Prano si të dhëna: si bizneset mësojnë të përfitojnë nga të dhënat e mëdha

Duke analizuar të dhënat e mëdha, kompanitë mësojnë të zbulojnë modele të fshehura, duke përmirësuar performancën e biznesit të tyre. Drejtimi është në modë, por jo të gjithë mund të përfitojnë nga të dhënat e mëdha për shkak të mungesës së kulturës për të punuar me ta

“Sa më i zakonshëm të jetë emri i një personi, aq më shumë ka gjasa që ai të paguajë në kohë. Sa më shumë kate të ketë shtëpia juaj, aq më statistikisht jeni një huamarrës më i mirë. Shenja e zodiakut nuk ka pothuajse asnjë efekt në gjasat e rimbursimit, por psikotipi ndikon ndjeshëm, "thotë Stanislav Duzhinsky, një analist në Bankën Home Credit, për modelet e papritura në sjelljen e huamarrësve. Ai nuk merr përsipër të shpjegojë shumë nga këto modele – ato u zbuluan nga inteligjenca artificiale, e cila përpunoi mijëra profile klientësh.

Kjo është fuqia e analitikës së të dhënave të mëdha: duke analizuar një sasi të madhe të dhënash të pastrukturuara, programi mund të zbulojë shumë korrelacione që analisti më i mençur njerëzor as nuk i di. Çdo kompani ka një sasi të madhe të dhënash të pastrukturuara (të dhëna të mëdha) - për punonjësit, klientët, partnerët, konkurrentët, të cilat mund të përdoren për përfitime biznesi: përmirësoni efektin e promovimeve, arrini rritjen e shitjeve, zvogëloni qarkullimin e stafit, etj.

Të parët që punuan me të dhëna të mëdha ishin kompanitë e mëdha të teknologjisë dhe telekomunikacionit, institucionet financiare dhe shitja me pakicë, komenton Rafail Miftakhov, drejtor i Deloitte Technology Integration Group, CIS. Tani ka interes për zgjidhje të tilla në shumë industri. Çfarë kanë arritur kompanitë? Dhe a çon analiza e të dhënave të mëdha gjithmonë në përfundime të vlefshme?

Bankat përdorin algoritme të të dhënave të mëdha kryesisht për të përmirësuar përvojën e klientit dhe për të optimizuar kostot, si dhe për të menaxhuar rrezikun dhe për të luftuar mashtrimin. "Vitet e fundit, një revolucion i vërtetë ka ndodhur në fushën e analizës së të dhënave të mëdha," thotë Duzhinsky. “Përdorimi i mësimit të makinerive na lejon të parashikojmë shumë më saktë probabilitetin e mospagimit të kredisë – delikuenca në bankën tonë është vetëm 3,9%. Për krahasim, që nga 1 janari 2019, pesha e kredive me vonesa mbi 90 ditë për kreditë e dhëna për individë ishte, sipas Bankës Qendrore, 5%.

Edhe organizatat mikrofinanciare janë në mëdyshje nga studimi i të dhënave të mëdha. “Të ofrosh shërbime financiare pa analizuar të dhëna të mëdha sot është si të bësh matematikë pa numra”, thotë Andrey Ponomarev, CEO i Webbankir, një platformë kreditimi në internet. “Ne lëshojmë para online pa parë as klientin, as pasaportën e tij dhe ndryshe nga huadhënia tradicionale, jo vetëm duhet të vlerësojmë aftësinë paguese të një personi, por edhe të identifikojmë personalitetin e tij.”

Tani baza e të dhënave të kompanisë ruan informacione për më shumë se 500 mijë klientë. Çdo aplikacion i ri analizohet me këto të dhëna në rreth 800 parametra. Programi merr parasysh jo vetëm gjininë, moshën, statusin martesor dhe historinë e kreditit, por edhe pajisjen nga e cila një person hyri në platformë, si u soll në sit. Për shembull, mund të jetë alarmante që një huamarrës i mundshëm nuk ka përdorur një kalkulator kredie ose nuk ka pyetur për kushtet e një kredie. "Me përjashtim të disa faktorëve ndalues ​​- të themi, ne nuk lëshojmë kredi për personat nën 19 vjeç - asnjë nga këto parametra në vetvete nuk është një arsye për refuzimin ose pranimin e lëshimit të një kredie," shpjegon Ponomarev. Është kombinimi i faktorëve që ka rëndësi. Në 95% të rasteve, vendimi merret automatikisht, pa pjesëmarrjen e specialistëve të departamentit të nënshkrimit.

