Přijměte jako data: jak se firmy učí profitovat z velkých dat

Analýzou velkých dat se společnosti učí odhalovat skryté vzorce a zlepšují svou obchodní výkonnost. Směr je módní, ale ne každý může těžit z velkých dat kvůli nedostatku kultury práce s nimi

„Čím častější je jméno osoby, tím je pravděpodobnější, že zaplatí včas. Čím více podlaží má váš dům, tím statisticky jste lepším dlužníkem. Znamení zvěrokruhu nemá téměř žádný vliv na pravděpodobnost vrácení peněz, ale psychotyp výrazně, “říká Stanislav Duzhinsky, analytik Home Credit Bank, o neočekávaných vzorcích v chování dlužníků. Mnohé z těchto vzorců se nesnaží vysvětlovat – odhalila je umělá inteligence, která zpracovala tisíce zákaznických profilů.

To je síla analýzy velkých dat: analýzou obrovského množství nestrukturovaných dat může program objevit mnoho korelací, o kterých ten nejmoudřejší lidský analytik ani neví. Každá společnost má obrovské množství nestrukturovaných dat (big data) – o zaměstnancích, zákaznících, partnerech, konkurentech, které lze využít k obchodnímu prospěchu: zlepšit efekt promo akcí, dosáhnout růstu tržeb, snížit fluktuaci zaměstnanců atd.

První, kdo s velkými daty pracoval, byly velké technologické a telekomunikační společnosti, finanční instituce a maloobchod, komentuje Rafail Miftakhov, ředitel skupiny Deloitte Technology Integration Group, CIS. Nyní je o taková řešení zájem v mnoha průmyslových odvětvích. Co firmy dosáhly? A vede analýza velkých dat vždy k hodnotným závěrům?

Banky využívají algoritmy velkých dat především ke zlepšení zákaznické zkušenosti a optimalizaci nákladů, stejně jako k řízení rizik a boji proti podvodům. „V posledních letech došlo v oblasti analýzy velkých dat ke skutečné revoluci,“ říká Duzhinsky. „Využití strojového učení nám umožňuje mnohem přesněji předpovídat pravděpodobnost nesplácení úvěru – delikvence v naší bance je pouze 3,9 %. Pro srovnání, k 1. lednu 2019 byl podíl úvěrů se splátkami po splatnosti nad 90 dní na úvěrech poskytnutých fyzickým osobám dle údajů centrální banky 5 %.

Dokonce i mikrofinanční organizace jsou zmateny studiem velkých dat. „Poskytování finančních služeb bez analýzy velkých dat je dnes jako dělat matematiku bez čísel,“ říká Andrey Ponomarev, generální ředitel Webbankir, platformy pro online půjčky. "Vydáváme peníze online, aniž bychom viděli klienta nebo jeho pas, a na rozdíl od tradičního půjčování musíme nejen posoudit solventnost člověka, ale také identifikovat jeho osobnost."

Nyní jsou v databázi společnosti uloženy informace o více než 500 tisících zákaznících. Každá nová aplikace je s těmito daty analyzována v přibližně 800 parametrech. Program bere v úvahu nejen pohlaví, věk, rodinný stav a úvěrovou historii, ale také zařízení, ze kterého člověk na platformu vstoupil, jak se na webu choval. Alarmující může být například to, že potenciální dlužník nepoužil úvěrovou kalkulačku nebo se neptal na podmínky půjčky. „S výjimkou několika stop faktorů – řekněme, že neposkytujeme půjčky osobám mladším 19 let – žádný z těchto parametrů sám o sobě není důvodem pro odmítnutí nebo souhlas s poskytnutím půjčky,“ vysvětluje Ponomarev. Důležitá je kombinace faktorů. V 95 % případů se rozhoduje automaticky, bez účasti specialistů z oddělení upisování.

Analýza velkých dat nám umožňuje odvodit zajímavé vzorce, sdílí Ponomarev. Například uživatelé iPhonů se ukázali být disciplinovanějšími dlužníky než majitelé zařízení Android – ti první dostávají schvalování žádostí 1,7krát častěji. „Skutečnost, že vojenský personál nesplácí půjčky téměř o čtvrtinu méně často než průměrný dlužník, nebyla překvapením,“ říká Ponomarev. "Od studentů se však obvykle neočekává, že budou povinni, ale mezitím jsou případy nesplácení úvěru o 10 % méně časté, než je průměr pro základ."

Studium velkých dat umožňuje bodování i pro pojišťovny. IDX, založená v roce 2016, se zabývá vzdálenou identifikací a online ověřováním dokumentů. Tyto služby jsou žádané mezi pojistiteli nákladní dopravy, kteří mají zájem o co nejmenší ztrátu zboží. Před pojištěním přepravy zboží pojistitel se souhlasem řidiče prověřuje spolehlivost, vysvětluje Jan Sloka, obchodní ředitel IDX. Společně s partnerem – petrohradskou společností „Risk Control“ – IDX vyvinula službu, která vám umožní zkontrolovat totožnost řidiče, pasové údaje a práva, účast na incidentech souvisejících se ztrátou nákladu atd. Po analýze V databázi řidičů společnost identifikovala „rizikovou skupinu“: nejčastěji dochází ke ztrátě nákladu mezi řidiči ve věku 30–40 let s dlouholetou praxí v řízení, kteří v poslední době často měnili zaměstnání. Ukázalo se také, že náklad nejčastěji kradou řidiči aut, jejichž životnost přesahuje osm let.

