Ընդունեք նման տվյալները. ինչպես են բիզնեսները սովորում շահույթ ստանալ մեծ տվյալներից

Վերլուծելով մեծ տվյալները՝ ընկերությունները սովորում են բացահայտել թաքնված օրինաչափությունները՝ բարելավելով իրենց բիզնեսի արդյունավետությունը: Ուղղությունը մոդայիկ է, բայց ոչ բոլորն են կարող օգտվել մեծ տվյալներից՝ նրանց հետ աշխատելու մշակույթի բացակայության պատճառով

«Որքան շատ է մարդու անունը, այնքան ավելի հավանական է, որ նա ժամանակին վճարի: Որքան շատ հարկեր ունենա ձեր տունը, այնքան վիճակագրորեն ավելի լավ վարկառու եք: Կենդանակերպի նշանը գրեթե չի ազդում գումարի վերադարձի հավանականության վրա, բայց հոգետիպը զգալիորեն ազդում է », - ասում է Home Credit Bank-ի վերլուծաբան Ստանիսլավ Դուժինսկին վարկառուների վարքագծի անսպասելի օրինաչափությունների մասին: Նա չի պարտավորվում բացատրել այս օրինաչափություններից շատերը. դրանք բացահայտվել են արհեստական ​​ինտելեկտի միջոցով, որը մշակել է հաճախորդների հազարավոր պրոֆիլներ:

Սա մեծ տվյալների վերլուծության ուժն է. վերլուծելով հսկայական քանակությամբ չկառուցված տվյալներ՝ ծրագիրը կարող է հայտնաբերել բազմաթիվ հարաբերակցություններ, որոնց մասին ամենաիմաստուն մարդկային վերլուծաբանն անգամ չգիտի: Ցանկացած ընկերություն ունի հսկայական քանակությամբ չկառուցված տվյալներ (մեծ տվյալներ)՝ աշխատակիցների, հաճախորդների, գործընկերների, մրցակիցների մասին, որոնք կարող են օգտագործվել բիզնեսի օգուտների համար. բարելավել առաջխաղացման էֆեկտը, հասնել վաճառքի աճի, կրճատել անձնակազմի շրջանառությունը և այլն:

Մեծ տվյալների հետ առաջինն աշխատել են խոշոր տեխնոլոգիական և հեռահաղորդակցության ընկերությունները, ֆինանսական հաստատությունները և մանրածախ առևտուրը, մեկնաբանում է ԱՊՀ Deloitte Technology Integration Group-ի տնօրեն Ռաֆայել Միֆթախովը: Այժմ նման լուծումների նկատմամբ հետաքրքրություն կա բազմաթիվ ոլորտներում։ Ինչի՞ են հասել ընկերությունները: Եվ արդյոք մեծ տվյալների վերլուծությունը միշտ բերում է արժեքավոր եզրակացությունների:

Բանկերը օգտագործում են մեծ տվյալների ալգորիթմներ հիմնականում հաճախորդների փորձը բարելավելու և ծախսերը օպտիմալացնելու, ինչպես նաև ռիսկերը կառավարելու և խարդախության դեմ պայքարելու համար: «Վերջին տարիներին իսկական հեղափոխություն է տեղի ունեցել մեծ տվյալների վերլուծության ոլորտում», - ասում է Դուժինսկին: «Մեքենայական ուսուցման օգտագործումը մեզ թույլ է տալիս շատ ավելի ճշգրիտ կանխատեսել վարկի դեֆոլտի հավանականությունը. մեր բանկում ժամկետանցությունը կազմում է ընդամենը 3,9%»: Համեմատության համար նշենք, որ 1 թվականի հունվարի 2019-ի դրությամբ ֆիզիկական անձանց տրված վարկերի 90 օր ժամկետանց ժամկետանց վարկերի մասնաբաժինը, ըստ ԿԲ տվյալների, կազմել է 5%:

Նույնիսկ միկրոֆինանսական կազմակերպությունները տարակուսած են մեծ տվյալների ուսումնասիրությամբ: «Այսօր առանց մեծ տվյալների վերլուծության ֆինանսական ծառայություններ մատուցելը նման է մաթեմատիկա առանց թվերի», - ասում է Անդրեյ Պոնոմարևը՝ Webbankir առցանց վարկավորման հարթակի գործադիր տնօրենը: «Մենք առցանց գումար ենք թողարկում՝ չտեսնելով ոչ հաճախորդին, ոչ նրա անձնագիրը, և ի տարբերություն ավանդական վարկավորման, մենք պետք է ոչ միայն գնահատենք անձի վճարունակությունը, այլև բացահայտենք նրա անձը»։

Այժմ ընկերության տվյալների բազայում պահվում է ավելի քան 500 հազար հաճախորդների մասին տեղեկատվություն։ Յուրաքանչյուր նոր հավելված այս տվյալներով վերլուծվում է մոտ 800 պարամետրով։ Ծրագիրը հաշվի է առնում ոչ միայն սեռը, տարիքը, ամուսնական կարգավիճակը և վարկային պատմությունը, այլև այն սարքը, որից մարդը մտել է հարթակ, ինչպես է իրեն պահում կայքում։ Օրինակ, կարող է տագնապալի լինել, որ պոտենցիալ վարկառուն չի օգտվել վարկի հաշվիչից կամ չի հետաքրքրվել վարկի պայմանների մասին: «Բացառությամբ կանգառի մի քանի գործոնների՝ ասենք, մենք վարկեր չենք տրամադրում մինչև 19 տարեկան անձանց, այս պարամետրերից ոչ մեկն ինքնին պատճառ չէ վարկ տրամադրելուց հրաժարվելու կամ համաձայնելու համար», - բացատրում է Պոնոմարևը: Կարևորը գործոնների համակցությունն է: 95% դեպքերում որոշումը կայացվում է ավտոմատ կերպով՝ առանց տեղաբաշխման բաժնի մասնագետների մասնակցության։

Մեծ տվյալների վերլուծությունը թույլ է տալիս մեզ հետաքրքիր օրինաչափություններ ստանալ, - կիսում է Պոնոմարևը: Օրինակ, iPhone-ի օգտատերերը պարզվեց, որ ավելի կարգապահ փոխառուներ են, քան Android սարքերի սեփականատերեր. առաջինները դիմումների հաստատում են ստանում 1,7 անգամ ավելի հաճախ: «Այն փաստը, որ զինվորականները միջին վարկառուից գրեթե մեկ քառորդով պակաս չեն մարում վարկերը, անակնկալ չէր», - ասում է Պոնոմարևը: «Սակայն ուսանողներին սովորաբար պարտավորված չեն ակնկալում, բայց միևնույն ժամանակ, վարկերի չվճարման դեպքերը 10%-ով ավելի քիչ են տարածված, քան բազայի միջինը»:

Մեծ տվյալների ուսումնասիրությունը թույլ է տալիս միավորներ հավաքել նաև ապահովագրողների համար։ IDX-ը, որը հիմնադրվել է 2016 թվականին, զբաղվում է փաստաթղթերի հեռահար նույնականացմամբ և առցանց ստուգմամբ: Այս ծառայությունները պահանջված են բեռնափոխադրումների ապահովագրողների շրջանում, ովքեր շահագրգռված են ապրանքների հնարավորինս քիչ կորստով: Մինչ ապրանքների փոխադրումն ապահովագրելը, ապահովագրողը, վարորդի համաձայնությամբ, ստուգում է հուսալիությունը, բացատրում է IDX-ի կոմերցիոն տնօրեն Յան Սլոկան։ Գործընկերոջ՝ Սանկտ Պետերբուրգի «Risk Control» ընկերության հետ միասին IDX-ը մշակել է ծառայություն, որը թույլ է տալիս ստուգել վարորդի ինքնությունը, անձնագրի տվյալները և իրավունքները, մասնակցությունը բեռի կորստի հետ կապված միջադեպերին և այլն: Վերլուծելուց հետո վարորդների տվյալների բազայում ընկերությունը հայտնաբերել է «ռիսկի խումբ». ամենից հաճախ բեռները կորչում են 30-40 տարեկան երկար վարորդական փորձ ունեցող վարորդների շրջանում, ովքեր վերջերս հաճախ են փոխել աշխատանքը: Պարզվել է նաեւ, որ բեռը ամենից հաճախ գողանում են մեքենաների վարորդները, որոնց ծառայության ժամկետը գերազանցում է ութ տարին։