Analiza e të dhënave të mëdha na lejon të nxjerrim modele interesante, thotë Ponomarev. Për shembull, përdoruesit e iPhone rezultuan të ishin huamarrës më të disiplinuar sesa pronarë të pajisjeve Android - të parët marrin miratimin e aplikacioneve 1,7 herë më shpesh. "Fakti që personeli ushtarak nuk i kthen kreditë pothuajse një çerek më rrallë se huamarrësi mesatar nuk ishte një surprizë," thotë Ponomarev. “Por studentët zakonisht nuk pritet të jenë të detyruar, por ndërkohë, rastet e mospagimit të kredisë janë 10% më pak të zakonshme se mesatarja për bazën.”

Studimi i të dhënave të mëdha lejon vlerësimin e pikëve edhe për siguruesit. E themeluar në vitin 2016, IDX është e angazhuar në identifikimin në distancë dhe verifikimin online të dokumenteve. Këto shërbime janë të kërkuara në mesin e siguruesve të mallrave që janë të interesuar për humbjen e mallrave sa më pak të jetë e mundur. Para sigurimit të transportit të mallrave, siguruesi, me pëlqimin e shoferit, kontrollon për besueshmërinë, shpjegon Jan Sloka, drejtor komercial i IDX. Së bashku me një partner – kompaninë e Shën Petersburgut “Risk Control” – IDX ka zhvilluar një shërbim që ju lejon të kontrolloni identitetin e shoferit, të dhënat dhe të drejtat e pasaportës, pjesëmarrjen në incidente që lidhen me humbjen e ngarkesës, etj. Pas analizimit në bazën e të dhënave të shoferëve, kompania identifikoi një "grup rreziku": më shpesh, ngarkesat humbasin midis shoferëve të moshës 30-40 vjeç me një përvojë të gjatë drejtimi, të cilët shpesh kanë ndryshuar punë kohët e fundit. Doli gjithashtu se ngarkesa vidhet më shpesh nga drejtuesit e makinave, jeta e shërbimit të të cilave tejkalon tetë vjet.

Shitësit me pakicë kanë një detyrë tjetër - të identifikojnë klientët që janë gati të bëjnë një blerje dhe të përcaktojnë mënyrat më efektive për t'i sjellë ata në faqe ose dyqan. Për këtë qëllim, programet analizojnë profilin e klientëve, të dhënat nga llogaria e tyre personale, historikun e blerjeve, pyetjet e kërkimit dhe përdorimin e pikëve bonus, përmbajtjen e shportave elektronike që ata filluan të plotësonin dhe i braktisën. Analiza e të dhënave ju lejon të segmentoni të gjithë bazën e të dhënave dhe të identifikoni grupet e blerësve të mundshëm që mund të jenë të interesuar për një ofertë të veçantë, thotë Kirill Ivanov, drejtor i zyrës së të dhënave të grupit M.Video-Eldorado.

Për shembull, programi identifikon grupe klientësh, secili prej të cilëve i pëlqejnë mjetet e ndryshme të marketingut - një kredi pa interes, kthim parash ose një kod promovues zbritje. Këta blerës marrin një buletin me email me promovimin përkatës. Probabiliteti që një person, pasi ka hapur letrën, të shkojë në faqen e internetit të kompanisë, në këtë rast rritet ndjeshëm, vëren Ivanov.

Analiza e të dhënave ju lejon gjithashtu të rritni shitjet e produkteve dhe aksesorëve të lidhur. Sistemi, i cili ka përpunuar historinë e porosive të klientëve të tjerë, i jep blerësit rekomandime se çfarë të blejë së bashku me produktin e zgjedhur. Testimi i kësaj metode të punës, sipas Ivanovit, tregoi rritje të numrit të porosive me aksesorë për 12% dhe rritje të qarkullimit të aksesorëve për 15%.

Shitësit me pakicë nuk janë të vetmit që përpiqen të përmirësojnë cilësinë e shërbimit dhe të rrisin shitjet. Verën e kaluar, MegaFon lançoi një shërbim oferte "të zgjuar" bazuar në përpunimin e të dhënave nga miliona abonentë. Duke studiuar sjelljen e tyre, inteligjenca artificiale ka mësuar të krijojë oferta personale për çdo klient brenda tarifave. Për shembull, nëse programi vëren se një person po shikon në mënyrë aktive video në pajisjen e tij, shërbimi do t'i ofrojë atij të zgjerojë sasinë e trafikut celular. Duke marrë parasysh preferencat e përdoruesve, kompania u ofron abonentëve trafik të pakufizuar për llojet e tyre të preferuara të kohës së lirë në internet - për shembull, duke përdorur mesazhe të çastit ose duke dëgjuar muzikë në shërbimet e transmetimit, duke biseduar në rrjetet sociale ose duke parë shfaqje televizive.

