مانند داده ها را بپذیرید: چگونه کسب و کارها یاد می گیرند از داده های بزرگ سود ببرند

با تجزیه و تحلیل کلان داده ها، شرکت ها یاد می گیرند که الگوهای پنهان را کشف کنند و عملکرد تجاری خود را بهبود بخشند. کارگردانی مد روز است، اما به دلیل عدم فرهنگ کار با آنها، همه نمی توانند از داده های بزرگ بهره مند شوند

«هرچه نام افراد رایج‌تر باشد، احتمال بیشتری دارد که به موقع پرداخت کنند. هر چه خانه شما طبقات بیشتری داشته باشد، از نظر آماری وام گیرنده بهتری خواهید بود. استانیسلاو دوژینسکی، تحلیلگر بانک اعتباری خانگی، در مورد الگوهای غیرمنتظره در رفتار وام گیرندگان می‌گوید: علامت زودیاک تقریباً هیچ تأثیری بر احتمال بازپرداخت ندارد، اما روان‌شناسی تأثیر قابل توجهی دارد. او متعهد نیست که بسیاری از این الگوها را توضیح دهد - آنها توسط هوش مصنوعی آشکار شده اند که هزاران پروفایل مشتری را پردازش می کند.

این قدرت تجزیه و تحلیل داده های بزرگ است: با تجزیه و تحلیل حجم عظیمی از داده های بدون ساختار، برنامه می تواند بسیاری از همبستگی ها را کشف کند که خردمندترین تحلیلگر انسانی حتی از آنها اطلاعی ندارد. هر شرکتی دارای حجم عظیمی از داده‌های بدون ساختار (داده‌های بزرگ) است - در مورد کارکنان، مشتریان، شرکا، رقبا، که می‌تواند برای منافع تجاری مورد استفاده قرار گیرد: بهبود اثر تبلیغات، دستیابی به رشد فروش، کاهش گردش کارکنان و غیره.

رافائل میفتاخوف، مدیر گروه ادغام فناوری دیلویت، CIS، اظهار داشت که اولین کسانی که با داده های بزرگ کار کردند، شرکت های بزرگ فناوری و مخابرات، مؤسسات مالی و خرده فروشی بودند. اکنون در بسیاری از صنایع علاقه به چنین راه حل هایی وجود دارد. شرکت ها چه دستاوردهایی داشته اند؟ و آیا تجزیه و تحلیل کلان داده ها همیشه به نتایج ارزشمندی منجر می شود؟

بانک ها از الگوریتم های کلان داده در درجه اول برای بهبود تجربه مشتری و بهینه سازی هزینه ها و همچنین برای مدیریت ریسک و مبارزه با تقلب استفاده می کنند. دوژینسکی می‌گوید: «در سال‌های اخیر، یک انقلاب واقعی در زمینه تحلیل داده‌های بزرگ رخ داده است. استفاده از یادگیری ماشینی به ما این امکان را می دهد که احتمال نکول وام را با دقت بسیار بیشتری پیش بینی کنیم – معوقات در بانک ما تنها 3,9٪ است. برای مقایسه، از اول ژانویه 1، سهم وام های معوق بیش از 2019 روز بابت وام های صادر شده به افراد، طبق اعلام بانک مرکزی، 90 درصد بوده است.

حتی سازمان های تامین مالی خرد نیز با مطالعه کلان داده ها دچار سردرگمی هستند. آندری پونومارف، مدیرعامل Webbankir، یک پلتفرم وام آنلاین، می‌گوید: «ارائه خدمات مالی بدون تجزیه و تحلیل کلان داده‌های امروزی مانند انجام ریاضی بدون اعداد است. ما به صورت آنلاین پول صادر می کنیم بدون اینکه مشتری یا پاسپورت او را ببینیم و برخلاف وام های سنتی، نه تنها باید توان پرداخت بدهی یک فرد را ارزیابی کنیم، بلکه باید شخصیت او را نیز شناسایی کنیم.

