Kubali kama data: jinsi biashara hujifunza kupata faida kutokana na data kubwa

Kwa kuchambua data kubwa, makampuni hujifunza kufichua mifumo iliyofichwa, kuboresha utendaji wao wa biashara. Mwelekeo ni wa mtindo, lakini si kila mtu anaweza kufaidika na data kubwa kutokana na ukosefu wa utamaduni wa kufanya kazi nao

“Jina la mtu linapokuwa la kawaida ndivyo uwezekano wa kulipa kwa wakati. Kadiri nyumba yako inavyo sakafu nyingi, ndivyo unavyokuwa mkopaji bora zaidi kitakwimu. Ishara ya zodiac haina athari yoyote juu ya uwezekano wa kurejeshewa pesa, lakini aina ya kisaikolojia hufanya kwa kiasi kikubwa, "anasema Stanislav Duzhinsky, mchambuzi katika Benki ya Mikopo ya Nyumbani, kuhusu mifumo isiyotarajiwa ya tabia ya wakopaji. Hajitoi kueleza nyingi ya mifumo hii - ilifunuliwa na akili ya bandia, ambayo ilichakata maelfu ya wasifu wa wateja.

Huu ndio uwezo wa uchanganuzi mkubwa wa data: kwa kuchambua idadi kubwa ya data isiyo na muundo, programu inaweza kugundua uhusiano mwingi ambao mchambuzi mwenye busara zaidi hajui hata juu yake. Kampuni yoyote ina kiasi kikubwa cha data isiyo na muundo (data kubwa) - kuhusu wafanyakazi, wateja, washirika, washindani, ambayo inaweza kutumika kwa manufaa ya biashara: kuboresha athari za matangazo, kufikia ukuaji wa mauzo, kupunguza mauzo ya wafanyakazi, nk.

Wa kwanza kufanya kazi na data kubwa walikuwa makampuni makubwa ya teknolojia na mawasiliano, taasisi za fedha na rejareja, maoni Rafail Miftakhov, mkurugenzi wa Deloitte Technology Integration Group, CIS. Sasa kuna riba katika suluhisho kama hizo katika tasnia nyingi. Je, makampuni yamepata mafanikio gani? Na uchambuzi mkubwa wa data daima husababisha hitimisho muhimu?

Benki hutumia algoriti kubwa za data kimsingi kuboresha matumizi ya wateja na kuongeza gharama, na pia kudhibiti hatari na kupambana na ulaghai. "Katika miaka ya hivi karibuni, mapinduzi ya kweli yamefanyika katika uwanja wa uchambuzi mkubwa wa data," anasema Duzhinsky. "Matumizi ya kujifunza kwa mashine huturuhusu kutabiri uwezekano wa kutolipa mkopo kwa usahihi zaidi - uhalifu katika benki yetu ni 3,9% tu." Kwa kulinganisha, kufikia Januari 1, 2019, sehemu ya mikopo yenye malipo yaliyochelewa kwa muda wa siku 90 kwa mikopo iliyotolewa kwa watu binafsi ilikuwa, kulingana na Benki Kuu, 5%.

Hata mashirika madogo ya fedha yanashangazwa na utafiti wa data kubwa. "Kutoa huduma za kifedha bila kuchambua data kubwa leo ni kama kufanya hesabu bila nambari," anasema Andrey Ponomarev, Mkurugenzi Mtendaji wa Webbankir, jukwaa la kukopesha mtandaoni. "Tunatoa pesa mtandaoni bila kumuona mteja au pasi yake ya kusafiria, na tofauti na ukopeshaji wa kitamaduni, ni lazima sio tu kutathmini uwezo wa mtu kulipwa, lakini pia kutambua utu wake."

Sasa hifadhidata ya kampuni huhifadhi habari kwa wateja zaidi ya elfu 500. Kila programu mpya inachambuliwa na data hii katika takriban vigezo 800. Mpango huo hauzingatii tu jinsia, umri, hali ya ndoa na historia ya mkopo, lakini pia kifaa ambacho mtu aliingia kwenye jukwaa, jinsi alivyofanya kwenye tovuti. Kwa mfano, inaweza kuwa ya kutisha kwamba mkopaji hakutumia kikokotoo cha mkopo au hakuuliza juu ya masharti ya mkopo. "Ukiondoa sababu chache za kuacha - tuseme, hatutoi mikopo kwa watu walio chini ya umri wa miaka 19 - hakuna hata moja ya vigezo hivi yenyewe ni sababu ya kukataa au kukubali kutoa mkopo," Ponomarev anaelezea. Ni mchanganyiko wa mambo ambayo ni muhimu. Katika 95% ya kesi, uamuzi unafanywa moja kwa moja, bila ushiriki wa wataalamu kutoka idara ya uandishi.

