Деректер сияқты қабылдаңыз: бизнес үлкен деректерден пайда табуды қалай үйренеді

Үлкен деректерді талдау арқылы компаниялар жасырын үлгілерді ашуды үйренеді, бұл олардың бизнес өнімділігін арттырады. Бағыт сәнді, бірақ олармен жұмыс істеу мәдениетінің жоқтығынан үлкен деректерден барлығы бірдей пайда көре бермейді

«Адамның есімі неғұрлым кең таралған болса, соғұрлым уақытында төлейтін болады. Сіздің үйіңіздің қабаттары неғұрлым көп болса, соғұрлым статистикалық түрде сіз жақсы қарыз алушысыз. Зодиак белгісі ақшаны қайтару ықтималдығына дерлік әсер етпейді, бірақ психотип айтарлықтай әсер етеді », - дейді Хоум Кредит Банкінің талдаушысы Станислав Дужинский қарыз алушылардың мінез-құлқындағы күтпеген үлгілер туралы. Ол осы үлгілердің көпшілігін түсіндіруге міндеттенбейді – олар мыңдаған тұтынушылар профилін өңдейтін жасанды интеллект арқылы анықталды.

Бұл үлкен деректер аналитикасының күші: құрылымдалмаған деректердің үлкен көлемін талдау арқылы бағдарлама ең дана адам талдаушысы тіпті білмейтін көптеген корреляцияларды таба алады. Кез келген компанияда құрылымдалмаған деректердің (үлкен деректер) үлкен көлемі бар – қызметкерлер, тұтынушылар, серіктестер, бәсекелестер туралы, олар бизнестің пайдасы үшін пайдаланылуы мүмкін: жылжыту әсерін жақсарту, сатудың өсуіне қол жеткізу, қызметкерлердің тұрақтамауын азайту және т.б.

Үлкен деректермен бірінші болып жұмыс істеген ірі технология және телекоммуникациялық компаниялар, қаржы институттары және бөлшек сауда болды, деп түсіндіреді Deloitte Technology Integration Group, ТМД директоры Рафаил Мифтахов. Қазір көптеген салаларда мұндай шешімдерге қызығушылық бар. Компаниялар қандай жетістіктерге жетті? Ал үлкен деректерді талдау әрқашан құнды қорытындыларға әкеледі ме?

Банктер үлкен деректер алгоритмдерін бірінші кезекте клиенттер тәжірибесін жақсарту және шығындарды оңтайландыру, сондай-ақ тәуекелдерді басқару және алаяқтықпен күресу үшін пайдаланады. «Соңғы жылдары үлкен деректерді талдау саласында нағыз революция болды», - дейді Дужинский. «Машиналық оқытуды қолдану бізге несиенің дефолт ықтималдығын дәлірек болжауға мүмкіндік береді - біздің банктегі төлемақы небәрі 3,9% құрайды». Салыстыру үшін, 1 жылғы 2019 қаңтардағы жағдай бойынша жеке тұлғаларға берілген несиелер бойынша мерзімі 90 күннен астам мерзімі өткен қарыздардың үлесі Орталық банктің мәліметі бойынша 5%-ды құрады.

Тіпті микроқаржы ұйымдары үлкен деректерді зерттеумен таң қалдырады. «Бүгінгі таңда үлкен деректерді талдамай-ақ қаржылық қызметтерді ұсыну сандарсыз математикамен бірдей», - дейді Андрей Пономарев, Webbankir онлайн несие платформасының бас директоры. «Біз клиентті де, оның төлқұжатын да көрмей-ақ онлайн режимінде ақша шығарамыз және дәстүрлі несиелеуден айырмашылығы, біз адамның төлем қабілеттілігін бағалап қана қоймай, оның жеке басын анықтауымыз керек».

Қазір компанияның деректер базасында 500 мыңнан астам тұтынушы туралы ақпарат сақталады. Әрбір жаңа қолданба осы деректермен шамамен 800 параметрде талданады. Бағдарлама тек жынысы, жасы, отбасылық жағдайы және несие тарихы ғана емес, сонымен қатар адамның платформаға қай құрылғыдан кіргенін, сайтта өзін қалай ұстағанын ескереді. Мысалы, әлеуетті қарыз алушының несие калькуляторын пайдаланбағаны немесе несие шарттары туралы сұрамағаны алаңдатуы мүмкін. «Бірнеше тоқтату факторларын қоспағанда, айталық, біз 19 жасқа толмаған адамдарға несие бермейміз - бұл параметрлердің ешқайсысы несие беруден бас тартуға немесе келісуге негіз болмайды», - деп түсіндіреді Пономарев. Бұл факторлардың жиынтығы маңызды. 95% жағдайда шешім андеррайтинг бөлімінің мамандарының қатысуынсыз автоматты түрде қабылданады.

