Pieņemiet līdzīgus datus: kā uzņēmumi mācās gūt peļņu no lielajiem datiem

Analizējot lielos datus, uzņēmumi iemācās atklāt slēptos modeļus, uzlabojot savu biznesa sniegumu. Virziens ir moderns, taču ne visi var gūt labumu no lielajiem datiem, jo ​​trūkst kultūras ar tiem strādāt

“Jo izplatītāks ir personas vārds, jo lielāka iespēja, ka viņš samaksās laikā. Jo vairāk stāvu ir jūsu mājai, jo vairāk statistiski jūs esat labāks aizņēmējs. Zodiaka zīme gandrīz neietekmē naudas atmaksas iespējamību, bet psihotips to būtiski, ”par negaidītiem aizņēmēju uzvedības modeļiem stāsta Home Credit Bank analītiķis Staņislavs Dužinskis. Viņš neuzņemas skaidrot daudzus no šiem modeļiem – tos atklāja mākslīgais intelekts, kas apstrādāja tūkstošiem klientu profilu.

Tas ir lielo datu analītikas spēks: analizējot milzīgu daudzumu nestrukturētu datu, programma var atklāt daudzas korelācijas, par kurām gudrākais cilvēku analītiķis pat nezina. Jebkuram uzņēmumam ir milzīgs nestrukturētu datu (lielo datu) apjoms – par darbiniekiem, klientiem, partneriem, konkurentiem, kurus var izmantot biznesa labā: uzlabot akciju efektu, sasniegt pārdošanas apjomu pieaugumu, samazināt personāla mainību utt.

Pirmie ar lielajiem datiem strādāja lielie tehnoloģiju un telekomunikāciju uzņēmumi, finanšu iestādes un mazumtirdzniecība, komentē Deloitte tehnoloģiju integrācijas grupas NVS direktors Rafails Miftakhovs. Tagad interese par šādiem risinājumiem ir daudzās nozarēs. Ko uzņēmumi ir sasnieguši? Un vai lielo datu analīze vienmēr noved pie vērtīgiem secinājumiem?

Bankas izmanto lielo datu algoritmus galvenokārt, lai uzlabotu klientu pieredzi un optimizētu izmaksas, kā arī pārvaldītu riskus un apkarotu krāpšanu. "Pēdējos gados lielo datu analīzes jomā ir notikusi reāla revolūcija," saka Dužinskis. "Mašīnmācības izmantošana ļauj daudz precīzāk prognozēt kredīta saistību nepildīšanas iespējamību – mūsu bankā maksātnespēja ir tikai 3,9%. Salīdzinājumam uz 1. gada 2019. janvāri kredītu ar maksājumu kavējumu virs 90 dienām īpatsvars privātpersonām izsniegtajos kredītos, pēc Centrālās bankas datiem, bija 5%.

Pat mikrofinansēšanas organizācijas ir neizpratnē par lielo datu izpēti. “Šodien sniegt finanšu pakalpojumus, neanalizējot lielus datus, ir kā matemātiku bez skaitļiem,” saka Andrejs Ponomarjovs, tiešsaistes aizdevumu platformas Webbankir izpilddirektors. "Mēs izsniedzam naudu tiešsaistē, neredzot ne klientu, ne viņa pasi, un atšķirībā no tradicionālās kreditēšanas mums ir ne tikai jānovērtē personas maksātspēja, bet arī jāidentificē viņa personība."

Tagad uzņēmuma datubāzē tiek glabāta informācija par vairāk nekā 500 tūkstošiem klientu. Katra jauna lietojumprogramma tiek analizēta ar šiem datiem aptuveni 800 parametros. Programma ņem vērā ne tikai dzimumu, vecumu, ģimenes stāvokli un kredītvēsturi, bet arī ierīci, no kuras cilvēks iekļuva platformā, kā viņš uzvedās vietnē. Piemēram, satraucoši var būt tas, ka potenciālais aizņēmējs nav izmantojis kredīta kalkulatoru vai nav painteresējies par aizdevuma nosacījumiem. “Izņemot dažus pieturas faktorus – piemēram, mēs neizsniedzam kredītus personām, kas jaunākas par 19 gadiem –, neviens no šiem parametriem pats par sevi nav iemesls, lai atteiktos vai piekristu izsniegt aizdevumu,” skaidro Ponomarjovs. Svarīga ir faktoru kombinācija. 95% gadījumu lēmums tiek pieņemts automātiski, bez parakstīšanas nodaļas speciālistu līdzdalības.