Maloobchodníci mají jiný úkol – identifikovat zákazníky, kteří jsou připraveni nakoupit, a určit nejúčinnější způsoby, jak je přivést na web nebo do obchodu. Za tímto účelem programy analyzují profil zákazníků, údaje z jejich osobního účtu, historii nákupů, vyhledávací dotazy a využití bonusových bodů, obsah elektronických košíků, které začali vyplňovat a opustili. Analýza dat vám umožňuje segmentovat celou databázi a identifikovat skupiny potenciálních kupců, kteří by mohli mít zájem o konkrétní nabídku, říká Kirill Ivanov, ředitel datové kanceláře skupiny M.Video-Eldorado.

Program například identifikuje skupiny zákazníků, z nichž každý má rád jiné marketingové nástroje – bezúročnou půjčku, cashback nebo slevový promo kód. Tito kupující obdrží e-mailový zpravodaj s odpovídající akcí. Pravděpodobnost, že člověk po otevření dopisu přejde na web společnosti, se v tomto případě výrazně zvyšuje, poznamenává Ivanov.

Analýza dat také umožňuje zvýšit prodej souvisejících produktů a příslušenství. Systém, který zpracoval historii objednávek ostatních zákazníků, dává kupujícímu doporučení, co si má koupit spolu s vybraným produktem. Testování tohoto způsobu práce podle Ivanova ukázalo nárůst počtu zakázek s příslušenstvím o 12 % a nárůst obratu příslušenství o 15 %.

Nejen maloobchodníci se snaží zkvalitňovat služby a zvyšovat tržby. Loni v létě spustil MegaFon službu „chytré“ nabídky založenou na zpracování dat od milionů předplatitelů. Po prostudování jejich chování se umělá inteligence naučila vytvářet osobní nabídky pro každého klienta v rámci tarifů. Pokud například program zaznamená, že osoba aktivně sleduje video na svém zařízení, služba mu nabídne rozšíření objemu mobilního provozu. S přihlédnutím k preferencím uživatelů poskytuje společnost předplatitelům neomezený provoz pro jejich oblíbené druhy trávení volného času na internetu – například používání instant messengerů nebo poslech hudby na streamovacích službách, chatování na sociálních sítích nebo sledování televizních pořadů.

„Analyzujeme chování předplatitelů a chápeme, jak se mění jejich zájmy,“ vysvětluje Vitaly Shcherbakov, ředitel pro analýzu velkých dat ve společnosti MegaFon. „Například letos návštěvnost AliExpress vzrostla 1,5krát ve srovnání s minulým rokem a obecně roste počet návštěv online obchodů s oblečením: 1,2–2krát, v závislosti na konkrétním zdroji.“

Dalším příkladem práce operátora s velkými daty je platforma MegaFon Poisk pro vyhledávání pohřešovaných dětí a dospělých. Systém analyzuje, které osoby by se mohly nacházet v blízkosti místa pohřešované osoby, a zasílá jim informace s fotografií a znaky pohřešované osoby. Operátor systém vyvinul a otestoval společně s ministerstvem vnitra a organizací Lisa Alert: do dvou minut od orientace na pohřešovanou osobu obdrží více než 2 tisíce odběratelů, což výrazně zvyšuje šance na úspěšný výsledek hledání.

Analýza velkých dat našla uplatnění také v průmyslu. Zde umožňuje předpovídat poptávku a plánovat prodej. Takže ve skupině společností Cherkizovo bylo před třemi lety implementováno řešení založené na SAP BW, které vám umožňuje ukládat a zpracovávat všechny informace o prodeji: ceny, sortiment, objemy produktů, akce, distribuční kanály, říká Vladislav Belyaev, CIO ze skupiny „Čerkizovo. Analýza nashromážděných 2 TB informací umožnila nejen efektivně formovat sortiment a optimalizovat produktové portfolio, ale také usnadnila práci zaměstnancům. Například příprava denní zprávy o prodeji by vyžadovala jednodenní práci mnoha analytiků – dvou pro každý produktový segment. Nyní tuto zprávu připravuje robot, který na všech segmentech stráví pouze 30 minut.

„V průmyslu fungují velká data efektivně ve spojení s internetem věcí,“ říká Stanislav Meshkov, generální ředitel společnosti Umbrella IT. "Na základě analýzy dat ze senzorů, kterými je zařízení vybaveno, je možné identifikovat odchylky v jeho provozu a zabránit poruchám a předvídat výkon."

