Прихватите сличне податке: како предузећа уче да профитирају од великих података

Анализом великих података, компаније уче да откривају скривене обрасце, побољшавајући своје пословне перформансе. Правац је модеран, али не могу сви имати користи од великих података због недостатка културе рада са њима

„Што је име особе чешће, већа је вероватноћа да ће платити на време. Што више спратова има ваша кућа, статистички сте бољи зајмопримац. Знак зодијака готово да нема утицаја на вероватноћу повраћаја новца, али психотип значајно ”, каже Станислав Дужински, аналитичар Хоме Цредит Банк, о неочекиваним обрасцима у понашању зајмопримаца. Он се не обавезује да објасни многе од ових образаца – открила их је вештачка интелигенција, која је обрадила хиљаде профила купаца.

Ово је моћ аналитике великих података: анализом огромне количине неструктурираних података, програм може открити многе корелације за које најмудрији људски аналитичар ни не зна. Било која компанија има огромну количину неструктурираних података (биг дата) – о запосленима, купцима, партнерима, конкурентима, који се могу користити у пословну корист: побољшати ефекат промоција, постићи раст продаје, смањити флуктуацију особља итд.

Прве су радиле са великим подацима велике технолошке и телекомуникационе компаније, финансијске институције и малопродаја, коментарише Рафаил Мифтакхов, директор Делоитте Тецхнологи Интегратион Гроуп, ЦИС. Сада постоји интересовање за оваква решења у многим индустријама. Шта су компаније постигле? И да ли анализа великих података увек води до вредних закључака?

Банке користе алгоритме великих података првенствено за побољшање корисничког искуства и оптимизацију трошкова, као и за управљање ризиком и борбу против превара. „Последњих година догодила се права револуција у области анализе великих података“, каже Дужински. „Употреба машинског учења нам омогућава да много тачније предвидимо вероватноћу кашњења кредита – кашњење у нашој банци је само 3,9 одсто.” Поређења ради, од 1. јануара 2019. године учешће кредита са кашњењем преко 90 дана на кредите дате физичким лицима износило је, према подацима Централне банке, 5%.

Чак су и микрофинансијске организације збуњене проучавањем великих података. „Пружање финансијских услуга без анализе великих података данас је попут математике без бројева“, каже Андреј Пономарјов, извршни директор Веббанкир-а, платформе за онлајн кредитирање. „Ми издајемо новац на мрежи без да видимо ни клијента ни његов пасош, а за разлику од традиционалног кредитирања, не само да морамо да проценимо солвентност особе, већ и да идентификујемо њену личност.

Сада база података компаније чува информације о више од 500 хиљада купаца. Свака нова апликација се анализира са овим подацима у око 800 параметара. Програм узима у обзир не само пол, године, брачни статус и кредитну историју, већ и уређај са којег је особа ушла на платформу, како се понашала на сајту. На пример, може бити алармантно да потенцијални зајмопримац није користио кредитни калкулатор или се није распитао о условима кредита. „Изузев неколико стоп фактора – рецимо, не дајемо кредите особама млађим од 19 година – ниједан од ових параметара сам по себи није разлог за одбијање или пристанак на издавање кредита“, објашњава Пономарјов. Важна је комбинација фактора. У 95% случајева одлука се доноси аутоматски, без учешћа стручњака из одељења за осигурање.

Анализа великих података нам омогућава да извучемо занимљиве обрасце, дели Пономарјов. На пример, испоставило се да су корисници иПхоне-а дисциплинованији зајмопримци него власници Андроид уређаја – први добијају одобрење апликација 1,7 пута чешће. „Чињеница да војна лица не отплаћују кредите скоро четвртину ређе од просечног зајмопримца није била изненађење“, каже Пономарјов. „Али обично се не очекује да студенти буду обавезни, али у међувремену, случајеви неиспуњавања кредита су 10% мање уобичајени од просека за основу.“

Проучавање великих података омогућава бодовање и за осигураваче. Основан 2016. године, ИДКС се бави даљинском идентификацијом и онлајн верификацијом докумената. Ове услуге су тражене међу осигуравачима терета који су заинтересовани за што мањи губитак робе. Пре осигурања превоза робе, осигуравач, уз сагласност возача, проверава поузданост, објашњава Јан Слока, комерцијални директор ИДКС-а. Заједно са партнером – петербуршком компанијом „Контрола ризика“ – ИДКС је развио сервис који вам омогућава да проверите идентитет возача, податке и права у пасошу, учешће у инцидентима везаним за губитак терета, итд. Након анализе У бази података о возачима, компанија је идентификовала „ризичну групу“: најчешће се товар губи међу возачима старости 30–40 година са дугим возачким искуством, који су у последње време често мењали посао. Испоставило се и да товар најчешће краду возачи аутомобила, чији век трајања прелази осам година.

