Acepta datos similares: como as empresas aprenden a sacar proveito do big data

Ao analizar o big data, as empresas aprenden a descubrir patróns ocultos, mellorando o seu rendemento empresarial. A dirección está de moda, pero non todos poden beneficiarse do big data debido á falta dunha cultura de traballo con eles

“Canto máis común é o nome dunha persoa, máis probabilidades teñen de pagar a tempo. Cantos máis pisos teña a túa casa, máis estatísticamente serás un mellor prestatario. O signo do zodíaco case non ten ningún efecto sobre a probabilidade de reembolso, pero o psicotipo faino significativamente ", di Stanislav Duzhinsky, analista do Home Credit Bank, sobre patróns inesperados no comportamento dos prestatarios. Non se compromete a explicar moitos destes patróns: foron revelados pola intelixencia artificial, que procesou miles de perfís de clientes.

Este é o poder da analítica de big data: ao analizar unha gran cantidade de datos non estruturados, o programa pode descubrir moitas correlacións que o analista humano máis sabio nin sequera coñece. Calquera empresa ten unha gran cantidade de datos non estruturados (big data) sobre empregados, clientes, socios, competidores, que se poden utilizar para o beneficio empresarial: mellorar o efecto das promocións, lograr o crecemento das vendas, reducir a rotación do persoal, etc.

Os primeiros en traballar con big data foron as grandes empresas de tecnoloxía e telecomunicacións, institucións financeiras e venda polo miúdo, comenta Rafail Miftakhov, director do Grupo de Integración Tecnolóxica de Deloitte, CIS. Agora hai interese por tales solucións en moitas industrias. Que lograron as empresas? E a análise de big data sempre leva a conclusións valiosas?

Non é unha carga fácil

Os bancos usan algoritmos de big data principalmente para mellorar a experiencia do cliente e optimizar os custos, así como para xestionar o risco e combater a fraude. "Nos últimos anos produciuse unha verdadeira revolución no campo da análise de big data", di Duzhinsky. "O uso da aprendizaxe automática permítenos predecir a probabilidade de impago do préstamo con moita máis precisión: a morosidade no noso banco é só do 3,9%". A modo de comparación, a partir do 1 de xaneiro de 2019, a proporción de préstamos con pagos vencidos superiores a 90 días en préstamos concedidos a persoas físicas era, segundo o Banco Central, do 5%.

Mesmo as organizacións de microfinanzas están desconcertadas co estudo dos grandes datos. "Ofrecer servizos financeiros sen analizar grandes datos hoxe é como facer matemáticas sen números", di Andrey Ponomarev, CEO de Webbankir, unha plataforma de préstamo en liña. "Emitimos diñeiro en liña sen ver nin o cliente nin o seu pasaporte e, a diferenza dos préstamos tradicionais, non só debemos avaliar a solvencia dunha persoa, senón tamén identificar a súa personalidade".

Agora a base de datos da empresa almacena información sobre máis de 500 mil clientes. Cada nova aplicación analízase con estes datos nuns 800 parámetros. O programa ten en conta non só o sexo, a idade, o estado civil e o historial de crédito, senón tamén o dispositivo desde o que unha persoa entrou na plataforma, como se comportou no sitio. Por exemplo, pode ser alarmante que un potencial prestatario non utilizase unha calculadora de préstamos ou non preguntou sobre as condicións dun préstamo. "Con excepción dalgúns factores de parada -por exemplo, non concedemos préstamos a persoas menores de 19 anos-, ningún destes parámetros por si só é un motivo para rexeitar ou aceptar conceder un préstamo", explica Ponomarev. É a combinación de factores o que importa. No 95% dos casos, a decisión tómase automaticamente, sen a participación de especialistas do departamento de suscripción.

Proporcionar servizos financeiros sen analizar grandes datos hoxe é como facer matemáticas sen números.

A análise de big data permítenos derivar patróns interesantes, comparte Ponomarev. Por exemplo, os usuarios de iPhone resultaron ser prestatarios máis disciplinados que os propietarios de dispositivos Android: os primeiros reciben a aprobación das aplicacións 1,7 veces máis a miúdo. "O feito de que o persoal militar non devolva os préstamos case un cuarto menos que o prestatario medio non foi unha sorpresa", di Ponomarev. "Pero normalmente non se espera que os estudantes estean obrigados, pero mentres tanto, os casos de impagos de crédito son un 10% menos comúns que a media da base".

O estudo do big data tamén permite puntuar para as aseguradoras. Fundada en 2016, IDX dedícase á identificación remota e a verificación en liña de documentos. Estes servizos son demandados entre as aseguradoras de mercadorías que están interesadas na perda de mercadorías o menos posible. Antes de asegurar o transporte de mercadorías, a aseguradora, co consentimento do condutor, verifica a fiabilidade, explica Jan Sloka, director comercial de IDX. Xunto cun socio, a empresa "Risk Control" de San Petersburgo, IDX desenvolveu un servizo que permite comprobar a identidade do condutor, os datos e dereitos do pasaporte, a participación en incidentes relacionados coa perda de carga, etc. Despois da análise Na base de datos de condutores, a empresa identificou un "grupo de risco": a maioría das veces, a carga pérdese entre os condutores de 30 a 40 anos cunha longa experiencia de condución, que moitas veces cambiaron de traballo recentemente. Tamén resultou que a carga é roubada con máis frecuencia polos condutores de coches, cuxa vida útil supera os oito anos.

