通過分析大數據，公司學會發現隱藏的模式，從而提高他們的業務績效。 方向很時髦，但由於缺乏與之合作的文化，並不是每個人都能從大數據中受益
“一個人的名字越常見，他們按時付款的可能性就越大。 你的房子的樓層越多，從統計數據來看，你越是一個更好的借款人。 星座對退款的可能性幾乎沒有影響，但心理類型卻有顯著影響，”捷信銀行分析師 Stanislav Duzhinsky 在談到借款人行為的意外模式時說。 他沒有承諾解釋其中的許多模式——它們是由人工智能揭示的，人工智能處理了數千份客戶資料。
這就是大數據分析的力量：通過分析大量非結構化數據，程序可以發現許多最聰明的人類分析師甚至不知道的相關性。 任何公司都擁有大量非結構化數據（大數據）——關於員工、客戶、合作夥伴、競爭對手，這些數據可用於商業利益：提高促銷效果、實現銷售增長、減少員工流動率等。
獨聯體德勤技術集成集團總監 Rafail Miftakhov 評論說，最先使用大數據的是大型技術和電信公司、金融機構和零售業。 現在許多行業都對此類解決方案感興趣。 企業取得了什麼成就？ 大數據分析是否總能得出有價值的結論？
不是一件容易的事
銀行主要使用大數據算法來改善客戶體驗和優化成本，以及管理風險和打擊欺詐。 “近年來，大數據分析領域發生了一場真正的革命，”Duzhinsky 說。 “機器學習的使用使我們能夠更準確地預測貸款違約的可能性——我們銀行的拖欠率僅為 3,9%。” 相比之下，根據中央銀行的數據，截至 1 年 2019 月 90 日，逾期 5 天以上的個人貸款佔比為 XNUMX%。
甚至小額信貸機構也對大數據的研究感到困惑。 在線借貸平台 Webbankir 的首席執行官安德烈·波諾馬列夫 (Andrey Ponomarev) 表示：“如今，在不分析大數據的情況下提供金融服務就像在沒有數字的情況下做數學。” “我們在網上發錢，既沒有看到客戶也沒有看到他的護照，而且與傳統貸款不同的是，我們不僅要評估一個人的償付能力，還要確定他的性格。”
現在該公司的數據庫存儲了超過 500 萬客戶的信息。 每個新應用程序都會使用大約 800 個參數中的這些數據進行分析。 該程序不僅考慮了性別、年齡、婚姻狀況和信用記錄，還考慮了一個人進入平台的設備，以及他在網站上的行為。 例如，潛在藉款人沒有使用貸款計算器或沒有查詢貸款條款可能會令人擔憂。 “除了一些停止因素——比如，我們不向 19 歲以下的人發放貸款——這些參數本身都不是拒絕或同意發放貸款的理由，”Ponomarev 解釋道。 重要的是因素的組合。 在 95% 的情況下，決策是自動做出的，無需承保部門專家的參與。
今天提供金融服務而不分析大數據就像做沒有數字的數學。
Ponomarev 表示，大數據分析使我們能夠得出有趣的模式。 例如，事實證明，iPhone 用戶是比 Android 設備所有者更自律的借款人——前者獲得申請批准的頻率是後者的 1,7 倍。 “軍人償還貸款的頻率比普通借款人低近四分之一這一事實不足為奇，”Ponomarev 說。 “但學生通常不需要承擔義務，但與此同時，信用違約案件的發生率比基地的平均水平低 10%。”
大數據研究也可以為保險公司評分。 IDX成立於2016年，從事文件的遠程識別和在線驗證。 對盡可能減少貨物損失感興趣的貨運保險公司需要這些服務。 IDX 商務總監 Jan Sloka 解釋說，在為貨物運輸投保之前，保險公司會在司機同意的情況下檢查可靠性。 IDX 與合作夥伴——聖彼得堡“風險控制”公司——開發了一項服務，允許您檢查司機的身份、護照數據和權利、參與與貨物丟失相關的事件等。經過分析根據司機數據庫，該公司確定了一個“風險群體”：最常發生貨物丟失的司機年齡在 30 至 40 歲之間，駕駛經驗很長，最近經常更換工作。 事實證明，貨物最常被汽車司機偷走，汽車的使用壽命超過八年。
尋找
零售商有不同的任務——識別準備購買的顧客，並確定將他們帶到網站或商店的最有效方式。 為此，程序會分析客戶的個人資料、個人賬戶數據、購買歷史、搜索查詢和獎勵積分的使用情況，以及他們開始填寫和放棄的電子購物籃的內容。 M.Video-Eldorado 集團數據辦公室主任基里爾·伊万諾夫 (Kirill Ivanov) 說，數據分析允許您對整個數據庫進行細分，並確定可能對特定報價感興趣的潛在買家群體。
例如，該程序可以識別客戶群，每個客戶群都喜歡不同的營銷工具——無息貸款、現金返還或折扣促銷代碼。 這些買家會收到一封包含相應促銷活動的電子郵件通訊。 伊万諾夫指出，在這種情況下，一個人打開這封信後訪問公司網站的可能性會大大增加。
數據分析還可以讓您增加相關產品和配件的銷量。 該系統處理了其他客戶的訂單歷史，為買家提供有關購買什麼以及所選產品的建議。 根據 Ivanov 的說法，對這種工作方法的測試表明，配件訂單數量增加了 12%，配件營業額增加了 15%。
零售商並不是唯一努力提高服務質量和增加銷售額的人。 去年夏天，MegaFon 推出了一項基於數百萬用戶數據處理的“智能”報價服務。 在研究了他們的行為之後，人工智能學會了在關稅範圍內為每個客戶形成個人報價。 例如，如果程序注意到一個人正在他的設備上積極觀看視頻，則該服務將為他提供擴大移動流量的機會。 考慮到用戶的喜好，該公司為用戶提供他們最喜歡的互聯網休閒類型的無限流量——例如，使用即時通訊或在流媒體服務上聽音樂、在社交網絡上聊天或看電視節目。