Lielo datu analīze ļauj mums iegūt interesantus modeļus, norāda Ponomarevs. Piemēram, iPhone lietotāji izrādījās disciplinētāki kredītņēmēji nekā Android ierīču īpašnieki – pirmie pieteikumu apstiprināšanu saņem 1,7 reizes biežāk. "Tas, ka militārpersonas kredītus neatmaksā gandrīz par ceturtdaļu retāk nekā vidējais aizņēmējs, nebija pārsteigums," saka Ponomarjovs. "Taču parasti netiek sagaidīts, ka studentiem būs pienākums, bet tikmēr kredītsaistību nepildīšanas gadījumi ir par 10% retāk nekā vidējais bāzes rādītājs."

Lielo datu izpēte ļauj iegūt punktus arī apdrošinātājiem. 2016. gadā dibinātais IDX nodarbojas ar attālinātu identifikāciju un dokumentu pārbaudi tiešsaistē. Šie pakalpojumi ir pieprasīti starp kravu apdrošinātājiem, kuri ir ieinteresēti, lai preces pazaudētu pēc iespējas mazāk. Pirms preču pārvadāšanas apdrošināšanas apdrošinātājs ar vadītāja piekrišanu pārbauda uzticamību, skaidro IDX komercdirektors Jans Sloka. Kopā ar partneri – Sanktpēterburgas uzņēmumu “Risk Control” – IDX ir izstrādājis pakalpojumu, kas ļauj pārbaudīt vadītāja identitāti, pases datus un tiesības, dalību ar kravas nozaudēšanu saistītos incidentos u.c. Pēc analīzes autovadītāju datubāzē uzņēmums identificēja “riska grupu”: visbiežāk kravas pazūd 30–40 gadus vecu autovadītāju vidū ar lielu braukšanas stāžu, kuri pēdējā laikā bieži mainījuši darbu. Tāpat izrādījās, ka kravu visbiežāk zog to automašīnu vadītāji, kuru kalpošanas laiks pārsniedz astoņus gadus.

Mazumtirgotājiem ir cits uzdevums – identificēt pircējus, kuri ir gatavi veikt pirkumu, un noteikt efektīvākos veidus, kā tos nogādāt vietnē vai veikalā. Šim nolūkam programmas analizē klientu profilu, datus no viņu personīgā konta, pirkumu vēsturi, meklēšanas vaicājumus un bonusa punktu izmantošanu, elektronisko grozu saturu, kurus viņi sāka aizpildīt un pameta. Datu analīze ļauj segmentēt visu datu bāzi un identificēt potenciālo pircēju grupas, kuras varētu interesēt konkrēts piedāvājums, stāsta M.Video-Eldorado grupas datu biroja direktors Kirils Ivanovs.

Piemēram, programma identificē klientu grupas, kurām katrai patīk dažādi mārketinga rīki – bezprocentu kredīts, naudas atmaksa vai atlaides akcijas kods. Šie pircēji saņem e-pasta biļetenu ar atbilstošo akciju. Varbūtība, ka cilvēks, atvēris vēstuli, nonāks uzņēmuma mājaslapā, šajā gadījumā ievērojami palielinās, atzīmē Ivanovs.

Datu analīze arī ļauj palielināt saistīto produktu un piederumu pārdošanas apjomu. Sistēma, kas apstrādājusi citu klientu pasūtījumu vēsturi, sniedz pircējam ieteikumus, ko iegādāties kopā ar izvēlēto preci. Šīs darba metodes pārbaude, pēc Ivanova teiktā, uzrādīja pasūtījumu skaita pieaugumu ar piederumiem par 12% un piederumu apgrozījuma pieaugumu par 15%.

Mazumtirgotāji nav vienīgie, kas cenšas uzlabot pakalpojumu kvalitāti un palielināt pārdošanas apjomu. Pagājušajā vasarā MegaFon uzsāka “viedo” piedāvājuma pakalpojumu, kura pamatā ir miljoniem abonentu datu apstrāde. Izpētījis viņu uzvedību, mākslīgais intelekts ir iemācījies katram klientam veidot personīgus piedāvājumus tarifu ietvaros. Piemēram, ja programma atzīmē, ka cilvēks savā ierīcē aktīvi skatās video, pakalpojums viņam piedāvās paplašināt mobilās trafika apjomu. Ņemot vērā lietotāju vēlmes, uzņēmums nodrošina abonentiem neierobežotu trafiku iecienītākiem interneta atpūtas veidiem – piemēram, izmantojot tūlītējos kurjerus vai klausoties mūziku straumēšanas servisos, čatā sociālajos tīklos vai skatoties TV pārraides.