Մանրածախ առևտրով զբաղվողներն այլ խնդիր ունեն՝ բացահայտել հաճախորդներին, ովքեր պատրաստ են գնումներ կատարել, և որոշել նրանց կայք կամ խանութ բերելու ամենաարդյունավետ ուղիները: Այդ նպատակով ծրագրերը վերլուծում են հաճախորդների պրոֆիլը, նրանց անձնական հաշվի տվյալները, գնումների պատմությունը, որոնման հարցումները և բոնուսային միավորների օգտագործումը, էլեկտրոնային զամբյուղների պարունակությունը, որոնք նրանք սկսել են լրացնել և լքել: Տվյալների վերլուծությունը թույլ է տալիս հատվածավորել ամբողջ տվյալների բազան և բացահայտել պոտենցիալ գնորդների խմբերը, որոնք կարող են հետաքրքրվել որոշակի առաջարկով, ասում է M.Video-Eldorado խմբի տվյալների գրասենյակի տնօրեն Կիրիլ Իվանովը:

Օրինակ՝ ծրագիրը բացահայտում է հաճախորդների խմբեր, որոնցից յուրաքանչյուրին դուր են գալիս տարբեր մարքեթինգային գործիքներ՝ անտոկոս վարկ, քեշբեք կամ զեղչի պրոմո կոդը: Այս գնորդները էլեկտրոնային փոստով տեղեկագիր են ստանում համապատասխան ակցիայով: Հավանականությունը, որ մարդը, բացելով նամակը, կգնա ընկերության կայք, այս դեպքում զգալիորեն մեծանում է, նշում է Իվանովը։

Տվյալների վերլուծությունը թույլ է տալիս նաև ավելացնել հարակից ապրանքների և աքսեսուարների վաճառքը: Համակարգը, որը մշակել է այլ հաճախորդների պատվերի պատմությունը, գնորդին տալիս է առաջարկություններ, թե ինչ գնել ընտրված ապրանքի հետ միասին: Աշխատանքի այս մեթոդի փորձարկումը, ըստ Իվանովի, ցույց է տվել աքսեսուարների պատվերների քանակի աճ 12%-ով և աքսեսուարների շրջանառության աճ՝ 15%-ով։

Մանրածախ առևտրով զբաղվողները միակը չեն, ովքեր ձգտում են բարելավել սպասարկման որակը և ավելացնել վաճառքը: Անցյալ ամառ MegaFon-ը գործարկեց «խելացի» առաջարկի ծառայություն՝ հիմնված միլիոնավոր բաժանորդների տվյալների մշակման վրա: Ուսումնասիրելով նրանց վարքագիծը՝ արհեստական ​​ինտելեկտը սովորել է յուրաքանչյուր հաճախորդի համար անհատական ​​առաջարկներ կազմել սակագների շրջանակներում։ Օրինակ, եթե ծրագիրը նշում է, որ մարդն ակտիվորեն տեսանյութ է դիտում իր սարքում, ծառայությունը նրան կառաջարկի ընդլայնել բջջային թրաֆիկի քանակը։ Հաշվի առնելով օգտատերերի նախասիրությունները՝ ընկերությունը բաժանորդներին տրամադրում է անսահմանափակ տրաֆիկ ինտերնետ ժամանցի իրենց սիրելի տեսակների համար, օրինակ՝ օգտագործելով ակնթարթային մեսենջերներ կամ երաժշտություն լսել հոսքային ծառայություններում, զրուցել սոցիալական ցանցերում կամ դիտել հեռուստաշոուներ:

«Մենք վերլուծում ենք բաժանորդների վարքագիծը և հասկանում, թե ինչպես են փոխվում նրանց հետաքրքրությունները», - բացատրում է MegaFon-ի մեծ տվյալների վերլուծության տնօրեն Վիտալի Շչերբակովը: «Օրինակ, այս տարի AliExpress-ի տրաֆիկը նախորդ տարվա համեմատ աճել է 1,5 անգամ, և ընդհանուր առմամբ, առցանց հագուստի խանութներ այցելությունների թիվն աճում է՝ 1,2–2 անգամ՝ կախված կոնկրետ ռեսուրսից»։

Մեծ տվյալներ ունեցող օպերատորի աշխատանքի մեկ այլ օրինակ է MegaFon Poisk հարթակը անհայտ կորած երեխաների և մեծահասակների որոնման համար։ Համակարգը վերլուծում է, թե որ մարդիկ կարող են գտնվել անհայտ կորածի վայրի մոտ, և նրանց տեղեկատվություն է ուղարկում անհայտ կորածի լուսանկարով և նշաններով։ Օպերատորը մշակել և փորձարկել է համակարգը Ներքին գործերի նախարարության և Lisa Alert կազմակերպության հետ միասին. անհայտ կորածին կողմնորոշվելուց երկու րոպեի ընթացքում ստանում է ավելի քան 2 հազար բաժանորդ, ինչը զգալիորեն մեծացնում է հաջող որոնման արդյունքի հնարավորությունը:

Մեծ տվյալների վերլուծությունը կիրառություն է գտել նաև արդյունաբերության մեջ: Այստեղ այն թույլ է տալիս կանխատեսել պահանջարկը և պլանավորել վաճառքը: Այսպիսով, Չերկիզովո ընկերությունների խմբում երեք տարի առաջ ներդրվեց SAP BW-ի վրա հիմնված լուծում, որը թույլ է տալիս պահպանել և մշակել վաճառքի բոլոր տեղեկությունները. գներ, տեսականին, ապրանքների ծավալները, առաջխաղացումները, բաշխման ուղիները, ասում է Վլադիսլավ Բելյաևը, CIO: «Չերկիզովո» խմբի. Կուտակված 2 ՏԲ տեղեկատվության վերլուծությունը ոչ միայն հնարավորություն է տվել արդյունավետ ձևավորել տեսականին և օպտիմալացնել արտադրանքի պորտֆելը, այլև հեշտացրել է աշխատակիցների աշխատանքը։ Օրինակ՝ վաճառքի օրական հաշվետվություն պատրաստելը կպահանջի շատ վերլուծաբանների մեկօրյա աշխատանք՝ երկուական ապրանքի յուրաքանչյուր հատվածի համար: Այժմ այս զեկույցը պատրաստվում է ռոբոտի կողմից՝ բոլոր հատվածների վրա ծախսելով ընդամենը 30 րոպե։

«Արդյունաբերության մեջ մեծ տվյալները արդյունավետորեն աշխատում են իրերի ինտերնետի հետ համատեղ», - ասում է Umbrella IT-ի գործադիր տնօրեն Ստանիսլավ Մեշկովը: «Սենսորների տվյալների վերլուծության հիման վրա, որոնցով հագեցված է սարքավորումը, հնարավոր է բացահայտել դրա շահագործման շեղումները և կանխել խափանումները և կանխատեսել կատարողականը»:

Severstal-ում մեծ տվյալների օգնությամբ նրանք նաև փորձում են լուծել բավականին ոչ մանր խնդիրներ, օրինակ՝ նվազեցնել վնասվածքների մակարդակը: 2019 թվականին ընկերությունը մոտ 1,1 միլիարդ ռուբլի է հատկացրել աշխատանքի անվտանգության բարելավմանն ուղղված միջոցառումների համար։ Severstal-ն ակնկալում է նվազեցնել վնասվածքների մակարդակը 2025%-ով 50-ով (2017-ի համեմատ): «Եթե գծի մենեջերը՝ վարպետ, կայքի մենեջեր, խանութի մենեջեր, նկատել է, որ աշխատակիցը որոշակի գործողություններ է կատարում անապահով (արդյունաբերական վայրում աստիճաններով բարձրանալիս չի բռնվում բազրիքներից կամ չի կրում բոլոր անձնական պաշտպանիչ սարքավորումները), գրում է. հատուկ նշում նրան՝ PAB («վարքային անվտանգության աուդիտից»)»,- ասում է ընկերության տվյալների վերլուծության բաժնի ղեկավար Բորիս Վոսկրեսենսկին:

Ստորաբաժանումներից մեկում ՊԱԲ-ների քանակի վերաբերյալ տվյալները վերլուծելուց հետո ընկերության մասնագետները պարզել են, որ անվտանգության կանոններն ամենից հաճախ խախտել են նրանք, ովքեր նախկինում արդեն մի քանի դիտողություններ են ունեցել, ինչպես նաև նրանք, ովքեր եղել են հիվանդության արձակուրդում կամ կարճ ժամանակ առաջ արձակուրդում։ միջադեպը։ Արձակուրդից կամ հիվանդության արձակուրդից վերադառնալուց հետո առաջին շաբաթվա խախտումները կրկնակի ավելի են եղել, քան հաջորդ ժամանակահատվածում՝ 1՝ 0,55%-ի դիմաց: Բայց գիշերային հերթափոխով աշխատելը, ինչպես պարզվեց, չի ազդում ՓԲԸ-ների վիճակագրության վրա։

Մեծ տվյալների մշակման ալգորիթմների ստեղծումը աշխատանքի ամենադժվար մասը չէ, ասում են ընկերության ներկայացուցիչները։ Շատ ավելի դժվար է հասկանալ, թե ինչպես կարող են այդ տեխնոլոգիաները կիրառվել յուրաքանչյուր կոնկրետ բիզնեսի համատեքստում: Հենց այստեղ է ընկած ընկերության վերլուծաբանների և նույնիսկ արտաքին պրովայդերների աքիլլեսյան գարշապարը, որոնք, կարծես թե, փորձագիտություն են կուտակել մեծ տվյալների ոլորտում:

«Ես հաճախ հանդիպում էի տվյալների մեծ վերլուծաբանների, որոնք հիանալի մաթեմատիկոսներ էին, բայց չունեին բիզնես գործընթացների անհրաժեշտ պատկերացում», - ասում է GoodsForecast-ի զարգացման գծով տնօրեն Սերգեյ Կոտիկը: Նա հիշում է, թե ինչպես երկու տարի առաջ իր ընկերությունը հնարավորություն ունեցավ մասնակցել դաշնային մանրածախ ցանցի պահանջարկի կանխատեսման մրցույթին։ Ընտրվել է փորձնական շրջան, որի բոլոր ապրանքների և խանութների համար մասնակիցները կանխատեսումներ են արել։ Այնուհետև կանխատեսումները համեմատվել են իրական վաճառքի հետ: Առաջին տեղը զբաղեցրել է ռուսական ինտերնետ հսկաներից մեկը, որը հայտնի է մեքենայական ուսուցման և տվյալների վերլուծության ոլորտում իր փորձով. իր կանխատեսումներում այն ​​ցույց է տվել իրական վաճառքից նվազագույն շեղում։

