Aktsepteerige sarnaseid andmeid: kuidas ettevõtted õpivad suurandmetest kasu saama

Suurandmeid analüüsides õpivad ettevõtted avastama varjatud mustreid, parandades seeläbi oma äritegevust. Suund on moes, kuid mitte igaüks ei saa suurandmetest kasu, kuna puudub nendega töötamise kultuur

«Mida levinum on inimese nimi, seda tõenäolisemalt ta õigel ajal maksma läheb. Mida rohkem korruseid teie majal on, seda statistiliselt olete parem laenuvõtja. Tähtkuju ei mõjuta peaaegu üldse tagasimakse tõenäosust, psühhotüüp aga oluliselt, ”ütleb Home Credit Banki analüütik Stanislav Duzhinsky laenuvõtjate ootamatute käitumismustrite kohta. Paljusid neist mustritest ta lahti seletama ei võta – need paljastas tehisintellekt, mis töötles tuhandeid kliendiprofiile.

See on suurandmete analüütika jõud: analüüsides tohutul hulgal struktureerimata andmeid, võib programm avastada palju seoseid, millest targem inimanalüütik isegi ei tea. Igas ettevõttes on tohutul hulgal struktureerimata andmeid (big data) – töötajate, klientide, partnerite, konkurentide kohta, mida saab kasutada ärilise kasu saamiseks: parandada promotsioonide mõju, saavutada müügikasvu, vähendada personali voolavust jne.

Esimestena hakkasid suurandmetega tegelema suured tehnoloogia- ja telekommunikatsiooniettevõtted, finantsasutused ja jaekaubandus, kommenteerib SRÜ Deloitte Technology Integration Groupi direktor Rafail Miftakhov. Nüüd tuntakse selliste lahenduste vastu huvi paljudes tööstusharudes. Mida on ettevõtted saavutanud? Ja kas suurandmete analüüs viib alati väärtuslike järeldusteni?

Pangad kasutavad suurandmete algoritme eelkõige kliendikogemuse parandamiseks ja kulude optimeerimiseks, samuti riskide maandamiseks ja pettuste vastu võitlemiseks. "Viimastel aastatel on suurandmete analüüsi valdkonnas toimunud tõeline revolutsioon, " ütleb Duzhinsky. "Masinõppe kasutamine võimaldab meil oluliselt täpsemalt prognoosida laenu maksejõuetuse tõenäosust – meie pangas on võlgnevused vaid 3,9%. Võrdluseks, 1. aasta 2019. jaanuari seisuga oli üle 90 päeva viivisega laenude osatähtsus eraisikutele väljastatud laenudel keskpanga andmetel 5%.

Isegi mikrokrediidiorganisatsioonid on suurandmete uurimisest hämmingus. "Finantsteenuste pakkumine ilma suurandmeid analüüsimata on tänapäeval nagu matemaatika ilma numbriteta," ütleb veebilaenuplatvormi Webbankir tegevjuht Andrey Ponomarev. "Raha väljastame internetis klienti ega tema passi nägemata ning erinevalt traditsioonilisest laenuandmisest ei pea me hindama ainult inimese maksevõimet, vaid tuvastama ka tema isiksuse."

Nüüd salvestab ettevõtte andmebaas teavet enam kui 500 tuhande kliendi kohta. Iga uut rakendust analüüsitakse nende andmetega umbes 800 parameetris. Programm ei võta arvesse mitte ainult sugu, vanust, perekonnaseisu ja krediidiajalugu, vaid ka seadet, millest inimene platvormile sisenes, kuidas ta saidil käitus. Näiteks võib olla murettekitav, et potentsiaalne laenuvõtja ei kasutanud laenukalkulaatorit või ei uurinud laenutingimuste kohta. “Kui välja arvata mõned stopptegurid – näiteks me ei väljasta laenu alla 19-aastastele isikutele –, ei ole ükski neist parameetritest iseenesest põhjus laenu andmisest keeldumiseks või sellega nõustumiseks,” selgitab Ponomarjov. Oluline on tegurite kombinatsioon. 95% juhtudest tehakse otsus automaatselt, ilma kindlustusosakonna spetsialistide osaluseta.