Продавци имају другачији задатак – да идентификују купце који су спремни да обаве куповину и одреде најефикасније начине да их доведу на сајт или продавницу. У том циљу, програми анализирају профил купаца, податке са њиховог личног налога, историју куповина, упите за претрагу и коришћење бонус поена, садржај електронских корпи које су почели да попуњавају и напустили. Аналитика података вам омогућава да сегментирате целу базу података и идентификујете групе потенцијалних купаца који би могли бити заинтересовани за одређену понуду, каже Кирил Иванов, директор канцеларије података групе М.Видео-Елдорадо.

На пример, програм идентификује групе купаца, од којих сваки воли различите маркетиншке алате – бескаматни зајам, повраћај новца или промотивни код за попуст. Ови купци добијају е-маил билтен са одговарајућом промоцијом. Вероватноћа да ће особа, отворивши писмо, отићи на веб страницу компаније, у овом случају се значајно повећава, напомиње Иванов.

Анализа података вам такође омогућава да повећате продају сродних производа и додатне опреме. Систем, који је обрадио историју поруџбина других купаца, даје купцу препоруке шта да купи уз одабрани производ. Тестирање овог начина рада, према речима Иванова, показало је повећање броја поруџбина са прибором за 12% и повећање промета прибора за 15%.

Продавци нису једини који теже побољшању квалитета услуге и повећању продаје. Прошлог лета МегаФон је покренуо услугу „паметне“ понуде засноване на обради података од милиона претплатника. Проучавајући њихово понашање, вештачка интелигенција је научила да формира личне понуде за сваког клијента у оквиру тарифа. На пример, ако програм примети да особа активно гледа видео на свом уређају, услуга ће му понудити да прошири количину мобилног саобраћаја. Узимајући у обзир преференције корисника, компанија обезбеђује претплатницима неограничен саобраћај за њихове омиљене врсте интернет слободног времена – на пример, коришћење инстант месинџера или слушање музике на стриминг сервисима, ћаскање на друштвеним мрежама или гледање ТВ емисија.

„Анализирамо понашање претплатника и разумемо како се њихови интереси мењају“, објашњава Виталиј Шчербаков, директор аналитике великих података у МегаФону. „На пример, ове године саобраћај на Алиекспресу је порастао 1,5 пута у односу на прошлу годину, а генерално, број посета онлајн продавницама одеће расте: 1,2–2 пута, у зависности од конкретног ресурса.

Још један пример рада оператера са великим подацима је платформа МегаФон Поиск за тражење нестале деце и одраслих. Систем анализира које би особе могле бити у близини места нестале особе и шаље им информације са фотографијом и знацима нестале особе. Оператер је развио и тестирао систем заједно са Министарством унутрашњих послова и организацијом Лиса Алерт: у року од два минута од оријентације на несталу особу добија више од 2 хиљаде претплатника, што значајно повећава шансе за успешан резултат претраге.

Анализа великих података нашла је примену и у индустрији. Овде вам омогућава да предвидите потражњу и планирате продају. Дакле, у групи компанија Цхеркизово, пре три године, имплементирано је решење засновано на САП БВ, које вам омогућава да чувате и обрађујете све продајне информације: цене, асортиман, количине производа, промоције, канале дистрибуције, каже Владислав Бељајев, ЦИО групе ” Черкизово. Анализа акумулираних 2 ТБ информација не само да је омогућила ефикасно формирање асортимана и оптимизацију портфеља производа, већ је и олакшала рад запослених. На пример, припрема дневног извештаја о продаји захтевала би радни дан многих аналитичара – по два за сваки сегмент производа. Сада овај извештај припрема робот, трошећи само 30 минута на све сегменте.

„У индустрији, велики подаци ефикасно функционишу у спрези са интернетом ствари“, каже Станислав Мешков, извршни директор Умбрелла ИТ. „На основу анализе података са сензора којима је опрема опремљена, могуће је идентификовати одступања у њеном раду и спречити кварове и предвидети перформансе.

