Godta som data: hvordan bedrifter lærer å tjene på big data

Ved å analysere store data lærer bedrifter å avdekke skjulte mønstre, og forbedrer bedriftens ytelse. Retningen er moteriktig, men ikke alle kan dra nytte av big data på grunn av mangelen på en kultur for å jobbe med dem

"Jo mer vanlig en persons navn er, jo mer sannsynlig er det at de betaler i tide. Jo flere etasjer huset ditt har, jo mer statistisk er du en bedre låner. Dyrekretsens tegn har nesten ingen effekt på sannsynligheten for refusjon, men psykotypen gjør det betydelig, sier Stanislav Duzhinsky, analytiker ved Home Credit Bank, om uventede mønstre i oppførselen til låntakere. Han påtar seg ikke å forklare mange av disse mønstrene – de ble avslørt av kunstig intelligens, som behandlet tusenvis av kundeprofiler.

Dette er kraften til big data-analyse: Ved å analysere en enorm mengde ustrukturerte data kan programmet oppdage mange sammenhenger som den klokeste menneskelige analytiker ikke en gang vet om. Ethvert selskap har en enorm mengde ustrukturerte data (big data) – om ansatte, kunder, partnere, konkurrenter, som kan brukes til forretningsnytte: forbedre effekten av kampanjer, oppnå salgsvekst, redusere personalomsetning, etc.

De første som jobbet med big data var store teknologi- og telekommunikasjonsselskaper, finansinstitusjoner og detaljhandel, kommenterer Rafail Miftakhov, direktør for Deloitte Technology Integration Group, CIS. Nå er det interesse for slike løsninger i mange bransjer. Hva har bedriftene oppnådd? Og fører big data-analyse alltid til verdifulle konklusjoner?

Banker bruker big data-algoritmer primært for å forbedre kundeopplevelsen og optimalisere kostnader, samt for å håndtere risiko og bekjempe svindel. "De siste årene har det skjedd en reell revolusjon innen analyse av store data," sier Duzhinsky. "Bruken av maskinlæring lar oss forutsi sannsynligheten for mislighold av lån mye mer nøyaktig – forsinkelsen i banken vår er bare 3,9 %." Til sammenligning, per 1. januar 2019 var andelen lån med forsinket betaling over 90 dager på lån utstedt til enkeltpersoner, ifølge sentralbanken, 5 %.

Selv mikrofinansorganisasjoner er forvirret over studiet av big data. "Å tilby finansielle tjenester uten å analysere store data i dag er som å gjøre matematikk uten tall," sier Andrey Ponomarev, administrerende direktør i Webbankir, en online låneplattform. "Vi utsteder penger på nett uten å se verken klienten eller passet hans, og i motsetning til tradisjonelle utlån, må vi ikke bare vurdere solvensen til en person, men også identifisere hans personlighet."

Nå lagrer selskapets database informasjon om mer enn 500 tusen kunder. Hver ny applikasjon analyseres med disse dataene i omtrent 800 parametere. Programmet tar ikke bare hensyn til kjønn, alder, sivilstatus og kreditthistorie, men også enheten som en person kom inn på plattformen fra, hvordan han oppførte seg på nettstedet. Det kan for eksempel være alarmerende at en potensiell låntaker ikke brukte en lånekalkulator eller ikke spurte om vilkårene for et lån. "Med unntak av noen få stoppfaktorer - for eksempel gir vi ikke lån til personer under 19 år - er ingen av disse parameterne i seg selv en grunn til å nekte eller godta å utstede et lån," forklarer Ponomarev. Det er kombinasjonen av faktorer som betyr noe. I 95 % av tilfellene tas avgjørelsen automatisk, uten medvirkning fra spesialister fra underwriting-avdelingen.

Big data-analyse lar oss utlede interessante mønstre, deler Ponomarev. For eksempel viste iPhone-brukere seg å være mer disiplinerte låntakere enn eiere av Android-enheter - førstnevnte mottar godkjenning av søknader 1,7 ganger oftere. "Det faktum at militært personell ikke betaler tilbake lån nesten en fjerdedel sjeldnere enn en gjennomsnittlig låntaker var ikke en overraskelse," sier Ponomarev. "Men studenter forventes vanligvis ikke å være forpliktet, men i mellomtiden er tilfeller av kredittmislighold 10 % mindre vanlige enn gjennomsnittet for basen."

Studiet av big data tillater scoring også for forsikringsselskaper. Etablert i 2016, er IDX engasjert i fjernidentifikasjon og elektronisk verifisering av dokumenter. Disse tjenestene er etterspurt blant fraktforsikringsselskaper som er interessert i minst mulig tap av varer. Før du forsikrer transport av varer, sjekker forsikringsgiveren, med samtykke fra sjåføren, for pålitelighet, forklarer Jan Sloka, kommersiell direktør i IDX. Sammen med en partner – St. Petersburg-selskapet “Risk Control” – har IDX utviklet en tjeneste som lar deg sjekke identiteten til sjåføren, passdata og rettigheter, deltakelse i hendelser knyttet til tap av last osv. Etter å ha analysert databasen over sjåfører identifiserte selskapet en "risikogruppe": oftest går last bort blant sjåfører i alderen 30–40 år med lang kjøreerfaring, som ofte har byttet jobb i det siste. Det viste seg også at lasten oftest stjeles av sjåfører av biler, hvis levetid overstiger åtte år.