Suurandmete analüüs võimaldab tuletada huvitavaid mustreid, jagab Ponomarev. Näiteks iPhone'i kasutajad osutusid distsiplineeritud laenuvõtjateks kui Androidi seadmete omanikeks – esimesed saavad taotluste heakskiidu 1,7 korda sagedamini. "See, et sõjaväelased ei maksa laenu tagasi peaaegu veerandi võrra harvemini kui keskmine laenuvõtja, polnud üllatus," ütleb Ponomarjov. "Kuid tavaliselt ei eeldata, et üliõpilased on kohustatud olema, kuid vahepeal on krediidihäirete juhtumeid 10% vähem levinud kui baasi keskmine."

Suurandmete uurimine võimaldab skoori teha ka kindlustusandjatel. 2016. aastal asutatud IDX tegeleb kaugtuvastuse ja dokumentide veebipõhise kontrollimisega. Need teenused on nõutud kaubaveokindlustusandjate seas, kes on huvitatud sellest, et kaup võimalikult vähe kaoks. Enne kaubaveo kindlustamist kontrollib kindlustusandja juhi nõusolekul töökindlust, selgitab IDX kommertsdirektor Jan Sloka. IDX on koostöös partneriga – Peterburi firmaga “Risk Control” välja töötanud teenuse, mis võimaldab kontrollida juhi isikut, passiandmeid ja -õigusi, osalust lasti kaotsiminekuga seotud intsidentides jne. Pärast analüüsi juhtide andmebaasist tuvastas ettevõte “riskigrupi”: kõige sagedamini läheb veos kaotsi 30–40-aastaste pika sõidustaažiga juhtide seas, kes on viimasel ajal sageli töökohta vahetanud. Selgus ka, et veost varastavad kõige sagedamini autode juhid, mille kasutusiga ületab kaheksa aastat.

Jaemüüjatel on teistsugune ülesanne – tuvastada kliendid, kes on valmis ostma, ja määrata kõige tõhusamad viisid, kuidas nad saidile või poodi tuua. Selleks analüüsivad programmid klientide profiili, nende isikliku konto andmeid, ostude ajalugu, otsingupäringuid ja boonuspunktide kasutamist, täitma hakatud ja hüljatud elektrooniliste korvide sisu. Andmeanalüütika võimaldab segmenteerida kogu andmebaasi ja tuvastada potentsiaalsete ostjate rühmad, kes võivad olla huvitatud konkreetsest pakkumisest, ütleb M.Video-Eldorado grupi andmebüroo direktor Kirill Ivanov.

Näiteks tuvastab programm klientide rühmad, millest igaühele meeldivad erinevad turundustööriistad – intressivaba laen, cashback või sooduspakkumiskood. Need ostjad saavad e-posti teel uudiskirja vastava pakkumisega. Tõenäosus, et inimene, olles kirja avanud, läheb ettevõtte kodulehele, suureneb sel juhul oluliselt, märgib Ivanov.

Samuti võimaldab andmete analüüs suurendada seotud toodete ja tarvikute müüki. Süsteem, mis on töötlenud teiste klientide tellimuste ajalugu, annab ostjale soovitusi, mida koos valitud tootega osta. Selle töömeetodi testimine näitas Ivanovi sõnul tarvikutega tellimuste arvu tõusu 12% ja tarvikute käibe kasvu 15%.

Jaemüüjad ei ole ainsad, kes püüavad parandada teenuse kvaliteeti ja suurendada müüki. Eelmisel suvel käivitas MegaFon "nutika" pakkumise teenuse, mis põhineb miljonite abonentide andmete töötlemisel. Olles uurinud nende käitumist, on tehisintellekt õppinud koostama igale kliendile tariifide piires personaalseid pakkumisi. Näiteks kui programm märgib, et inimene vaatab oma seadmes aktiivselt videot, pakub teenus talle mobiililiikluse suurendamist. Võttes arvesse kasutajate eelistusi, pakub ettevõte tellijatele piiramatut liiklust nende lemmiktüüpi Internetis vaba aja veetmiseks – näiteks kiirsõnumite kasutamiseks või voogedastusteenustes muusika kuulamiseks, suhtlusvõrgustikes vestlemiseks või telesaadete vaatamiseks.

