Benzer verileri kabul edin: İşletmeler büyük verilerden kâr elde etmeyi nasıl öğrenir?

Şirketler, büyük verileri analiz ederek gizli kalıpları ortaya çıkarmayı öğrenerek iş performanslarını artırır. Yön moda, ancak onlarla çalışma kültürünün olmaması nedeniyle herkes büyük verilerden yararlanamıyor.

“Bir kişinin adı ne kadar yaygınsa, zamanında ödeme yapma olasılığı o kadar yüksektir. Evinizde ne kadar çok kat varsa, istatistiksel olarak o kadar iyi bir borç alırsınız. Burç burcunun geri ödeme olasılığı üzerinde neredeyse hiçbir etkisi yok, ancak psikotip önemli ölçüde etkiliyor ”diyor Home Credit Bank'ta analist olan Stanislav Duzhinsky, borç alanların davranışlarındaki beklenmedik kalıplar hakkında. Bu modellerin çoğunu açıklamayı taahhüt etmiyor - binlerce müşteri profilini işleyen yapay zeka tarafından ortaya çıkarıldılar.

Bu, büyük veri analitiğinin gücüdür: Program, büyük miktarda yapılandırılmamış veriyi analiz ederek, en bilge insan analistinin bile bilmediği birçok korelasyonu keşfedebilir. Herhangi bir şirket, çalışanlar, müşteriler, ortaklar, rakipler hakkında iş yararı için kullanılabilecek çok büyük miktarda yapılandırılmamış veriye (büyük veri) sahiptir: promosyonların etkisini iyileştirmek, satışları artırmak, personel devir hızını azaltmak vb.

Deloitte Teknoloji Entegrasyon Grubu, CIS direktörü Rafail Miftakhov, büyük verilerle ilk çalışanların büyük teknoloji ve telekomünikasyon şirketleri, finans kurumları ve perakende olduğunu söylüyor. Artık birçok sektörde bu tür çözümlere ilgi var. Şirketler neler başardı? Ve büyük veri analizi her zaman değerli sonuçlara götürür mü?

Bankalar, büyük veri algoritmalarını öncelikle müşteri deneyimini iyileştirmek ve maliyetleri optimize etmek, riski yönetmek ve dolandırıcılıkla mücadele etmek için kullanıyor. Duzhinsky, "Son yıllarda büyük veri analizi alanında gerçek bir devrim gerçekleşti" diyor. "Makine öğreniminin kullanılması, kredinin temerrüde düşme olasılığını çok daha doğru tahmin etmemizi sağlıyor - bankamızda temerrüt oranı yalnızca %3,9." Karşılaştırma yapmak gerekirse, 1 Ocak 2019 itibarıyla Merkez Bankası'na göre gerçek kişilere kullandırılan kredilerde vadesi 90 günden fazla olan kredilerin payı %5 oldu.

Mikrofinans kuruluşları bile büyük verilerin incelenmesi karşısında şaşkına dönüyor. Bir çevrimiçi borç verme platformu olan Webbankir'in CEO'su Andrey Ponomarev, "Bugün büyük verileri analiz etmeden finansal hizmetler sağlamak, sayılar olmadan matematik yapmak gibidir" diyor. "Müşteriyi veya pasaportunu görmeden çevrimiçi para basıyoruz ve geleneksel borç vermenin aksine, bir kişinin yalnızca ödeme gücünü değerlendirmekle kalmamalı, aynı zamanda kişiliğini de tanımlamalıyız."

Artık şirketin veri tabanı 500 binden fazla müşteri hakkında bilgi saklıyor. Her yeni uygulama bu verilerle yaklaşık 800 parametrede analiz edilir. Program sadece cinsiyeti, yaşı, medeni durumu ve kredi geçmişini değil, aynı zamanda bir kişinin platforma girdiği cihazı, sitede nasıl davrandığını da dikkate alır. Örneğin, potansiyel bir borçlunun bir kredi hesaplayıcı kullanmaması veya bir kredinin şartlarını sormaması endişe verici olabilir. Ponomarev, "Birkaç durdurma faktörü dışında - örneğin, 19 yaşın altındaki kişilere kredi vermiyoruz - bu parametrelerin hiçbiri kendi başına bir kredi vermeyi reddetmek veya vermeyi kabul etmek için bir neden değildir" diye açıklıyor. Önemli olan faktörlerin birleşimidir. Vakaların %95'inde karar, yüklenim departmanından uzmanların katılımı olmadan otomatik olarak verilir.