اکنون پایگاه داده این شرکت اطلاعات بیش از 500 هزار مشتری را ذخیره می کند. هر برنامه جدید با این داده ها در حدود 800 پارامتر تجزیه و تحلیل می شود. این برنامه نه تنها جنسیت، سن، وضعیت تاهل و سابقه اعتباری، بلکه دستگاهی را که شخص از آن وارد پلت فرم شده است، نحوه رفتار او در سایت را نیز در نظر می گیرد. به عنوان مثال، ممکن است هشدار دهنده باشد که یک وام گیرنده بالقوه از ماشین حساب وام استفاده نکرده یا در مورد شرایط وام پرس و جو نکرده است. پونومارف توضیح می دهد: «به استثنای چند عامل توقف – مثلاً، ما به افراد زیر 19 سال وام نمی دهیم – هیچ یک از این پارامترها به خودی خود دلیلی برای امتناع یا موافقت با صدور وام نیست. این ترکیبی از عوامل است که اهمیت دارد. در 95٪ موارد، تصمیم به طور خودکار و بدون مشارکت متخصصان بخش پذیره نویسی گرفته می شود.

تجزیه و تحلیل کلان داده به ما امکان می دهد تا الگوهای جالبی را استخراج کنیم، Ponomarev به اشتراک می گذارد. به عنوان مثال، مشخص شد که کاربران آیفون وام گیرندگان منظم‌تری نسبت به دارندگان دستگاه‌های اندرویدی هستند - اولی 1,7 برابر بیشتر تأیید برنامه‌ها را دریافت می‌کند. پونومارف می گوید: «این واقعیت که پرسنل نظامی تقریباً یک چهارم کمتر از متوسط ​​وام گیرندگان وام ها را بازپرداخت نمی کنند، تعجب آور نبود. اما معمولاً انتظار نمی رود که دانشجویان تعهدی داشته باشند، اما در این میان موارد نکول اعتباری 10 درصد کمتر از میانگین پایه است.

مطالعه کلان داده ها امکان امتیازدهی به بیمه گذاران را نیز فراهم می کند. IDX که در سال 2016 تأسیس شد، به شناسایی از راه دور و تأیید آنلاین اسناد مشغول است. این خدمات در بین بیمه گران حمل و نقل که علاقه مند به گم شدن کالا در کمترین حد ممکن هستند مورد تقاضا است. جان اسلوکا، مدیر تجاری IDX توضیح می دهد که قبل از بیمه حمل و نقل کالا، بیمه گر با رضایت راننده، قابلیت اطمینان را بررسی می کند. IDX به همراه یک شریک - شرکت سنت پترزبورگ "کنترل خطر" سرویسی را توسعه داده است که به شما امکان می دهد هویت راننده، اطلاعات و حقوق گذرنامه، مشارکت در حوادث مربوط به از دست دادن محموله و غیره را بررسی کنید. پس از تجزیه و تحلیل در پایگاه داده رانندگان، شرکت یک "گروه خطر" را شناسایی کرد: اغلب، محموله در بین رانندگان 30 تا 40 ساله با تجربه طولانی رانندگی که اغلب اوقات شغل خود را تغییر داده اند گم می شود. همچنین مشخص شد که محموله اغلب توسط رانندگان اتومبیل هایی به سرقت می رود که عمر آنها بیش از هشت سال است.

خرده فروشان وظیفه متفاوتی دارند – شناسایی مشتریانی که آماده خرید هستند و تعیین موثرترین راه ها برای آوردن آنها به سایت یا فروشگاه. برای این منظور، برنامه‌ها مشخصات مشتریان، داده‌های حساب شخصی آنها، تاریخچه خریدها، درخواست‌های جستجو و استفاده از امتیازهای جایزه، محتویات سبدهای الکترونیکی را که شروع به پر کردن و رها کردند، تجزیه و تحلیل می‌کنند. Kirill Ivanov، مدیر دفتر داده گروه M.Video-Eldorado می گوید، تجزیه و تحلیل داده به شما امکان می دهد کل پایگاه داده را تقسیم بندی کنید و گروه هایی از خریداران بالقوه را که ممکن است به یک پیشنهاد خاص علاقه مند باشند، شناسایی کنید.