Uchambuzi mkubwa wa data huturuhusu kupata mifumo ya kupendeza, hisa za Ponomarev. Kwa mfano, watumiaji wa iPhone waligeuka kuwa wakopaji wenye nidhamu zaidi kuliko wamiliki wa vifaa vya Android - wa zamani hupokea idhini ya maombi mara 1,7 mara nyingi zaidi. "Ukweli kwamba wanajeshi hawarejeshi mikopo karibu robo mara chini ya akopaye wastani haukuwa mshangao," Ponomarev anasema. "Lakini kwa kawaida wanafunzi hawatarajiwi kuwajibika, lakini wakati huo huo, kesi za kutolipa mikopo ni 10% chini ya kawaida kuliko wastani wa msingi."

Utafiti wa data kubwa inaruhusu bao kwa bima pia. Imara katika 2016, IDX inahusika katika utambulisho wa kijijini na uthibitishaji wa mtandaoni wa nyaraka. Huduma hizi zinahitajika kati ya bima za mizigo ambao wana nia ya kupoteza bidhaa kidogo iwezekanavyo. Kabla ya kuhakikisha usafirishaji wa bidhaa, bima, kwa idhini ya dereva, huangalia kuegemea, anaelezea Jan Sloka, mkurugenzi wa kibiashara wa IDX. Pamoja na mpenzi - kampuni ya St. Petersburg "Udhibiti wa Hatari" - IDX imetengeneza huduma ambayo inakuwezesha kuangalia utambulisho wa dereva, data ya pasipoti na haki, ushiriki katika matukio yanayohusiana na upotevu wa mizigo, nk Baada ya kuchambua hifadhidata ya madereva, kampuni iligundua "kikundi cha hatari": mara nyingi, mizigo hupotea kati ya madereva wenye umri wa miaka 30-40 na uzoefu wa muda mrefu wa kuendesha gari, ambao mara nyingi wamebadilisha kazi hivi karibuni. Pia iliibuka kuwa mizigo mara nyingi huibiwa na madereva wa magari, maisha ya huduma ambayo yanazidi miaka nane.

Wafanyabiashara wana kazi tofauti - kutambua wateja ambao wako tayari kufanya ununuzi, na kuamua njia bora zaidi za kuwaleta kwenye tovuti au duka. Ili kufikia mwisho huu, programu zinachambua wasifu wa wateja, data kutoka kwa akaunti yao ya kibinafsi, historia ya ununuzi, maswali ya utafutaji na matumizi ya pointi za ziada, yaliyomo kwenye vikapu vya elektroniki ambavyo walianza kujaza na kutelekezwa. Uchanganuzi wa data hukuruhusu kugawa hifadhidata nzima na kutambua vikundi vya wanunuzi ambao wanaweza kupendezwa na ofa fulani, anasema Kirill Ivanov, mkurugenzi wa ofisi ya data ya kikundi cha M.Video-Eldorado.

Kwa mfano, mpango hutambua vikundi vya wateja, ambavyo kila kimoja kinapenda zana tofauti za uuzaji - mkopo usio na riba, marejesho ya pesa taslimu au kuponi ya ofa. Wanunuzi hawa hupokea jarida la barua pepe lililo na ofa inayolingana. Uwezekano kwamba mtu, baada ya kufungua barua, ataenda kwenye tovuti ya kampuni, katika kesi hii huongezeka kwa kiasi kikubwa, maelezo ya Ivanov.

Uchambuzi wa data pia hukuruhusu kuongeza mauzo ya bidhaa na vifaa vinavyohusiana. Mfumo, ambao umeshughulikia historia ya agizo la wateja wengine, hutoa mapendekezo ya mnunuzi juu ya kile cha kununua pamoja na bidhaa iliyochaguliwa. Upimaji wa njia hii ya kazi, kulingana na Ivanov, ilionyesha kuongezeka kwa idadi ya maagizo na vifaa kwa 12% na kuongezeka kwa mauzo ya vifaa kwa 15%.

Wauzaji sio pekee wanaojitahidi kuboresha ubora wa huduma na kuongeza mauzo. Msimu uliopita wa kiangazi, MegaFon ilizindua huduma ya toleo la "smart" kulingana na usindikaji wa data kutoka kwa mamilioni ya waliojiandikisha. Baada ya kusoma tabia zao, akili ya bandia imejifunza kuunda matoleo ya kibinafsi kwa kila mteja ndani ya ushuru. Kwa mfano, ikiwa programu inabainisha kuwa mtu anatazama video kikamilifu kwenye kifaa chake, huduma itampa kupanua kiasi cha trafiki ya simu. Kwa kuzingatia matakwa ya watumiaji, kampuni hutoa wateja trafiki isiyo na kikomo kwa aina zao za burudani za mtandaoni - kwa mfano, kutumia wajumbe wa papo hapo au kusikiliza muziki kwenye huduma za utiririshaji, kuzungumza kwenye mitandao ya kijamii au kutazama vipindi vya Runinga.