Forhandlere har en annen oppgave - å identifisere kunder som er klare til å foreta et kjøp, og bestemme de mest effektive måtene å bringe dem til nettstedet eller butikken. For dette formål analyserer programmene profilen til kundene, data fra deres personlige konto, kjøpshistorikken, søk og bruken av bonuspoeng, innholdet i elektroniske kurver som de begynte å fylle ut og forlot. Dataanalyse lar deg segmentere hele databasen og identifisere grupper av potensielle kjøpere som kan være interessert i et bestemt tilbud, sier Kirill Ivanov, direktør for datakontoret til M.Video-Eldorado-gruppen.

For eksempel identifiserer programmet grupper av kunder, som hver liker forskjellige markedsføringsverktøy – et rentefritt lån, cashback eller en rabattkode. Disse kjøperne mottar et nyhetsbrev på e-post med den tilhørende kampanjen. Sannsynligheten for at en person, etter å ha åpnet brevet, vil gå til selskapets nettsted, i dette tilfellet øker betydelig, bemerker Ivanov.

Dataanalyse lar deg også øke salget av relaterte produkter og tilbehør. Systemet, som har behandlet ordrehistorikken til andre kunder, gir kjøperen anbefalinger om hva som skal kjøpes sammen med det valgte produktet. Testing av denne arbeidsmetoden, ifølge Ivanov, viste en økning i antall bestillinger med tilbehør med 12 % og en økning i omsetningen av tilbehør med 15 %.

Forhandlere er ikke de eneste som streber etter å forbedre kvaliteten på tjenestene og øke salget. I fjor sommer lanserte MegaFon en «smart» tilbudstjeneste basert på behandling av data fra millioner av abonnenter. Etter å ha studert oppførselen deres, har kunstig intelligens lært å lage personlige tilbud for hver klient innenfor tariffene. For eksempel, hvis programmet bemerker at en person aktivt ser på video på enheten sin, vil tjenesten tilby ham å utvide mengden mobiltrafikk. Med hensyn til brukernes preferanser, gir selskapet abonnenter ubegrenset trafikk for deres favoritttyper av Internett-fritid – for eksempel ved å bruke direktemeldinger eller lytte til musikk på strømmetjenester, chatte på sosiale nettverk eller se på TV-programmer.

"Vi analyserer atferden til abonnenter og forstår hvordan interessene deres endrer seg," forklarer Vitaly Shcherbakov, direktør for big data analytics hos MegaFon. "For eksempel, i år har AliExpress-trafikken vokst 1,5 ganger sammenlignet med fjoråret, og generelt øker antallet besøk til nettbaserte klesbutikker: 1,2–2 ganger, avhengig av den spesifikke ressursen."

Et annet eksempel på arbeidet til en operatør med big data er MegaFon Poisk-plattformen for søk etter savnede barn og voksne. Systemet analyserer hvilke personer som kan være i nærheten av plassen til den savnede, og sender dem informasjon med bilde og tegn på den savnede. Operatøren utviklet og testet systemet sammen med innenriksdepartementet og Lisa Alert-organisasjonen: innen to minutter etter orientering til den savnede personen mottar mer enn 2 tusen abonnenter, noe som øker sjansene for et vellykket søkeresultat betydelig.

Big data-analyse har også funnet anvendelse i industrien. Her lar den deg forutsi etterspørsel og planlegge salg. Så i Cherkizovo-gruppen av selskaper, for tre år siden, ble en løsning basert på SAP BW implementert, som lar deg lagre og behandle all salgsinformasjon: priser, sortiment, produktvolum, kampanjer, distribusjonskanaler, sier Vladislav Belyaev, CIO av gruppen "Tsjerkizovo. Analysen av den akkumulerte 2 TB med informasjon gjorde det ikke bare mulig å effektivt danne sortimentet og optimalisere produktporteføljen, men lettet også arbeidet til ansatte. For eksempel vil det å utarbeide en daglig salgsrapport kreve en dags arbeid av mange analytikere – to for hvert produktsegment. Nå er denne rapporten utarbeidet av roboten, og bruker bare 30 minutter på alle segmenter.

"I industrien fungerer big data effektivt sammen med tingenes internett," sier Stanislav Meshkov, administrerende direktør i Umbrella IT. "Basert på analysen av data fra sensorene som utstyret er utstyrt med, er det mulig å identifisere avvik i driften og forhindre sammenbrudd, og forutsi ytelse."