برای مثال، این برنامه گروه‌هایی از مشتریان را شناسایی می‌کند که هر یک از آنها ابزارهای بازاریابی متفاوتی را دوست دارند - وام بدون بهره، بازگشت نقدی یا کد تبلیغاتی تخفیف. این خریداران یک خبرنامه ایمیلی با تبلیغات مربوطه دریافت می کنند. ایوانوف خاطرنشان می کند که احتمال اینکه شخصی با باز کردن نامه به وب سایت شرکت برود، در این مورد به میزان قابل توجهی افزایش می یابد.

تجزیه و تحلیل داده ها همچنین به شما امکان می دهد فروش محصولات و لوازم جانبی مرتبط را افزایش دهید. این سیستم که سابقه سفارش سایر مشتریان را پردازش کرده است، به خریدار توصیه هایی در مورد خرید همراه با محصول انتخابی می دهد. آزمایش این روش کار، به گفته ایوانوف، افزایش 12 درصدی سفارشات لوازم جانبی و افزایش 15 درصدی گردش مالی لوازم جانبی را نشان داد.

خرده فروشان تنها کسانی نیستند که برای بهبود کیفیت خدمات و افزایش فروش تلاش می کنند. تابستان گذشته، MegaFon یک سرویس پیشنهادی "هوشمند" را بر اساس پردازش داده های میلیون ها مشترک راه اندازی کرد. هوش مصنوعی با مطالعه رفتار آنها، یاد گرفته است که برای هر مشتری پیشنهادات شخصی را در چارچوب تعرفه ها شکل دهد. به عنوان مثال، اگر برنامه توجه داشته باشد که شخصی به طور فعال در حال تماشای ویدیو در دستگاه خود است، این سرویس به او پیشنهاد می دهد تا میزان ترافیک تلفن همراه را افزایش دهد. این شرکت با در نظر گرفتن ترجیحات کاربران، ترافیک نامحدودی را برای مشترکین مورد علاقه آنها از اوقات فراغت اینترنتی فراهم می کند - به عنوان مثال، استفاده از پیام رسان های فوری یا گوش دادن به موسیقی در سرویس های پخش، چت در شبکه های اجتماعی یا تماشای برنامه های تلویزیونی.

ویتالی شچرباکوف، مدیر تجزیه و تحلیل داده های بزرگ در MegaFon توضیح می دهد: "ما رفتار مشترکین را تجزیه و تحلیل می کنیم و متوجه می شویم که چگونه علایق آنها در حال تغییر است." به عنوان مثال، امسال ترافیک AliExpress نسبت به سال گذشته 1,5 برابر شده است و به طور کلی تعداد بازدید از فروشگاه های آنلاین لباس در حال رشد است: 1,2-2 برابر، بسته به منبع خاص.

نمونه دیگری از کار یک اپراتور با داده های بزرگ، پلتفرم MegaFon Poisk برای جستجوی کودکان و بزرگسالان گم شده است. این سیستم تجزیه و تحلیل می کند که چه افرادی می توانند در نزدیکی مکان فرد گم شده باشند و اطلاعاتی را همراه با عکس و علائم فرد گمشده برای آنها ارسال می کند. اپراتور سیستم را به همراه وزارت امور داخلی و سازمان Lisa Alert توسعه و آزمایش کرد: در عرض دو دقیقه از جهت گیری به فرد گم شده، بیش از 2 هزار مشترک دریافت می کنند که به طور قابل توجهی شانس نتیجه جستجوی موفقیت آمیز را افزایش می دهد.