En busca de

Os venda polo miúdo teñen unha tarefa diferente: identificar os clientes que están preparados para facer unha compra e determinar as formas máis eficaces de traelos ao sitio ou á tenda. Para iso, os programas analizan o perfil dos clientes, os datos da súa conta persoal, o historial de compras, consultas de busca e uso de puntos de bonificación, o contido das cestas electrónicas que comezaron a cubrir e abandonaron. A análise de datos permítelle segmentar toda a base de datos e identificar grupos de potenciais compradores que poidan estar interesados ​​nunha oferta concreta, afirma Kirill Ivanov, director da oficina de datos do grupo M.Video-Eldorado.

Por exemplo, o programa identifica grupos de clientes, a cada un dos cales lles gustan diferentes ferramentas de mercadotecnia: un préstamo sen intereses, un cashback ou un código promocional de desconto. Estes compradores reciben un boletín electrónico coa promoción correspondente. A probabilidade de que unha persoa, despois de abrir a carta, vaia ao sitio web da empresa, neste caso aumenta significativamente, sinala Ivanov.

A análise de datos tamén permite aumentar as vendas de produtos e accesorios relacionados. O sistema, que procesou o historial de pedidos doutros clientes, dálle recomendacións ao comprador sobre o que comprar xunto co produto seleccionado. As probas deste método de traballo, segundo Ivanov, mostraron un aumento do número de pedidos con accesorios nun 12% e un aumento da facturación de accesorios nun 15%.

Os comerciantes non son os únicos que se esforzan por mellorar a calidade do servizo e aumentar as vendas. O pasado verán, MegaFon lanzou un servizo de oferta "intelixente" baseado no procesamento de datos de millóns de subscritores. Despois de estudar o seu comportamento, a intelixencia artificial aprendeu a formar ofertas persoais para cada cliente dentro das tarifas. Por exemplo, se o programa observa que unha persoa está a ver vídeos activamente no seu dispositivo, o servizo ofreceralle ampliar a cantidade de tráfico móbil. Tendo en conta as preferencias dos usuarios, a compañía ofrece aos subscritores tráfico ilimitado para os seus tipos de lecer favoritos en Internet, por exemplo, usando mensaxería instantánea ou escoitar música en servizos de streaming, chatear en redes sociais ou ver programas de televisión.

"Analizamos o comportamento dos subscritores e entendemos como están cambiando os seus intereses", explica Vitaly Shcherbakov, director de análise de big data de MegaFon. "Por exemplo, este ano, o tráfico de AliExpress creceu 1,5 veces en comparación co ano pasado e, en xeral, o número de visitas ás tendas de roupa en liña está crecendo: 1,2-2 veces, dependendo do recurso específico".

Outro exemplo do traballo dunha operadora con big data é a plataforma MegaFon Poisk para a busca de nenos e adultos desaparecidos. O sistema analiza que persoas poderían estar preto do lugar da persoa desaparecida, e envíalles información cunha foto e sinais da persoa desaparecida. O operador desenvolveu e probou o sistema xunto co Ministerio de Asuntos Internos e a organización Lisa Alert: dentro de dous minutos de orientación á persoa desaparecida, reciben máis de 2 mil subscritores, o que aumenta significativamente as posibilidades dun resultado de busca exitoso.

Non vaias ao PUB

A análise de big data tamén atopou aplicación na industria. Aquí permítelle prever a demanda e planificar as vendas. Entón, no grupo de empresas Cherkizovo, hai tres anos, implementouse unha solución baseada en SAP BW, que permite almacenar e procesar toda a información de vendas: prezos, surtido, volumes de produtos, promocións, canles de distribución, di Vladislav Belyaev, CIO. do grupo ” Cherkizovo. A análise da información acumulada de 2 TB non só permitiu formar eficazmente o surtido e optimizar a carteira de produtos, senón que tamén facilitou o traballo dos empregados. Por exemplo, preparar un informe diario de vendas requiriría un día de traballo de moitos analistas, dous para cada segmento de produto. Agora este informe está preparado polo robot, que só dedica 30 minutos a todos os segmentos.

"Na industria, o big data funciona de forma eficaz xunto coa Internet das cousas", di Stanislav Meshkov, CEO de Umbrella IT. "A partir da análise dos datos dos sensores cos que está equipado o equipo, é posible identificar desviacións no seu funcionamento e previr avarías e prever o rendemento".