"Analüüsime tellijate käitumist ja mõistame, kuidas nende huvid muutuvad," selgitab MegaFoni suurandmete analüüsi direktor Vitali Štšerbakov. "Näiteks sel aastal on AliExpressi liiklus kasvanud mullusega võrreldes 1,5 korda ja üldiselt kasvab rõivapoodide veebipoodide külastuste arv: olenevalt konkreetsest ressursist 1,2-2 korda."

Teine näide suurandmetega operaatori tööst on MegaFon Poisk platvorm kadunud laste ja täiskasvanute otsimiseks. Süsteem analüüsib, millised inimesed võiksid kadunukoha läheduses viibida, ning saadab neile info koos foto ja kadunumärkidega. Operaator töötas välja ja testis süsteemi koos siseministeeriumi ja Lisa Alert organisatsiooniga: kahe minuti jooksul pärast kadunud inimesele orienteerumist saab üle 2 tuhande tellija, mis suurendab oluliselt eduka otsingutulemuse võimalusi.

Suurandmete analüüs on leidnud rakendust ka tööstuses. Siin võimaldab see prognoosida nõudlust ja planeerida müüki. Niisiis rakendati Cherkizovo ettevõtete grupis kolm aastat tagasi SAP BW-l põhinev lahendus, mis võimaldab salvestada ja töödelda kogu müügiteavet: hinnad, sortiment, tootemahud, tutvustused, turustuskanalid, ütleb CIO Vladislav Beljajev. rühmitusest " Cherkizovo. Kogunenud 2 TB teabe analüüs ei võimaldanud mitte ainult tõhusalt moodustada sortimenti ja optimeerida tooteportfelli, vaid hõlbustas ka töötajate tööd. Näiteks igapäevase müügiaruande koostamine nõuaks paljude analüütikute päevatööd – iga tootesegmendi kohta kaks. Nüüd koostab selle aruande robot, kulutades kõikidele segmentidele vaid 30 minutit.

"Tööstuses töötavad suurandmed tõhusalt koos asjade Internetiga," ütleb Umbrella IT tegevjuht Stanislav Meshkov. "Seadmega varustatud andurite andmete analüüsi põhjal on võimalik tuvastada kõrvalekaldeid selle töös ja vältida rikkeid ning ennustada jõudlust."

Severstalis püütakse suurandmete abil lahendada ka üsna mittetriviaalseid ülesandeid – näiteks vigastuste arvu vähendada. 2019. aastal eraldas ettevõte tööohutuse parandamise meetmeteks ligikaudu 1,1 miljardit rubla. Severstal loodab vigastuste määra 2025% võrra vähendada 50 võrra (võrreldes 2017. aastaga). “Kui otsene juht – töödejuhataja, objektijuht, tsehhijuht – märkas, et töötaja teeb teatud toiminguid ebaturvaliselt (ei hoia tööstusobjektil trepist üles ronides käsipuudest kinni või ei kanna kõiki isikukaitsevahendeid), kirjutab ta välja erimärkus talle – PAB (“käitumise turvaauditist”),” ütleb ettevõtte andmeanalüüsi osakonna juht Boriss Voskresenski.

Analüüsides andmeid PAB-de arvu kohta ühes divisjonis, leidsid ettevõtte spetsialistid, et kõige sagedamini rikkusid ohutusreegleid need, kellel oli juba varem mitmeid märkusi, aga ka need, kes olid haiguslehel või puhkusel veidi varem. intsident. Rikkumised esimesel nädalal pärast puhkuselt või haiguslehelt naasmist olid kaks korda suuremad kui sellele järgneval perioodil: 1 versus 0,55%. Aga öises vahetuses töötamine, nagu selgus, PABde statistikat ei mõjuta.