Ponomarev, büyük veri analizinin ilginç modeller türetmemizi sağladığını söylüyor. Örneğin, iPhone kullanıcılarının Android cihaz sahiplerine göre daha disiplinli ödünç alanlar olduğu ortaya çıktı - eski iPhone kullanıcıları 1,7 kat daha sık başvuru onayı alıyor. Ponomarev, "Askeri personelin kredileri ortalama borçludan neredeyse dörtte bir oranında daha az geri ödememesi sürpriz olmadı" diyor. "Ancak öğrencilerin genellikle zorunlu olması beklenmiyor, ancak bu arada, kredi temerrüt vakaları taban ortalamasına göre %10 daha az yaygın."

Büyük verilerin incelenmesi, sigortacılar için de puanlama sağlar. 2016 yılında kurulan IDX, belgelerin uzaktan tanımlanması ve çevrimiçi olarak doğrulanması ile ilgilenmektedir. Bu hizmetler, mal kaybıyla mümkün olduğunca az ilgilenen nakliye sigortacıları arasında talep görmektedir. IDX'in ticari direktörü Jan Sloka, malların taşınmasını sigortalamadan önce, sigortacının sürücünün onayıyla güvenilirliği kontrol ettiğini açıklıyor. Bir ortak olan St. Petersburg şirketi "Risk Kontrolü" ile birlikte IDX, sürücünün kimliğini, pasaport verilerini ve haklarını, kargo kaybıyla ilgili olaylara katılımını vb. kontrol etmenizi sağlayan bir hizmet geliştirdi. Analizden sonra Şirket, sürücü veri tabanına göre bir "risk grubu" belirledi: çoğu zaman, kargo, yakın zamanda sık sık iş değiştiren, uzun bir sürüş deneyimi olan 30-40 yaş arası sürücüler arasında kaybolur. Ayrıca kargonun en çok hizmet ömrü sekiz yılı aşan araba sürücüleri tarafından çalındığı ortaya çıktı.

Perakendecilerin farklı bir görevi vardır - satın almaya hazır müşterileri belirlemek ve onları siteye veya mağazaya getirmenin en etkili yollarını belirlemek. Bu amaçla, programlar müşterilerin profilini, kişisel hesaplarındaki verileri, satın alma geçmişini, arama sorgularını ve bonus puanların kullanımını, doldurmaya başladıkları ve terk ettikleri elektronik sepetlerin içeriğini analiz eder. M.Video-Eldorado grubunun veri ofisi yöneticisi Kirill Ivanov, veri analitiğinin tüm veritabanını bölümlere ayırmanıza ve belirli bir teklifle ilgilenebilecek potansiyel alıcı gruplarını belirlemenize olanak sağladığını söylüyor.

Örneğin, program, her biri farklı pazarlama araçlarını (faizsiz kredi, para iadesi veya indirim promosyon kodu) seven müşteri gruplarını tanımlar. Bu alıcılar, ilgili promosyonu içeren bir e-posta bülteni alırlar. Ivanov, mektubu açan bir kişinin şirketin web sitesine gitme olasılığının bu durumda önemli ölçüde arttığını belirtiyor.

Veri analizi, ilgili ürün ve aksesuarların satışını artırmanıza da olanak tanır. Diğer müşterilerin sipariş geçmişini işleyen sistem, alıcıya seçilen ürünle birlikte ne alması gerektiği konusunda tavsiyelerde bulunur. Ivanov'a göre bu çalışma yönteminin test edilmesi, aksesuarlı sipariş sayısında %12'lik bir artış ve aksesuarların cirosunda %15'lik bir artış gösterdi.

Hizmet kalitesini iyileştirmeye ve satışları artırmaya çabalayanlar yalnızca perakendeciler değildir. Geçen yaz MegaFon, milyonlarca aboneden gelen verilerin işlenmesine dayalı "akıllı" bir teklif hizmeti başlattı. Davranışlarını inceleyen yapay zeka, tarifeler dahilinde her müşteri için kişisel teklifler oluşturmayı öğrendi. Örneğin, program, bir kişinin cihazında aktif olarak video izlediğini not ederse, hizmet ona mobil trafik miktarını artırmayı teklif eder. Şirket, kullanıcıların tercihlerini göz önünde bulundurarak, abonelerine en sevdikleri İnternet eğlence türleri için sınırsız trafik sağlar - örneğin, anlık mesajlaşma programlarını kullanmak veya akış hizmetlerinde müzik dinlemek, sosyal ağlarda sohbet etmek veya TV şovları izlemek.