"Tunachambua tabia ya waliojiandikisha na kuelewa jinsi masilahi yao yanabadilika," anaelezea Vitaly Shcherbakov, mkurugenzi wa uchanganuzi mkubwa wa data huko MegaFon. "Kwa mfano, mwaka huu, trafiki ya AliExpress imeongezeka mara 1,5 ikilinganishwa na mwaka jana, na kwa ujumla, idadi ya kutembelea maduka ya nguo mtandaoni inakua: mara 1,2-2, kulingana na rasilimali maalum."

Mfano mwingine wa kazi ya operator na data kubwa ni jukwaa la MegaFon Poisk la kutafuta watoto na watu wazima waliopotea. Mfumo huchambua ni watu gani wanaweza kuwa karibu na mahali pa mtu aliyepotea, na kuwatumia habari na picha na ishara za mtu aliyepotea. Opereta alitengeneza na kujaribu mfumo huo pamoja na Wizara ya Mambo ya Ndani na shirika la Tahadhari ya Lisa: ndani ya dakika mbili za mwelekeo kwa mtu aliyepotea, zaidi ya wanachama elfu 2 hupokea, ambayo huongeza kwa kiasi kikubwa nafasi za matokeo ya utafutaji yenye mafanikio.

Uchambuzi mkubwa wa data pia umepata matumizi katika tasnia. Hapa hukuruhusu kutabiri mahitaji na kupanga mauzo. Kwa hivyo, katika kikundi cha kampuni za Cherkizovo, miaka mitatu iliyopita, suluhisho kulingana na SAP BW ilitekelezwa, ambayo hukuruhusu kuhifadhi na kusindika habari zote za uuzaji: bei, urval, idadi ya bidhaa, matangazo, njia za usambazaji, anasema Vladislav Belyaev, CIO. wa kikundi ” Cherkizovo. Mchanganuo wa habari iliyokusanywa ya TB 2 sio tu ilifanya iwezekane kuunda urval na kuboresha kwingineko ya bidhaa, lakini pia kuwezesha kazi ya wafanyikazi. Kwa mfano, kuandaa ripoti ya mauzo ya kila siku kungehitaji kazi ya siku moja ya wachambuzi wengi - wawili kwa kila sehemu ya bidhaa. Sasa ripoti hii imeandaliwa na roboti, ikitumia dakika 30 tu kwenye sehemu zote.

"Katika sekta, data kubwa hufanya kazi kwa ufanisi kwa kushirikiana na mtandao wa mambo," anasema Stanislav Meshkov, Mkurugenzi Mtendaji wa Umbrella IT. "Kulingana na uchanganuzi wa data kutoka kwa sensorer ambazo vifaa vina vifaa, inawezekana kutambua kupotoka katika uendeshaji wake na kuzuia kuvunjika, na kutabiri utendaji."

Katika Severstal, kwa usaidizi wa data kubwa, wanajaribu pia kutatua kazi zisizo ndogo - kwa mfano, kupunguza viwango vya majeruhi. Mnamo mwaka wa 2019, kampuni ilitenga takriban RUB bilioni 1,1 kwa hatua za kuboresha usalama wa wafanyikazi. Severstal inatarajia kupunguza kiwango cha majeruhi kwa 2025% na 50 (ikilinganishwa na 2017). "Ikiwa meneja wa mstari - msimamizi, meneja wa tovuti, meneja wa duka - aligundua kuwa mfanyakazi anafanya shughuli fulani bila usalama (hashikilii nguzo wakati wa kupanda ngazi kwenye tovuti ya viwanda au hakuvaa vifaa vyote vya kujikinga), anaandika. dokezo maalum kwake - PAB (kutoka "ukaguzi wa usalama wa tabia")," anasema Boris Voskresensky, mkuu wa idara ya uchambuzi wa data ya kampuni.

Baada ya kuchambua data juu ya idadi ya PAB katika moja ya mgawanyiko, wataalam wa kampuni hiyo waligundua kuwa sheria za usalama mara nyingi zilikiukwa na wale ambao tayari walikuwa na maoni kadhaa hapo awali, na vile vile na wale ambao walikuwa kwenye likizo ya ugonjwa au likizo muda mfupi uliopita. tukio. Ukiukaji katika wiki ya kwanza baada ya kurudi kutoka likizo au likizo ya ugonjwa ulikuwa juu mara mbili kuliko katika kipindi kilichofuata: 1 dhidi ya 0,55%. Lakini kufanya kazi kwenye mabadiliko ya usiku, kama ilivyotokea, haiathiri takwimu za PABs.

