meshkov, az Umbrella IT vezérigazgatója. „A berendezéssel felszerelt érzékelők adatainak elemzése alapján lehetőség nyílik a működési eltérések azonosítására és a meghibásodások megelőzésére, valamint a teljesítmény előrejelzésére.”

A Severstalban a big data segítségével meglehetősen nem triviális feladatokat is igyekeznek megoldani – például a sérülési arányok csökkentését. 2019-ben a vállalat mintegy 1,1 milliárd rubelt különített el a munkabiztonság javítását célzó intézkedésekre. A Severstal arra számít, hogy 2025%-kal, 50-rel csökkenti a sérülések arányát (2017-hez képest). „Ha egy közvetlen vezető – művezető, telephelyvezető, üzletvezető – azt észleli, hogy egy alkalmazott bizonyos műveleteket nem biztonságosan végez (az ipari telephelyen nem kapaszkodik a kapaszkodóba lépcsőzéskor, vagy nem visel minden egyéni védőfelszerelést), felírja. külön megjegyzés neki – a PAB (a „viselkedésbiztonsági auditból”)” – mondja Boris Voskresensky, a cég adatelemzési osztályának vezetője.

A cég szakemberei az egyik divízióban lévő PAB-ok számának adatait elemezve megállapították, hogy leggyakrabban azok szegték meg a biztonsági szabályokat, akiknek korábban már több észrevételük volt, illetve azok, akik nem sokkal korábban betegszabadságon vagy szabadságon voltak. az incidenst. A szabadságról vagy betegszabadságról való visszatérést követő első héten a jogsértések kétszerese voltak, mint a következő időszakban: 1 versus 0,55%. De az éjszakai műszakban végzett munka, mint kiderült, nem befolyásolja a PAB-k statisztikáit.

A nagy adatok feldolgozására szolgáló algoritmusok létrehozása nem a munka legnehezebb része – állítják a cég képviselői. Sokkal nehezebb megérteni, hogy ezek a technológiák hogyan alkalmazhatók az egyes vállalkozások kontextusában. Itt rejlik a cégelemzők, sőt a külső szolgáltatók Achilles-sarka, amelyek – úgy tűnik – szakértelmet halmoztak fel a big data területén.

„Gyakran találkoztam big data elemzőkkel, akik kiváló matematikusok voltak, de nem rendelkeztek kellő ismeretekkel az üzleti folyamatokról” – mondja Sergey Kotik, a GoodsForecast fejlesztési igazgatója. Felidézi, hogy cégének két éve volt lehetősége részt venni egy szövetségi kiskereskedelmi lánc keresleti előrejelző versenyén. Kiválasztottak egy pilot régiót, amely minden árura és üzletre vonatkozóan előrejelzést készítettek a résztvevők. Az előrejelzéseket ezután összehasonlították a tényleges eladásokkal. Az első helyet a gépi tanulásban és adatelemzésben szerzett szakértelméről ismert orosz internetes óriáscégek egyike szerezte meg: előrejelzéseiben minimális eltérést mutatott a tényleges eladásoktól.

De amikor a hálózat elkezdte részletesebben tanulmányozni előrejelzéseit, kiderült, hogy üzleti szempontból ezek teljesen elfogadhatatlanok. A vállalat olyan modellt vezetett be, amely szisztematikusan alábecsült értékesítési terveket készített. A program kitalálta, hogyan lehet minimalizálni az előrejelzések hibáinak valószínűségét: biztonságosabb az eladások alulbecslése, hiszen a maximális hiba 100% lehet (nincs negatív értékesítés), de a túljóslás irányában tetszőlegesen nagy lehet, – magyarázza Kotik. Vagyis a cég egy ideális matematikai modellt mutatott be, amely valós körülmények között félig üres üzletekhez és az alulértékesítésből származó hatalmas veszteségekhez vezetne. Ennek eredményeként egy másik cég nyerte a versenyt, amelynek számításait a gyakorlatba is át lehetett ültetni.

A big data technológiák sok iparág számára relevánsak, de aktív megvalósításuk nem mindenhol fordul elő – jegyzi meg Meshkov. Az egészségügyben például az adattárolással van gond: rengeteg információ halmozódott fel és rendszeresen frissül, de ezek az adatok nagyrészt még nem digitalizálódnak. A kormányhivatalokban is sok adat van, de ezek nincsenek összevonva egy közös klaszterbe. Ennek a problémának a megoldását célozza a Nemzeti Adatkezelési Rendszer (NCRS) egységes információs platformjának kialakítása – mondja a szakember.

Hazánk azonban korántsem az egyetlen ország, ahol a legtöbb szervezetben a fontos döntések intuíció alapján, nem pedig big data elemzése alapján születnek. Tavaly áprilisban a Deloitte felmérést végzett több mint ezer amerikai nagyvállalat (legalább 500 fős) vezető körében, és megállapította, hogy a megkérdezettek 63%-a ismeri a big data technológiákat, de nem rendelkezik minden szükséges eszközzel. használatukhoz szükséges infrastruktúra. Eközben a magas analitikai érettségű cégek 37%-ának csaknem fele az elmúlt 12 hónapban jelentősen túlteljesítette az üzleti célokat.

A tanulmányból kiderült, hogy az új technikai megoldások bevezetésének nehézsége mellett a vállalatoknál fontos probléma az adatokkal való munkavégzés kultúrájának hiánya. Nem szabad jó eredményre számítani, ha a big data alapján hozott döntések felelőssége csak a vállalat elemzőire hárul, nem pedig az egész vállalatra. „Most a vállalatok érdekes felhasználási eseteket keresnek a nagy adatokhoz” – mondja Miftakhov. "Ugyanakkor bizonyos forgatókönyvek megvalósítása további, korábban nem elemzett adatok gyűjtésére, feldolgozására és minőségellenőrzésére szolgáló rendszerekbe való befektetést igényel." Sajnos „az analitika még nem csapatsport” – vallják be a tanulmány szerzői.