MegaFon'da büyük veri analitiği direktörü Vitaly Shcherbakov, "Abonelerin davranışlarını analiz ediyoruz ve ilgi alanlarının nasıl değiştiğini anlıyoruz" diye açıklıyor. "Örneğin, bu yıl AliExpress trafiği geçen yıla göre 1,5 kat arttı ve genel olarak çevrimiçi giyim mağazalarına yapılan ziyaretlerin sayısı artıyor: belirli kaynağa bağlı olarak 1,2-2 kat."

Bir operatörün büyük verilere sahip çalışmasına bir başka örnek de, kayıp çocukları ve yetişkinleri aramak için MegaFon Poisk platformudur. Sistem, kayıp kişinin bulunduğu yere yakın olabilecek kişileri analiz ediyor ve onlara kayıp kişinin fotoğrafı ve işaretleri ile bilgi gönderiyor. Operatör, sistemi İçişleri Bakanlığı ve Lisa Alert kuruluşu ile birlikte geliştirdi ve test etti: kayıp kişiye yönlendirildikten sonraki iki dakika içinde, 2 binden fazla abone, başarılı bir arama sonucu şansını önemli ölçüde artırıyor.

Büyük veri analizi, endüstride de uygulama bulmuştur. Burada talebi tahmin etmenizi ve satışları planlamanızı sağlar. Bu nedenle, üç yıl önce Cherkizovo şirketler grubunda, tüm satış bilgilerini saklamanıza ve işlemenize olanak tanıyan SAP BW tabanlı bir çözüm uygulandı: fiyatlar, çeşitler, ürün hacimleri, promosyonlar, dağıtım kanalları, CIO Vladislav Belyaev diyor grubun ” Cherkizovo. Birikmiş 2 TB bilginin analizi, yalnızca ürün yelpazesini etkin bir şekilde oluşturmayı ve ürün portföyünü optimize etmeyi mümkün kılmakla kalmadı, aynı zamanda çalışanların işini de kolaylaştırdı. Örneğin, günlük bir satış raporu hazırlamak, her ürün segmenti için iki analist olmak üzere birçok analistin bir günlük çalışmasını gerektirir. Artık bu rapor, tüm segmentlerde sadece 30 dakika harcayan robot tarafından hazırlanıyor.

Umbrella IT CEO'su Stanislav Meshkov, "Endüstride, büyük veri nesnelerin interneti ile birlikte etkili bir şekilde çalışıyor" diyor. "Ekipmanın donatıldığı sensörlerden alınan verilerin analizine dayanarak, çalışmasındaki sapmaları belirlemek, arızaları önlemek ve performansı tahmin etmek mümkün."

Severstal'da, büyük verilerin yardımıyla, önemsiz olmayan görevleri de çözmeye çalışıyorlar - örneğin, yaralanma oranlarını azaltmak için. 2019 yılında şirket, iş güvenliğini iyileştirmeye yönelik önlemler için yaklaşık 1,1 milyar RUB ayırdı. Severstal, yaralanma oranını %2025 oranında %50 oranında azaltmayı bekliyor (2017'ye kıyasla). “Bir hat yöneticisi - ustabaşı, şantiye müdürü, mağaza müdürü - bir çalışanın belirli işlemleri güvenli olmayan bir şekilde gerçekleştirdiğini fark ederse (sanayi sitesinde merdiven çıkarken tırabzanlara tutunmaz veya tüm kişisel koruyucu ekipmanlarını giymez), yazar. Şirketin veri analizi departmanı başkanı Boris Voskresensky, kendisine özel bir not – PAB (“davranışsal güvenlik denetiminden”),” diyor.

Bölümlerden birindeki PAB sayısıyla ilgili verileri analiz ettikten sonra, şirketin uzmanları, güvenlik kurallarının en çok daha önce zaten birkaç açıklama yapmış olanların yanı sıra hastalık izninde veya kısa bir süre önce tatilde olan kişiler tarafından ihlal edildiğini tespit etti. olay. Tatilden veya hastalık izninden döndükten sonraki ilk haftadaki ihlaller, sonraki döneme göre iki kat daha yüksekti: %1'e karşı %0,55. Ancak ortaya çıktığı üzere gece vardiyasında çalışmak PAB'lerin istatistiklerini etkilemiyor.