V Severstalu se s pomocí velkých dat snaží řešit i spíše netriviální úkoly – například snížit úrazovost. V roce 2019 společnost vyčlenila přibližně 1,1 miliardy RUB na opatření ke zlepšení bezpečnosti práce. Severstal očekává snížení úrazovosti o 2025 % o 50 (ve srovnání s rokem 2017). „Pokud si liniový vedoucí – mistr, stavbyvedoucí, vedoucí prodejny – všiml, že zaměstnanec provádí určité operace nebezpečně (nedrží se zábradlí při lezení po schodech v průmyslovém areálu nebo nenosí všechny osobní ochranné prostředky), vypíše zvláštní poznámka pro něj – PAB (z „auditu bezpečnosti chování“),“ říká Boris Voskresensky, vedoucí oddělení analýzy dat společnosti.

Po analýze údajů o počtu PAB v jedné z divizí specialisté společnosti zjistili, že bezpečnostní pravidla nejčastěji porušovali ti, kteří již měli několik připomínek dříve, a také ti, kteří byli krátce předtím na nemocenské nebo na dovolené. nehoda. Porušení v prvním týdnu po návratu z dovolené nebo nemocenské byla dvakrát vyšší než v následujícím období: 1 oproti 0,55 %. Práce na noční směně ale, jak se ukázalo, nemá vliv na statistiky PAB.

Vytváření algoritmů pro zpracování velkých dat není nejobtížnější částí práce, říkají zástupci společnosti. Je mnohem obtížnější pochopit, jak lze tyto technologie aplikovat v kontextu každého konkrétního podnikání. Zde leží Achillova pata firemních analytiků a dokonce i externích poskytovatelů, kteří, jak se zdá, nashromáždili odborné znalosti v oblasti velkých dat.

„Často jsem se setkal s analytiky velkých dat, kteří byli vynikající matematici, ale neměli potřebné znalosti o obchodních procesech,“ říká Sergey Kotik, ředitel vývoje ve společnosti GoodsForecast. Vzpomíná, jak před dvěma lety měla jeho společnost příležitost zúčastnit se soutěže o prognózu poptávky pro federální obchodní řetězec. Byl vybrán pilotní region pro veškeré zboží a obchody, o kterých účastníci předpovídali. Prognózy byly poté porovnány se skutečnými prodeji. První místo obsadil jeden z ruských internetových gigantů, známý svou odborností v oblasti strojového učení a analýzy dat: ve svých prognózách vykazoval minimální odchylku od skutečných prodejů.

Když ale síť začala podrobněji studovat jeho prognózy, ukázalo se, že z obchodního hlediska jsou absolutně nepřijatelné. Společnost představila model, který produkoval prodejní plány se systematickým podhodnocením. Program přišel na to, jak minimalizovat pravděpodobnost chyb v prognózách: bezpečnější je tržby podceňovat, protože maximální chyba může být 100% (neexistují žádné záporné tržby), ale ve směru předpovídání může být libovolně velká, Kotik vysvětluje. Jinými slovy, společnost představila ideální matematický model, který by v reálných podmínkách vedl k poloprázdným prodejnám a obrovským ztrátám z podprodejů. Soutěž díky tomu vyhrála jiná firma, jejíž výpočty bylo možné uvést do praxe.

Technologie velkých dat jsou relevantní pro mnoho průmyslových odvětví, ale k jejich aktivní implementaci nedochází všude, poznamenává Meshkov. Například ve zdravotnictví je problém s ukládáním dat: nashromáždilo se mnoho informací, které jsou pravidelně aktualizovány, ale z velké části tato data ještě nebyla digitalizována. Ve vládních agenturách je také mnoho dat, ale nejsou spojena do společného shluku. Na řešení tohoto problému je zaměřen vývoj jednotné informační platformy Národního systému správy dat (NCMS), říká expert.

Naše země však není zdaleka jedinou zemí, kde se ve většině organizací přijímají důležitá rozhodnutí na základě intuice, a nikoli analýzy velkých dat. V dubnu loňského roku provedla společnost Deloitte průzkum mezi více než tisícovkou lídrů velkých amerických společností (s 500 a více zaměstnanci) a zjistila, že 63 % dotázaných zná technologie velkých dat, ale nemají všechny potřebné infrastrukturu k jejich použití. Mezitím mezi 37 % společností s vysokou úrovní analytické vyspělosti téměř polovina v posledních 12 měsících výrazně překročila obchodní cíle.

Studie odhalila, že kromě obtížnosti zavádění nových technických řešení je důležitým problémem ve firmách chybějící kultura práce s daty. Neměli byste očekávat dobré výsledky, pokud je odpovědnost za rozhodnutí učiněná na základě velkých dat svěřena pouze analytikům společnosti, nikoli celé společnosti jako celku. „Společnosti nyní hledají zajímavé případy použití pro velká data,“ říká Miftakhov. „Realizace některých scénářů zároveň vyžaduje investice do systémů pro sběr, zpracování a kontrolu kvality dodatečných dat, která dosud nebyla analyzována.“ Bohužel, „analytika ještě není týmový sport,“ připouštějí autoři studie.