“我們分析訂戶的行為並了解他們的興趣如何變化，”MegaFon 大數據分析總監 Vitaly Shcherbakov 解釋道。 “例如，今年全球速賣通流量比去年增長了 1,5 倍，總的來說，在線服裝店的訪問量也在增長：1,2-2 倍，具體取決於具體資源。”
大數據操作員工作的另一個例子是用於尋找失踪兒童和成人的 MegaFon Poisk 平台。 該系統分析哪些人可能在失踪人員所在地附近，並向他們發送帶有失踪人員照片和跡象的信息。 運營商與內務部和 Lisa Alert 組織共同開發和測試了該系統：在定位到失踪人員後的兩分鐘內，超過 2 名用戶收到，這大大增加了成功搜索結果的機會。
不要去酒吧
大數據分析也在工業中得到應用。 在這裡，它允許您預測需求和計劃銷售。 因此，三年前，Cherkizovo 集團公司實施了一個基於 SAP BW 的解決方案，它允許您存儲和處理所有銷售信息：價格、分類、產品數量、促銷、分銷渠道，首席信息官 Vladislav Belyaev 說組”Cherkizovo。 對累計2TB信息的分析，不僅可以有效形成品類，優化產品組合，也方便了員工的工作。 例如，準備一份每日銷售報告需要許多分析師一天的工作——每個產品細分需要兩名分析師。 現在這份報告由機器人準備，所有環節只用了30分鐘。
“在工業中，大數據與物聯網有效結合，”Umbrella IT 首席執行官 Stanislav Meshkov 說。 “基於對設備配備的傳感器數據的分析，可以識別其運行中的偏差並防止故障，並預測性能。”
在謝韋爾，在大數據的幫助下，他們也在嘗試解決相當重要的任務——例如，降低受傷率。 2019 年，公司撥款約 1,1 億盧布用於改善勞動安全的措施。 Severstal 預計將傷害率降低 2025% 至 50（與 2017 年相比）。 “如果生產線經理——工頭、現場經理、車間經理——注意到一名員工不安全地執行某些操作（在工業現場爬樓梯時沒有抓住扶手，或者沒有穿戴所有個人防護裝備），他會寫下給他一個特別的提示——PAB（來自“行為安全審計”），”公司數據分析部門負責人 Boris Voskresensky 說。
在分析其中一個部門的 PAB 數量數據後，該公司的專家發現，最常違反安全規則的是那些之前已經發表過幾次言論的人，以及那些剛剛請病假或休假的人事件。 從休假或病假返回後第一周的違規率是隨後期間的兩倍：1 對 0,55%。 但事實證明，上夜班並不會影響 PAB 的統計數據。
脫離現實
公司代表表示，創建用於處理大數據的算法並不是工作中最困難的部分。 理解如何將這些技術應用到每個特定業務的環境中要困難得多。 這就是公司分析師甚至外部供應商的致命弱點所在，這些供應商似乎在大數據領域積累了專業知識。
“我經常遇到大數據分析師，他們是優秀的數學家，但對業務流程沒有必要的了解，”GoodsForecast 開發總監 Sergey Kotik 說。 他回憶起兩年前他的公司如何有機會參加聯邦零售連鎖店的需求預測競賽。 為參與者預測的所有商品和商店選擇了一個試點區域。 然後將預測與實際銷售額進行比較。 排名第一的是俄羅斯互聯網巨頭之一，以其在機器學習和數據分析方面的專業知識而聞名：在其預測中，它與實際銷售額的偏差很小。
但當網絡開始更詳細地研究他的預測時，事實證明，從商業角度來看，它們是絕對不能接受的。 該公司引入了一種模型，該模型可以系統地輕描淡寫地制定銷售計劃。 該程序想出瞭如何最小化預測錯誤的可能性：低估銷售額更安全，因為最大誤差可以是 100%（沒有負銷售額），但在高估的方向上，它可以任意大，科蒂克解釋道。 換句話說，該公司提出了一個理想的數學模型，在實際情況下，這將導致商店半空和減價銷售造成的巨大損失。 結果，另一家公司贏得了比賽，其計算可以付諸實踐。
“也許”而不是大數據
Meshkov 指出，大數據技術與許多行業相關，但並非所有行業都在積極實施。 例如，在醫療保健領域存在數據存儲問題：大量信息已經積累並定期更新，但大部分數據尚未數字化。 政府機構中也有很多數據，但它們並沒有組合成一個共同的集群。 專家表示，國家數據管理系統（NCMS）統一信息平台的開發旨在解決這一問題。
然而，我國遠非唯一一個大多數組織的重要決策都是根據直覺而不是大數據分析做出的國家。 去年 500 月，德勤對 63 多名美國大公司（員工人數在 37 人以上）的領導者進行了一項調查，發現 12% 的受訪者熟悉大數據技術，但並不具備所有必要的技能。使用它們的基礎設施。 與此同時，在 XNUMX% 的分析成熟度較高的公司中，近一半在過去 XNUMX 個月內顯著超出了業務目標。
該研究表明，除了難以實施新技術解決方案外，公司的一個重要問題是缺乏使用數據的文化。 如果根據大數據做出決策的責任只分配給公司的分析師，而不是整個公司，那麼你不應該期待好的結果。 “現在公司正在尋找有趣的大數據用例，”Miftakhov 說。 “與此同時，某些場景的實施需要對用於收集、處理和質量控制以前未分析過的額外數據的系統進行投資。” 唉，“分析還不是一項團隊運動，”該研究的作者承認。