En Severstal, coa axuda do big data, tamén intentan resolver tarefas pouco triviais, por exemplo, para reducir as taxas de lesións. En 2019, a compañía destinou preto de 1,1 millóns de RUB para medidas para mellorar a seguridade laboral. Severstal prevé reducir a taxa de lesións no 2025% nun 50 (en comparación con 2017). "Se un xerente de liña (capataz, xefe de obra, xefe de tenda) se decatou de que un empregado realiza certas operacións de forma insegura (non se agarra aos pasamáns ao subir as escaleiras do lugar industrial ou non usa todos os equipos de protección individual), escribe. unha nota especial para el: PAB (de "auditoría de seguridade comportamental")", di Boris Voskresensky, xefe do departamento de análise de datos da empresa.

Despois de analizar os datos sobre o número de PABs nunha das divisións, os especialistas da compañía constataron que as normas de seguridade eran máis frecuentemente incumpridas por aqueles que xa tiñan varias observacións antes, así como por aqueles que estaban de baixa ou de vacacións pouco antes. o incidente. As infraccións na primeira semana despois do regreso de vacacións ou baixas foron o dobre que no período seguinte: 1 fronte ao 0,55%. Pero traballar na quenda de noite, como se viu, non afecta ás estatísticas dos PAB.

Fóra de contacto coa realidade

Crear algoritmos para procesar grandes datos non é a parte máis difícil do traballo, din os representantes da empresa. É moito máis difícil entender como se poden aplicar estas tecnoloxías no contexto de cada negocio específico. É aquí onde se atopa o talón de Aquiles dos analistas de empresas e mesmo dos provedores externos que, ao parecer, acumularon coñecementos no campo do big data.

"A miúdo coñecín analistas de big data que eran excelentes matemáticos, pero que non tiñan a comprensión necesaria dos procesos de negocio", di Sergey Kotik, director de desenvolvemento de GoodsForecast. Lembra como hai dous anos a súa empresa tivo a oportunidade de participar nun concurso de previsión da demanda dunha cadea federal de venda polo miúdo. Elixiuse unha rexión piloto, para todos os bens e tendas dos que os participantes fixeron previsións. Despois comparáronse as previsións coas vendas reais. O primeiro lugar ocupou un dos xigantes rusos de Internet, coñecido pola súa experiencia en aprendizaxe automática e análise de datos: nas súas previsións, mostrou unha desviación mínima das vendas reais.

Pero cando a rede comezou a estudar as súas previsións con máis detalle, resultou que desde o punto de vista empresarial, son absolutamente inaceptables. A compañía presentou un modelo que producía plans de vendas cunha subestimación sistemática. O programa descubriu como minimizar a probabilidade de erros nas previsións: é máis seguro subestimar as vendas, xa que o erro máximo pode ser do 100% (non hai vendas negativas), pero na dirección da sobreprevisión, pode ser arbitrariamente grande, explica Kotik. Noutras palabras, a empresa presentou un modelo matemático ideal, que en condicións reais levaría a tendas medio baleiras e enormes perdas por subvendas. Como resultado, outra empresa gañou o concurso, cuxos cálculos puideron levarse á práctica.

"Quizais" en lugar de big data

As tecnoloxías de big data son relevantes para moitas industrias, pero a súa implementación activa non se produce en todas partes, sinala Meshkov. Por exemplo, na sanidade existe un problema de almacenamento de datos: acumulouse moita información e actualízase regularmente, pero na súa maioría estes datos aínda non foron dixitalizados. Tamén hai moitos datos nas axencias gobernamentais, pero non se combinan nun clúster común. O desenvolvemento dunha plataforma de información unificada do Sistema Nacional de Xestión de Datos (NCMS) ten como obxectivo resolver este problema, di o experto.

Porén, o noso país dista moito de ser o único país onde na maioría das organizacións as decisións importantes se toman a partir da intuición, e non da análise de big data. En abril do ano pasado, Deloitte realizou unha enquisa entre máis de mil líderes de grandes empresas estadounidenses (cunha plantilla de 500 ou máis) e descubriu que o 63% dos enquisados ​​está familiarizado coas tecnoloxías de big data, pero non dispoñen de todo o necesario. infraestruturas para utilizalos. Mentres, entre o 37% das empresas cun alto nivel de madurez analítica, case a metade superou significativamente os obxectivos empresariais nos últimos 12 meses.

O estudo revelou que ademais da dificultade de implantar novas solucións técnicas, un problema importante nas empresas é a falta de cultura de traballo cos datos. Non debe esperar bos resultados se a responsabilidade das decisións tomadas en base a big data se atribúe só aos analistas da empresa, e non a toda a empresa no seu conxunto. "Agora as empresas buscan casos de uso interesantes para o big data", di Miftakhov. "Ao mesmo tempo, a implantación dalgúns escenarios require investimentos en sistemas de recollida, tratamento e control de calidade de datos adicionais que non foron analizados antes". Por desgraza, "a analítica aínda non é un deporte de equipo", admiten os autores do estudo.

Deixe unha resposta