Үлкен деректерді талдау қызықты үлгілерді алуға мүмкіндік береді, дейді Пономарев. Мысалы, iPhone пайдаланушылары Android құрылғыларының иелеріне қарағанда тәртіпті қарыз алушылар болып шықты – біріншілері қосымшаларды 1,7 есе жиі мақұлдайды. Пономарев: «Әскери қызметкерлердің несиені орташа қарыз алушыға қарағанда төрттен бір есе аз қайтармауы таңқаларлық емес», - дейді. «Бірақ студенттер әдетте міндетті емес деп күтілмейді, бірақ сонымен бірге несиелік дефолт жағдайлары базаның орташа деңгейінен 10% азырақ».

Үлкен деректерді зерттеу сақтандырушыларға да балл қоюға мүмкіндік береді. 2016 жылы құрылған IDX құжаттарды қашықтан сәйкестендіру және онлайн тексерумен айналысады. Бұл қызметтер тауарларды мүмкіндігінше аз жоғалтуға мүдделі жүктерді сақтандырушылар арасында сұранысқа ие. Жүктерді тасымалдауды сақтандыру алдында сақтандырушы жүргізушінің келісімімен сенімділігін тексереді, деп түсіндіреді IDX коммерциялық директоры Ян Слока. Серіктес – Санкт-Петербургтік «Тәуекелді бақылау» компаниясымен бірге IDX жүргізушінің жеке басын, төлқұжат деректерін және құқықтарын, жүктің жоғалуына байланысты оқиғаларға қатысуын және т.б. тексеруге мүмкіндік беретін сервисті әзірледі. Талдау жүргізгеннен кейін Жүргізушілердің деректер базасында компания «тәуекел тобын» анықтады: көбінесе жүк 30-40 жас аралығындағы ұзақ жүргізу тәжірибесі бар, соңғы уақытта жұмысын жиі ауыстырған жүргізушілер арасында жоғалады. Сондай-ақ, жүкті көбіне пайдалану мерзімі сегіз жылдан асатын көлік жүргізушілері ұрлайтыны белгілі болды.

Бөлшек саудагерлердің міндеті басқаша – сатып алуға дайын тұтынушыларды анықтау және оларды сайтқа немесе дүкенге жеткізудің тиімді жолдарын анықтау. Осы мақсатта бағдарламалар тұтынушылардың профилін, олардың жеке кабинетіндегі деректерді, сатып алу тарихын, іздеу сұрауларын және бонустық ұпайларды пайдалануды, олар толтыра бастаған және тастап кеткен электрондық себеттердің мазмұнын талдайды. Деректерді талдау бүкіл дерекқорды сегменттеуге және белгілі бір ұсынысқа қызығушылық танытуы мүмкін әлеуетті сатып алушылардың топтарын анықтауға мүмкіндік береді, дейді M.Video-Eldorado тобының деректер кеңсесінің директоры Кирилл Иванов.

Мысалы, бағдарлама тұтынушылардың топтарын анықтайды, олардың әрқайсысы әртүрлі маркетинг құралдарын ұнатады – пайызсыз несие, кешбэк немесе жеңілдік промо-код. Бұл сатып алушылар сәйкес жарнамасы бар электрондық пошта ақпараттық бюллетенін алады. Бұл жағдайда хатты ашқан адамның компанияның веб-сайтына кіру ықтималдығы айтарлықтай артады, деп атап өтті Иванов.

Деректерді талдау сонымен қатар сәйкес өнімдер мен керек-жарақтарды сатуды арттыруға мүмкіндік береді. Басқа тұтынушылардың тапсырыстар тарихын өңдеген жүйе сатып алушыға таңдалған өніммен бірге не сатып алу керектігі туралы ұсыныстар береді. Бұл жұмыс әдісін сынау, Ивановтың айтуынша, аксессуарларға тапсырыстар санының 12% -ға және аксессуарлардың айналымының 15% -ға өскенін көрсетті.

Қызмет көрсету сапасын жақсартуға және сатуды ұлғайтуға ұмтылатындар жалғыз бөлшек саудагерлер емес. Өткен жазда MegaFon миллиондаған абоненттердің деректерін өңдеуге негізделген «ақылды» ұсыныс қызметін іске қосты. Олардың мінез-құлқын зерттей келе, жасанды интеллект тарифтер аясында әрбір клиент үшін жеке ұсыныстарды қалыптастыруды үйренді. Мысалы, егер бағдарлама адамның өз құрылғысында бейнені белсенді түрде көріп жатқанын атап өтсе, қызмет оған мобильді трафик көлемін кеңейтуді ұсынады. Пайдаланушылардың қалауын ескере отырып, компания абоненттерге өздерінің сүйікті интернет-демалыс түрлері үшін шектеусіз трафикті ұсынады - мысалы, мессенджерлерді пайдалану немесе ағындық қызметтерде музыка тыңдау, әлеуметтік желілерде сөйлесу немесе телешоуларды көру.