Kuunda algorithms kwa usindikaji wa data kubwa sio sehemu ngumu zaidi ya kazi, wawakilishi wa kampuni wanasema. Ni vigumu zaidi kuelewa jinsi teknolojia hizi zinaweza kutumika katika muktadha wa kila biashara mahususi. Hapa ndipo ambapo kisigino cha Achilles cha wachambuzi wa kampuni na hata watoa huduma wa nje hulala, ambayo, inaonekana, imekusanya ujuzi katika uwanja wa data kubwa.

"Mara nyingi nilikutana na wachambuzi wakubwa wa data ambao walikuwa wanahisabati bora, lakini hawakuwa na ufahamu muhimu wa michakato ya biashara," anasema Sergey Kotik, mkurugenzi wa maendeleo katika GoodsForecast. Anakumbuka jinsi miaka miwili iliyopita kampuni yake ilipata fursa ya kushiriki katika shindano la utabiri wa mahitaji ya mnyororo wa rejareja wa shirikisho. Eneo la majaribio lilichaguliwa, kwa bidhaa na maduka yote ambayo washiriki walifanya utabiri. Utabiri ulilinganishwa na mauzo halisi. Nafasi ya kwanza ilichukuliwa na mojawapo ya makubwa ya mtandao wa Kirusi, inayojulikana kwa ujuzi wake katika kujifunza mashine na uchambuzi wa data: katika utabiri wake, ilionyesha kupotoka kidogo kutoka kwa mauzo halisi.

Lakini mtandao ulipoanza kusoma utabiri wake kwa undani zaidi, ikawa kwamba kutoka kwa mtazamo wa biashara, haukubaliki kabisa. Kampuni ilianzisha mtindo ambao ulizalisha mipango ya mauzo na upungufu wa utaratibu. Mpango huo uligundua jinsi ya kupunguza uwezekano wa makosa katika utabiri: ni salama kudharau mauzo, kwani kosa la juu linaweza kuwa 100% (hakuna mauzo hasi), lakini kwa mwelekeo wa utabiri wa hali ya juu, inaweza kuwa kubwa kiholela, Kotik anaeleza. Kwa maneno mengine, kampuni iliwasilisha mfano bora wa hisabati, ambayo katika hali halisi ingesababisha maduka ya nusu tupu na hasara kubwa kutoka kwa undersales. Kama matokeo, kampuni nyingine ilishinda shindano hilo, ambalo mahesabu yake yanaweza kutekelezwa.

Teknolojia kubwa za data zinafaa kwa viwanda vingi, lakini utekelezaji wao wa kazi haufanyiki kila mahali, maelezo ya Meshkov. Kwa mfano, katika huduma ya afya kuna tatizo na uhifadhi wa data: habari nyingi zimekusanywa na zinasasishwa mara kwa mara, lakini kwa sehemu kubwa data hii bado haijaunganishwa. Pia kuna data nyingi katika mashirika ya serikali, lakini hazijaunganishwa kuwa nguzo ya pamoja. Ukuzaji wa jukwaa la habari la umoja wa Mfumo wa Kitaifa wa Usimamizi wa Takwimu (NCMS) unalenga kutatua shida hii, mtaalam huyo anasema.

Hata hivyo, nchi yetu ni mbali na nchi pekee ambapo katika mashirika mengi maamuzi muhimu hufanywa kwa misingi ya intuition, na si uchambuzi wa data kubwa. Mnamo Aprili mwaka jana, Deloitte ilifanya uchunguzi kati ya viongozi zaidi ya elfu moja wa kampuni kubwa za Amerika (yenye wafanyikazi 500 au zaidi) na kugundua kuwa 63% ya waliohojiwa wanafahamu teknolojia kubwa za data, lakini hawana kila kitu muhimu. miundombinu ya kuzitumia. Wakati huo huo, kati ya 37% ya makampuni yenye kiwango cha juu cha ukomavu wa uchambuzi, karibu nusu yamevuka malengo ya biashara kwa kiasi kikubwa katika miezi 12 iliyopita.

Utafiti huo umebaini kuwa pamoja na ugumu wa kutekeleza ufumbuzi mpya wa kiufundi, tatizo muhimu katika makampuni ni ukosefu wa utamaduni wa kufanya kazi na data. Haupaswi kutarajia matokeo mazuri ikiwa jukumu la maamuzi yaliyofanywa kwa msingi wa data kubwa hutolewa tu kwa wachambuzi wa kampuni, na sio kwa kampuni nzima kwa ujumla. "Sasa makampuni yanatafuta kesi za kuvutia za matumizi ya data kubwa," anasema Miftakhov. "Wakati huo huo, utekelezaji wa baadhi ya matukio unahitaji uwekezaji katika mifumo ya kukusanya, usindikaji na udhibiti wa ubora wa data za ziada ambazo hazijachambuliwa hapo awali." Ole, "uchambuzi bado sio mchezo wa timu," waandishi wa utafiti wanakubali.