"Ne analizojmë sjelljen e abonentëve dhe kuptojmë se si po ndryshojnë interesat e tyre," shpjegon Vitaly Shcherbakov, drejtor i analitikës së të dhënave të mëdha në MegaFon. "Për shembull, këtë vit, trafiku i AliExpress është rritur 1,5 herë në krahasim me vitin e kaluar, dhe në përgjithësi, numri i vizitave në dyqanet e veshjeve në internet po rritet: 1,2-2 herë, në varësi të burimit specifik."

Një shembull tjetër i punës së një operatori me të dhëna të mëdha është platforma MegaFon Poisk për kërkimin e fëmijëve dhe të rriturve të humbur. Sistemi analizon se cilët persona mund të jenë pranë vendit të personit të zhdukur dhe u dërgon atyre informacione me një foto dhe shenja të personit të zhdukur. Operatori zhvilloi dhe testoi sistemin së bashku me Ministrinë e Punëve të Brendshme dhe organizatën Lisa Alert: brenda dy minutave nga orientimi te personi i zhdukur, marrin më shumë se 2 mijë abonentë, gjë që rrit ndjeshëm shanset për një rezultat të suksesshëm kërkimi.

Analiza e të dhënave të mëdha ka gjetur aplikim edhe në industri. Këtu ju lejon të parashikoni kërkesën dhe të planifikoni shitjet. Pra, në grupin e kompanive Cherkizovo, tre vjet më parë, u zbatua një zgjidhje e bazuar në SAP BW, e cila ju lejon të ruani dhe përpunoni të gjitha informacionet e shitjeve: çmimet, asortimenti, vëllimet e produkteve, promovimet, kanalet e shpërndarjes, thotë Vladislav Belyaev, CIO. të grupit “Çerkizovë”. Analiza e informacionit të akumuluar prej 2 TB jo vetëm që bëri të mundur formimin efektiv të asortimentit dhe optimizimin e portofolit të produkteve, por gjithashtu lehtësoi punën e punonjësve. Për shembull, përgatitja e një raporti ditor të shitjeve do të kërkonte një punë ditore të shumë analistëve – dy për çdo segment produkti. Tani ky raport është përgatitur nga roboti, duke shpenzuar vetëm 30 minuta në të gjitha segmentet.

“Në industri, të dhënat e mëdha funksionojnë në mënyrë efektive në lidhje me internetin e gjërave,” thotë Stanislav Meshkov, CEO i Umbrella IT. "Bazuar në analizën e të dhënave nga sensorët me të cilët është pajisur pajisja, është e mundur të identifikohen devijimet në funksionimin e saj dhe të parandalohen prishjet dhe të parashikohet performanca."

Në Severstal, me ndihmën e të dhënave të mëdha, ata po përpiqen gjithashtu të zgjidhin detyra jo të parëndësishme - për shembull, për të zvogëluar shkallën e lëndimeve. Në vitin 2019, kompania ndau rreth 1,1 miliardë rubla për masat për të përmirësuar sigurinë e punës. Severstal pret të ulë shkallën e dëmtimeve me 2025% me 50 (krahasuar me 2017). "Nëse një menaxher i linjës - kryepunëtor, menaxher i kantierit, menaxher dyqani - vuri re se një punonjës kryen disa operacione në mënyrë të pasigurt (nuk kapet nga parmakët kur ngjit shkallët në zonën industriale ose nuk mban të gjitha pajisjet mbrojtëse personale), ai shkruan. një shënim i veçantë për të – PAB (nga “auditimi i sigurisë së sjelljes”),” thotë Boris Voskresensky, kreu i departamentit të analizës së të dhënave të kompanisë.

Pas analizimit të të dhënave për numrin e PAB-ve në një nga divizionet, specialistët e kompanisë zbuluan se rregullat e sigurisë shkeleshin më shpesh nga ata që kishin pasur disa vërejtje më parë, si dhe nga ata që ishin në pushim mjekësor ose me pushime pak më parë. Incidenti. Shkeljet në javën e parë pas kthimit nga pushimet ose pushimet mjekësore ishin dy herë më të larta se në periudhën pasuese: 1 kundrejt 0,55%. Por puna në turnin e natës, siç doli, nuk ndikon në statistikat e PAB-ve.