تجزیه و تحلیل کلان داده ها در صنعت نیز کاربرد پیدا کرده است. در اینجا به شما امکان می دهد تقاضا را پیش بینی کنید و فروش را برنامه ریزی کنید. بنابراین، در گروه شرکت های Cherkizovo، سه سال پیش، راه حلی مبتنی بر SAP BW اجرا شد که به شما امکان می دهد تمام اطلاعات فروش را ذخیره و پردازش کنید: قیمت ها، مجموعه، حجم محصول، تبلیغات، کانال های توزیع، می گوید ولادیسلاو بلیایف، CIO از گروه ” Cherkizovo. تجزیه و تحلیل 2 ترابایت اطلاعات انباشته شده نه تنها امکان تشکیل مؤثر مجموعه و بهینه سازی سبد محصولات را فراهم کرد، بلکه کار کارمندان را نیز تسهیل کرد. به عنوان مثال، تهیه گزارش فروش روزانه مستلزم کار یک روزه بسیاری از تحلیلگران است – دو نفر برای هر بخش محصول. اکنون این گزارش توسط ربات تهیه شده است و تنها 30 دقیقه در تمام بخش ها صرف شده است.

استانیسلاو مشکوف، مدیر عامل Umbrella IT می‌گوید: «در صنعت، داده‌های بزرگ در ارتباط با اینترنت اشیا به طور مؤثر کار می‌کنند. بر اساس تجزیه و تحلیل داده‌های حسگرهایی که تجهیزات مجهز به آن هستند، می‌توان انحرافات در عملکرد آن را شناسایی کرد و از خرابی جلوگیری کرد و عملکرد را پیش‌بینی کرد.

در Severstal، با کمک داده های بزرگ، آنها همچنین سعی می کنند کارهای نسبتاً غیر ضروری را حل کنند - به عنوان مثال، برای کاهش میزان آسیب. در سال 2019، این شرکت حدود 1,1 میلیارد روبل برای اقداماتی برای بهبود ایمنی کار اختصاص داد. Severstal انتظار دارد میزان آسیب را تا 2025٪ تا 50 (در مقایسه با 2017) کاهش دهد. "اگر یک مدیر خط - سرکارگر، مدیر سایت، مدیر فروشگاه - متوجه شود که یک کارمند برخی از عملیات ها را به طور ناامن انجام می دهد (هنگام بالا رفتن از پله ها در محل صنعتی به نرده ها نمی چسبد یا از تمام تجهیزات حفاظت فردی استفاده نمی کند)، می نویسد. بوریس ووسکرسنسکی، رئیس بخش تجزیه و تحلیل داده های شرکت، می گوید: یک یادداشت ویژه برای او - PAB (از "ممیزی امنیت رفتاری").

پس از تجزیه و تحلیل داده ها در مورد تعداد PAB ها در یکی از بخش ها، متخصصان این شرکت دریافتند که قوانین ایمنی اغلب توسط افرادی که قبلاً چندین اظهارات داشته اند و همچنین توسط افرادی که مدت کوتاهی قبل در مرخصی استعلاجی یا در تعطیلات بودند نقض می شود. حادثه. تخلفات در هفته اول پس از بازگشت از مرخصی یا مرخصی استعلاجی دو برابر بیشتر از دوره بعدی بود: 1 در مقابل 0,55%. اما کار در شیفت شب، همانطور که معلوم شد، بر آمار PAB ها تأثیر نمی گذارد.

نمایندگان شرکت می گویند ایجاد الگوریتم هایی برای پردازش داده های بزرگ سخت ترین بخش کار نیست. درک اینکه چگونه می توان این فناوری ها را در زمینه هر کسب و کار خاص به کار برد، بسیار دشوارتر است. این همان جایی است که پاشنه آشیل تحلیلگران شرکت و حتی ارائه دهندگان خارجی نهفته است، که به نظر می رسد تخصص در زمینه داده های بزرگ را انباشته کرده اند.

سرگئی کوتیک، مدیر توسعه GoodsForecast می گوید: "من اغلب با تحلیلگران کلان داده ملاقات می کردم که ریاضیدانان عالی بودند، اما درک لازم از فرآیندهای تجاری را نداشتند." او به یاد می آورد که چگونه دو سال پیش شرکتش این فرصت را داشت که در یک رقابت پیش بینی تقاضا برای یک زنجیره خرده فروشی فدرال شرکت کند. یک منطقه آزمایشی انتخاب شد که برای همه کالاها و فروشگاه ها شرکت کنندگان پیش بینی هایی از آن انجام دادند. سپس پیش بینی ها با فروش واقعی مقایسه شد. مقام اول را یکی از غول های اینترنتی روسی، که به دلیل تخصص خود در یادگیری ماشینی و تجزیه و تحلیل داده ها شناخته شده است، گرفت: در پیش بینی های خود، انحراف حداقلی از فروش واقعی را نشان داد.