«Біз жазылушылардың мінез-құлқын талдаймыз және олардың қызығушылықтары қалай өзгеретінін түсінеміз», - деп түсіндіреді MegaFon үлкен деректер талдауының директоры Виталий Щербаков. «Мысалы, биылғы жылы AliExpress трафикі өткен жылмен салыстырғанда 1,5 есе өсті, ал тұтастай алғанда, интернет-киім дүкендеріне кіру саны артып отыр: нақты ресурсқа байланысты 1,2–2 есе».

Үлкен деректері бар оператор жұмысының тағы бір мысалы - жоғалған балалар мен ересектерді іздеуге арналған MegaFon Poisk платформасы. Жүйе із-түссіз жоғалған жердің қасында қандай адамдар болуы мүмкін екенін талдап, оларға із-түзсіз жоғалған адамның суреті мен белгілерін көрсетіп ақпарат жібереді. Оператор жүйені Ішкі істер министрлігімен және Lisa Alert ұйымымен бірлесіп әзірлеп, сынақтан өткізді: жоғалған адамға бағдарланған екі минут ішінде 2 мыңнан астам абонент алады, бұл сәтті іздеу нәтижесінің мүмкіндігін айтарлықтай арттырады.

Үлкен деректерді талдау өнеркәсіпте де қолданылды. Мұнда сұранысты болжауға және сатуды жоспарлауға мүмкіндік береді. Сонымен, Черкизово компаниялар тобында үш жыл бұрын SAP BW негізіндегі шешім іске асырылды, ол барлық сату туралы ақпаратты сақтауға және өңдеуге мүмкіндік береді: бағалар, ассортимент, өнім көлемі, акциялар, тарату арналары, - дейді Владислав Беляев, CIO тобының» Черкизово. Жиналған 2 ТБ ақпаратты талдау ассортиментті тиімді қалыптастыруға және өнім портфолиосын оңтайландыруға мүмкіндік беріп қана қоймай, қызметкерлердің жұмысын жеңілдетті. Мысалы, күнделікті сату есебін дайындау көптеген талдаушылардың бір күндік жұмысын қажет етеді – әрбір өнім сегменті үшін екі. Енді бұл есепті робот дайындап, барлық сегменттерге бар болғаны 30 минут жұмсайды.

Umbrella IT компаниясының бас директоры Станислав Мешков: «Өнеркәсіпте үлкен деректер Интернет заттарымен бірге тиімді жұмыс істейді», - дейді. «Жабдық жабдықталған сенсорлардан алынған деректерді талдау негізінде оның жұмысындағы ауытқуларды анықтауға және бұзылуларды болдырмауға және өнімділікті болжауға болады».

Северстальда үлкен деректердің көмегімен олар тривиальды емес тапсырмаларды шешуге тырысады, мысалы, жарақат алу деңгейін төмендету. 2019 жылы компания еңбек қауіпсіздігін жақсарту шараларына шамамен 1,1 миллиард рубль бөлді. Северсталь жарақат деңгейін 2025%-ға 50-ге (2017 жылмен салыстырғанда) төмендетеді деп күтеді. «Егер желілік басшы — бригадир, учаске бастығы, цех бастығы — жұмысшының белгілі бір операцияларды қауіпсіз орындамағанын (өндірістік алаңдағы баспалдақпен көтерілу кезінде ұстағыштардан ұстамайтынын немесе барлық жеке қорғаныс құралдарын тақпағанын) байқаса, ол жазады. оған ерекше ескерту – PAB («мінез-құлық қауіпсіздігі аудитінен»), - дейді компанияның деректерді талдау бөлімінің басшысы Борис Воскресенский.

Бөлімшелердің біріндегі PAB саны туралы мәліметтерді талдай келе, компания мамандары қауіпсіздік ережелерін көбінесе бұрын бірнеше ескертулері бар адамдар, сондай-ақ ауру демалысында немесе аз уақыт бұрын демалыста болғандар бұзатынын анықтады. оқиға. Каникулдан немесе ауру демалысынан оралғаннан кейінгі бірінші аптадағы бұзушылықтар кейінгі кезеңмен салыстырғанда екі есе жоғары болды: 1-ге қарсы 0,55%. Бірақ түнгі ауысымда жұмыс ПАБ статистикасына әсер етпейтіні белгілі болды.