Şirket temsilcileri, büyük verileri işlemek için algoritmalar oluşturmanın işin en zor kısmı olmadığını söylüyor. Bu teknolojilerin her bir özel iş bağlamında nasıl uygulanabileceğini anlamak çok daha zordur. Büyük veri alanında uzmanlık biriktirmiş gibi görünen şirket analistlerinin ve hatta harici sağlayıcıların Aşil topuğu burada yatıyor.

GoodsForecast geliştirme direktörü Sergey Kotik, "Mükemmel matematikçiler olan ancak iş süreçleri hakkında gerekli anlayışa sahip olmayan büyük veri analistleriyle sık sık tanıştım" diyor. Şirketinin iki yıl önce federal bir perakende zinciri için talep tahmini yarışmasına katılma fırsatı bulduğunu hatırlıyor. Katılımcıların tahminde bulunduğu tüm mal ve mağazalar için pilot bölge seçilmiştir. Tahminler daha sonra gerçek satışlarla karşılaştırıldı. İlk sırayı, makine öğrenimi ve veri analizi konusundaki uzmanlığıyla tanınan Rus İnternet devlerinden biri aldı: tahminlerinde gerçek satışlardan minimum sapma gösterdi.

Ancak ağ, tahminlerini daha ayrıntılı olarak incelemeye başladığında, iş açısından kesinlikle kabul edilemez oldukları ortaya çıktı. Şirket, sistematik bir eksiklikle satış planları üreten bir model tanıttı. Program, tahminlerdeki hata olasılığını nasıl en aza indireceğini buldu: satışları hafife almak daha güvenlidir, çünkü maksimum hata% 100 olabilir (negatif satış yoktur), ancak aşırı tahmin yönünde, keyfi olarak büyük olabilir. Kotik açıklıyor. Başka bir deyişle şirket, gerçek koşullarda yarı boş mağazalara ve düşük satışlardan kaynaklanan büyük kayıplara yol açacak ideal bir matematiksel model sundu. Sonuç olarak, hesaplamaları uygulamaya konulabilecek başka bir şirket yarışmayı kazandı.

Meshkov, büyük veri teknolojilerinin birçok sektörle ilgili olduğunu, ancak aktif uygulamalarının her yerde gerçekleşmediğini belirtiyor. Örneğin, sağlık hizmetlerinde veri depolamayla ilgili bir sorun var: çok fazla bilgi birikiyor ve düzenli olarak güncelleniyor, ancak çoğu zaman bu veriler henüz dijitalleştirilmedi. Devlet kurumlarında da çok fazla veri var, ancak bunlar ortak bir kümede birleştirilmemiş. Uzman, Ulusal Veri Yönetim Sisteminin (NCMS) birleşik bir bilgi platformunun geliştirilmesinin bu sorunu çözmeyi amaçladığını söylüyor.

Ancak ülkemiz, çoğu kuruluşta önemli kararların büyük veri analizine değil de sezgiye dayalı olarak alındığı tek ülkeden uzaktır. Geçen yılın Nisan ayında, Deloitte büyük Amerikan şirketlerinin (500 veya daha fazla çalışanı olan) binden fazla lideri arasında bir anket gerçekleştirdi ve ankete katılanların %63'ünün büyük veri teknolojilerine aşina olduğunu ancak gerekli tüm bilgilere sahip olmadığını tespit etti. bunları kullanmak için altyapı. Bu arada, yüksek düzeyde analitik olgunluğa sahip şirketlerin %37'sinin neredeyse yarısı son 12 ayda iş hedeflerini önemli ölçüde aştı.

Çalışma, yeni teknik çözümlerin uygulanmasının zorluğuna ek olarak, şirketlerde önemli bir sorunun da verilerle çalışma kültürünün olmaması olduğunu ortaya koydu. Büyük verilere dayalı olarak alınan kararların sorumluluğu bir bütün olarak tüm şirkete değil, yalnızca şirketin analistlerine verilirse iyi sonuçlar beklememelisiniz. Miftakhov, "Artık şirketler büyük veriler için ilginç kullanım örnekleri arıyor" diyor. "Aynı zamanda, bazı senaryoların uygulanması, daha önce analiz edilmemiş ek verilerin toplanması, işlenmesi ve kalite kontrolü için sistemlere yatırım yapılmasını gerektiriyor." Ne yazık ki, çalışmanın yazarları "analitik henüz bir takım sporu değil" diye itiraf ediyor.