“Mēs analizējam abonentu uzvedību un saprotam, kā mainās viņu intereses,” skaidro Vitālijs Ščerbakovs, MegaFon lielo datu analīzes direktors. "Piemēram, šogad AliExpress apmeklējums ir pieaudzis 1,5 reizes, salīdzinot ar pagājušo gadu, un kopumā apģērbu interneta veikalu apmeklējumu skaits pieaug: 1,2-2 reizes, atkarībā no konkrētā resursa."

Vēl viens operatora darba piemērs ar lielajiem datiem ir MegaFon Poisk platforma pazudušo bērnu un pieaugušo meklēšanai. Sistēma analizē, kuri cilvēki varētu atrasties pazudušās personas tuvumā, un nosūta viņiem informāciju ar fotogrāfiju un pazudušā cilvēka pazīmēm. Operators izstrādāja un pārbaudīja sistēmu kopā ar Iekšlietu ministriju un Lisa Alert organizāciju: divu minūšu laikā pēc orientēšanās uz pazudušo personu saņem vairāk nekā 2 tūkstoši abonentu, kas ievērojami palielina veiksmīga meklēšanas rezultāta izredzes.

Lielo datu analīze ir atradusi pielietojumu arī rūpniecībā. Šeit tas ļauj prognozēt pieprasījumu un plānot pārdošanas apjomu. Tātad Cherkizovo uzņēmumu grupā pirms trim gadiem tika ieviests uz SAP BW balstīts risinājums, kas ļauj uzglabāt un apstrādāt visu pārdošanas informāciju: cenas, sortimentu, preču apjomus, akcijas, izplatīšanas kanālus, stāsta Vladislavs Beļajevs, informācijas komunikāciju vadītājs. no grupas "Čerkizovo". Uzkrātās 2 TB informācijas analīze ļāva ne tikai efektīvi veidot sortimentu un optimizēt produktu portfeli, bet arī atviegloja darbinieku darbu. Piemēram, lai sagatavotu ikdienas pārdošanas pārskatu, būtu nepieciešams daudzu analītiķu darbs — divi katrā produktu segmentā. Tagad šo pārskatu sagatavo robots, visiem segmentiem veltot tikai 30 minūtes.

“Nozarē lielie dati efektīvi darbojas kopā ar lietu internetu,” saka Staņislavs Meškovs, Umbrella IT izpilddirektors. "Pamatojoties uz datu analīzi no sensoriem, ar kuriem iekārta ir aprīkota, ir iespējams noteikt novirzes tās darbībā un novērst bojājumus, kā arī paredzēt veiktspēju."

Severstaļā ar lielo datu palīdzību cenšas risināt arī visai netriviālus uzdevumus – piemēram, samazināt traumu rādītājus. 2019. gadā uzņēmums darba drošības uzlabošanas pasākumiem atvēlēja aptuveni 1,1 miljardu rubļu. Severstal plāno samazināt traumu līmeni par 2025% par 50 (salīdzinot ar 2017. gadu). “Ja tiešais vadītājs – brigadieris, objekta vadītājs, ceha vadītājs – pamanījis, ka darbinieks nedroši veic noteiktas darbības (rūpnieciskajā objektā kāpjot pa kāpnēm neturas pie margām vai nevalkā visus individuālos aizsardzības līdzekļus), viņš raksta. īpaša piezīme viņam – PAB (no “uzvedības drošības audits”),” stāsta uzņēmuma datu analīzes nodaļas vadītājs Boriss Voskresenskis.

Analizējot datus par PAB skaitu vienā no nodaļām, uzņēmuma speciālisti konstatēja, ka drošības noteikumus visbiežāk pārkāpuši tie, kuriem jau iepriekš bija vairākas piezīmes, kā arī tie, kuri īsi pirms tam bija slimības atvaļinājumā vai atvaļinājumā. incidents. Pārkāpumu pirmajā nedēļā pēc atgriešanās no atvaļinājuma vai slimības atvaļinājuma bija divreiz vairāk nekā nākamajā periodā: 1 pret 0,55%. Bet darbs nakts maiņā, kā izrādījās, PAB statistiku neietekmē.