Үлкен деректерді өңдеу алгоритмдерін құру жұмыстың ең қиын бөлігі емес, дейді компания өкілдері. Бұл технологияларды әрбір нақты бизнес контекстінде қалай қолдануға болатынын түсіну әлдеқайда қиын. Дәл осы жерде компания аналитиктерінің және тіпті сыртқы провайдерлердің Ахиллес өкшесі жатыр, олар үлкен деректер саласында тәжірибе жинақтаған сияқты.

«Мен тамаша математик болған, бірақ бизнес-процестер туралы қажетті түсінігі жоқ үлкен деректер талдаушыларын жиі кездестірдім», - дейді GoodsForecast әзірлеу жөніндегі директоры Сергей Котик. Ол екі жыл бұрын оның компаниясының федералды бөлшек сауда желісі үшін сұранысты болжау конкурсына қатысу мүмкіндігі болғанын еске алады. Қатысушылар болжам жасаған барлық тауарлар мен дүкендер бойынша пилоттық аймақ таңдалды. Содан кейін болжамдар нақты сатылымдармен салыстырылды. Бірінші орынды машиналық оқыту және деректерді талдау саласындағы тәжірибесімен танымал ресейлік интернет-гиганттардың бірі иеленді: оның болжамдарында ол нақты сатылымнан ең аз ауытқуды көрсетті.

Бірақ желі оның болжамдарын егжей-тегжейлі зерттей бастағанда, бизнес тұрғысынан олардың мүлдем қолайсыз екені белгілі болды. Компания сатылым жоспарларын жүйелі түрде төмендететін модельді енгізді. Бағдарлама болжаудағы қателердің ықтималдығын қалай азайтуға болатынын анықтады: сатуды кеміту қауіпсіз, өйткені максималды қате 100% болуы мүмкін (теріс сатылымдар жоқ), бірақ болжамды жоғарылату бағытында ол ерікті түрде үлкен болуы мүмкін, Котик түсіндіреді. Басқаша айтқанда, компания нақты жағдайда жартылай бос дүкендер мен төмен сатудан үлкен шығындарға әкелетін тамаша математикалық модельді ұсынды. Нәтижесінде есептеулері іс жүзінде жүзеге асуы мүмкін тағы бір компания байқауда жеңіске жетті.

Үлкен деректер технологиялары көптеген салалар үшін өзекті, бірақ оларды белсенді енгізу барлық жерде бола бермейді, деп атап өтті Мешков. Мысалы, денсаулық сақтау саласында деректерді сақтау мәселесі бар: көптеген ақпарат жинақталған және олар үнемі жаңартылып отырады, бірақ көп жағдайда бұл деректер әлі цифрландырылған жоқ. Мемлекеттік органдарда да деректер көп, бірақ олар ортақ кластерге біріктірілмеген. Ұлттық деректерді басқару жүйесінің (ҰБЖЖ) бірыңғай ақпараттық платформасын әзірлеу осы мәселені шешуге бағытталған, дейді сарапшы.

Дегенмен, біздің еліміз көптеген ұйымдарда үлкен деректерді талдау емес, интуиция негізінде маңызды шешімдер қабылданатын жалғыз елден алыс. Өткен жылдың сәуір айында Deloitte ірі американдық компаниялардың мыңнан астам көшбасшылары арасында (500 немесе одан да көп штаты бар) сауалнама жүргізіп, сауалнамаға қатысқандардың 63% үлкен деректер технологияларымен таныс екенін, бірақ барлық қажетті ақпаратқа ие емес екенін анықтады. оларды пайдалану үшін инфрақұрылым. Сонымен қатар, аналитикалық жетілу деңгейі жоғары компаниялардың 37%-ының ішінде жартысы соңғы 12 айда бизнес мақсаттарынан айтарлықтай асып түсті.

Зерттеу жаңа техникалық шешімдерді енгізу қиындығынан басқа, компаниялардағы маңызды мәселе деректермен жұмыс істеу мәдениетінің жоқтығы екені анықталды. Үлкен деректер негізінде қабылданған шешімдерге жауапкершілік бүкіл компанияға емес, тек компанияның талдаушыларына жүктелсе, жақсы нәтиже күтуге болмайды. «Қазір компаниялар үлкен деректерді пайдаланудың қызықты жағдайларын іздейді», - дейді Мифтахов. «Сонымен бірге, кейбір сценарийлерді іске асыру бұрын талданбаған қосымша деректерді жинау, өңдеу және сапасын бақылау жүйелеріне инвестицияларды талап етеді». Өкінішке орай, «аналитика әлі командалық спорт емес», - деп мойындайды зерттеу авторлары.