I Severstal prøver de ved hjelp av big data også å løse ganske ikke-trivielle oppgaver – for eksempel å redusere skadefrekvensen. I 2019 bevilget selskapet om lag 1,1 milliarder RUB til tiltak for å forbedre arbeidssikkerheten. Severstal forventer å redusere skadefrekvensen med 2025 % med 50 (sammenlignet med 2017). "Hvis en linjeleder - arbeidsleder, anleggsleder, butikksjef - la merke til at en ansatt utfører visse operasjoner utrygt (ikke holder seg i rekkverkene når de går i trapper på industriområdet eller ikke bruker alt personlig verneutstyr), skriver han ut en spesiell merknad til ham – PAB (fra «behavioural security audit»), sier Boris Voskresensky, leder for selskapets dataanalyseavdeling.

Etter å ha analysert data om antall PAB i en av divisjonene fant selskapets spesialister at sikkerhetsreglene oftest ble brutt av de som allerede hadde flere anmerkninger tidligere, samt av de som var sykemeldt eller på ferie kort tid før. hendelsen. Brudd den første uken etter hjemkomst fra ferie eller sykemelding var dobbelt så høy som i den påfølgende perioden: 1 mot 0,55 %. Men å jobbe på nattskift, som det viste seg, påvirker ikke statistikken til PAB-er.

Å lage algoritmer for å behandle big data er ikke den vanskeligste delen av arbeidet, sier bedriftsrepresentanter. Det er mye vanskeligere å forstå hvordan disse teknologiene kan brukes i sammenheng med hver spesifikk virksomhet. Det er her akilleshælen til selskapsanalytikere og til og med eksterne leverandører ligger, som, ser det ut til, har samlet ekspertise innen big data.

"Jeg møtte ofte big data-analytikere som var utmerkede matematikere, men som ikke hadde den nødvendige forståelsen av forretningsprosesser," sier Sergey Kotik, utviklingsdirektør i GoodsForecast. Han husker hvordan selskapet hans for to år siden hadde muligheten til å delta i en etterspørselsprognosekonkurranse for en føderal detaljhandelskjede. Det ble valgt en pilotregion, for alle varer og butikker som deltakerne gjorde prognoser for. Prognosene ble deretter sammenlignet med faktisk salg. Førsteplassen ble tatt av en av de russiske internettgigantene, kjent for sin ekspertise innen maskinlæring og dataanalyse: i sine prognoser viste den et minimalt avvik fra faktisk salg.

Men da nettverket begynte å studere prognosene hans mer detaljert, viste det seg at fra et forretningssynspunkt er de absolutt uakseptable. Selskapet introduserte en modell som produserte salgsplaner med et systematisk understatement. Programmet fant ut hvordan man kan minimere sannsynligheten for feil i prognoser: det er tryggere å undervurdere salg, siden den maksimale feilen kan være 100% (det er ingen negativt salg), men i retning av overecasting kan den være vilkårlig stor, Kotik forklarer. Med andre ord presenterte selskapet en ideell matematisk modell, som under reelle forhold ville føre til halvtomme butikker og store tap fra undersalg. Som et resultat vant et annet selskap konkurransen, hvis beregninger kunne settes ut i livet.

Big data-teknologier er relevante for mange bransjer, men deres aktive implementering forekommer ikke overalt, bemerker Meshkov. For eksempel i helsevesenet er det et problem med datalagring: mye informasjon har blitt samlet og den oppdateres jevnlig, men for det meste er disse dataene ennå ikke digitalisert. Det er også mye data i offentlige etater, men de er ikke slått sammen til en felles klynge. Utviklingen av en enhetlig informasjonsplattform for National Data Management System (NCMS) er rettet mot å løse dette problemet, sier eksperten.

Landet vårt er imidlertid langt fra det eneste landet hvor viktige beslutninger i de fleste organisasjoner tas på grunnlag av intuisjon, og ikke analyse av big data. I april i fjor gjennomførte Deloitte en undersøkelse blant mer enn tusen ledere av store amerikanske selskaper (med en stab på 500 eller mer) og fant at 63 % av de spurte er kjent med big data-teknologier, men ikke har alt nødvendig infrastruktur for å bruke dem. I mellomtiden, blant de 37 % av selskapene med høy analytisk modenhet, har nesten halvparten overskredet forretningsmålene betydelig de siste 12 månedene.

Studien avdekket at i tillegg til vanskeligheten med å implementere nye tekniske løsninger, er et viktig problem i bedrifter mangelen på en kultur for å jobbe med data. Du bør ikke forvente gode resultater hvis ansvaret for beslutninger tatt på grunnlag av big data kun tildeles analytikerne i selskapet, og ikke hele selskapet som helhet. "Nå leter selskaper etter interessante brukstilfeller for store data," sier Miftakhov. "Samtidig krever implementeringen av enkelte scenarier investeringer i systemer for innsamling, prosessering og kvalitetskontroll av tilleggsdata som ikke har blitt analysert tidligere." Akk, "analyse er ennå ikke en lagsport," innrømmer forfatterne av studien.