У Северсталу, уз помоћ великих података, такође покушавају да реше прилично нетривијалне задатке – на пример, да смање стопу повреда. Компанија је у 2019. години издвојила око 1,1 милијарду рубаља за мере за унапређење безбедности на раду. Северстал очекује смањење стопе повреда до 2025% за 50% (у поређењу са 2017.). „Ако је линијски менаџер — предрадник, руководилац градилишта, руководилац радње — приметио да запослени обавља одређене операције несигурно (не држи се за рукохвате када се пење степеницама на индустријској локацији или не носи сву личну заштитну опрему), он пише посебна напомена за њега – ПАБ (од „бехавиорал сецурити аудит”)“, каже Борис Воскресенски, шеф одељења за анализу података компаније.

Након анализе података о броју ПАБ-ова у једном од одељења, стручњаци компаније су утврдили да су безбедносна правила најчешће кршили они који су раније имали неколико примедаба, као и они који су непосредно пре тога били на боловању или одмору. инцидент. Прекршаји у првој недељи по повратку са одмора или боловања били су дупло већи него у наредном периоду: 1 према 0,55%. Али рад у ноћној смени, како се испоставило, не утиче на статистику ПАБ-а.

Креирање алгоритама за обраду великих података није најтежи део посла, кажу представници компаније. Много је теже разумети како се ове технологије могу применити у контексту сваког конкретног посла. Ту лежи Ахилова пета аналитичара компанија, па чак и екстерних провајдера, који су, чини се, акумулирали стручност у области великих података.

„Често сам сретао аналитичаре великих података који су били одлични математичари, али нису имали потребно разумевање пословних процеса“, каже Сергеј Котик, директор развоја у ГоодсФорецаст-у. Он се присећа како је пре две године његова компанија имала прилику да учествује на конкурсу за предвиђање потражње за савезни малопродајни ланац. Одабран је пилот регион за сву робу и продавнице за које су учесници правили прогнозе. Прогнозе су затим упоређене са стварном продајом. Прво место заузео је један од руских интернет гиганата, познат по својој стручности у машинском учењу и анализи података: у својим прогнозама показао је минимално одступање од стварне продаје.

Али када је мрежа почела детаљније да проучава његове прогнозе, испоставило се да су са пословне тачке гледишта апсолутно неприхватљиве. Компанија је представила модел који је производио планове продаје са систематским потцењивањем. Програм је смислио како да минимизира вероватноћу грешака у предвиђањима: сигурније је потценити продају, јер максимална грешка може бити 100% (нема негативне продаје), али у правцу претераног предвиђања може бити произвољно велика, Котик објашњава. Другим речима, компанија је представила идеалан математички модел, који би у реалним условима довео до полупразних продавница и огромних губитака од подпродаје. Као резултат тога, на такмичењу је победила друга компанија, чији би прорачуни могли да се примене у пракси.

Технологије великих података су релевантне за многе индустрије, али њихова активна примена се не дешава свуда, примећује Мешков. На пример, у здравству постоји проблем са складиштењем података: акумулирано је много информација које се редовно ажурирају, али углавном ти подаци још увек нису дигитализовани. И у државним органима има доста података, али они нису комбиновани у заједнички кластер. Развој јединствене информационе платформе Националног система за управљање подацима (НЦМС) усмерен је на решавање овог проблема, каже експерт.

Међутим, наша земља је далеко од једина земља у којој се у већини организација важне одлуке доносе на основу интуиције, а не анализе великих података. У априлу прошле године, Делоитте је спровео истраживање међу више од хиљаду лидера великих америчких компанија (са особљем од 500 или више) и открио да је 63% испитаних упознато са технологијама великих података, али да немају све потребне инфраструктуре за њихово коришћење. У међувремену, међу 37% компанија са високим нивоом аналитичке зрелости, скоро половина је значајно премашила пословне циљеве у последњих 12 месеци.

Студија је открила да је поред тешкоћа имплементације нових техничких решења, важан проблем у компанијама недостатак културе рада са подацима. Не треба очекивати добре резултате ако је одговорност за одлуке донете на основу великих података додељена само аналитичарима компаније, а не целој компанији у целини. „Сада компаније траже занимљиве случајеве употребе великих података“, каже Мифтакхов. „Истовремено, имплементација неких сценарија захтева улагања у системе за прикупљање, обраду и контролу квалитета додатних података који до сада нису анализирани. Авај, „аналитика још није тимски спорт“, признају аутори студије.