Algoritmide loomine suurandmete töötlemiseks pole töö kõige keerulisem osa, ütlevad ettevõtte esindajad. Palju keerulisem on mõista, kuidas neid tehnoloogiaid iga konkreetse ettevõtte kontekstis rakendada. Siin peitubki firmaanalüütikute ja isegi väliste pakkujate Achilleuse kand, kes näib olevat kogunud teadmisi suurandmete vallas.

"Kohtasin sageli suurandmete analüütikuid, kes olid suurepärased matemaatikud, kuid neil polnud vajalikku arusaamist äriprotsessidest," ütleb GoodsForecasti arendusdirektor Sergey Kotik. Ta meenutab, kuidas kaks aastat tagasi avanes tema ettevõttel võimalus osaleda föderaalse jaeketi nõudluse prognoosimise konkursil. Valiti pilootpiirkond, mille kõikide kaupade ja kaupluste kohta tegid osalejad prognoose. Seejärel võrreldi prognoose tegeliku müügiga. Esikohale tõusis üks Venemaa internetihiiglasi, kes on tuntud oma masinõppe ja andmeanalüüsi alase asjatundlikkuse poolest: oma prognoosides näitas see minimaalset kõrvalekallet tegelikust müügist.

Kuid kui võrk hakkas tema prognoose üksikasjalikumalt uurima, selgus, et ärilisest seisukohast on need täiesti vastuvõetamatud. Ettevõte tutvustas mudelit, mis koostas müügiplaanid süstemaatilise alahinnanguga. Programm mõtles välja, kuidas prognoosides vigade tõenäosust minimeerida: müüki on kindlam alahinnata, kuna maksimaalne viga võib olla 100% (negatiivset müüki ei ole), kuid üleprognoosimise suunas võib see olla meelevaldselt suur, Kotik selgitab. Teisisõnu esitles ettevõte ideaalset matemaatilist mudelit, mis reaalsetes tingimustes tooks kaasa pooltühjad poed ja tohutud kahjumid alamüügist. Selle tulemusena võitis konkursi teine ​​ettevõte, kelle arvutusi sai ellu viia.

Suurandmete tehnoloogiad on aktuaalsed paljude tööstusharude jaoks, kuid nende aktiivset rakendamist ei esine kõikjal, märgib Meshkov. Näiteks tervishoius on probleem andmete salvestamisega: infot on kogunenud palju ja seda uuendatakse regulaarselt, kuid valdavalt on need andmed veel digiteerimata. Andmeid on palju ka riigiasutustes, kuid need ei ole koondatud ühisesse klastrisse. Selle probleemi lahendamisele on suunatud riikliku andmehaldussüsteemi (NCMS) ühtse infoplatvormi arendamine, ütleb ekspert.

Meie riik pole aga kaugeltki ainus riik, kus enamikus organisatsioonides tehakse olulisi otsuseid intuitsiooni, mitte suurandmete analüüsi põhjal. Eelmise aasta aprillis viis Deloitte läbi küsitluse enam kui tuhande Ameerika suurettevõtete (töötajate arvuga 500 või rohkem) juhi seas ning leidis, et 63% küsitletutest on küll tuttavad suurandmete tehnoloogiatega, kuid neil pole kõike vajalikku. infrastruktuuri nende kasutamiseks. Samal ajal on 37% kõrge analüütilise küpsusastmega ettevõtete seas peaaegu pooled viimase 12 kuu jooksul ärieesmärke oluliselt ületanud.

Uuringust selgus, et lisaks uute tehniliste lahenduste juurutamise keerukusele on ettevõtetes oluliseks probleemiks andmetega töötamise kultuuri puudumine. Ei tasu oodata häid tulemusi, kui vastutus suurandmete põhjal tehtud otsuste eest on pandud ainult ettevõtte analüütikutele, mitte aga kogu ettevõttele tervikuna. "Nüüd otsivad ettevõtted suurandmete jaoks huvitavaid kasutusjuhtumeid," ütleb Miftakhov. "Samas nõuab mõne stsenaariumi rakendamine investeeringuid varem analüüsimata täiendavate andmete kogumise, töötlemise ja kvaliteedikontrolli süsteemidesse." Kahjuks ei ole analüütika veel meeskonnasport, tunnistavad uuringu autorid.