Բայց երբ ցանցը սկսեց ավելի մանրամասն ուսումնասիրել նրա կանխատեսումները, պարզվեց, որ բիզնեսի տեսանկյունից դրանք բացարձակապես անընդունելի են։ Ընկերությունը ներկայացրել է մի մոդել, որն արտադրում է վաճառքի պլաններ՝ համակարգված թերագնահատմամբ: Ծրագիրը պարզեց, թե ինչպես նվազագույնի հասցնել կանխատեսումների սխալների հավանականությունը. ավելի ապահով է թերագնահատել վաճառքը, քանի որ առավելագույն սխալը կարող է լինել 100% (բացասական վաճառք չկա), բայց գերկանխատեսման ուղղությամբ այն կարող է կամայականորեն մեծ լինել, Կոտիկը բացատրում է. Այսինքն՝ ընկերությունը ներկայացրել է իդեալական մաթեմատիկական մոդել, որն իրական պայմաններում կհանգեցներ կիսադատարկ խանութների և թերվաճառքներից հսկայական վնասների։ Արդյունքում մրցույթում հաղթեց մեկ այլ ընկերություն, որի հաշվարկները կարող էին կյանքի կոչվել։

Մեծ տվյալների տեխնոլոգիաները արդիական են արդյունաբերության շատ ճյուղերի համար, սակայն դրանց ակտիվ ներդրումը ամենուր չի լինում, նշում է Մեշկովը։ Օրինակ՝ առողջապահության ոլորտում տվյալների պահպանման խնդիր կա՝ կուտակվել է շատ տեղեկատվություն և պարբերաբար թարմացվում է, բայց մեծ մասամբ այդ տվյալները դեռ թվայնացված չեն։ Պետական ​​կառույցներում նույնպես շատ տվյալներ կան, բայց դրանք չեն համակցվում ընդհանուր կլաստերի մեջ: Այս խնդրի լուծմանն է ուղղված Տվյալների կառավարման ազգային համակարգի (ՏԱԿ) միասնական տեղեկատվական հարթակի ստեղծումը, ասում է փորձագետը։

Այնուամենայնիվ, մեր երկիրը հեռու է միակ երկրից, որտեղ կազմակերպությունների մեծ մասում կարևոր որոշումները կայացվում են ինտուիցիայի, այլ ոչ մեծ տվյալների վերլուծության հիման վրա։ Անցյալ տարվա ապրիլին Deloitte-ը հարցում է անցկացրել ամերիկյան խոշոր ընկերությունների հազարից ավելի ղեկավարների շրջանում (500 և ավելի աշխատակազմով) և պարզել, որ հարցվածների 63%-ը ծանոթ է մեծ տվյալների տեխնոլոգիաներին, բայց չունի բոլոր անհրաժեշտները։ դրանք օգտագործելու ենթակառուցվածքը: Միևնույն ժամանակ, վերլուծական հասունության բարձր մակարդակ ունեցող ընկերությունների 37%-ի գրեթե կեսը վերջին 12 ամիսների ընթացքում զգալիորեն գերազանցել է բիզնես նպատակները։

Ուսումնասիրությունը պարզել է, որ բացի նոր տեխնիկական լուծումների ներդրման դժվարությունից, ընկերություններում կարևոր խնդիր է տվյալների հետ աշխատելու մշակույթի բացակայությունը։ Պետք չէ լավ արդյունքներ ակնկալել, եթե մեծ տվյալների հիման վրա կայացված որոշումների պատասխանատվությունը վերապահված է միայն ընկերության վերլուծաբաններին, այլ ոչ թե ամբողջ ընկերությանը որպես ամբողջություն։ «Այժմ ընկերությունները փնտրում են մեծ տվյալների օգտագործման հետաքրքիր դեպքեր», - ասում է Միֆթախովը: «Միևնույն ժամանակ, որոշ սցենարների իրականացումը պահանջում է ներդրումներ լրացուցիչ տվյալների հավաքագրման, մշակման և որակի վերահսկման համակարգերում, որոնք նախկինում չեն վերլուծվել»: Ավաղ, «վերլուծությունը դեռ թիմային սպորտ չէ», խոստովանում են հետազոտության հեղինակները: