Nampa kaya data: kepiye bisnis sinau entuk bathi saka data gedhe

Kanthi nganalisa data gedhe, perusahaan sinau nemokake pola sing didhelikake, nambah kinerja bisnis. Arah kasebut modis, nanging ora kabeh wong bisa entuk manfaat saka data gedhe amarga ora ana budaya kerja bareng

"Sing luwih umum jeneng wong, luwih cenderung mbayar tepat waktu. Luwih akeh lantai omah sampeyan, luwih akeh statistik sampeyan dadi peminjam sing luwih apik. Tandha zodiak meh ora ana pengaruhe babagan kemungkinan mbalekaken, nanging psikotipe pancen signifikan, "ujare Stanislav Duzhinsky, analis ing Home Credit Bank, babagan pola sing ora dikarepake ing prilaku peminjam. Dheweke ora bakal nerangake akeh pola kasebut - dicethakake dening intelijen buatan, sing ngolah ewonan profil pelanggan.

Iki minangka kekuwatan analytics data gedhe: kanthi nganalisa data sing ora terstruktur akeh, program kasebut bisa nemokake akeh korélasi sing ora dingerteni analis manungsa sing paling wicaksana. Sembarang perusahaan duwe jumlah data sing ora terstruktur (data gedhe) - babagan karyawan, pelanggan, mitra, pesaing, sing bisa digunakake kanggo entuk manfaat bisnis: nambah efek promosi, entuk wutah dodolan, nyuda turnover staf, lsp.

Sing pisanan nggarap data gedhe yaiku perusahaan teknologi lan telekomunikasi gedhe, lembaga keuangan lan ritel, komentar Rafail Miftakhov, direktur Deloitte Technology Integration Group, CIS. Saiki ana kapentingan ing solusi kasebut ing akeh industri. Apa sing wis digayuh perusahaan? Lan apa analisis data amba tansah mimpin kanggo kesimpulan terkenal?

Bank-bank nggunakake algoritma data gedhe utamane kanggo nambah pengalaman pelanggan lan ngoptimalake biaya, uga kanggo ngatur risiko lan nglawan penipuan. "Ing taun-taun pungkasan, revolusi nyata wis kedadeyan ing bidang analisis data gedhe," ujare Duzhinsky. "Panganggone sinau mesin ngidini kita prédhiksi kemungkinan gagal bayar utang luwih akurat - tunggakan ing bank kita mung 3,9%. Kanggo mbandhingake, wiwit tanggal 1 Januari 2019, bagean utangan kanthi pembayaran telat sajrone 90 dina kanggo utangan sing ditanggepi kanggo individu yaiku, miturut Bank Pusat, 5%.

Malah organisasi keuangan mikro bingung karo sinau babagan data gedhe. "Nyedhiyakake layanan finansial tanpa nganalisa data gedhe saiki kaya matematika tanpa angka," ujare Andrey Ponomarev, CEO Webbankir, platform pinjaman online. "Kita ngetokake dhuwit kanthi online tanpa ndeleng klien utawa paspor, lan ora kaya utangan tradisional, kita ora mung kudu netepake solvency wong, nanging uga ngenali kepribadiane."

Saiki database perusahaan nyimpen informasi ing luwih saka 500 ewu pelanggan. Saben aplikasi anyar dianalisis nganggo data iki babagan 800 parameter. Program kasebut ora mung nggatekake jender, umur, status perkawinan lan riwayat kredit, nanging uga piranti sing mlebu ing platform kasebut, kepiye tumindak ing situs kasebut. Contone, bisa uga nguwatirake yen calon nyilih ora nggunakake kalkulator silihan utawa ora takon babagan syarat utangan. "Kajaba sawetara faktor mandeg - ujar, kita ora ngetokake utangan kanggo wong sing umure kurang saka 19 taun - ora ana paramèter kasebut dhewe minangka alesan kanggo nolak utawa setuju kanggo ngetokake utangan," jelas Ponomarev. Iku kombinasi faktor sing penting. Ing 95% kasus, keputusan kasebut digawe kanthi otomatis, tanpa partisipasi spesialis saka departemen underwriting.

Analisis data gedhe ngidini kita entuk pola sing menarik, enggo bareng Ponomarev. Contone, pangguna iPhone dadi peminjam sing luwih disiplin tinimbang sing nduweni piranti Android - sing sadurunge nampa persetujuan aplikasi kaping 1,7 luwih kerep. "Kasunyatan manawa personel militer ora mbayar utang meh seprapat kurang asring tinimbang rata-rata peminjam ora kaget," ujare Ponomarev. "Nanging siswa biasane ora diwajibake, nanging sauntara, kasus gagal bayar kredit 10% kurang umum tinimbang rata-rata dhasar."

Sinau babagan data gedhe uga menehi skor kanggo perusahaan asuransi. Madeg ing taun 2016, BEI nindakake identifikasi jarak jauh lan verifikasi dokumen online. Layanan kasebut dikarepake ing antarane perusahaan asuransi kargo sing kepengin banget ilang barang. Sadurunge ngasuransiake transportasi barang, perusahaan asuransi, kanthi idin saka sopir, mriksa kapercayan, nerangake Jan Sloka, direktur komersial BEI. Bebarengan karo partner - perusahaan St. Petersburg "Risk Control" - IDX wis ngembangake layanan sing ngidini sampeyan mriksa identitas driver, data lan hak paspor, partisipasi ing kedadeyan sing ana hubungane karo mundhut kargo, lan liya-liyane. database pembalap, perusahaan dikenali "klompok risiko": paling asring, kargo ilang ing antarane pembalap umur 30-40 taun karo pengalaman nyopir dawa, sing wis kerep diganti proyek bubar. Iku uga nguripake metu sing kargo paling asring dicolong dening pembalap mobil, urip layanan kang ngluwihi wolung taun.

Pengecer duwe tugas sing beda - kanggo ngenali pelanggan sing siap tuku, lan nemtokake cara sing paling efektif kanggo nggawa menyang situs utawa toko. Kanggo tujuan iki, program nganalisa profil pelanggan, data saka akun pribadhi, riwayat tuku, pitakon telusuran lan panggunaan poin bonus, isi kranjang elektronik sing diwiwiti diisi lan ditinggalake. Data analytics ngijini sampeyan kanggo bagean kabeh database lan ngenali klompok panuku potensial sing bisa kasengsem ing tawaran tartamtu, ngandika Kirill Ivanov, direktur kantor data grup M.Video-Eldorado.

Contone, program kasebut ngenali klompok pelanggan, sing saben seneng alat marketing sing beda - silihan tanpa bunga, cashback, utawa kode promo diskon. Para panuku iki nampa buletin email kanthi promosi sing cocog. Kemungkinan wong, sawise mbukak layang, bakal pindhah menyang situs web perusahaan, ing kasus iki mundhak akeh, Ivanov cathetan.

Analisis data uga ngidini sampeyan nambah dodolan produk lan aksesoris sing gegandhengan. Sistem kasebut, sing wis ngolah riwayat pesenan pelanggan liyane, menehi rekomendasi panuku babagan apa sing kudu dituku bebarengan karo produk sing dipilih. Pengujian cara kerja iki, miturut Ivanov, nuduhake paningkatan jumlah pesenan kanthi aksesoris kanthi 12% lan paningkatan omset aksesoris kanthi 15%.

Pengecer ora mung siji-sijine sing ngupayakake ningkatake kualitas layanan lan nambah dodolan. Musim panas pungkasan, MegaFon ngluncurake layanan tawaran "pinter" adhedhasar pangolahan data saka mayuta-yuta pelanggan. Sawise sinau prilaku, intelijen buatan wis sinau nggawe penawaran pribadi kanggo saben klien ing tarif. Contone, yen program kasebut nyathet manawa ana wong sing aktif nonton video ing piranti kasebut, layanan kasebut bakal menehi dheweke nambah jumlah lalu lintas seluler. Nganggep preferensi pangguna, perusahaan nyedhiyakake pelanggan kanthi lalu lintas tanpa wates kanggo jinis luang Internet sing disenengi - contone, nggunakake pesen cepet utawa ngrungokake musik ing layanan streaming, ngobrol ing jaringan sosial utawa nonton acara TV.

"We nganalisa prilaku pelanggan lan ngerti carane kapentingan sing diganti," nerangake Vitaly Shcherbakov, direktur analytics data amba ing MegaFon. "Contone, ing taun iki, lalu lintas AliExpress wis tuwuh kaping 1,5 dibandhingake taun kepungkur, lan umume, jumlah kunjungan menyang toko sandhangan online saya tambah akeh: 1,2-2 kali, gumantung saka sumber daya tartamtu."

Conto liyane saka karya operator kanthi data gedhe yaiku platform MegaFon Poisk kanggo nggoleki bocah lan wong diwasa sing ilang. Sistem kasebut nganalisa wong sing bisa cedhak karo panggonane wong sing ilang, lan ngirim informasi nganggo foto lan pratandha saka wong sing ilang. Operator ngembangake lan nguji sistem kasebut bebarengan karo Kementerian Dalam Negeri lan organisasi Lisa Alert: sajrone rong menit orientasi menyang wong sing ilang, luwih saka 2 ewu pelanggan nampa, sing bisa nambah kemungkinan asil panelusuran sing sukses.

Analisis data gedhe uga nemokake aplikasi ing industri. Ing kene sampeyan bisa ngramal permintaan lan ngrancang penjualan. Dadi, ing grup perusahaan Cherkizovo, telung taun kepungkur, solusi adhedhasar SAP BW dileksanakake, sing ngidini sampeyan nyimpen lan ngolah kabeh informasi dodolan: rega, macem-macem, volume produk, promosi, saluran distribusi, ujare Vladislav Belyaev, CIO saka grup "Cherkizovo. Analisis saka akumulasi 2 TB informasi ora mung bisa kanthi efektif mbentuk macem-macem lan ngoptimalake portofolio produk, nanging uga nggampangake karya karyawan. Contone, nyiapake laporan dodolan saben dina mbutuhake kerja akeh analis saben dina - loro kanggo saben segmen produk. Saiki laporan iki disiapake dening robot, mung mbuwang 30 menit ing kabeh segmen.

"Ing industri, data gedhe bisa digunakake kanthi efektif bebarengan karo Internet," ujare Stanislav Meshkov, CEO Umbrella IT. "Adhedhasar analisis data saka sensor sing dilengkapi peralatan, bisa ngenali panyimpangan ing operasi lan nyegah kerusakan, lan prédhiksi kinerja."

Ing Severstal, kanthi bantuan data gedhe, dheweke uga nyoba ngrampungake tugas sing ora pati penting - contone, kanggo nyuda tingkat cedera. Ing taun 2019, perusahaan nyedhiyakake udakara RUB 1,1 milyar kanggo langkah-langkah kanggo nambah safety tenaga kerja. Severstal ngarepake nyuda tingkat cedera nganti 2025% nganti 50 (dibandhingake karo 2017). "Yen manajer garis - mandor, manajer situs, manajer toko - ngerteni manawa karyawan nindakake operasi tartamtu kanthi ora aman (ora nyekel pegangan tangan nalika menek tangga ing situs industri utawa ora nganggo kabeh peralatan pelindung pribadi), dheweke nulis. cathetan khusus kanggo dheweke - PAB (saka "audit keamanan prilaku")," ujare Boris Voskresensky, kepala departemen analisis data perusahaan.

Sawise nganalisa data babagan jumlah PAB ing salah sawijining divisi, spesialis perusahaan nemokake manawa aturan safety paling asring dilanggar dening wong-wong sing wis duwe sawetara komentar sadurunge, uga wong-wong sing lagi cuti lara utawa preian sadurunge. kedadeyan kasebut. Pelanggaran ing minggu pisanan sawise bali saka preian utawa cuti sakit kaping pindho luwih dhuwur tinimbang ing periode sabanjure: 1 versus 0,55%. Nanging makarya ing shift wengi, kang diaktifake metu, ora mengaruhi statistik saka PABs.

Nggawe algoritma kanggo ngolah data gedhe dudu bagean sing paling angel ing karya kasebut, ujare wakil perusahaan. Luwih angel ngerti kepiye teknologi kasebut bisa ditrapake ing konteks saben bisnis tartamtu. Ing kene ana analis perusahaan Achilles lan malah panyedhiya eksternal, sing, mesthine, wis nglumpukake keahlian ing bidang data gedhe.

"Aku kerep ketemu analis data gedhe sing ahli matematika sing apik banget, nanging ora duwe pangerten babagan proses bisnis," ujare Sergey Kotik, direktur pangembangan ing GoodsForecast. Dheweke kelingan kepiye rong taun kepungkur perusahaane duwe kesempatan kanggo melu kompetisi prakiraan permintaan kanggo rantai ritel federal. Wilayah pilot dipilih, kanggo kabeh barang lan toko sing para peserta nggawe ramalan. Prakiraan kasebut banjur dibandhingake karo dodolan nyata. Panggonan pisanan dijupuk dening salah sawijining raksasa Internet Rusia, sing dikenal kanthi keahliane ing pembelajaran mesin lan analisis data: ing prakiraan kasebut, nuduhake panyimpangan minimal saka dodolan nyata.

Nanging nalika jaringan wiwit nyinaoni ramalan kasebut kanthi luwih rinci, mula saka sudut pandang bisnis, dheweke pancen ora bisa ditampa. Perusahaan ngenalake model sing ngasilake rencana penjualan kanthi understatement sing sistematis. Program kasebut nemtokake cara kanggo nyilikake kemungkinan kesalahan ing ramalan: luwih aman kanggo ngremehake dodolan, amarga kesalahan maksimal bisa 100% (ora ana dodolan negatif), nanging ing arah overforecasting, bisa uga gedhe. Kotik nerangake. Ing tembung liyane, perusahaan nampilake model matematika sing becik, sing ing kahanan nyata bakal nyebabake toko setengah kosong lan kerugian gedhe saka undersales. Akibaté, perusahaan liya menang kompetisi, sing petungan bisa dileksanakake.

Teknologi data gedhe cocog kanggo akeh industri, nanging implementasine aktif ora ana ing endi wae, cathetan Meshkov. Contone, ing perawatan kesehatan ana masalah karo panyimpenan data: akeh informasi sing wis diklumpukake lan dianyari kanthi rutin, nanging umume data iki durung didigital. Ana uga akeh data ing instansi pemerintah, nanging ora digabungake dadi kluster umum. Pangembangan platform informasi terpadu saka Sistem Manajemen Data Nasional (NCMS) ditujokake kanggo ngrampungake masalah kasebut, ujare ahli.

Nanging, negara kita adoh saka siji-sijine negara ing ngendi akeh organisasi keputusan penting digawe adhedhasar intuisi, lan dudu analisis data gedhe. Ing April taun kepungkur, Deloitte nganakake survey ing antarane luwih saka sewu pimpinan perusahaan Amerika gedhe (kanthi staf 500 utawa luwih) lan nemokake manawa 63% saka sing ditliti ngerti teknologi data gedhe, nanging ora duwe kabeh sing dibutuhake. infrastruktur kanggo nggunakake. Kangge, ing antarane 37% perusahaan kanthi tingkat kedewasaan analitis sing dhuwur, meh setengah wis ngluwihi target bisnis sajrone 12 wulan kepungkur.

Panliten kasebut ngandharake yen saliyane angel kanggo ngetrapake solusi teknis anyar, masalah penting ing perusahaan yaiku kekurangan budaya nggarap data. Sampeyan ora kudu ngarep-arep asil sing apik yen tanggung jawab kanggo keputusan sing digawe adhedhasar data gedhe ditugasake mung kanggo analis perusahaan, lan ora kanggo kabeh perusahaan kanthi wutuh. "Saiki perusahaan nggoleki kasus panggunaan sing menarik kanggo data gedhe," ujare Miftakhov. "Ing wektu sing padha, implementasine sawetara skenario mbutuhake investasi ing sistem kanggo ngumpulake, ngolah lan kontrol kualitas data tambahan sing durung dianalisis sadurunge." Sayange, "analitik durung dadi olahraga tim," penulis sinau ngakoni.