Lielo datu apstrādes algoritmu izveide nav grūtākais darba posms, norāda uzņēmuma pārstāvji. Daudz grūtāk ir saprast, kā šīs tehnoloģijas var pielietot katra konkrētā biznesa kontekstā. Šeit slēpjas uzņēmumu analītiķu un pat ārējo pakalpojumu sniedzēju Ahileja papēdis, kuri, šķiet, ir uzkrājuši zināšanas lielo datu jomā.

"Es bieži satiku lielo datu analītiķus, kuri bija izcili matemātiķi, bet kuriem nebija vajadzīgās izpratnes par biznesa procesiem," saka Sergejs Kotiks, GoodsForecast attīstības direktors. Viņš atceras, kā pirms diviem gadiem viņa uzņēmumam bija iespēja piedalīties federālās mazumtirdzniecības ķēdes pieprasījuma prognozēšanas konkursā. Tika izvēlēts pilotreģions, par kuru visām precēm un veikaliem dalībnieki veica prognozes. Pēc tam prognozes tika salīdzinātas ar faktiskajiem pārdošanas apjomiem. Pirmo vietu ieņēma viens no Krievijas interneta gigantiem, kas pazīstams ar savām zināšanām mašīnmācībā un datu analīzē: savās prognozēs tas uzrādīja minimālu novirzi no faktiskajiem pārdošanas apjomiem.

Bet, kad tīkls sāka sīkāk pētīt viņa prognozes, izrādījās, ka no biznesa viedokļa tās ir absolūti nepieņemamas. Uzņēmums ieviesa modeli, kas veidoja pārdošanas plānus ar sistemātisku nepietiekamu novērtējumu. Programma izdomāja, kā samazināt kļūdu iespējamību prognozēs: drošāk ir nenovērtēt pārdošanas apjomu, jo maksimālā kļūda var būt 100% (nav negatīvu pārdošanas apjomu), bet pārprognozēšanas virzienā tā var būt patvaļīgi liela, Kotiks skaidro. Citiem vārdiem sakot, uzņēmums prezentēja ideālu matemātisko modeli, kas reālos apstākļos novestu pie pustukšiem veikaliem un milzīgiem zaudējumiem no zemākās pārdošanas. Rezultātā konkursā uzvarēja cits uzņēmums, kura aprēķinus varēja likt lietā.

Lielo datu tehnoloģijas ir aktuālas daudzām nozarēm, taču to aktīva ieviešana nenotiek visur, atzīmē Meškovs. Piemēram, veselības aprūpē ir problēma ar datu uzglabāšanu: ir uzkrāts daudz informācijas un tā tiek regulāri atjaunināta, taču lielākoties šie dati vēl nav digitalizēti. Arī valsts aģentūrās ir daudz datu, taču tie nav apvienoti kopējā klasterī. Nacionālās datu pārvaldības sistēmas (NCMS) vienotās informācijas platformas izstrāde ir vērsta uz šīs problēmas risināšanu, stāsta eksperts.

Taču mūsu valsts nebūt nav vienīgā valsts, kurā vairumā organizāciju svarīgi lēmumi tiek pieņemti, balstoties uz intuīciju, nevis lielo datu analīzi. Pagājušā gada aprīlī Deloitte veica aptauju, kurā piedalījās vairāk nekā tūkstotis lielo Amerikas uzņēmumu (ar darbinieku skaitu 500 un vairāk) vadītāju un atklāja, ka 63% aptaujāto pārzina lielo datu tehnoloģijas, taču viņiem nav visu nepieciešamo. infrastruktūra, lai tos izmantotu. Tikmēr no 37% uzņēmumu ar augstu analītiskā brieduma līmeni gandrīz puse pēdējo 12 mēnešu laikā ir ievērojami pārsnieguši biznesa mērķus.

Pētījumā atklājās, ka papildus grūtībām ieviest jaunus tehniskos risinājumus, būtiska problēma uzņēmumos ir kultūras trūkums darbam ar datiem. Jums nevajadzētu gaidīt labus rezultātus, ja atbildība par lēmumiem, kas pieņemti, pamatojoties uz lielajiem datiem, tiek uzlikti tikai uzņēmuma analītiķiem, nevis visam uzņēmumam kopumā. "Tagad uzņēmumi meklē interesantus lielo datu izmantošanas gadījumus," saka Miftakhovs. "Tajā pašā laikā dažu scenāriju īstenošanai ir nepieciešami ieguldījumi iepriekš neanalizētu papildu datu vākšanas, apstrādes un kvalitātes kontroles sistēmās." Diemžēl "analītika vēl nav komandas sporta veids," atzīst pētījuma autori.