اما هنگامی که شبکه شروع به مطالعه دقیق پیش بینی های او کرد، معلوم شد که از نقطه نظر تجاری، آنها کاملا غیر قابل قبول هستند. این شرکت مدلی را معرفی کرد که برنامه های فروش را با کم بیانی سیستماتیک تولید می کرد. این برنامه چگونگی به حداقل رساندن احتمال خطا در پیش بینی ها را فهمید: دست کم گرفتن فروش امن تر است، زیرا حداکثر خطا می تواند 100٪ باشد (هیچ فروش منفی وجود ندارد)، اما در جهت پیش بینی بیش از حد، می تواند خودسرانه بزرگ باشد. کوتیک توضیح می دهد. به عبارت دیگر، این شرکت یک مدل ریاضی ایده آل ارائه کرد که در شرایط واقعی منجر به نیمه خالی بودن فروشگاه ها و زیان هنگفت ناشی از کم فروشی می شد. در نتیجه، شرکت دیگری برنده مسابقه شد که محاسبات آن می توانست عملی شود.

مشکوف خاطرنشان می کند که فناوری های کلان داده برای بسیاری از صنایع مرتبط هستند، اما اجرای فعال آنها در همه جا رخ نمی دهد. به عنوان مثال، در بخش بهداشت و درمان مشکلی با ذخیره سازی داده ها وجود دارد: اطلاعات زیادی جمع آوری شده است و به طور منظم به روز می شود، اما در بیشتر موارد این داده ها هنوز دیجیتالی نشده اند. همچنین داده های زیادی در سازمان های دولتی وجود دارد، اما آنها در یک خوشه مشترک ترکیب نمی شوند. این کارشناس می گوید که توسعه یک پلت فرم اطلاعاتی یکپارچه سیستم ملی مدیریت داده ها (NCMS) با هدف حل این مشکل است.

با این حال، کشور ما با تنها کشوری فاصله دارد که در اکثر سازمان ها تصمیمات مهم بر اساس شهود و نه تجزیه و تحلیل کلان داده ها اتخاذ می شود. در آوریل سال گذشته، Deloitte نظرسنجی را در بین بیش از هزار نفر از رهبران شرکت‌های بزرگ آمریکایی (با 500 کارمند یا بیشتر) انجام داد و دریافت که 63 درصد از شرکت‌کنندگان در این نظرسنجی با فناوری‌های کلان داده آشنا هستند، اما همه امکانات لازم را ندارند. زیرساخت استفاده از آنها در همین حال، در میان 37 درصد از شرکت‌هایی که سطح بلوغ تحلیلی بالایی دارند، تقریباً نیمی از آنها به طور قابل توجهی از اهداف تجاری در 12 ماه گذشته فراتر رفته‌اند.

این مطالعه نشان داد که علاوه بر دشواری پیاده‌سازی راه‌حل‌های فنی جدید، یک مشکل مهم در شرکت‌ها فقدان فرهنگ کار با داده‌ها است. اگر مسئولیت تصمیمات اتخاذ شده بر اساس داده های بزرگ فقط به تحلیلگران شرکت و نه کل شرکت به عنوان یک کل واگذار شود، نباید انتظار نتایج خوبی داشته باشید. میفتاخوف می گوید: «اکنون شرکت ها به دنبال موارد استفاده جالب برای داده های بزرگ هستند. در عین حال، اجرای برخی سناریوها مستلزم سرمایه‌گذاری در سیستم‌های جمع‌آوری، پردازش و کنترل کیفیت داده‌های اضافی است که قبلاً تحلیل نشده‌اند.» متأسفانه، نویسندگان این مطالعه اذعان می کنند که "تحلیل هنوز یک ورزش تیمی نیست".