Krijimi i algoritmeve për përpunimin e të dhënave të mëdha nuk është pjesa më e vështirë e punës, thonë përfaqësuesit e kompanisë. Është shumë më e vështirë për të kuptuar se si këto teknologji mund të aplikohen në kontekstin e secilit biznes specifik. Këtu qëndron thembra e Akilit e analistëve të kompanive dhe madje edhe ofruesve të jashtëm, të cilët, me sa duket, kanë akumuluar ekspertizë në fushën e të dhënave të mëdha.

“Shpesh takova analistë të mëdhenj të të dhënave, të cilët ishin matematikanë të shkëlqyer, por nuk kishin kuptimin e nevojshëm të proceseve të biznesit,” thotë Sergey Kotik, drejtor i zhvillimit në GoodsForecast. Ai kujton se si dy vjet më parë kompania e tij pati mundësinë të merrte pjesë në një konkurs për parashikimin e kërkesës për një zinxhir federal të shitjes me pakicë. U zgjodh një rajon pilot, për të gjitha mallrat dhe dyqanet për të cilat pjesëmarrësit bënë parashikime. Më pas, parashikimet u krahasuan me shitjet aktuale. Vendin e parë e zuri një nga gjigantët rus të internetit, i njohur për ekspertizën e tij në mësimin e makinerive dhe analizën e të dhënave: në parashikimet e tij, ai tregoi një devijim minimal nga shitjet aktuale.

Por kur rrjeti filloi të studionte më në detaje parashikimet e tij, doli se nga pikëpamja e biznesit, ato janë absolutisht të papranueshme. Kompania prezantoi një model që prodhonte plane shitjesh me një nënvlerësim sistematik. Programi kuptoi se si të minimizonte probabilitetin e gabimeve në parashikime: është më e sigurt të nënvlerësohen shitjet, pasi gabimi maksimal mund të jetë 100% (nuk ka shitje negative), por në drejtim të mbiparashikimit, ai mund të jetë arbitrarisht i madh, shpjegon Kotik. Me fjalë të tjera, kompania prezantoi një model matematikor ideal, i cili në kushte reale do të çonte në dyqane gjysmë bosh dhe humbje të mëdha nga nënshitjet. Si rezultat, një kompani tjetër fitoi konkursin, llogaritjet e së cilës mund të viheshin në praktikë.

Teknologjitë e të dhënave të mëdha janë të rëndësishme për shumë industri, por zbatimi i tyre aktiv nuk ndodh kudo, vëren Meshkov. Për shembull, në shëndetësi ka një problem me ruajtjen e të dhënave: është grumbulluar shumë informacion dhe përditësohet rregullisht, por në pjesën më të madhe këto të dhëna ende nuk janë dixhitalizuar. Ka gjithashtu shumë të dhëna në agjencitë qeveritare, por ato nuk janë të kombinuara në një grup të përbashkët. Zhvillimi i një platforme të unifikuar informacioni të Sistemit Kombëtar të Menaxhimit të të Dhënave (NCMS) synon zgjidhjen e këtij problemi, thotë eksperti.

Megjithatë, vendi ynë është larg nga i vetmi vend ku në shumicën e organizatave vendimet e rëndësishme merren në bazë të intuitës dhe jo analizës së të dhënave të mëdha. Në prill të vitit të kaluar, Deloitte kreu një anketë midis më shumë se një mijë drejtuesve të kompanive të mëdha amerikane (me një staf prej 500 ose më shumë) dhe zbuloi se 63% e të anketuarve janë të njohur me teknologjitë e të dhënave të mëdha, por nuk i kanë të gjitha të nevojshme. infrastrukturës për t'i përdorur ato. Ndërkohë, ndër 37% e kompanive me maturim të lartë analitik, pothuajse gjysma kanë tejkaluar ndjeshëm objektivat e biznesit në 12 muajt e fundit.

Studimi zbuloi se përveç vështirësisë në zbatimin e zgjidhjeve të reja teknike, një problem i rëndësishëm në kompani është mungesa e kulturës së punës me të dhënat. Ju nuk duhet të prisni rezultate të mira nëse përgjegjësia për vendimet e marra në bazë të të dhënave të mëdha u caktohet vetëm analistëve të kompanisë, dhe jo të gjithë kompanisë në tërësi. "Tani kompanitë janë në kërkim të rasteve interesante të përdorimit për të dhëna të mëdha," thotë Miftakhov. “Në të njëjtën kohë, zbatimi i disa skenarëve kërkon investime në sisteme për mbledhjen, përpunimin dhe kontrollin e cilësisë së të dhënave shtesë që nuk janë analizuar më parë. Mjerisht, "analitika nuk është ende një sport ekipor", pranojnë autorët e studimit.